人工智慧中的遺傳演算法與區域性搜尋最佳化演算法

遺傳演算法

您可以透過它來模擬遺傳繼承的過程，就像自然界中性狀如何從父母遺傳給子女一樣。您可以解決各個領域中的各種問題，這些演算法能夠成功地分析這些領域中的資料。遺傳演算法用於資料探勘。資料探勘是從大型資料集中發現重要模式和關係的過程。它透過將人類洞察力與自動化資料分析相結合，幫助識別資料庫中最有趣和最有意義的模式。

遺傳演算法是如何工作的？

遺傳演算法需要特定的結構才能發揮作用。您可以對種群進行操作，其中每個成員都具有某些特徵——這類似於基因如何在生物體中編碼性狀。這個過程本身並非隨機的。它是由一組模擬生物過程（如繁殖、交叉、選擇和突變）的運算子驅動的，所有這些運算子都旨在隨著時間的推移創造更好的解決方案。您可以透過以下步驟操作遺傳演算法：

選擇父母 -該過程從選擇父母開始，這是隨機進行的。
繁殖和交叉 -接下來，這些父母透過交叉進行繁殖。這實質上是將兩個父母的特徵混合起來創造後代的過程。
選擇繁殖個體 -可以使用某些選擇標準（如目標函式）來決定哪些個體將繁殖。您可以確定種群中哪些個體更有可能將其性狀遺傳給下一代。
倖存者的適應度函式 -您可以使用適應度函式來確定哪些個體最適合生存並進入下一代。
突變 -您可以將隨機性引入到該過程中。隨機選擇的個體的隨機屬性會發生改變。因此，演算法不會陷入區域性最優，您可以探索解決方案空間的新領域。
迭代直到收斂 -整個過程會重複進行——選擇父母、繁殖、應用交叉和突變——直到達到令人滿意的適應度水平並完成給定的迭代次數。

遺傳演算法的優點

因此，遺傳演算法有一些重要的優點，如下所示：

易於實現 -遺傳演算法的優點在於其易用性。這些演算法易於建立和驗證，這使得它們成為解決各種問題的有吸引力的選擇。
並行處理 -它本質上是並行的，您可以處理大量的種群。這種並行性即使從較差的初始解決方案開始，也能隨著時間的推移改進解決方案。
全域性最優能力 -它能夠避免陷入區域性最優，即使在非線性且難題的景觀中也能搜尋全域性最優。由於突變運算元，遺傳演算法具有這種能力。
無需預先知識 -這些演算法不需要關於資料底層分佈的任何預先知識。因此，它在各種應用程式中都非常通用。

遺傳演算法的缺點

因此，遺傳演算法有一些缺點和侷限性，如下所示：

收斂速度慢 -在處理大型和難題時，可能需要很長時間才能找到一個好的解決方案。隨著時間的推移，進化出更好的解決方案的過程可能比其他最佳化方法慢。
計算成本高 -對於需要評估大量解決方案的問題，它可能成本很高。每一代都需要評估許多個體的適應度，這可能是耗時且資源密集型的。

區域性搜尋最佳化演算法

區域性搜尋最佳化演算法是人工智慧(AI)中用於尋找難題的良好解決方案的簡單方法。您可以從單個解決方案開始，然後逐步進行小的更改以改進它。您可以使用它在人工智慧中找到最短路徑、高效地安排任務以及在難題環境中做出決策。當您需要快速且“足夠好”的解決方案，而無需找到絕對最佳解決方案時，它非常有用。

區域性搜尋演算法是如何工作的？

您可以從隨機解決方案開始，然後透過探索其鄰居來迭代地改進它。在這種情況下，鄰居是指當前解決方案的略微修改版本。您可以使用以下步驟操作區域性搜尋過程：

初始化 -演算法開始時，您可以生成一個初始解決方案，通常是從搜尋空間中隨機選擇的。
搜尋相鄰解 -然後，演算法評估當前解決方案的“鄰居”。鄰居是當前解決方案略微變化的解決方案。
選擇最佳鄰居 -在所有相鄰解決方案中，選擇提供最大改進的解決方案作為下一個要探索的解決方案。此步驟會迭代重複。
停止準則 -該過程持續進行，直到滿足停止條件。這可能是當找不到進一步改進（區域性最優）時，以及當完成一定數量的迭代時。

區域性搜尋演算法的優點

區域性搜尋演算法有一些重要的優點，如下所示：

效率 -區域性搜尋演算法的主要優勢之一是其速度。您不需要對整個解決方案空間進行全域性搜尋，這使得它們比窮舉法更有效，尤其是在大型問題中。
簡單性 -它在概念上簡單易於實現。它不需要複雜的數學模型和對問題結構的深入理解，這使得它易於被許多領域所採用。
適應性 -這些演算法用途廣泛，可以適應各種問題。無論是組合最佳化、人工智慧規劃還是任務排程，區域性搜尋通常都可以成功應用。
記憶體效率 -許多區域性搜尋演算法，如爬山法，具有較低的記憶體需求。因為它們一次只關注解決方案空間的一小部分。

區域性搜尋演算法的缺點

區域性搜尋演算法中存在一些缺點和侷限性，如下所示：

引數調整 -一些區域性搜尋方法，如模擬退火，需要仔細調整引數（例如，溫度排程）。引數設定不正確會導致效能差和收斂速度慢。
對於大型搜尋空間效率低下 -它在大而複雜的搜尋空間中效率低下。因為它們只探索解決方案的一小部分鄰域，錯過了搜尋空間中更好的區域。
引數敏感性 -一些區域性搜尋演算法，如模擬退火，需要仔細調整引數（例如，溫度排程）。引數選擇不當會嚴重影響演算法的效能。

遺傳演算法和區域性搜尋演算法的區別

下表突出顯示了遺傳演算法和區域性搜尋演算法之間的主要區別：

序號	遺傳演算法(GAs)	區域性搜尋演算法
1.	它可以同時探索多個解決方案（基於種群的搜尋）。	它可以一次探索一個解決方案（單點搜尋）。
2.	您可以透過使用交叉和突變來探索更廣泛的搜尋空間。	您可以專注於解決方案的一小部分鄰域。
3.	由於突變和交叉，不太可能陷入區域性最優。	如果沒有特殊的策略，更有可能陷入區域性最優。
4.	由於每一代都要評估許多解決方案，因此速度較慢。	通常速度更快，因為它專注於改進一個解決方案。
5.	它可能更擅長找到全域性解決方案（全域性搜尋）。	它可能只會找到一個臨近的，“足夠好”的解決方案（區域性搜尋）。
6.	您可以從隨機解決方案的種群開始。	您可以從單個隨機解決方案開始。
7.	更難設定，需要諸如種群大小和突變率之類的引數。	實現更簡單，需要調整的引數更少。

Mithlesh Upadhyay

更新於：2024年9月20日

72 次瀏覽

開啟你的職業生涯

完成課程獲得認證

開始學習