कम फिटनेस वाले लोगों के पास अगली पीढ़ी के लिए जीवित रहने का मौका क्यों है?


24

मैं वर्तमान में आनुवंशिक एल्गोरिथ्म के बारे में पढ़ रहा हूं और देख रहा हूं और मुझे यह बहुत दिलचस्प लगता है (मुझे विश्वविद्यालय में रहते हुए इसका अध्ययन करने का मौका नहीं मिला)।

मैं समझता हूं कि उत्परिवर्तन संभावना पर आधारित हैं (यादृच्छिकता विकास की जड़ है) लेकिन मुझे नहीं लगता कि अस्तित्व क्यों है।

मैं क्या समझ से, एक व्यक्ति एक फिटनेस होने एफ ( मैं ) इस तरह के एक अन्य व्यक्ति के लिए के रूप में जम्मू में एक फिटनेस होने एफ ( जे ) हमारे पास एफ ( मैं ) > एफ ( जे ) , तो मैं तुलना में एक बेहतर संभावना है जम्मू जीवित रहने के लिए अगली पीढ़ी के लिए।IF(i)JF(j)F(i)>F(j)IJ

संभावना का तात्पर्य है कि सकता है और जीवित रहने मैं हो सकता है ( "दुर्भाग्य" के साथ) नहीं। मुझे समझ नहीं आता कि यह सब अच्छा क्यों है? अगर मैं होता हमेशा चयन जीवित रहते हैं, क्या एल्गोरिथ्म में गलत हैं? मेरा अनुमान है कि एल्गोरिथ्म एक लालची एल्गोरिथ्म के समान होगा, लेकिन मुझे यकीन नहीं है।J I I


13
स्थानीय न्यूनतम में फंसना।
लुई

वास्तविक जीवन में भी, लाभकारी उत्परिवर्तन / अधिक पर्यावरणीय फिटनेस उनके साथ व्यक्तियों के लिए अस्तित्व की गारंटी नहीं देता है / जो वास्तव में अधिक से अधिक प्रकार के लक्षणों को व्यक्त करने की अनुमति देता है (और संभवतः लाभकारी हो सकता है अगर पर्यावरण अप्रत्याशित रूप से बदलता है, हालांकि यह एक अनुकूलन एल्गोरिथ्म के लिए इतनी संभावना नहीं है)। ... और यह निक के जवाब के बहुत अंत में कहा गया है, जो भी हो।
JAB

1
यदि आप हर समय कमजोरों को मारते हैं, तो आपके पास एक सादा हिलक्लीमर क्या है?
राफेल

जवाबों:


35

मुख्य विचार यह है कि उप-अपनाने वाले व्यक्तियों को जीवित रहने की अनुमति देकर, आप छोटे वृद्धिशील उत्परिवर्तन के अनुक्रम के माध्यम से विकासवादी परिदृश्य में एक "चोटी" से दूसरे में स्विच कर सकते हैं। दूसरी ओर, यदि आपको केवल ऊपर जाने की अनुमति है, तो चोटियों को स्विच करने के लिए विशाल और बड़े पैमाने पर अप्रत्याशित उत्परिवर्तन की आवश्यकता होती है।

यहां अंतर दिखाने वाला आरेख है:

यहाँ छवि विवरण दर्ज करें

व्यावहारिक रूप से, यह वैश्वीकरण संपत्ति विकासवादी एल्गोरिदम का मुख्य विक्रय बिंदु है - यदि आप केवल एक स्थानीय अधिकतम खोजना चाहते हैं तो अधिक कुशल विशेष तकनीक मौजूद है। (उदाहरण।, L-BFGS के साथ परिमित अंतर ढाल और लाइन खोज)

