समय श्रृंखला पूर्वानुमान के उपयोग से आनुवंशिक एल्गोरिदम की खोज क्षमताओं में वृद्धि

लेख के लेखन को प्रकाशन टाइम सीरीज़ पूर्वानुमान द्वारा प्रेरित किया गया था।



यहां मैं दिखाऊंगा कि आनुवांशिक एल्गोरिदम (जीए) की खोज क्षमताओं (पीएस) को बढ़ाने के लिए समय श्रृंखला का पूर्वानुमान कैसे लगाया जा सकता है।







एक आनुवंशिक एल्गोरिथ्म की खोज क्षमताओं द्वारा, हम खोज स्थान में एक मनमाना बिंदु के अनुरूप गुणसूत्र बनाने की अपनी क्षमता को समझते हैं।

पीए का वर्णन करने वाला जीए विशेषता संख्यात्मक रूप से व्यक्त नहीं किया गया है। विभिन्न कारक जीए जीए को प्रभावित करते हैं, उदाहरण के लिए, जनसंख्या का आकार, चयनित क्रॉस और म्यूटेशन ऑपरेटर, और अन्य कारक। इसी समय, यह मानने के लिए वैध है कि जीए की खोज क्षमताओं जितनी अधिक होती है, उतनी ही छोटी आबादी की आवश्यकता होती है, और जनसंख्या में कमी फिटनेस फ़ंक्शन की गणना की संख्या में कमी को दर्शाती है।



जीए का निर्माण करते समय, कुछ इस बात पर पर्याप्त ध्यान देते हैं कि नई पीढ़ी के लिए क्रोमोसोम कैसे बनाए जाएंगे, हालांकि नए क्रोमोसोम बनाने के लिए एल्गोरिदम की सफल पसंद के साथ, पीएस में काफी वृद्धि की जा सकती है।



जीए जीए को बढ़ाने के लिए, तथाकथित अनुकूली एल्गोरिदम का उपयोग किया जाता है। उनका विचार गतिशील रूप से विभिन्न जीए मापदंडों को बदलने के लिए है। अनुकूली जीए में तथाकथित सांख्यिकीय एल्गोरिदम भी शामिल हैं। इन एल्गोरिदम का विचार कुछ जीए मापदंडों के आंकड़ों का अध्ययन करना है। पहला सांख्यिकीय एल्गोरिदम में से एक SANUX है, जिसे 2002 में यंग द्वारा प्रस्तावित किया गया था। यह एलील मानों के अभिसरण की धारणा पर आधारित एक द्विआधारी जीए है।

इस धारणा का सार सरल और सहज रूप से स्पष्ट है : गुणसूत्र एलील स्तर पर इष्टतम समाधान में परिवर्तित होते हैं, अर्थात, गुणसूत्र में प्रत्येक मान कुछ इष्टतम संस्करण में परिवर्तित होता है।

मैंने कहा कि अनुमान सहज रूप से स्पष्ट है, क्योंकि यह सिद्ध नहीं है, लेकिन यह काम करता है।

वैसे, जीए के लिए व्यावहारिक रूप से लागू प्रमेयों को एक हाथ की उंगलियों पर गिना जा सकता है, इसलिए अगर किसी को खुद में ताकत महसूस होती है, तो हमेशा खुद को कहानी में लिखने का मौका मिलता है।



अब इस परिकल्पना को नए गुणसूत्रों के निर्माण पर लागू करें।

गुणसूत्र में प्रत्येक एलील के लिए हम एक समय श्रृंखला का संचालन करेंगे। इसके अलावा, इस श्रृंखला के अगले मूल्य की भविष्यवाणी की गई है, और इसे गुणसूत्र के एक युग्म के रूप में चुना गया है। लेख में प्रस्तावित एल्गोरिदम के अलावा, निम्नलिखित एल्गोरिथ्म काफी अच्छा साबित हुआ:



यदि एलील के लिए श्रृंखला सांख्यिकीय रूप से नियंत्रित होती है, तो इस आधार पर अगली आबादी में एलील के मूल्य को मान लेना आसान है। यदि श्रृंखला बेकाबू है, तो एलील मूल्य चुनने के लिए कई संभावनाएं हैं, जो व्यावहारिक रूप से पीएस में सुधार नहीं करती हैं; इसलिए, पर्याप्त उच्च फिटनेस वाले टेम्पलेट्स से एलील मानों का उपयोग करने की अनुमति है।

एक ही समय में, एक बाइनरी जीए के लिए, लगभग 15-20 पीढ़ियों के आंकड़े इकट्ठा करने के लिए पर्याप्त हैं। पूर्णांक GA के मामले में, जितनी अधिक पीढ़ियाँ बीत चुकी हैं, उतना ही अच्छा है।



मैं यह नोट करना चाहूंगा कि गुणसूत्रों के निर्माण की यह विधि बड़े आयामों की समस्याओं को लागू करने के लिए समझ में आती है।



इसके अलावा, एलील्स की समय श्रृंखला का विश्लेषण करके, आप गतिशील रूप से क्रॉसिंग (क्रॉसिंगओवर) और म्यूटेशन के ऑपरेटरों को नियंत्रित कर सकते हैं, साथ ही साथ जनसंख्या के आकार को भी बदल सकते हैं। इसी समय, पीएस जीए में एक महत्वपूर्ण वृद्धि हासिल की जाती है।