في مجال الذكاء الاصطناعي ، الخوارزمية التطورية (EA) هي مجموعة فرعية من إجمالي حسابات السكان على أساس التحسين metaheuristic. يستخدم EA آليات مستوحاة من التطور البيولوجي مثل التكاثر والطفرة وإعادة التركيب والاختيار. يلعب الحل المرشح في مشكلة خوارزميات التحسين التطوري دور الأفراد في المجتمع. وأيضًا وظيفة اللياقة هي التي تحدد جودة الإجابات.
غالبًا ما تقدم الخوارزميات التطورية حلولًا تقريبية لجميع أنواع المشكلات بشكل جيد. لأنهم من الناحية المثالية لا يضعون أي افتراضات حول مشهد اللياقة البدنية الأساسي. عادةً ما تقتصر الطرق المستخدمة في النمذجة التطورية والخوارزميات الجينية على دراسات عمليات التطور الجزئي ونماذج التخطيط القائمة على المراحل الخلوية. في معظم تطبيقات EA الحقيقية ، يعد التعقيد الحسابي عاملاً مانعًا.
في الواقعتتعلق هذه المسألة بتقدير دالة اللياقة. تقريب اللياقة هو أحد الحلول للتغلب على هذه الصعوبة. ومع ذلك ، فإن المستشار الخبير الذي يبدو بسيطًا يمكن أن يحل المشكلات المعقدة غالبًا. لذلك ، لا يمكن أن تكون هناك علاقة مباشرة بين تعقيد التسلسل والمشكلة. يمكن العثور على مزيد من التفاصيل في كتب "الخوارزميات التطورية".
تنفيذ
الخطوة الأولى هي إنشاء مجموعة أولية من الأفراد بشكل عشوائي.
الخطوة الثانية هي تقييم مدى ملاءمة كل فرد في هذه المجموعة (المهلة الزمنية ، والاستعداد الكافي ، وما إلى ذلك).
الخطوة الثالثة - كرر خطوات التجديد التالية حتى الاكتمال:
- حدد أنسب الأشخاص للتربية (الوالدين).
- أحضر أفرادًا جدد اجتازوا الخوارزمية التطورية باستخدام التقاطع والطفرة للحصول على ذرية.
- تقييم اللياقة الفردية للأشخاص الجدد
- استبدل السكان الأقل ملاءمة بهم.
أنواع
الخوارزمية الجينية هي تسلسل تطوري ، أكثر أنواع المستشارين الخبراء شيوعًا. يتم البحث عن حل للمشكلة في شكل سلاسل من الأرقام (تقليديًا ثنائي ، على الرغم من أن أفضل التمثيلات عادة ما تكون تلك التي تعكس بشكل أكبر في المشكلة التي يتم حلها) من خلال تطبيق عوامل مثل إعادة التركيب والطفرة (أحيانًا واحدة ، وفي بعض الحالات كليهما). غالبًا ما يستخدم هذا النوع من Expert Advisor في مشاكل التحسين. اسم آخر لهذا هو فيتورا (من اللاتينية "الولادة"):
- البرمجة الجينية. يقدم حلولًا كرموز كمبيوتر ، ويتم تحديد مدى ملاءمتها من خلال قدرتها على أداء المهام الحسابية.
- البرمجة التطورية. تشبه الخوارزمية الجينية التطورية ، لكن الهيكل ثابت ويمكن تغيير معلماته العددية.
- برمجة التعبير الجيني. يطور تطبيقات الكمبيوتر ، لكنه يستكشف نظام النمط الوراثي ، حيث يتم ترميز المشاريع ذات الأحجام المختلفة على الكروموسومات الخطية ذات الطول الثابت.
- الإستراتيجية. يعمل مع متجهات الأعداد الحقيقية كتمثيل للحلول. يستخدم عادة خوارزميات معدل الطفرات التطورية ذاتية التكيف.
- التنمية التفاضلية. بناءً على الاختلافات في المتجهات وبالتالي فهي مناسبة بشكل أساسي لمشاكل التحسين العددية.
- التطور العصبي. على غرار البرمجة التطورية والخوارزميات الجينية. لكن الأخيرة عبارة عن شبكات عصبية اصطناعية ، تصف بنية ووزن الاتصالات. يمكن أن يكون ترميز الجينوم مباشرًا أو غير مباشر.
