Sun’iy intelekt va neyron to’rli texnologiyalar fanidan

Genetik algoritmni amalga oshirish.
Reja:

1. 
   Genetik algoritm.
   
2. 
   Optimallashtirish muammolari.
   
3. 
   Genetik algoritmni amalga oshirish.
   

Yilda kompyuter fanlari va operatsiyalarni tadqiq qilish,a genetik algoritm (GA) a metaheuristik jarayonidan ilhomlangan tabiiy selektsiya ning katta sinfiga tegishli evolyutsion algoritmlar (EA). Genetik algoritmlar odatda yuqori sifatli echimlarni yaratish uchun ishlatiladi optimallashtirish va qidirish kabi biologik ilhomlangan operatorlarga tayanibmuammolar mutatsiya, krossover va tanlov. GA dasturlarining ayrim misollariga optimallashtirish kiradi qaror daraxtlari yaxshiroq ishlash uchun hal qilish sudoku jumboqlari,  giperparametrni optimallashtirish va boshqalar.

Genetik algoritmda optimallashtirish muammosiga nomzod echimlari populyatsiyasi (shaxslar, mavjudotlar, organizmlar yoki fenotiplar deb ataladi) yaxshiroq echimlar tomon rivojlanadi. Har bir nomzod echimi mutatsiyaga uchragan va o'zgartirilishi mumkin bo'lgan xususiyatlar to'plamiga (uning xromosomalari yoki genotipi) ega; an'anaviy ravishda echimlar ikkilik 0 va 1 satrlari sifatida, ammo boshqa kodlashlar ham mumkin.
Evolyutsiya odatda tasodifiy hosil bo'lgan shaxslar populyatsiyasidan boshlanadi va iterativ jarayon bo'lib, har bir iteratsiyadagi populyatsiya avlod deb ataladi. Har bir avlodda populyatsiyadagi har bir shaxsning jismoniy tayyorgarligi baholanadi; fitnes odatda hal qilinayotgan optimallashtirish muammosidagi ob'ektiv funktsiyaning qiymati hisoblanadi. Hozirgi populyatsiyadan ko'proq mos keladigan shaxslar stoxastik ravishda tanlanadi va har bir shaxsning genomi o'zgartiriladi (Rekombinatsiyalangan va ehtimol tasodifiy mutatsiyaga uchragan) yangi avlodni shakllantirish uchun. Nomzod echimlarining yangi avlodi keyinchalik algoritmning keyingi iteratsiyasida qo'llaniladi. Odatda, algoritm maksimal avlodlar soni ishlab chiqarilganda yoki aholi uchun qoniqarli fitness darajasiga erishilganda tugaydi.
Odatda genetik algoritm talab qiladi:

1. 
   eritma domenining genetik tasviri,
   
2. 
   yechim sohasini baholash uchun fitnes funktsiyasi.
   

Har bir nomzod echimining standart namoyishi bitlar qatori (shuningdek, deyiladi bit to'plami yoki bit qatori). boshqa turdagi va tuzilmalarning massivlari xuddi shu tarzda ishlatilishi mumkin. Ushbu genetik tasavvurlarni qulay qiladigan asosiy xususiyat shundaki, ularning qismlari sobit o'lchamlari tufayli osongina hizalanadi, bu esa oddiy krossover operatsiyalarini osonlashtiradi. O'zgaruvchan uzunlikdagi tasvirlardan ham foydalanish mumkin, ammo bu holda krossoverni amalga oshirish ancha murakkab. Daraxtga o'xshash vakolatxonalar genetik dasturlashda o'rganiladi va grafik shaklidagi tasvirlar o'rganiladi evolyutsion dasturlash; ikkala chiziqli xromosomalar va daraxtlarning aralashmasi o'rganiladi gen ekspression dasturlash.
Genetik vakillik va fitnes funktsiyasi aniqlangandan so'ng, GA echimlar populyatsiyasini ishga tushiradi va keyin mutatsiya, krossover, inversiya va selektsiya operatorlarini takroriy qo'llash orqali uni yaxshilaydi.
Aholi soni muammoning xususiyatiga bog'liq, lekin odatda bir necha yuzlab yoki minglab mumkin bo'lgan echimlarni o'z ichiga oladi. Ko'pincha, dastlabki populyatsiya tasodifiy ravishda hosil bo'lib, mumkin bo'lgan echimlarning butun doirasini (qidiruv maydoni) ta'minlaydi. Ba'zan, echimlar optimal echimlarni topish mumkin bo'lgan joylarda "urug'langan" bo'lishi mumkin.