Wat is genetische optimalisatie?
Genetische optimalisatie is het gebruik van programmeeralgoritmen om de beste oplossing voor een probleem te vinden. Dit heeft zijn oorsprong in het werk van wiskundigen die al in de jaren vijftig begonnen met modellen die ze in de biologie zagen en deze toepasten op niet-lineaire problemen die moeilijk op te lossen waren met conventionele middelen. Het idee is om biologie na te bootsen, die zich in de loop van generaties ontwikkelt om de best mogelijke populatie te creëren. Bij het programmeren is het mogelijk om dit proces te simuleren om een creatieve oplossing voor een probleem te bedenken.
Niet-lineaire problemen kunnen een uitdaging zijn voor wiskundigen. Een voorbeeld is te zien in de handel in effecten, waar er een aantal mogelijke beslissingen kunnen zijn die snel vertakken om een boom met keuzes te creëren. Het onafhankelijk berekenen van de kansen die aan elke keuze zijn gekoppeld, zou erg tijdrovend zijn. De wiskundige mist misschien ook een optimale oplossing door mogelijke keuzes niet te combineren om nieuwe permutaties te verkennen. Met genetische optimalisatie kunnen onderzoekers dergelijke berekeningen op een efficiëntere manier uitvoeren.
De onderzoeker begint met een onderwerp van interesse, bekend als een 'populatie', die kan worden onderverdeeld in individuen, soms ook wel wezens, organismen of chromosomen genoemd. Deze termen, ontleend aan de biologie, weerspiegelen de oorsprong van deze benadering van programmeren. Een computer kan beginnen met het simuleren van de populatie door afzonderlijke organismen binnen een generatie te selecteren en ze te laten mengen om een nieuwe generatie te creëren. Dit proces kan door verschillende generaties worden herhaald om mogelijke oplossingen te combineren en te combineren, ideaal gezien het bereiken van de meest geschikte optie voor de gegeven omstandigheden.
Dit kan extreem zwaar zijn. De berekeningen die bij genetische optimalisatie worden gebruikt, vereisen aanzienlijke rekenkracht om snel een aantal opties en combinaties tegelijkertijd te vergelijken en te selecteren. Vroeg onderzoek naar genetische optimalisatie werd soms beperkt door de beschikbare verwerkingskracht, omdat onderzoekers de potentiële toepassingen konden zien, maar complexe programma's niet konden uitvoeren. Naarmate het computervermogen toeneemt, doet het nut van deze methode dat ook, hoewel grote en complexe berekeningen nog steeds een zeer gespecialiseerde computer vereisen.
Onderzoekers op het gebied van wiskunde kunnen werken met genetische optimalisatie in verschillende omgevingen. De voortdurende ontwikkeling van nieuwe formules en benaderingen illustreert evoluties in de wiskunde als mensen leren over nieuwe manieren om complexe problemen te overwegen. Enkele eenvoudige genetische optimalisatie is aan het werk te zien in instellingen zoals software voor handelaren in effecten en programmering voor games en virtual reality, waarbij de programmeurs willen dat gebruikers een meer natuurlijke ervaring hebben.