Hva er genetisk optimalisering?

September 4  by Eliza

Genetisk optimalisering er bruk av programmering algoritmer for å finne den beste løsningen på et problem. Dette har sin opprinnelse i arbeidet med matematikere som starter så tidlig som på 1950-tallet som tok modeller de så i biologi og anvendt dem til ikke-lineære problemer som var vanskelige å løse på vanlig måte. Ideen er å etterligne biologi, som utvikler seg i løpet av generasjoner å skape the fittest mulig befolkningen. Etter programmeringen, er det mulig å simulere denne prosessen for å komme opp med en kreativ løsning på et problem.

Ikke-lineære problemer kan være utfordrende for matematikere. Et eksempel kan sees i verdipapirhandel, hvor det kan være en rekke mulige beslutninger som raskt avgreining å skape et tre valg. Å beregne sannsynligheter uavhengig av hverandre forbundet med hver valg ville være meget tidkrevende. Matematikeren kan også gå glipp av en optimal løsning ved å unnlate å kombinere mulige valg for å utforske nye permutasjoner. Genetisk optimalisering tillater forskere å utføre beregninger av denne art i en mer effektiv måte.

Forskeren starter med en gjenstand for interesse, kjent som en "befolkning", som kan deles inn i enkeltpersoner, noen ganger kalt skapninger, organismer eller kromosomer. Disse vilkårene, lånt fra biologi, reflektere opprinnelsen til denne tilnærmingen til programmering. En datamaskin kan begynne å kjøre en simulering med befolkningen, velge individuelle organismer innen en generasjon og gi dem muligheten til å blande seg for å lage en ny generasjon. Denne prosessen kan gjentas gjennom flere generasjoner for å kombinere og rekombinere mulige løsninger, ideelt ankommer mest egnet alternativ for de gitte betingelser.

Dette kan være svært ressurs- tung. Beregningene som brukes i genetisk optimalisering krever betydelig datakraft for å raskt sammenligne og velge en rekke alternativer og kombinasjoner samtidig. Tidlig forskning på genetisk optimalisering ble noen ganger begrenset av tilgjengelig prosessorkraft, som forskerne kunne se potensielle bruksområder, men kunne ikke gjennomføre komplekse programmer. Som datakraften øker, nytten av denne metoden gjør også, selv om store og komplekse beregninger kan fortsatt kreve en svært spesialisert datamaskin.

Forskere innen matematikk kan arbeide med genetisk optimalisering i en rekke innstillinger. Pågående utviklingen av nye formler og tilnærminger illustrerer utviklinger i matematikk som folk lære om nye måter å vurdere komplekse problemer. Noen enkle genetisk optimalisering kan sees på jobb i innstillinger som programvare for verdipapir tradere og programmering for spill og virtuell virkelighet der programmerere vil at brukerne skal ha en mer naturlig opplevelse.

  • Ikke-lineære problemer kan være utfordrende for matematikere.