유전자 최적화 란 무엇입니까?

유전자 최적화는 문제에 대한 최상의 솔루션을 찾기 위해 프로그래밍 알고리즘을 사용하는 것입니다. 이것은 1950 년대 초부터 생물학에서 본 모델을 가져 와서 기존의 수단으로 해결하기 어려운 비선형 문제에 적용한 수학자들의 연구에서 기원을 가지고 있습니다. 아이디어는 생물학을 모방하는 것인데, 이는 세대에 걸쳐 진화하여 가능한 가장 적합한 인구를 창출하는 것입니다. 프로그래밍에서 문제에 대한 창의적인 솔루션을 만들기 위해이 프로세스를 시뮬레이션 할 수 있습니다.

비선형 문제는 수학자에게는 어려울 수 있습니다. 증권 거래에서 예를 들어 볼 수 있으며, 여기서 선택의 트리를 만들기 위해 빠르게 분기 할 수있는 많은 결정이있을 수 있습니다. 각 선택과 관련된 확률을 독립적으로 계산하는 데 시간이 많이 걸립니다. 수학자는 새로운 순열을 탐색하기 위해 가능한 선택을 결합하지 않아 최적의 솔루션을 놓칠 수 있습니다. 유전 적 최적화가 허용됩니다보다 효율적인 방식으로 이러한 특성의 계산을 수행하는 연구원.

연구원은“인구”로 알려진 관심 주제로 시작하여 때로는 생물, 유기체 또는 염색체로 알려진 개인으로 나눌 수 있습니다. 생물학에서 빌린이 용어는 프로그래밍에 대한이 접근법의 기원을 반영합니다. 컴퓨터는 인구와 시뮬레이션을 시작하여 한 세대 내에서 개별 유기체를 선택하고 새로운 세대를 만들기 위해 혼합 할 수 있습니다. 이 과정은 여러 세대를 통해 반복하여 가능한 솔루션을 결합하고 재결합 할 수 있으며, 주어진 조건에 가장 적합한 옵션에 이상적으로 도달합니다.

.

이것은 매우 자원이 많을 수 있습니다. 유전자 최적화에 사용 된 계산은 여러 가지 옵션과 조합을 동시에 신속하게 비교하고 선택하기 위해 상당한 컴퓨팅 파워가 필요합니다. 초기 연구연구자들이 잠재적 인 응용을 볼 수 있었지만 복잡한 프로그램을 실행할 수 없었기 때문에 유전자 최적화로 가용 처리 능력에 의해 때때로 제한되었습니다. 컴퓨터 전력이 증가함에 따라 크고 복잡한 계산에는 여전히 고도로 전문화 된 컴퓨터가 필요할 수 있지만이 방법의 유용성도 있습니다.

수학 분야의 연구원들은 다양한 환경에서 유전자 최적화로 작업 할 수 있습니다. 사람들이 복잡한 문제를 고려하는 새로운 방법에 대해 배우면서 새로운 공식과 접근 방식의 지속적인 발전은 수학의 진화를 보여줍니다. 단순한 유전자 최적화는 증권 거래자를위한 소프트웨어와 같은 설정에서 볼 수 있으며 프로그래머가 사용자가보다 자연스러운 경험을 갖기를 원하는 게임 및 가상 현실을위한 프로그래밍.