次世代がより良くなることをどうやって知るのでしょうか？

私は最近このMSDN記事で遺伝的アルゴリズムを紹介しました。彼はそれらを組み合わせ進化と呼んでいますが、それは同じことのようであり、2つの潜在的なソリューションを組み合わせることで、少なくともその親として良い。

これはなぜですか？確実に組み合わせると、さらに悪い結果が生じる可能性があります。

私が理解している限り、アルゴリズムは種のオスとメスが子孫を生産するとき、それらの子孫は両方の親の特性を持つという概念に基づいています。いくつかの組み合わせはより良くなり、いくつかはより悪くなり、いくつかは同様に良くなります。（「より良い」の定義が適切であれば）より良いものは、改善された特性を持つ生き残りを生み出し、offsringを生成する可能性が高くなります。しかし、そこになります弱い組み合わせであること。なぜこれがGAの問題ではないのですか？

遺伝的アルゴリズムは、人口を間引くことにより、世代ごとに改善を試みます。すべてのメンバーはフィットネス関数に従って評価され、それらのハイスコア部分のみが再現することが許可されています。

ただし、次の世代が前任者のスコアを改善するという保証はありません。

Dawkinsのイタチプログラムを考えてみましょう：文字列を「進化させる」"Methinks it is like a weasel"。ランダムな文字列の母集団から始めて、フィットネス関数は、最も近いテキストの一致を評価します。これは、次世代を生み出すために混乱します。単純なクロスオーバー再生では、2つの高得点の文字列を組み合わせると、非常に簡単に低得点の子孫を生成できます。単一の適合性の高い文字列の「無性」ランダムな変異でさえ、子供のフィットネスを低下させる可能性があります。

これは必ずしも欠陥ではないことに注意してください。この種の検索では、極大の概念があります。人口のメンバーは、そうではない解決策を表すかもしれません、最適な結果が、途中で悪化することなく達成することができることが最善ですが。

イタチプログラムのフィットネス関数が編集距離を見つけるだけでなく、「単語」という概念を持ち、文字列の最後の単語が動物の名前であるかどうかをテストするとします。動物の名前はどれも得点が高いですが"weasel"、大きなボーナスがあります。

場合今何が起こる"Methinks it is like a walrus"進化していますか？得点が高い。最終的なターゲット文字列だけでなく"Methinks it is like a walrut"、単一の突然変異ステップで到達できるより優れた、または他の近いバリエーション。

セイウチの文字列は極大値であり、プログラムが次世代のスコアを悪化させない限り、検索はそこで止まる可能性があります。

それが良くなることはわかりませんが、悪化することはありません。

すべての世代で、最高の要素のospringだけで構成されているのではなく、最高の要素自体も含まれています。彼らはまだ存在しているので、彼らは以前と同じように得点します。つまり、良い子孫がいなければ、前世代の勝者が再び勝ち、再変異/繁殖するということです。

考えてみてください。A たとえばA1、番号を追加することで定義される変異した子など、親の周りに角かっこで書かれたクロスパンソリューションなど(A1B2) そしてそれの後に任意のINDIVISUAL WRITENのフィットネスコア-高い優れています[12]

デモンストレーションのために、5のプールを考えてみましょう。ここでは、最高の2を保持し、それぞれ1つの突然変異体と、雑種を埋めます

ジェネレーション1

• A [10]
• B [5]
• C [4]
• D [3]
• E [1]

キープA、B彼らはそこに子孫とリフィル最高の2、および他の3つのスロットをしているように、

ジェネレーション2

• A [10]
• B [5]
• (AB) [7]
• A1 [12]
• B1 [4]

維持しA、(AB)彼らは最高です2-これは、Aほとんどの子供たちが弱く働くので、おじいちゃんがまだプールにいることを意味します

ジェネレーション3

• A [10]
• (AB) [12]
• (A(AB)) [14]
• A2 [8]
• (AB)1 [13]

キープ(AB)1と (A(AB))-子ども二人は彼らを倒すと、この時間は何の祖父母は、維持されませんでした。しかし、(AB1)パフォーマンスがわずかに悪化した場合は、(AB)代わりに維持します。

これは、スコアが安定するまで続きます。これは、ある種の局所的最大値（おそらくは最大値）に到達したことを示しています。これを検出する理由の1つは、同じ個人が引き続き次世代に「クローン」される場合です。（ただし、時間がかかりすぎる可能性のある高次元の問題の場合は、改善を確認することをお勧めします<特定の許容範囲）

一般に、遺伝的アルゴリズムは、各世代の親に多数の（ランダムな）バリエーションを作成することで機能します。次に、いくつかの選択関数が適用され、この関数に従って最も適合する子孫が生き残ります。そのため、バリエーションはランダムであるため、子孫は必ずしも良いわけではありませんが、選択と組み合わせることで時間の経過とともに改善されます。

大学で遺伝的アルゴリズムを研究したとき、次のように説明されました。

ソリューションが「遺伝子」の組み合わせであると想像してください。各遺伝子は、ソリューション全体の質に影響します。2つのソリューションが結合されると、それらの遺伝子は各親からランダムに選択されます。

現在、遺伝子が一般的に良い解決策につながる場合、遺伝子プールの頻度が増加します。極端な場合、遺伝子が人口を支配します。

したがって、遺伝的アルゴリズム（および一般的な進化）について考えるとき、個人について考えるべきではありません。遺伝子と集団全体について考える必要があります。1つの「最良の」ソリューションが失われたとしても、それは遺伝子が失われたという意味ではありません。

遺伝的アルゴリズムにはエリート主義の考え方もあります。つまり、最良のソリューションは常に世代を超えて維持されます。これにより、アルゴリズムの収束が高速化される可能性がありますが、アルゴリズムがローカルの最適状態に陥りやすくなります。

GAアルゴリズムは決定論的ではありません。世代ごとに改善が得られることを保証するものではありません。また、最適なアルゴリズムを見つける保証もありません。ただし、フィットネス関数を使用したGAの選択フェーズでは、「良いソリューション」が生き残る可能性が高くなります。