Tanqid [ tahrir | kodni tahrirlash ]
Boshqa optimallashtirish usullari bilan taqqoslaganda, genetik algoritmdan foydalanishni tanqid qilish uchun bir nechta sabablar mavjud:
Murakkab muammolar uchun fitnes funktsiyasini ( fitness funktsiyasi ) qayta baholash ko'pincha sun'iy evolyutsiya algoritmlaridan foydalanishda cheklovchi omil hisoblanadi. Murakkab yuqori o'lchamli muammoning optimal echimini topish ko'pincha fitnes funktsiyasini juda qimmat baholashni talab qiladi. Haqiqiy muammolarda, masalan, strukturani optimallashtirish muammolarida, zaruriy hisob-kitoblarni bajarish uchun bir necha soatdan bir necha kungacha funktsional baholashning bir bosqichi talab qilinadi. Standart optimallashtirish usullari bunday muammolarni hal qila olmaydi. Bunday holda, aniq taxminni e'tiborsiz qoldirish va fitnesga yaqinlikdan foydalanish kerak bo'lishi mumkin, uni samarali hisoblash mumkin. Shubhasiz, fitnesga yaqinlashtirishdan foydalanish genetik algoritmlardan foydalangan holda murakkab real hayot muammolarini oqilona hal qilishning eng istiqbolli usullaridan biriga aylanishi mumkin.
Genetik algoritmlar hal qilinayotgan muammoning murakkabligi darajasiga mos kelmaydi. Bu shuni anglatadiki, agar eritmani qidirish maydoni katta bo'lsa, mutatsiyaga duchor bo'lgan elementlarning soni juda katta bo'ladi. Bu dvigatel, uy yoki samolyotni loyihalash kabi muammolarni hal qilish uchun ushbu kompyuter texnologiyasidan foydalanishni juda qiyinlashtiradi. Bunday muammolarni evolyutsion algoritmlarga moslashtirish uchun ularni ushbu muammolarning eng oddiy ko'rinishlariga bo'lish kerak. Shunday qilib, evolyutsion hisob-kitoblar, masalan, butun dvigatel o'rniga pichoqlar shaklini loyihalashda, batafsil konstruktsiya loyihasi o'rniga binoning shakli va butun samolyotning ko'rinishini ishlab chiqish o'rniga fyuzelyaj shaklini loyihalashda qo'llaniladi. . Murakkablik bilan bog'liq ikkinchi muammo - bu juda foydali echimlarga aylangan qismlarni himoya qilish masalasi, keyingi halokatli mutatsiyadan: ayniqsa, yaroqliligini baholash uchun boshqa qismlar bilan yaxshi muvofiqligi talab qilinganda. Ba'zi ishlab chiquvchilar tomonidan yechimning yaroqliligining rivojlanayotgan yondashuvi bir qator xavfsizlik muammolarini yengib o'tishi mumkinligi taklif qilingan, ammo bu masala haligacha tadqiqot uchun ochiq.
Eritma faqat boshqa echimlar bilan solishtirganda ko'proq mos keladi. Natijada, algoritmning to'xtash sharti har bir masala uchun aniq emas.
Ko'pgina muammolarda genetik algoritmlar ma'lum bir muammo uchun global optimalga emas, balki mahalliy optimalga yoki hatto ixtiyoriy nuqtaga yaqinlashishga moyildir. Bu shuni anglatadiki, ular uzoq muddatli fitnes uchun qisqa muddatli yuqori jismoniy tayyorgarlikni qanday qurbon qilishni "bilmaydilar". Buning ehtimoli fitnes landshaftining shakliga bog'liq : individual muammolar global minimumga aniq yo'nalishga ega bo'lishi mumkin, boshqalari esa fitnes funktsiyasini mahalliy optimalga yo'naltirishi mumkin. Bu muammoni boshqa fitnes funksiyasidan foydalanish, mutatsiyalar ehtimolini oshirish yoki populyatsiyadagi yechimlarning xilma-xilligini qo'llab-quvvatlovchi tanlash usullarini qo'llash orqali hal qilish mumkin.Qidiruv va optimallashtirishda bepul tushlik yo‘q teoremasi [16] bu muammoning umumiy yechimi yo‘qligini isbotlaydi. Populyatsiya xilma-xilligini saqlashning keng tarqalgan usuli - yuqori yaqinlikka ega bo'lgan elementlarning soni bo'yicha daraja chegarasini o'rnatish, bu keyingi avlodlarda shunga o'xshash echimlar vakillarining sonini kamaytiradi, populyatsiyada boshqa kamroq o'xshash elementlarning qolishiga imkon beradi. Biroq, bu usul muayyan muammoli landshaftga qarab muvaffaqiyatli bo'lmasligi mumkin. Yana bir mumkin bo'lgan usul - populyatsiya elementlari bir-biriga juda o'xshash bo'lgan paytda populyatsiyaning bir qismini tasodifiy yaratilgan elementlar bilan almashtirishdir. Turli xillik genetik algoritmlar (va genetik dasturlash ) uchun muhimdir), chunki bir hil populyatsiyadagi genlarning kesishishi yangi echimlarni olib kelmaydi. Evolyutsion algoritmlar va evolyutsion dasturlashda xilma- xillik zarurat emas, chunki ularda mutatsiya katta rol o'ynaydi.
Genetik algoritmlardan foydalanishning maqsadga muvofiqligi haqida ko'plab skeptiklar mavjud. Misol uchun, Stony Bruk universitetining kompyuter injiniringi professori, algoritmlar bo'yicha taniqli tadqiqotchi, IEEE instituti mukofoti sovrindori Stiven S. Skiena yozadi [17] :
Shaxsan men hech qachon genetik algoritmlar eng mos vosita bo'lishi mumkin bo'lgan bitta muammoga duch kelmaganman. Bundan tashqari, men hech qachon genetik algoritmlar orqali olingan hisob-kitoblarning menda ijobiy taassurot qoldiradigan natijalarini uchratmaganman. Genetik algoritmlarni qo'llash [ tahrir | kodni tahrirlash ]
Quyidagi muammolarni hal qilish uchun genetik algoritmlardan foydalaniladi:
Xususiyatlarni optimallashtirish
Ma'lumotlar bazasi so'rovlarini optimallashtirish
Grafiklardagi turli muammolar ( sayyor sotuvchi muammosi , rang berish, mosliklarni topish)