مقارنة مع العمليات البيولوجية
أحد القيود المحتملة للعديد من الخوارزميات التطورية هو عدم وجود تمييز واضح بين النمط الجيني والنمط الظاهري. في الطبيعة ، تخضع البويضة المخصبة لعملية معقدة تعرف باسم التطور الجنيني لتصبح ناضجة. يُعتقد أن هذا الترميز غير المباشر يجعل عمليات البحث الجيني أكثر موثوقية (أي أقل احتمالية للتسبب في طفرات قاتلة) وقد يؤدي أيضًا إلى تحسين قدرة الكائن الحي على التطور. هذا غير مباشر (بمعنى آخر ،تسمح أيضًا الترميزات التوليدية أو التنموية للتطور باستغلال الانتظام في البيئة.
تسعى الأعمال الحديثة في مجال التطور الجنيني الاصطناعي أو النظم التنموية إلى معالجة هذه القضايا. عند برمجة التعبير الجيني ، يتم استكشاف منطقة النمط الظاهري للنمط الجيني بنجاح ، حيث يتكون الأول من كروموسومات خطية متعددة الجينات بطول ثابت ، والثاني من العديد من أشجار التعبير أو برامج الكمبيوتر ذات الأحجام والأشكال المختلفة.
تقنيات ذات صلة
الخوارزميات تشمل:
- تحسين مستعمرة النمل. يعتمد على فكرة أن الحشرات تبحث عن الطعام من خلال الاتصال بالفيرومونات لتشكيل المسارات. مناسب في المقام الأول للتحسين الاندماجي ومشاكل الرسم البياني
- خوارزمية شريط التمرير الجذر. استلهم الخالق من وظيفة جذور النباتات في الطبيعة.
- خوارزمية لمستعمرات النحل الاصطناعية. بناء على سلوك نحل العسل. تم اقتراحه بشكل أساسي للتحسين العددي وتم توسيعه لحل المشكلات التوافقية والمحدودة ومتعددة الأهداف. تعتمد خوارزمية النحل على سلوك البحث عن علف الحشرات. تم تطبيقه في العديد من التطبيقات مثل التوجيه والجدولة.
- تحسين سرب الجسيمات - بناءً على أفكار سلوك قطيع الحيوانات. وأيضًا مناسبة بشكل أساسي لمهام العمليات العددية.
طرق metaheurism الشائعة الأخرى
- بحث الصيد. طريقة تعتمد على الصيد الجماعي لبعض الحيوانات ، مثل الذئاب ، على سبيل المثال ، والتيتوزيع واجباتهم على الفريسة. يرتبط كل عضو من أعضاء الخوارزمية التطورية بالآخرين بطريقة ما. هذا ينطبق بشكل خاص على القائد. هذه طريقة تحسين مستمرة يتم تكييفها كطريقة عملية اندماجية.
- البحث بالقياسات. على عكس الطرق الاستبدادية القائمة على الطبيعة ، لا تستخدم خوارزمية العملية التكيفية الاستعارة كمبدأ رئيسي لها. بدلاً من ذلك ، يستخدم أسلوبًا بسيطًا موجهًا للأداء يعتمد على تحديث معلمة نسبة أبعاد البحث في كل تكرار. خوارزمية Firefly مستوحاة من كيفية جذب اليراعات لبعضها البعض بضوءها الوامض. هذا مفيد بشكل خاص لتحسين الوسائط المتعددة.
- ابحث عن الانسجام. بناء على أفكار سلوك الموسيقيين. في هذه الحالة ، الخوارزميات التطورية هي السبيل للذهاب لتحسين اندماجي.
- تكيف غاوسي. بناء على نظرية المعلومات. تستخدم لتعظيم الأداء ومتوسط التوافر. مثال على الخوارزميات التطورية في هذه الحالة: الإنتروبيا في الديناميكا الحرارية ونظرية المعلومات.
Memetic
طريقة هجينة تعتمد على فكرة ريتشارد دوكينز عن الميم. عادة ما تأخذ شكل خوارزمية تعتمد على السكان جنبًا إلى جنب مع إجراءات التعلم الفردية القادرة على أداء التحسينات المحلية. يؤكد على استخدام المعرفة الخاصة بالمشكلة ويحاول تنظيم عمليات البحث الدقيقة والعالمية بطريقة تآزرية.
