Генетический алгоритм

Описание работы генетического алгоритма на примере поиска максимума функции двух переменных. Берем 4 случайные хромосомы (4 случайные точки), отбираем лучшую с точки зрения максимума функции. Затем лучшая хромосома (в данном случае - точка) наследует новому поколению все свои гены (координаты х и у). Худшая вылетает из процесса. И т.д.

[ИгорьАриничев-рк]

На простых и ясных примерах объясняются сложные вещи. А ведь это самое главное - понять концепцию, принцип действия. А дальше можно и самим разобраться. Спасибо Вам большое.

[s___]

Отличный урок, хорошее сравнение с материалами ценой и прочими характеристиками

[Антон-рмю]

Большое спасибо за интересный материал!

[valeriyblinov]

Супер !! Надо понять!!! Спасибо Великому!!! V

[blackbigdeath]

Отличное видео, и спасибо за микрофон на пиджаке:)

[freaxlover]

Спасибо Вам огромное! Отличное объяснение. Будьте здоровы❤️

[antonio]

Могу ошибаться, но у вас есть ошибка в процессе применения кроссовера.
4:57. Обратите внимание на получения второго поколения.
Согласно схемы применения кроссовера, первый ген второй хромосомы (b - хромосома, ген x), должен был отнаследоваться к хромосоме a второго поколения, ген x.
Похоже, как и все остальные гены, по мимо наследования от хромосомы a первого поколения

[ВладимирРемизов-ок]

Наконец стало понятно! Правда почему то цифры соответствуют схеме только самой сильной (а) хромосоме. Но главное принцип понятен.

[maridat]

Я сделал программу по этому принципу и узнал, что максимум этой функции равен 0.5 примерно в точке x: 1.000362 y: -0.000275

[darkeliphant]

Начальник Шоушенка объясняет генетический алгоритм, эт что-то новенькое

[СтаниславКавюк]

Прежде всего хочу сказать автору большое спасибо за работу, мне, как студенту было полезно просмотреть данное видео, однако я хочу заметить несколько особенностей(поправьте меня, если я не прав):

1)*Кроссовер*(crosover) - это и правда процесс скрещивания двух особей(хромосом)
*Кроссинговер*(crossing over) - это *НЕ* кроссовер, а процесс повышения вероятности скрещивания в особях, которые являются лучшими в популяции.

2)Необходимо поподробней остановится на *оценочной функции* - показать ее роль более выразительно, а также показать сложность выбора этой функции в реальных нестандартных задачах, с большим числом параметров

3)Для предотвращения преждевременной сходимости рекомендуется использовать:
*однородный кроссовер*(каждый ген имеет вероятность унаследоваться к одному потомку, а оставшиеся не унаследованные - к другому),
и *принцип элитизма* (грубо говоря в новой популяции присутствует некоторое число родителей).

4)Также не было рассказано о *методах кодирования* информации, для представления информации в хромосому, как вектора - набора характеристик
Например бинарное кодирование, схемы(shema), код Грея, ...

*PS*: Видео понравилось, если я где-то ошибся - простите, я только начал знакомство с этой темой.

Отпишите, что Вы думаете.

[МаркСтручков-зы]

Как в итоге понять то, что достигнут нужный конечный результат?

[MrGRMichael]

не понятнен источник самой функции. как выводится этот закон?

[denispashnev]

Где используют генетические алгоритмы? Какой от них толк?

[obrkn]

Здравствуйте. Может, Вы поможете мне разобраться с этим моментом:
Вероятность мутации это Pm. Она берется в диапазоне от 0 до 1. Каждому гену в хромосоме присваиваются случайные числа от 0 до 1. Если вероятность Pm больше либо равна этим числам то происходит мутация (с 0 на 1). Это то, что мне удалось понять о мутации. Но каким образом происходит присваивание случайных чисел каждому гену?

[madiyetov]

При отборе из первого поколения, у=0 остался не использованным, а ведь если использовать этот ген максимизация была бы еще лучше, или я что то не понял?

[Валерка-оф]

Ну этот алгоритм больше похож на сортировку перебором. Если вы хотите провести аналогию с биологической эволюцией, то я вас немного поправлю.

[balabuyew]

Мутация важней чем кроссовер. Так как у вас показано вообще работать не должно.