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, som tog modeller, de så inden for biologi og anvendte dem på ikke-lineære problemer, der var vanskelige at løse med konventionelle midler. Ideen er at efterligne biologi, der udvikler sig gennem generationer for at skabe den bedst mulige befolkning. Ved programmering er det muligt at simulere denne proces for at komme med en kreativ løsning på et problem.
Ikke-lineære problemer kan være udfordrende for matematikere. Et eksempel kan ses i værdipapirhandel, hvor der kan være en række mulige beslutninger, der hurtigt forgrenes for at skabe et valg af træ. At uafhængigt beregne sandsynlighederne 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 gør det muligt for forskere 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 væsner, 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 lade dem blande sig for at skabe en ny generation. Denne proces kan gentages gennem adskillige generationer for at kombinere og rekombinere mulige løsninger, idet de ideelt set når frem til den mest passende mulighed under de givne forhold.
Dette kan være ekstremt ressource tung. Beregningerne, der anvendes til genetisk optimering, kræver betydelig computerkraft for hurtigt at sammenligne og vælge et antal indstillinger og kombinationer samtidigt. Tidlig forskning i genetisk optimering var undertiden begrænset af tilgængelig processorkraft, da forskere kunne se de potentielle applikationer, men ikke kunne udføre komplekse programmer. Når computerstyrken øges, gør brugen af denne metode også, selvom store og komplekse beregninger stadig kan kræve en højt specialiseret computer.
Forskere inden for matematik kan arbejde med genetisk optimering i forskellige indstillinger. Løbende udvikling af nye formler og tilgange illustrerer udviklingen i matematik, når folk lærer om nye måder at overveje komplekse problemer på. Nogle enkle genetiske optimeringer kan ses på arbejdet i indstillinger som software til værdipapirhandlere og programmering til spil og virtual reality, hvor programmererne ønsker, at brugerne skal have en mere naturlig oplevelse.