M. A. Kamenskaya

Genetik algoritmlar. Genetik algoritmlar-­evolyutsion algoritmlarning populyatsiya versiyasi. Ular, birinchi navbatda, turli xil kombinatorial va optimallashtirish muammolarini hal qilish vositasidir, ammo ular Data Mining standart instansiyalar to'plamiga ham kiritilgan­рументов Data Mining. Genetik algo ritmlarini yaratish uchun asos­biologik evolyutsiya modeli va tasodifiy qidirish usullari hisoblanadi;­tirik jinsdagi meros, o'zgaruvchanlik va tabiiy tanlanish mexanizmlarini taqlid qilish amalga oshiriladi­. Genetik algoritmlar­hal qilinayotgan muammoning maxsus kodlangan ma'lumotlari — elementar mantiqiy bayonotlardan (genlardan) iborat xromosomalar (satrlar) bilan ishlaydi. Bunday kombinatsiyalarning barchasi xrom­baliq populyatsiyasi deb ataladi. Optimal echimni topish uchun xromosomalarni tavlashning sopos usuli joriy­etiladi-hayotiylik funktsiyasi­, men sifat ko'rsatkichini, satrning (xromosomaning) qiymatini aniqlayman. ­Genetik algoritmning butun vazifasi muammoning echimi bo'ladigan maksimal hayotiy kuchga ega bo'lgan qatorni topishga qaratilgan­.
Populyatsiya ko'payish protseduralari, o'zgaruvchanlik (mutatsiyalar), genetik tarkib yordamida qayta ishlanadi. Ushbu protseduralar orasida eng muhimi, individual xromosomalardagi tasodifiy mutatsiyalar, xromosomalar orasidagi gen almashinuvi (krossingover) va Indie­-ko'rinadigan ota-ona xromosomalarining genetik materialining rekombinatsiyasi (shunga o'xshash heteroseksual­Nuh ko'payish), gen migratsiyasi. Mutatsiya shundaki, tasodifiy tanlangan xromosomada bir yoki bir nechta genlar o'zgaradi, natijada butun xromosomaning xususiyatlari o'zgaradi. Tanlov keyingi o'tish uchun "ota-onalar" juftligini tanlashdan iborat. EVO Lucia-ning har bir bosqichida protseduralarni bajarish jarayonida,­belgilangan shartlar bajarilmaguncha, tobora takomillashib borayotgan Indie viduumlari bo'lgan populyatsiya olinadi­.
Genetik algoritmlar jozibador, chunki ularni parallellashtirish qulay. Masalan, siz "avlod" ni­ko'plab guruhlarga ajratishingiz va ularning har biri bilan mustaqil ravishda ishlashingiz­mumkin, vaqti-vaqti bilan bir nechta xrom­somlarning guruhlararo almashinuvini ta'minlang. Biroq, genetik algoritmlar bir qator jiddiy­kamchiliklarga ega. Xususan, xrom mosomlarning asl to'plamini yaratish jarayoni­, xromosomalarni tanlash mezonlari va qo'llaniladigan protseduralar evristik bo'lib, "eng yaxshi" echimni topishga kafolat bermaydi. Yovvoyi tabiatda bo'lgani kabi, evolyutsiya ham samarasiz shoxga "tiqilib qolishi" mumkin. Aksincha,­genetik algoritm tomonidan evolyutsiyadan chiqarib tashlanadigan ikkita noaniq "ota-ona" bir necha marta takrorlash orqali yuqori samarali avlodni ishlab chiqarishga qodir bo'lishi mumkin. Bu, ayniqsa, murakkab ichki aloqalar bilan yuqori o'lchovli muammolarni hal qilishda seziladi­. Genetik algoritmlar ma'lumotlarda mantiqiy naqshlarni topish muammolarini hal qilishda" injiq " va ko'p vaqt talab etadi. Genetik algoritmlar ma'lumotlarning­mantiqiy raqamlarini topish muammolarini hal qilishda echim daraxtlari va juda ko'p sonli algoritmlar uchun jiddiy raqobatni­ниченного перебора при решении задач поиска логических зако­tashkil etmaydi, garchi ikkala so'nggi usul ham o'zlarining asosiy kamchiliklariga ega.