13 다른 전통적인 검색 및 최적화 방법에 비해 유전자 알고리즘의 이점을 나에게 설명 할 수 있습니까? genetic-algorithms — Lakesh 소스 4 어떤 종류의 GA? 어떤 "전통적인"방법과 비교할 때? 이것이 없으면 다른 최적화 방법과 마찬가지로 "일부 응용 프로그램에서 로컬 융합에 빠질 수있는 더 빠른 수렴 및 더 작은 위험"과 같은 것만 말할 수 있습니다.
19 유전자 알고리즘을 사용하는 주요 이유는 다음과 같습니다. 여러 지역 최적화가 있습니다 목적 함수가 부드럽 지 않습니다 (따라서 미분 방법을 적용 할 수 없음) 매개 변수의 수가 매우 많습니다 목적 함수가 시끄 럽거나 확률적임 그라디언트의 정의가없는 경우 미분 기반 방법에는 많은 매개 변수가 문제가 될 수 있습니다. 이러한 상황에서는 GA를 통해 끔찍한 해결책을 찾은 다음 파생 기반 방법으로 개선 할 수 있습니다. "큰"의 정의는 항상 증가하고 있습니다. — 패트릭 번즈 소스 3 +1. 나는 GA에 매혹되어 있었지만 이제는 피하는 경향이 있습니다. 그들이 과대 광고 단계를 거쳐 자연과 유사한 방법 (ACO 등)에 영감을 불어 넣은 다음 틈새 시장으로 되돌아갔습니다. 내 개인적인 편견에서 신경망과 같은 종류. (저는 최근에 ES를 사용했다고 말했습니다.) — Wayne 1 웨인, 동의합니다 나는 어떤 진화 전략에 대해서도 "GA"라고 말하는 경향이 있으며, 다른 기법들과 혼합하는 것도 좋은 생각이다. 기존 GA는 매우 비효율적입니다. — Patrick Burns
7 개념은 이해하기 쉽다 애플리케이션과 분리 된 모듈 식 다목적 지원 "잡음"환경에 적합 항상 대답; 시간이지나면서 대답이 좋아진다 본질적으로 평행; 쉽게 배포 — 백설 공주 소스 필자의 작업에서 쉬운 병렬화는 시뮬레이션 어닐링과 같은 것이 아니라 유전자 알고리즘을 사용하는 데있어 가장 중요한 요소였습니다. — veryshuai
6 유전자 알고리즘은 4 가지 중요한 점에서 기존 검색 및 최적화 방법과 다릅니다. 유전자 알고리즘은 여러 점에서 병렬로 검색합니다. 따라서 단일 지점에서 검색하는 기존 방법과 같은 로컬 최적 솔루션에 갇히는 것을 피할 수 있습니다. 유전자 알고리즘은 결정론이 아닌 확률 론적 선택 규칙을 사용합니다. 유전자 알고리즘은 Chromosome에서 작동합니다. Chromosome은 매개 변수 자체가 아니라 잠재적 솔루션 매개 변수의 인코딩 된 버전입니다. 유전자 알고리즘은 다른 파생 또는 보조 정보없이 목적 함수에서 얻은 체력 점수를 사용합니다. — Lakesh 소스
3 유전자 알고리즘은 최후의 수단입니다. 분석 솔루션을 구현할 수없는 경우 (가장 일반적인 이유로 Patrick의 답변 참조)에만 유용하며 CPU 시간이 많이 있습니다. — 카를로스 엑 실리 소스