時系列予測を使用した遺伝的アルゴリズムの検索機能の向上

記事の執筆は、出版物Time Series Forecastingによって促されました。



ここでは、遺伝的アルゴリズム（GA）の検索能力（PS）を向上させるために時系列予測を適用する方法を示します。







遺伝的アルゴリズムの探索能力により、 探索空間の任意の点に対応する染色体を作成する能力を理解しています。

PSを記述するGA特性は、数値で表現されていません。 人口規模、選択された交差演算子と突然変異演算子、およびその他の要因など、さまざまな要因がGA GAに影響します。 同時に、GAの検索能力が高いほど、母集団は小さくなり、母集団の減少はフィットネス関数の計算数の減少を伴うと仮定することは正当です。



GAを構築するとき、新しい世代の染色体の作成方法に十分な注意を払う人はほとんどいませんが、新しい染色体を作成するためのアルゴリズムの選択に成功すると、PSを大幅に増やすことができます。



GA GAを増やすには、いわゆる適応アルゴリズムが使用されます。 彼らのアイデアは、さまざまなGAパラメータを動的に変更することであり、適応GAにはいわゆる統計アルゴリズムも含まれています。 これらのアルゴリズムの考え方は、いくつかのGAパラメーターの統計を調べることです。 最初の統計アルゴリズムの1つは、2002年にYoungによって提案されたSANUXです。 これは、対立遺伝子値の収束の仮定に基づいたバイナリGAです。

この仮定の本質はシンプルで直感的に明らかです。染色体は対立遺伝子レベルで最適な解に収束します。つまり、染色体の各値は最適なバリアントに収束します。

仮定は実証されていないため、直感的に明白であると述べましたが、動作します。

ちなみに、GAで証明された実際に適用可能な定理は片手の指で数えることができるので、誰かが自分自身に強さを感じたら、ストーリーに自分自身を書く機会が常にあります。



次に、この仮説を新しい染色体の構築に適用します。

染色体内の各対立遺伝子について、時系列を実施します。 さらに、このシリーズの次の値は何らかの形で予測され、染色体の対立遺伝子として選択されます。 記事で提案されているアルゴリズムに加えて、次のアルゴリズムが非常に優れていることが証明されました。



対立遺伝子の系列が統計的に制御されている場合、これに基づいて、次の母集団の対立遺伝子の値を推測するのは簡単です。 シリーズが制御できない場合、対立遺伝子値を選択するいくつかの可能性がありますが、実際にはPSを改善しません。したがって、十分に高い適応性を持つテンプレートから対立遺伝子値を使用することは許容されます。

同時に、バイナリGAの場合、統計を収集するには約15〜20世代で十分です。 整数GAの場合、通過する世代が多いほど良いです。



染色体を構築するこの方法は、大きな次元の問題に適用するのが理にかなっています。



また、対立遺伝子の時系列を分析することにより、母集団のサイズを変更するだけでなく、交配（交叉）および突然変異の演算子を動的に制御できます。 同時に、PS GAの大幅な増加が達成されます。