जैविक विकास की वास्तविक दुनिया में, सबोप्टीमल व्यक्तियों को जीवित रहने की अनुमति देने से विकासवादी परिदृश्य में बदलाव आता है। यदि हर कोई एक चोटी पर केंद्रित है, तो यदि वह घाटी घाटी बन जाती है तो पूरी आबादी मर जाती है (उदाहरण के लिए, डायनासोर सबसे फिट प्रजातियां थीं जब तक कि एक क्षुद्रग्रह हड़ताल नहीं थी और विकासवादी परिदृश्य बदल गया था)। दूसरी ओर, यदि जनसंख्या में कुछ विविधता है तो जब परिदृश्य बदलता है तो कुछ बचेगा।


2
"जैविक विकास की वास्तविक दुनिया में, सबोप्टीमल व्यक्तियों को जीवित रहने की इजाजत देता है जब विकासवादी परिदृश्य बदलता है" - एक जीवविज्ञानी के रूप में यह रैंक है। कम फिटनेस वाले व्यक्तियों को फिटनेस को अधिकतम करने के लिए "अनुमति" नहीं दी जाती है जो कि वास्तविकता की प्रकृति है। कम फिटनेस वाले जीव ज्यादा से ज्यादा जीवित रहने की कोशिश कर रहे हैं।
जैक एडले

बेशक आप सही हैं, प्रकृति कुछ भी अनुमति देने या अस्वीकार करने का निर्णय नहीं लेती है, यह बस होता है। दूसरी ओर ऐसे कई उदाहरण हैं जहां मनुष्यों ने चुनिंदा पौधों और जानवरों को केवल "सर्वश्रेष्ठ" बनाए रखा है, एक ऐसा मोनोकल्चर बना रहे हैं जो एक नई बीमारी के साथ या पर्यावरण में बदलाव आने पर मजबूत नहीं होता है।
निक अल्जीरिया

इस प्रभाव का मुकाबला करने के लिए अन्य तकनीकें हैं, उदाहरण के लिए यादृच्छिक प्रारंभिक आबादी के साथ बड़े कदम और पुन: चलना। इसके अतिरिक्त, क्रॉस-ओवर पुनर्संयोजन की उपस्थिति में, एक कमजोर जीनोटाइप के आसपास रखने से मदद मिल सकती है यदि एक मजबूत म्यूटेट और दो के बीच एक क्रॉस-ओवर अधिक मजबूत हो।
राफेल

13

निक अल्जीरिया का जवाब बहुत अच्छा है, लेकिन मैं इसे एक उदाहरण विधि, मेट्रोपोलिस-हेस्टिंग्स पद्धति के साथ थोड़ा और गणितीय बनाने जा रहा हूं।

ijQ(i,j)Q(i,j)=Q(j,i)F(i)>0i

ij

min(1,F(j)F(i))

दूसरे शब्दों में, यदि अधिक फिट है, तो हम इसे हमेशा लेते हैं, लेकिन यदि कम फिट है, तो हम इसे प्रायिकता लेते हैं, अन्यथा हम पुन: स्वीकार करने का प्रयास करते हैं परिवर्तन।jjF(j)F(i)

अब हम का पता लगाना चाहेंगे , वास्तविक संभावना जिसे हम से परिवर्तित करते हैं ।P(i,j)ij

स्पष्ट रूप से यह है:

P(i,j)=Q(i,j)min(1,F(j)F(i))

मान लीजिए कि । फिर = 1, और:F(j)F(i)min(1,F(j)F(i))

F(i)P(i,j)
=F(i)Q(i,j)min(1,F(j)F(i))
=F(i)Q(i,j)
=Q(j,i)min(1,F(i)F(j))F(j)
=F(j)P(j,i)

तर्क को पीछे की ओर चलाना, और उस तुच्छ मामले की जांच करना भी जहाँ , आप वह सब और लिए देख सकते हैं :i=jij

F(i)P(i,j)=F(j)P(j,i)

