Vad är genetisk optimering?

Genetisk optimering är att använda programmeringsalgoritmer för att hitta den bästa lösningen på ett problem. Detta har sitt ursprung i matematikernas arbete redan från 1950-talet som tog modeller som de såg i biologin och använde dem på icke-linjära problem som var svåra att lösa på konventionella sätt. Tanken är att efterlikna biologi, som utvecklas under generationer för att skapa en så tyst möjlig befolkning som möjligt. Vid programmering är det möjligt att simulera denna process för att komma med en kreativ lösning på ett problem.

Icke-linjära problem kan vara utmanande för matematiker. Ett exempel kan ses i värdepappershandel, där det kan finnas ett antal möjliga beslut som snabbt förgrenas för att skapa ett val av träd. Att självständigt beräkna sannolikheterna för varje val skulle vara mycket tidskrävande. Matematikern kanske också missar en optimal lösning genom att inte kombinera möjliga val för att utforska nya permutationer. Genetisk optimering gör det möjligt för forskare att göra beräkningar av denna art på ett mer effektivt sätt.

Forskaren börjar med ett ämne av intresse, känt som en "befolkning", som kan delas in i individer, ibland kända som varelser, organismer eller kromosomer. Dessa termer, lånade från biologi, återspeglar ursprunget till denna strategi för programmering. En dator kan börja köra en simulering med befolkningen, välja individuella organismer inom en generation och låta dem blandas för att skapa en ny generation. Denna process kan upprepas genom flera generationer för att kombinera och rekombinera möjliga lösningar, och idealiskt komma till det passande alternativet för de givna förhållandena.

Detta kan vara extremt resurstungt. Beräkningarna som används vid genetisk optimering kräver betydande datorkraft för att snabbt kunna jämföra och välja ett antal alternativ och kombinationer samtidigt. Tidig forskning om genetisk optimering begränsades ibland av tillgänglig bearbetningskraft, eftersom forskare kunde se de potentiella applikationerna, men kunde inte utföra komplexa program. När datorkraften ökar, fungerar även denna metod, även om stora och komplexa beräkningar fortfarande kan kräva en mycket specialiserad dator.

Forskare inom matematikområdet kan arbeta med genetisk optimering i olika inställningar. Pågående utveckling av nya formler och tillvägagångssätt illustrerar utvecklingen i matematik när människor lär sig nya sätt att överväga komplexa problem. En del enkel genetisk optimering kan ses på jobbet i inställningar som programvara för värdepappershandlare och programmering för spel och virtual reality där programmerarna vill att användare ska ha en mer naturlig upplevelse.