El algoritmo genético tiene una robustez muy fuerte [56, 53]. Esto se debe a que, en comparación con los métodos de búsqueda de optimización ordinarios, adopta muchos métodos y tecnologías únicos. En resumen, los principales son los siguientes: aspectos.
El objeto de procesamiento del algoritmo genético no son los parámetros en sí, sino los individuos que codifican el conjunto de parámetros. Esta operación de codificación permite que el algoritmo genético opere directamente sobre objetos estructurales. Los llamados objetos estructurales generalmente se refieren a objetos en diversas formas estructurales unidimensionales, bidimensionales o incluso tridimensionales, como conjuntos, secuencias, matrices, árboles, gráficos, cadenas y tablas. Esta característica hace que los algoritmos genéticos tengan una amplia gama de aplicaciones. Por ejemplo:
① Al operar la matriz de conexión, el algoritmo genético se puede usar para optimizar la estructura o los parámetros de la red neuronal o autómata ② Al operar el conjunto, el algoritmo genético se puede usar para optimizar; el conjunto de reglas o conocimiento Refinar la biblioteca para lograr propósitos de aprendizaje automático de alta calidad ③ Al operar la estructura del árbol, el algoritmo genético se puede utilizar para obtener el árbol de decisión óptimo para la clasificación; ④ Al operar la secuencia de tareas, el algoritmo genético puede; Se puede utilizar para la planificación de tareas y, a través de algoritmos genéticos para procesar secuencias de operaciones, se pueden construir automáticamente sistemas de control secuencial.
Como se mencionó anteriormente, muchos métodos de búsqueda tradicionales son algoritmos de búsqueda de un solo punto, es decir, a través de algunas reglas de cambio, la solución del problema se mueve desde la solución (punto) actual en el espacio de búsqueda a otra solución. (punto). Este método de búsqueda punto a punto a menudo se queda atascado en una solución óptima local de pico único para el espacio de búsqueda de distribución multimodal. Por el contrario, el algoritmo genético utiliza un método para procesar múltiples individuos de la población al mismo tiempo, es decir, evaluar múltiples soluciones en el espacio de búsqueda al mismo tiempo. De manera más vívida, el algoritmo genético sube múltiples picos en paralelo. Esta característica hace que el algoritmo genético tenga un mejor rendimiento de búsqueda global y reduce el riesgo de quedarse atascado en soluciones óptimas locales. Al mismo tiempo, hace que el algoritmo genético en sí sea muy fácil de paralelizar.
En el algoritmo genético estándar, básicamente no hay necesidad de conocer el espacio de búsqueda u otra información auxiliar, ni derivados ni otra información auxiliar, y solo se utiliza el valor de la función de aptitud para evaluar a los individuos, y en esta base, la manipulación genética. Lo que hay que destacar es que la función de aptitud del algoritmo genético no sólo no está sujeta a restricciones de diferenciabilidad continua, sino que además su dominio puede establecerse arbitrariamente. El único requisito para la función de aptitud es que la entrada se pueda calcular para producir una salida positiva para comparar. Esta característica del algoritmo genético amplía enormemente su ámbito de aplicación.
Figura 7-1 Diagrama de bloques del algoritmo genético básico
El algoritmo genético no utiliza reglas deterministas, sino que utiliza reglas de transición probabilísticas para guiar su dirección de búsqueda. Como veremos en capítulos posteriores, el algoritmo genético utiliza la probabilidad simplemente como una herramienta para guiar su proceso de búsqueda hacia una región de solución más óptima del espacio de búsqueda. Entonces, aunque pueda parecer un método de búsqueda ciego, en realidad tiene una dirección de búsqueda clara.
Los algoritmos genéticos utilizan técnicas de codificación y mecanismos de reproducción simples para representar fenómenos complejos y resolver problemas muy difíciles. En particular, dado que no está limitado por los supuestos restrictivos del espacio de búsqueda y no requiere supuestos como continuidad, existencia de derivadas y unimodalidad, puede extraer datos de problemas discretos, multiextremos y ruidosos de alta dimensión con muy grande La probabilidad de encontrar la solución óptima global; en segundo lugar, debido a su paralelismo inherente, el algoritmo genético es muy adecuado para la computación paralela a gran escala. Los algoritmos genéticos se han utilizado cada vez más en campos como la optimización, el aprendizaje automático y el procesamiento paralelo.