Дискретно-непрерывная математика. Кн. 0 : Алгоритмы. Ч. Генетические алгоритмы

6.2. 
Генетические алгоритмы, распознающие 
изображений 
Генетические алгоритмы достаточно широко используются в задачах 
оптимизации и обучения нейросетей. 
Сами алгоритмы являются итеративными, и, дают лишь 
приближенноезначение, что, однако, с лихвой компенсируется 
областью их применения. 
Разберем устройство одного из таких алгоритмов на примере 
распознавания простейшего изображения. 
Оперировать мы будем популяциями хромосом (особей), так как 
алгоритм является итеративным, номер текущей итерации назовем 
текущей эпохой. 
Перед составлением алгоритма определим, что же будет являться 
нашей задачей, и что будет являться её решением: 
Рассмотрим пример нахождения коэффициентов, в уравнении 
параболы, исходя из нарисованного от руки изображения. В этом 
случае задача – найти такие коэффициенты, при которых парабола 
будет максимально точно совпадать с рисунком, решение задачи – 
набор из трех коэффициентов в уравнении параболы. 
Алгоритм предусматривает популяцию неких объектов (хромосом), 
которые будут бороться за выживание. 
Итак, 
Хромосома
– это возможное решение нашей задачи, не важно 
какое, правильное или нет. 
Ген 
– элементарная частичка информации, в рамках данной задачи, у 
нас будет три гена – соответственно по одному на каждый 
коэффициент. 
Популяция 
– набор хромосом текущей эпохи. 
Первоначально мы создаём популяцию (желательно из нескольких 
тысяч хромосом), и заполняем гены произвольной информацией, 

---

А.Е. Кононюк Дискретно-непрерывная математика 
344 
которая не противоречит условию задачи. 
Как и в реальном мире, наши хромосомы будут размножаться и 
подвергаться различным мутациям. За эти действия отвечают 
операторы скрещивания (кроссовер) и мутации. 
Кроссовер
отвечает за передачу признаков родителей своим потомкам, 
в самой простой реализации он создаёт новую хромосому из генов 
двух родителей, «донор» очередного гена выбирается произвольным 
образом.