Sun’iy intelekt va neyron to’rli texnologiyalar fanidan

Genetik operatorlar.

Krossover (genetik algoritm) va mutatsiya (genetik algoritm).

Keyingi qadam genetik operatorlarning kombinatsiyasi orqali tanlangan echimlarning ikkinchi avlod populyatsiyasini yaratishdir: krossover (rekombinatsiya deb ham ataladi) va mutatsiya.
Ishlab chiqariladigan har bir yangi echim uchun ilgari tanlangan hovuzdan ko'paytirish uchun bir juft "ota-ona" echimlari tanlanadi. Yuqoridagi krossover va mutatsiya usullaridan foydalangan holda "bola" echimini ishlab chiqarish orqali odatda "ota-onasi"ning ko'plab xususiyatlarini baham ko'radigan yangi echim yaratiladi. Har bir yangi bola uchun yangi ota-onalar tanlanadi va jarayon tegishli o'lchamdagi echimlarning yangi populyatsiyasi paydo bo'lguncha davom etadi. Ikki ota-onadan foydalanishga asoslangan ko'payish usullari ko'proq "biologiya ilhomlangan" bo'lsa-da, ba'zi tadqiqotlar ortiq ikki "ota-onalar" yuqori sifatli xromosoma ishlab, deb taklif qiladi.
Ushbu jarayonlar oxir-oqibat xromosomalarning keyingi avlod populyatsiyasiga olib keladi, bu dastlabki avloddan farq qiladi. Odatda, aholi uchun ushbu protsedura bilan o'rtacha jismoniy tayyorgarlik oshadi, chunki naslchilik uchun faqat birinchi avlodning eng yaxshi organizmlari tanlanadi va kamroq mos keladigan echimlarning ozgina qismi tanlanadi. Ushbu kamroq mos echimlar ota-onalarning genetik hovuzida genetik xilma-xillikni ta'minlaydi va shuning uchun keyingi avlod bolalarining genetik xilma-xilligini ta'minlaydi.
Mutatsiyaga qarshi krossoverning ahamiyati bo'yicha fikr ikkiga bo'lingan. Fogel (2006) da mutatsiyaga asoslangan qidiruvning ahamiyatini qo'llab-quvvatlovchi ko'plab havolalar mavjud.
Krossover va mutatsiya asosiy genetik operatorlar sifatida tanilgan bo'lsa-da, genetik algoritmlarda qayta guruhlash, kolonizatsiya-yo'q bo'lib ketish yoki migratsiya kabi boshqa operatorlardan foydalanish mumkin.
Kabi parametrlarni sozlashga arziydi mutatsiya ehtimoli, krossover ehtimoli va aholi soni ustida ishlanayotgan muammo sinfi uchun oqilona sozlamalarni topish. Juda kichik mutatsiya darajasi genetik driftga olib kelishi mumkin (bu ergodik bo'lmagan tabiatda). Rekombinatsiya darajasi juda yuqori bo'lib, genetik algoritmning erta yaqinlashishiga olib kelishi mumkin. Mutatsiya darajasi juda yuqori, agar elitist tanlov qo'llanilmasa, yaxshi echimlarning yo'qolishiga olib kelishi mumkin. Aholining etarli miqdori mavjud muammo uchun etarli genetik xilma-xillikni ta'minlaydi, ammo talab qilinganidan kattaroq qiymatga o'rnatilsa, hisoblash resurslarining isrof bo'lishiga olib kelishi mumkin.
Genetik algoritmlarni amalga oshirish oddiy, ammo ularning xatti-harakatlarini tushunish qiyin. Xususan, nima uchun ushbu algoritmlar amaliy muammolarga tatbiq etilganda tez-tez yuqori darajadagi echimlarni yaratishda muvaffaqiyat qozonishini tushunish qiyin. Genetik algoritmlarning Parallel tatbiq etilishi ikkita ta'mga ega. Dag'al donali parallel genetik algoritmlar kompyuter tugunlarining har birida populyatsiyani va tugunlar orasida shaxslarning migratsiyasini o'z ichiga oladi. Nozik taneli parallel genetik algoritmlar har bir protsessor tugunida tanlash va ko'paytirish uchun qo'shni shaxslar bilan ishlaydigan shaxsni qabul qiladi. Onlayn optimallashtirish muammolari uchun genetik algoritmlar kabi boshqa variantlar fitnes funktsiyasida vaqtga bog'liqlik yoki shovqinni keltirib chiqaradi. 1980-yillarning oxirida General Electric dunyodagi birinchi genetik algoritm mahsulotini sotishni boshladi, a asosiy ramka-sanoat jarayonlari uchun mo'ljallangan asboblar to'plam yilda 1989, Axcelis, Inc. ozod Evolver, ish stoli kompyuterlar uchun dunyodagi birinchi tijorat GA mahsulot. The Nyu-York Tayms texnologiya yozuvchisi jon Markoff yozgan 1990 yilda Evolver haqida va u 1995 yilgacha yagona interaktiv tijorat genetik algoritmi bo'lib qoldi. Evolver 1997 yilda Palisade-ga sotilgan, bir nechta tillarga tarjima qilingan va hozirda uning 6-versiyasida. 1990 yildan boshlab, MATLAB uchta lotinsiz optimallashtirish evristik algoritmlarini (simulyatsiya qilingan tavlanish, zarralar to'dasini optimallashtirish, genetik algoritm) va ikkita to'g'ridan-to'g'ri qidirish algoritmlarini (simpleks qidirish, naqshlarni qidirish) qurdi.
Genetik algoritmni guruhlash (GGA) ning evolyutsiyasi GA bu erda fokus klassik gazdagi kabi alohida narsalardan elementlarning guruhlariga yoki kichik to'plamiga o'tkaziladi. Genetik algoritmlar tomonidan hal qilingan muammolarga quyidagilar kiradi: quyosh nurlarini quyosh kollektoriga o'tkazish uchun mo'ljallangan nometall, kosmosdagi radio signallarni qabul qilish uchun mo'ljallangan antennalar, kompyuter raqamlari uchun yurish usullari, murakkab oqim maydonlarida aerodinamik jismlarning optimal dizayni.