ما هو الفرق بين الخوارزمية الجينية والتطور التفريقي؟


الاجابه 1:

كلاهما يعتمد على السكان غير مضمون ، خوارزمية التحسين حتى بالنسبة للأهداف غير القابلة للتمييز وغير المستمرة.

تتم تهيئة السكان بشكل عشوائي لكل من الخوارزميات بين الحدود العليا والدنيا لمساحة القرار المعنية. يجب أن يكون حجم السكان أربعة على الأقل في التطور التفاضلي واثنان للخوارزمية الجينية. سيتم إنشاء عدد جديد من السكان في كل جيل ، والتي سيتم تنفيذها من قبل بعض العمليات التطورية بالتتابع. حتى يتم استيفاء معيار الإنهاء ، سيتم تكرار هذه الأجيال.

العمليات الأساسية للخوارزمية الجينية هي الانتقاء والتقاطع والطفرة وتوضيحها بأمثلة هنا. بالمثل ، في أعقاب ثلاث عمليات تطورية ، تشارك في الأشكال الأساسية للتطور التفاضلي:

  1. طفرة: تطور التفاضلية يخلق حلا جديدا عن طريق إضافة الفرق المرجح بين حلين إلى حل ثالث. لذلك ، يجب أن تكون الحلول قابلة للتمديد والإضافة والطرح. وتسمى هذه العملية الطفرة في التطور التفاضلي ، وهي تشبه التقاطع في الخوارزمية الجينية ، حيث يتم تبادل المعلومات بين الحلول للحصول على حلول أفضل ، وهي أول عملية في كل جيل. إعادة التركيب: إعادة التركيب في التطور التفاضلي هي المشغل الثاني في كل جيل ، الذي يعمل على غرار التحقق من احتمالية التبادل في الخوارزمية الجينية ولكنه يعمل في البعد الحكيم. لذلك ، في التطور التفاضلي ، تشبه الطفرة وإعادة التركيب في مجملها أحد الوالدين الأربعة ، التقاطع المتعدد النقاط في الخوارزمية الجينية. الاختيار: الانتقاء في التطور التفاضلي هو المشغل الثالث. الاختيار والنخبة هما العاملان في الخوارزمية الجينية لتحديد الهوية و اتخاذ الإجراءات نيابة عن حلول أفضل.الاختيار هو المشغل الأول في الخوارزمية الجينية ويقوم بإجراء مقارنة بين الحلول في نفس الجيل. ولكن النخبة هي المشغل الأخير في الخوارزمية الجينية لدفع مباشرة الحل الأفضل إلى الجيل التالي بتجاوز التقاطع والطفرة ، حيث ستتم مقارنتها مع النسل. لذا ، فإن الانتقاء في التطور التفاضلي يبدو أقرب إلى النخبوية في الخوارزمية الجينية ، حيث يتم إجراء النخبوية بين الوالد والنسل.

وكيل

في وقت ما ، يُطلق على الحل الفردي في التطور التفاضلي العامل ، والذي لا يوجد له معنى حسابي على عكس تعلم التعزيز. هناك حاجة للحفاظ على التوازن بين تقسيم البيانات غير القابل للتغيير والقابل للتغيير في البرمجة باللغات الوظيفية (وليس النقي). لذلك ، يمكن إعطاء هذه المسؤولية الإضافية في مقابل المصطلح "وكيل" ، حيث يكون مؤشر الوكيل الفردي غير قابل للتغيير ولكن موقع الوكيل في مساحة الحل قابل للتغيير.

رموز وأمثلة

على الرغم من أن التطور التفاضلي ليس شائعًا مثل الخوارزمية الجينية ، إلا أن الرموز بلغات الكمبيوتر المختلفة والأمثلة متوفرة في الأدبيات المفتوحة. يتوفر أيضًا في الأدبيات لكلتا الخوارزميات نوع أكثر تقدماً من المتغيرات بالإضافة إلى خوارزمية أخرى مثل تحسين سرب الجسيمات ، وتحسين مستعمرة النمل ، إلخ.


