遗传算法

遗传算法,在人工智能一种进化的电脑算法符号(通常被称为“基因”或“染色体”)代表可能的解决方案是“繁殖。”这个“繁殖”的符号通常包括使用机制类似的在基因互换的过程复合和一个可调突变率。适应度函数是用于每一代的算法逐步改进的解决方案类比的过程自然选择。进化的遗传算法和自动化的过程被称为选择遗传编程。除了一般软件,遗传算法有时被用于研究人工生命,移动机器人,神经网络。

虽然不是第一个尝试用遗传算法,约翰•霍兰德做了很多开发和推广领域与他在1970年代早期在工作吗密歇根大学。在他的书中所述,适应在自然和人工系统(1975);修改和扩展1992),他设计了一个方法,或模式定理,来评估每一代的遗传算法。约翰Koza,荷兰的一个博士生和一座超过一打专利相关遗传编程,是第一个开发商业应用的领域,作为一个公司的创始人被称为科学游戏。Koza共享他的编程经历一系列的书开始遗传规划:在计算机的编程通过自然选择(1992)。

遗传编程中经常遇到的一个难题是:算法成为困在该地区的一个相当好的解决方案(一个“局部最优区域”),而不是寻找最好的解决方案(一个“全球最佳”)。克服这种进化死胡同有时需要人工干预。此外,遗传编程是计算密集型。在1990年代的编程技术没有发展足以证明昂贵的使用超级计算机,有限的应用程序非常简单的问题。然而,随着更便宜的个人电脑变得更加强大,遗传编程在电路设计开始有明显的商业上的成功,数据排序,搜索和量子计算。此外,国家航空和宇宙航行局(NASA)遗传编程设计中使用天线空间技术5个项目,涉及三个“微小”于2006年启动监测太阳活动对地球磁气圈的影响。