यह कुछ कारणों से उल्लेखनीय है।

संक्रमण संभावना से स्वतंत्र है । बेशक, हमें आकर्षित करने वाले को समाप्त करने में थोड़ा समय लग सकता है, और एक उत्परिवर्तन को स्वीकार करने में हमें कुछ समय लग सकता है। एक बार जब हम करते हैं, तो संक्रमण संभावना पूरी तरह से पर निर्भर होती है , और पर नहीं ।QFQ

सब से अधिक देता हूँ:i

iF(i)P(i,j)=iF(j)P(j,i)

जाहिर है के लिए योग करना चाहिए यदि आप अधिक योग सब (यह है कि, एक राज्य के बाहर संक्रमण संभावनाओं का योग करना चाहिए ), इसलिए आपको मिलता है:P(j,i)1i1

F(j)=iF(i)P(i,j)

अर्थात्, (अप्राकृतिक) संभाव्यता घनत्व फ़ंक्शन है जिसके लिए विधि चुनती है। आपको केवल पूरे परिदृश्य का पता लगाने की गारंटी नहीं है, आप प्रत्येक राज्य के "फिट" के अनुपात में ऐसा करते हैं।F

बेशक, यह कई में से केवल एक उदाहरण है; जैसा कि मैंने नीचे उल्लेख किया है, यह एक विधि है जो समझाने में बहुत आसान है। आप आमतौर पर जीए का उपयोग एक पीडीएफ का पता लगाने के लिए नहीं करते हैं, बल्कि एक चरम को खोजने के लिए करते हैं, और आप उस स्थिति में कुछ शर्तों को आराम कर सकते हैं और फिर भी उच्च संभावना के साथ अंतिम अभिसरण की गारंटी दे सकते हैं।


अद्भुत जवाब! काश मैं इसे बार-बार उकेर सकता। एक प्रश्न: क्या आप प्रेरित कर सकते हैं कि हम चयन क्यों करेंगे ? क्या ऐसा इसलिए चुना गया है क्योंकि तब बाकी सारे गणित बहुत बारीक नतीजे देते हैं? या क्या कोई बाहरी कारण है कि लिए एक स्वाभाविक पसंद है ? (मुझे उम्मीद है कि लिए एक प्राकृतिक मूल्य राज्य से आउट-किनारों की संख्या से एक होगा , जिस स्थिति में हमारे पास के सामान्य बाहर डिग्री में के बाद से और भिन्न हो सकती है)।Q(i,j)=Q(j,i)QQ(i,j)iQ(i,j)=Q(j,i)ij
DW

इस मामले में प्रेरणा विस्तृत शेष स्थिति है, , जो कि गारंटी के लिए एक पर्याप्त (हालांकि आवश्यक नहीं) स्थिति है पीडीएफ। यदि आप चाहते हैं कि आपका पीडीएफ स्थिर रहे, तो यह प्रक्रिया को कुछ अर्थों में समय-प्रतिवर्ती होने में मदद करता है। इसके अलावा, अगर यह मदद करता है, तो एमएच एल्गोरिदम को निरंतर समस्याओं (न्यूट्रॉन परिवहन) के लिए डिज़ाइन किया गया था जहां आउट-किनारों की कोई असतत संख्या नहीं है। बेशक, यदि आप एक वैश्विक अधिकतम खोजने की कोशिश कर रहे हैं, तो पूरे पीडीएफ की खोज हमेशा वह नहीं है जो आप वास्तव में चाहते हैं। यह केवल दृष्टांत उद्देश्यों के लिए था। F(i)P(i,j)=F(j)P(j,i)F
छद्म नाम