الاجابه 2:

الاختلاف الرئيسي هو الترميز ، الخوارزمية الجينية ترمز دائمًا لأفرادها في مجتمع كسلسلة بت. عادةً ما يطلق على ترميز العدد الحقيقي لـ GA الاستراتيجيات التطورية أو البرمجة الجينية في حالة استخدام هياكل بيانات أكثر تعقيدًا كترميز.

التطور التفاضلي هو أيضا إرشادي للغاية حول كيفية أداء إعادة التركيب (الطفرة والتقاطع). يتم إنشاء شريك كروس على النحو التالي. لنفترض أننا اخترنا x لـ كروس ، تم اختيار شريك "الطفرة" على النحو التالي

  1. اختر a ، b ، c عشوائياً من السكان المتميزين عن بعضهم البعض ومتميزين عن xLet
  2. V=a+F(bc)V = a+ F (b - c)
  3. حيث 0
  4. Vi=ai+F(bici)V_i = a_i + F * (b_i - c_i)

عبور

لعبور x مع V:

لأني = 1 إلى ن

إذا (عشوائي <معدل التبادل)

            

yi=viy_i = v_i

آخر

            

yi=xiy_i = x_i

معدل التبادل هو رقم حقيقي بين 0 و 1


الاجابه 3:

تحاول كلتا الخوارزميات العثور على أفضل حل من مجموعة من الحلول في ضوء بعض المعايير. الحل الأفضل هو الحل الذي يعطي أقل قيمة لبعض المعايير المحددة مسبقًا. التدوين الرياضي للجملة السابقة:

x=argminxSf(x)\mathbf{x}^* = \arg \min_{\mathbf{x}\in\mathcal{S}} f(\mathbf{x})

الجزء الأكثر أهمية من المعادلة السابقة هو المعيار

f:SRf:\mathcal{S}\rightarrow\mathbb{R}

الذي يوجه "تطور" الخوارزمية إلى حل مشكلة معينة. يشار إلى المعيار عادة بوظيفة عقوبة أو وظيفة لياقة في حالة تعظيم الحدوث. يمكن أن تستهلك هذه الطاقة من خلال الحل ، والمال الذي يكسبه أحد الحلول ، أو فائدة أو عقوبة من حل يعتمد على المشكلة ... مجموعة الحلول الفردية

S\mathcal{S}

هو المكان الذي تختلف فيه الخوارزمية الجينية والتطور التفاضلي.

من تجربتي عادة ما يتم تخصيص الخوارزمية الجينية لكل مشكلة. هذا يعني أنك تختار العوامل الوراثية التي تقدم تمثيلًا للحل. هناك مجموعة من عوامل التشغيل للمتجهات ذات القيمة الحقيقية ، ومجموعة من صفائف البتات ، ومجموعة للتباديل وما إلى ذلك. وقال أستاذ لي إن الخوارزمية الجينية تشبه إطارًا أكثر منها خوارزمية نظرًا لأنه يمكن تطبيقها على مثل هذا الحجم الكبير مجموعة من المشاكل.

تطور التفاضلية تطور مجموعة من ناقلات حقيقية

S=Rn\mathcal{S}=\mathbb{R}^n

. هذا يعني أنه يمكن استخدامه لضبط بعض معلمات نموذج المحاكاة ، الانحدار غير الخطي ... وهذا يعني أيضًا أنه من الصعب حقًا استخدام التطور التفاضلي للعثور على جدول العمل لموظفي الشركة.

هناك الكثير من النتائج التي تظهر أن التطور التفاضلي هو الأفضل لمجالها الخاص. ومع ذلك ، عندما تحاول إيجاد حل لمشكلة يكون فيها التطور التفاضلي فرصًا غير مناسبة ، ستكون قادرًا على ترميز خوارزمية جينية لحل المشكلة.