تطوريالخوارزميات هي نهج إرشادي للمشكلات التي لا يمكن حلها بسهولة في وقت متعدد الحدود ، مثل مشاكل NP-hard الكلاسيكية وأي شيء آخر قد يستغرق وقتًا طويلاً لمعالجته بشكل شامل. عند استخدامها بشكل مستقل ، فإنها تستخدم عادة في المشاكل الاندماجية. ومع ذلك ، غالبًا ما تُستخدم الخوارزميات الجينية جنبًا إلى جنب مع طرق أخرى ، حيث تعمل كطريقة سريعة للعثور على عدة أماكن بدء مثالية للعمل معها.
فرضية الخوارزمية التطورية (المعروفة باسم المستشار) بسيطة للغاية نظرًا لأنك على دراية بعملية الانتقاء الطبيعي. يحتوي على أربع خطوات رئيسية:
- تهيئة ؛
- اختيار ؛
- العوامل الجينية ؛
- نهاية.
تتوافق كل خطوة من هذه الخطوات تقريبًا مع جانب معين من الانتقاء الطبيعي وتوفر طرقًا سهلة لتشكيل هذه الفئة من الخوارزميات. ببساطة ، في EA ، الأعضاء الأصلح سوف يستمرون على قيد الحياة ويتكاثرون ، بينما الأعضاء غير المناسبين سيموتون ولن يساهموا في تجمع الجينات للجيل القادم.
التهيئة
لبدء الخوارزمية ، يجب عليك أولاً إنشاء مجموعة من الحلول. سوف يحتوي السكان على عدد تعسفي من بيانات المشكلة المحتملة ، وغالبًا ما يشار إليها باسم الأعضاء. غالبًا ما يتم إنشاؤها عشوائيًا (ضمن قيود المهمة) أو ، إذا كانت بعض المعرفة السابقة معروفة ، تتمحور مبدئيًا حول ما يعتبر مثاليًا. من المهم أن يغطي السكان مجموعة واسعة من الحلول ،لأنها في الأساس تجمع جيني. لذلك ، إذا أراد المرء استكشاف العديد من الاحتمالات المختلفة داخل خوارزمية ، فيجب على المرء أن يسعى جاهداً لامتلاك العديد من الجينات المختلفة.
الاختيار
بمجرد تكوين المجتمع ، يجب الآن تقييم أعضائه وفقًا لوظيفة اللياقة. تأخذ وظيفة اللياقة البدنية خصائص العضو وتعطي تمثيلًا رقميًا لمدى ملاءمة العضو. غالبًا ما يكون إنشائها صعبًا للغاية. من المهم إيجاد نظام جيد يمثل البيانات بدقة. هذا خاص جدا بالمشكلة. الآن من الضروري حساب مدى ملاءمة جميع المشاركين واختيار بعض أفضل الأعضاء.
وظائف موضوعية متعددة
يمكن أيضًا تمديد EAs لاستخدام هذه الأنظمة. هذا يعقد العملية إلى حد ما ، لأنه بدلاً من تحديد نقطة مثالية واحدة ، يتم الحصول على مجموعة عند استخدامها. تسمى مجموعة الحلول حدود باريتو وتحتوي على عناصر مناسبة بشكل متساوٍ بمعنى أنه لا أحد منها يسيطر على أيٍّ من الحلول الأخرى.
العوامل الجينية
تتضمن هذه الخطوة خطوتين فرعيتين: الانتقال والطفرة. بعد اختيار أفضل المصطلحات (عادةً أعلى 2 ، ولكن هذا الرقم يمكن أن يختلف) ، يتم استخدامها الآن لإنشاء الجيل التالي في الخوارزمية. من خلال تطبيق خصائص الوالدين المختارين ، يتم إنشاء أطفال جدد هم مزيج من الصفات. غالبًا ما يكون هذا صعبًا اعتمادًا على نوع البيانات ، ولكن عادةً في مشاكل اندماجيةمن الممكن تمامًا المزج وإخراج مجموعات صالحة.
الآن من الضروري إدخال مادة وراثية جديدة في الجيل. إذا لم يتم اتخاذ هذه الخطوة المهمة ، فسوف يعلق العالم بسرعة كبيرة في التطرف المحلي ولن يحصل على النتائج المثلى. هذه الخطوة عبارة عن طفرة ، ويتم إجراؤها بكل بساطة ، وتغيير جزء صغير من الأطفال بطريقة لا تعكس في الغالب مجموعات فرعية من جينات الوالدين. عادة ما تحدث الطفرة احتمالية ، لأن احتمالية إصابة الطفل بها ، وكذلك شدتها ، تتحدد بالتوزيع.