7

जीए का उपयोग करने का लाभ यह है कि आप संभावित खराब उम्मीदवारों से आने वाले रास्तों का अनुसरण करके व्यापक खोज स्थानों का पता लगाने में सक्षम हैं। खोज के इन अलग-अलग क्षेत्रों का पता लगाने के लिए इसे बनाने वाले बदतर उम्मीदवारों को होना चाहिए, कई नहीं बल्कि कुछ निश्चित रूप से। यदि आप एल्गोरिथ्म के इस अन्वेषण पहलू को हटाने के लिए हर बार केवल सबसे अच्छा लेना शुरू करते हैं और यह एक पहाड़ी पर्वतारोही के रूप में अधिक हो जाता है। इसके अलावा केवल सबसे अच्छा लगातार चयन करने से समयपूर्व अभिसरण हो सकता है।


6

दरअसल, चयन एल्गोरिदम दोनों दृष्टिकोणों को लेते हैं। एक तरीका यह है कि आपने क्या सुझाव दिया है और दूसरा यह है कि उच्च फिटनेस वाले व्यक्तियों का चयन किया जाता है और जो कम होते हैं वे नहीं होते हैं।

चयन के लिए आपके द्वारा लिया गया दृष्टिकोण भी उस समस्या के अनुरूप है जिसे आप मॉडल करने की कोशिश कर रहे हैं। स्कूल में एक प्रयोग में, हम कार्ड खिलाड़ियों को एक दूसरे के खिलाफ खेल खेलने के लिए तैयार करने की कोशिश कर रहे थे (यानी टूर्नामेंट चयन )। ऐसे परिदृश्य में, हम बहुत अच्छी तरह से बस हमेशा के पक्ष में जा सकता था अधिक (अपने उदाहरण से) क्योंकि 'लक' पहलू खेल अपने आप में पहले से ही है। यहां तक कि अगर किसी भी दो के लिए और , किसी भी दौर में, विशुद्ध रूप से जिस तरह से हाथ निपटा रहे थे और कैसे दूसरों को खेला, दौर जीत लिया है हो सकता है और इस प्रकार हम लग सकती हैIJF(i)>F(j)IJJF(j)>F(i)। ध्यान रखें कि एक आबादी अक्सर इतनी बड़ी होती है कि कोई व्यक्ति कुछ अच्छे व्यक्तियों को खो सकता है और कुल मिलाकर, यह उतना मायने नहीं रखेगा।

चूंकि GA वास्तविक दुनिया के विकास के आसपास मॉडलिंग करते हैं, जब संभाव्य वितरण का उपयोग किया जाता है, तो वे मुख्य रूप से इस बात के लिए तैयार किए जाते हैं कि वास्तविक समुदाय कैसे विकसित होते हैं, जिसमें कभी-कभी कम फिटनेस वाले व्यक्ति जीवित रह सकते हैं, जबकि उच्च फिटनेस वाले व्यक्ति नहीं हो सकते हैं (क्रूड एनालॉग: कार दुर्घटनाएं, प्राकृतिक आपदा आदि :-))।


0

इसका बहुत ही सरल, एक पोव से: कभी-कभी उच्च-फिटनेस "बच्चा" समाधान कम-फिटनेस "माता-पिता" समाधान का जन्म क्रॉसओवर या म्यूटेशन के माध्यम से हो सकता है (जो वास्तव में आनुवंशिक एल्गोरिदम का एक बहुत सिद्धांत है)। इसलिए आम तौर पर उच्च-फिटनेस समाधानों की तलाश / वहन करना चाहता है, लेकिन केवल उच्च-फिटनेस समाधान रखने / प्रजनन करने पर बहुत जोर देने से स्थानीय मिनीमा में फंसने और बड़े "विकासवादी परिदृश्य" की खोज नहीं हो सकती है। वास्तव में एक जीवित रहने के लिए "उच्च फिटनेस कटऑफ" को एक इच्छा के रूप में सख्त या शिथिल बना सकता है और अंतिम समाधान की गुणवत्ता को प्रभावित करता है। दोनों-सख्त या बहुत-रेक्स कटऑफ रणनीतियों से अंतिम समाधान निकलेगा। बेशक यह सब वास्तविक जैविक विकास के लिए कुछ संबंध है। इसके और अधिक "

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.