Для поиска решения осуществляются скрещивание особей и мутации. Далее применяется функция отбора, которая принимает на вход всю когорту – и родительские особи, и множество их потомков. Отбор осуществляется детерминированным образом – оставляются самые лучшие особи, причём без повторений.
Операция мутации может быть произвольной над действительными числами, но обычно используется простое добавление нормально распределённого случайного числа к компонентам векторов. Важным дополнением эволюционной стратегии является то, что в процессе эволюции параметры нормального распределения добавляемой в рамках мутации случайной величины адаптируются под поиск решения задачи.
Генетический алгоритм позволяет найти оптимальное или субоптимальное решение задачи с требуемой точностью в тех случаях, когда существует возможность представить входные данные в виде вектора значений, а критерий останова выразить в виде предиката, возвращающего истину на тех входных параметрах, которые достаточны для решения. Предикат зависит от так называемой фитнес-функции, которая возвращает степень соответствия входного вектора целевому значению. Ну и, само собой разумеется, искомое значение должно существовать, иначе алгоритм никогда не остановится.
При помощи генетического алгоритма можно отобрать подходящее значение в пространстве поиска. Генетический алгоритм состоит из следующих шагов: генерация начальной популяции, цикличный процесс рождения новых поколений и отбора, остановка и возвращение результатов поиска.
На этапе генерации начальной популяции необходимо подготовить некоторое количество «начальных» значений в пространстве поиска, с которых алгоритм начнёт свою работу. Начать можно с произвольных значений, но если такие значения будут как можно более близки к целевому, то алгоритм отработает намного быстрее.
Далее – запуск цикличного процесса рождения новых поколений и отбора. Фактически, это и есть сам генетический алгоритм, который раз за разом запускает процесс порождения новых поколений, изучения новых особей и отбора наиболее интересных.
Роевой интеллект (РИ). Рассматривается в теории искусственного интеллекта как метод оптимизации. Понятие роевого интеллекта все теснее переплетается с алгоритмами обработки и оптимизации больших количеств и потоков информации. Ещё давным-давно люди стали интересоваться так называемым “роевым поведением” – каким образом птицы летят на юг огромными косяками, не сбиваясь с курса. Как огромные колонии муравьёв работают так слаженно и возводят структуры, по сложности не уступающие современным мегаполисам. Как пчёлы могут так точно определять и добывать в необходимом для всей колонии питание. Все эти большие группы животных/насекомых можно объединить одним общим словом – рой. Благо, человечество не стоит на месте и, развиваясь, люди стали изобретать компьютеры, при помощи которых инженеры стали моделировать “роевой интеллект”– попытки сделать роботизированные, автоматические и автоматизированные рои. Хоть далеко не все попытки были успешными, но, тем не менее, они положили начало созданию РИ, заложив к его основанию некоторые фундаментальные правила. Одним из них является тот факт, что для роевого интеллекта необходимо большое (достаточно) количество агентов, способных взаимодействовать между собой и окружающей их средой локально. Наблюдая за различными естественными примерами роёв, человечество придумало различные модели РИ, чьё поведение основывалось на различных путях взаимодействия с окружающей средой и между собой. У данного метода есть три основные теории, которые описывают его функционирование и взаимодействие между элементами: – теория отрицательного отбора; – теория иммунной сети; – теория клональной селекции.
