Hvad er genetisk optimering?
Genetisk optimering er brugen af programmeringsalgoritmer til at finde den bedste løsning på et problem. Dette har sin oprindelse i matematikernes arbejde, der startede allerede i 1950'erne, der tog modeller, de så i biologi og anvendte dem på ikke -lineære problemer, som var vanskelige at løse på konventionelle midler. Ideen er at efterligne biologi, der udvikler sig i løbet af generationer for at skabe den mest mulige befolkning. Ved programmering er det muligt at simulere denne proces at komme med en kreativ løsning på et problem.
ikke -lineære problemer kan være udfordrende for matematikere. Et eksempel kan ses i handel med værdipapirer, hvor der kan være en række mulige beslutninger, der hurtigt forgrener sig for at skabe et træ af valg. At uafhængigt beregne sandsynlighederne, der er forbundet med hvert valg, ville være meget tidskrævende. Matematikeren kan også gå glip af en optimal løsning ved ikke at kombinere mulige valg for at udforske nye permutationer. Genetisk optimering tilladerS forskere til at udføre beregninger af denne art på en mere effektiv måde.
Forskeren starter med et emne af interesse, kendt som en "befolkning", som kan opdeles i individer, undertiden kendt som skabninger, organismer eller kromosomer. Disse udtryk, der er lånt fra biologi, afspejler oprindelsen af denne tilgang til programmering. En computer kan begynde at køre en simulering med befolkningen, vælge individuelle organismer inden for en generation og give dem mulighed for at blandes for at skabe en ny generation. Denne proces kan gentages gennem flere generationer for at kombinere og rekombere mulige løsninger, som ideelt ankommer til den mest egnede mulighed for de givne betingelser.
Dette kan være ekstremt ressourcetungt. De beregninger, der bruges i genetisk optimering, kræver betydelig computerkraft for hurtigt at sammenligne og vælge et antal muligheder og kombinationer samtidigt. Tidlig forskning iTil genetisk optimering var undertiden begrænset af tilgængelig behandlingskraft, da forskere kunne se de potentielle applikationer, men kunne ikke udføre komplekse programmer. Efterhånden som computerkraften stiger, gør anvendeligheden af denne metode også, selvom store og komplekse beregninger stadig kan kræve en meget specialiseret computer.
Forskere inden for matematik kan arbejde med genetisk optimering i forskellige indstillinger. Løbende udvikling af nye formler og tilgange illustrerer udviklinger i matematik, når folk lærer om nye måder at overveje komplekse problemer på. Nogle enkle genetiske optimeringer kan ses på arbejde i omgivelser som software til værdipapirhandlere og programmering til spil og virtual reality, hvor programmererne ønsker, at brugerne skal have en mere naturlig oplevelse.