Hva er genetisk optimalisering?

Genetisk optimalisering er bruk av programmeringsalgoritmer for å finne den beste løsningen på et problem.Dette har sin opprinnelse i arbeidet til matematikere som starter så tidlig som på 1950 -tallet som tok modeller de så i biologi og brukte dem på ikke -lineære problemer som var vanskelige å løse på konvensjonelle midler.Tanken er å etterligne biologi, som utvikler seg i løpet av generasjoner for å skape den mest mulige befolkningen.Ved programmering er det mulig å simulere denne prosessen for å komme med en kreativ løsning på et problem.

Ikke -lineære problemer kan være utfordrende for matematikere.Et eksempel kan sees i verdipapirhandel, der det kan være en rekke mulige beslutninger som raskt avgrenes for å lage et tre av valg.Å uavhengig beregne sannsynlighetene som er knyttet til hvert valg, ville være veldig tidkrevende.Matematikeren kan også savne en optimal løsning ved å unnlate å kombinere mulige valg for å utforske nye permutasjoner.Genetisk optimalisering lar forskere utføre beregninger av denne art på en mer effektiv måte.

Forskeren starter med et emne av interesse, kjent som en "populasjon", som kan deles inn i individer, noen ganger kjent som skapninger, organismer eller kromosomer.Disse begrepene, lånt fra biologi, gjenspeiler opprinnelsen til denne tilnærmingen til programmering.En datamaskin kan begynne å kjøre en simulering med befolkningen, velge individuelle organismer i en generasjon og la dem intermix lage en ny generasjon.Denne prosessen kan gjentas gjennom flere generasjoner for å kombinere og rekombinere mulige løsninger, og ideelt sett ankommer det mest fit -alternativet for de gitte forhold.

Dette kan være ekstremt ressurs tungt.Beregningene som brukes i genetisk optimalisering krever betydelig datakraft for raskt å sammenligne og velge et antall alternativer og kombinasjoner samtidig.Tidlig forskning på genetisk optimalisering var noen ganger begrenset av tilgjengelig prosessorkraft, ettersom forskere kunne se de potensielle applikasjonene, men ikke kunne utføre komplekse programmer.Når datakraften øker, gjør bruken av denne metoden også, selv om store og komplekse beregninger fremdeles kan kreve en meget spesialisert datamaskin.

Forskere innen matematikk kan fungere med genetisk optimalisering i en rekke innstillinger.Pågående utvikling av nye formler og tilnærminger illustrerer evolusjoner i matematikk når folk lærer om nye måter å vurdere komplekse problemer.Noe enkel genetisk optimalisering kan sees på jobb i innstillinger som programvare for verdipapirhandlere og programmering for spill og virtual reality der programmererne ønsker at brukere skal ha en mer naturlig opplevelse.