الإنهاء
في النهاية ، يجب أن تنتهي الخوارزمية. يحدث هذا عادةً في حالتين: إما أن يكون قد وصل إلى بعض الحد الأقصى لوقت التنفيذ ، أو أنه وصل إلى حد الأداء. في هذه المرحلة ، يتم تحديد الحل النهائي وإعادته.
مثال على الخوارزميات التطورية
الآن ، لتوضيح نتيجة هذه العملية ، تحتاج إلى رؤية المستشار أثناء العمل. للقيام بذلك ، يمكننا أن نتذكر كيف تعلمت عدة أجيال من الديناصورات المشي (السيطرة تدريجيًا على الأرض) ، وتحسين بنية الجسم وتطبيق قوة العضلات. على الرغم من أن الزواحف من الجيل الأول لم تستطع المشي ، إلا أن المستشار كان قادرًا على تطويرها بمرور الوقت من خلال الطفرة والتقاطع إلى شكل يمكن أن يسير.
أصبحت هذه الخوارزميات ذات صلة بشكل متزايد في العالم الحديث ، حيث يتم استخدام الحلول القائمة عليها بشكل متزايد في صناعات مثل التسويق الرقمي والتمويل والرعاية الصحية.
أين يتم استخدام المستشارين الخبراء
على نطاق أوسع ، تُستخدم الخوارزميات التطورية في مجموعة متنوعة من التطبيقات مثل معالجة الصور وتوجيه المركبات وتحسين الاتصالات المتنقلة وتطوير البرامج وحتى تدريب الشبكات العصبية الاصطناعية. تقع هذه الأدوات في قلب العديد من التطبيقات والمواقع الإلكترونية التي يستخدمها الأشخاص يوميًا ، بما في ذلك خرائط Google وحتى الألعاب مثل The Sims. بالإضافة إلى ذلك ، يستخدم المجال الطبي المستشار الخبير للمساعدة في اتخاذ القرارات السريرية المتعلقة بعلاج السرطان. في الواقع ، تعد الخوارزميات التطورية قوية للغاية بحيث يمكن استخدامها لحل أي مشكلة تتعلق بالتحسين تقريبًا.
قانون مور
يرجع الانتشار المتزايد لـ EO إلى عاملين رئيسيين: قوة الحوسبة المتاحة وتراكم مجموعات البيانات الكبيرة. يمكن وصف الأول من خلال قانون مور ، والذي ينص بشكل أساسي على أن مقدار قوة الحوسبة في الكمبيوتر يتضاعف كل عامين تقريبًا. استمر هذا التوقع لعقود. يتعلق العامل الثاني بالاعتماد المتزايد على التكنولوجيا ، والذي يسمح للمؤسسات بجمع كمية كبيرة بشكل لا يصدق من البيانات ، مما يسمح لهم بتحليل الاتجاهات وتحسين المنتجات.
كيف يمكن للخوارزميات التطورية أن تساعد المسوقين؟
ظروف السوق تتغير بسرعة وتنافسية للغاية. وقد أجبر هذا مديري التسويق على التنافس من أجل اتخاذ قرارات أفضل. زيادة في المتاحةأدت قوة الحوسبة العمال إلى استخدام المستشار الخبير لحل المشكلات.
تحسين التحويل
من الأهداف الرئيسية زيادة نسبة زوار الموقع. تتلخص هذه المشكلة في تحسين عدد المستخدمين الذين يفعلون ما يريده المسوق. على سبيل المثال ، إذا كانت الشركة تبيع أجهزة كمبيوتر محمولة ، فالأفضل هو زيادة عدد زوار الموقع الذين ينتهي بهم الأمر بشراء المنتج. هذا هو جوهر تحسين معدل التحويل
أحد الجوانب المهمة بشكل مدهش هو اختيار واجهة المستخدم. إذا لم يكن تصميم الويب سهل الاستخدام للغاية ، فهناك من ينتهي بهم الأمر بعدم شراء المنتج لسبب أو لآخر. الهدف إذن هو تقليل عدد المستخدمين الذين ينتهي بهم الأمر بعدم التحويل ، مما يزيد الربح الإجمالي.
