Vad är genetisk optimering?

August 28

Genetisk optimering är att använda programmeringsalgoritmer för att hitta den bästa lösningen på ett problem. Detta har sitt ursprung i arbetet med matematiker som börjar så tidigt som på 1950-talet som tog modeller de såg i biologi och tillämpad dem till icke-linjära problem som var svåra att lösa med konventionella medel. Tanken är att efterlikna biologi, som utvecklas under loppet av generationer att skapa den starkaste möjliga befolkningen. I programmering, är det möjligt att simulera denna process för att komma fram till en kreativ lösning på ett problem.

Nonlinear problem kan vara utmanande för matematiker. Ett exempel kan ses i värdepappershandel, där det kan finnas ett antal möjliga beslut som snabbt förgrenar sig för att skapa ett träd av valmöjligheter. För att oberoende beräkna sannolikhet associerade med varje val skulle vara mycket tidskrävande. Matematikern kan också missar en optimal lösning genom att inte kombinera möjliga val att utforska nya permutationer. Genetisk optimering ger forskare möjlighet att utföra beräkningar av detta slag på ett mer effektivt sätt.

Forskaren börjar med ett ämne av intresse, känd som en "population", som kan delas in i enskilda, ibland kallade varelser, organismer eller kromosomer. Dessa termer, lånade från biologi, speglar ursprunget till denna inställning till programmering. En dator kan börja köra en simulering med befolkningen, att välja ut enskilda organismer inom en generation och ger dem möjlighet att blanda för att skapa en ny generation. Denna process kan upprepas genom flera generationer att kombinera och kombinera möjliga lösningar, helst anländer till mest lämplig alternativet för de givna förhållandena.

Detta kan mycket resurskrävande tung. De beräkningar som används i genetisk optimering kräver betydande datorkraft för att snabbt jämföra och välja ett antal alternativ och kombinationer samtidigt. Tidig forskning om genetisk optimering ibland begränsas av tillgängliga processorkraft, som forskare kunde se de potentiella tillämpningar, men kunde inte köra komplexa program. Som datorkraften ökar, gör nyttan av denna metod också, även om stora och komplexa beräkningar kan fortfarande kräva en mycket specialiserad dator.

Forskare inom matematiken kan arbeta med genetisk optimering i en mängd olika inställningar. Pågående utveckling av nya formler och metoder illustrerar förändringarna i matematik som människor lära sig om nya sätt att tänka på komplexa problem. Några enkla genetiska optimering kan ses i arbete i inställningar som mjukvara för värdepappershandlare och programmering för spel och virtuell verklighet där programmerare vill att användarna ska ha en mer naturlig upplevelse.

  • Nonlinear problem kan vara utmanande för matematiker.