Die Schritte der genetischen Algorithmen verstehen<\/h3>\t\t\n\t\t
Der genetische Algorithmus<\/strong>, der in den 1960er Jahren auf Initiative des Forschers John Holland entstand, wendet die verschiedenen Stufen der nat\u00fcrlichen Evolution auf die L\u00f6sung komplexer Probleme an.<\/p>\t\t\n\t\t\t Der erste Schritt des genetischen Algorithmus<\/strong> besteht darin, eine Anfangspopulation zu schaffen, die sich weiterentwickelt. Diese Population besteht aus potenziellen L\u00f6sungen f\u00fcr ein bestimmtes Problem. Sie werden als Individuen oder Chromosomen bezeichnet und k\u00f6nnen zuf\u00e4llig erzeugt werden. Dadurch kann mehr Vielfalt geschaffen werden.<\/p> In diesem Stadium geht es nicht darum, DIE richtige L\u00f6sung zu finden. Vielmehr geht es darum, eine ausreichende Anzahl von L\u00f6sungen zu finden, die das Problem l\u00f6sen k\u00f6nnen. \u00dcbrigens: Je vielf\u00e4ltiger die Ausgangspopulation ist, desto besser k\u00f6nnen die bestm\u00f6glichen L\u00f6sungen entworfen werden.<\/p> Wenn du z. B. den Weg von A nach B suchst<\/strong>, geht es nicht darum, den k\u00fcrzesten Weg zu finden, sondern alle Wege, die zum Ziel f\u00fchren. Es spielt keine Rolle, ob du daf\u00fcr 10 Minuten oder 3 Stunden brauchst, ob du zu Fu\u00df oder mit dem Auto unterwegs bist, ob du an einer B\u00e4ckerei oder einer Autowerkstatt vorbeikommst.<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t Gut zu wissen: Die Bev\u00f6lkerungsgr\u00f6\u00dfe muss nicht \u00fcberm\u00e4\u00dfig gro\u00df sein. Sie muss nur gro\u00df genug sein. Im Durchschnitt f\u00fchren bereits 100 oder 150 Personen zu einem zufriedenstellenden Ergebnis, wenn alle Schritte des genetischen Algorithmus durchlaufen wurden.<\/p>\t\t\n\t\t\t Nach der Erstellung der Population<\/strong> ist es an der Zeit, jede Person nach ihrer F\u00e4higkeit, das Problem zu l\u00f6sen, zu bewerten. Der Datenwissenschaftler kann die Personen nach eigenem Ermessen bewerten. Es ist jedoch besser, ihnen eine Note zu geben, um diejenigen zu identifizieren, die aus der Masse herausstechen. Sie sind es, die zur Verbesserung unserer Bev\u00f6lkerung beitragen.<\/p> Beachte, dass diese Phase des genetischen Algorithmus<\/strong> kompliziert sein kann, da es manchmal schwierig ist, zwei Individuen miteinander zu vergleichen. Dies gilt insbesondere f\u00fcr multikriterielle Probleme,<\/strong> bei denen die optimale L\u00f6sung von mehreren Parametern abh\u00e4ngt, ohne dass einer besser als der andere ist.<\/p>\t\t\n\t\t\t\n Nachdem die Individuen bewertet<\/strong> wurden, m\u00fcssen die besten ausgew\u00e4hlt werden. In der Natur entspricht dies dem Prozess der nat\u00fcrlichen Auslese (oder dem Gesetz des St\u00e4rkeren), bei dem die Arten, die am besten an ihre Umwelt angepasst sind, \u00fcberleben, w\u00e4hrend die anderen aussterben.<\/p> In der Mathematik kann man verschiedene Methoden anwenden<\/a>, um die Besten auszuw\u00e4hlen. Hier sind die h\u00e4ufigsten:<\/p> Wenn nat\u00fcrliche Arten in der Lage waren, sich im Laufe der Zeit zu verbessern, so ist dies auf die Anreicherung der Populationen im Laufe der Zeit zur\u00fcckzuf\u00fchren. Der genetische Algorithmus<\/strong> greift das gleiche Prinzip auf. Um die Population weiterzuentwickeln, kombinieren die Datenwissenschaftler<\/a> Paare ausgew\u00e4hlter Individuen und schaffen so neue Individuen: das sind die Nachkommen. F\u00fcr diese Kreuzung w\u00e4hlt der Data Scientist bestimmte Merkmale jedes Elternindividuums aus.<\/p> Es ist m\u00f6glich, Zufallskreuzungen durchzuf\u00fchren und sogar ein und dasselbe Individuum zu verwenden, um mehrere Nachkommen zu erzeugen. Die nicht verwendeten Merkmale erm\u00f6glichen es, weitere Nachkommen zu erzeugen.<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t Anstelle von Kreuzungen<\/strong> sieht der genetische Algorithmus auch Mutationen vor. Zuf\u00e4llige Mutationen sind auch sehr effektiv, um eine maximale Vielfalt zu erreichen und innovative Kombinationen zu erm\u00f6glichen.<\/p> Gut zu wissen:<\/strong> Es handelt sich um leichte Ver\u00e4nderungen. Das hei\u00dft, dass nur ein Merkmal ver\u00e4ndert wird, um das urspr\u00fcngliche Individuum nicht v\u00f6llig zu verf\u00e4lschen. Aber auch manchmal k\u00f6nnen diese kleinen Ver\u00e4nderungen zu einer v\u00f6llig anderen Bewertung f\u00fchren.<\/p>\t\t\n\t\t\t Um die besten L\u00f6sungen f\u00fcr das Problem zu finden,<\/strong> entstehen neue Generationen mit Nachkommen, ver\u00e4nderten und unver\u00e4nderten Individuen. Jeder muss sich an der Verbesserung der Population beteiligen.<\/p>Die Erstellung der Anfangsbev\u00f6lkerung<\/h4>\t\t\n\t\t
![\"\"](\"https:\/\/liora.io\/app\/uploads\/2023\/11\/algorithme-genetique1.jpg\" "\\"\\"")
\t\t\t\t\t\t\t\t\t\t\tDie Bewertung von Einzelpersonen<\/h4>\t\t\n\t\t
Die Auswahl<\/h4>\t\t\n\t\t
Die Kreuzungen<\/h4>\t\t\n\t\t
![\"\"](\"https:\/\/liora.io\/app\/uploads\/2023\/11\/algorithme-genetique2.jpg\" "\\"\\"")
\t\t\t\t\t\t\t\t\t\t\tDie Mutationen<\/h4>\t\t\n\t\t
Die neuen Generationen<\/h4>\t\t\n\t\t