జన్యు అల్గోరిథం

వికీపీడియా నుండి
ఇక్కడికి గెంతు: మార్గసూచీ, వెతుకు

ఒక జన్యు అల్గోరిథం (GA) అనేది ఆప్టిమైజేషన్ కొరకు ఖచ్చితమైన లేదా దరిదాపు పరిష్కారాలను వెతకటానికి మరియు సమస్యలను శోదించటానికి కంప్యూటింగ్ లో ఉపయోగించిన ఒక శోధన వృత్తి రహస్యం. జన్యు అల్గోరిథంలు ప్రపంచ శోధన హ్యూరిస్టిక్లు వలె విభజింపబడ్డాయి. జన్యు ఆల్గోరిథమ్స్ అనేవి ఎవోల్యూషనరీ ఆల్గోరిథమ్స్ (EA) యొక్క ఒక నిర్దిష్ట తరగతికి చెందినవి, ఇవి ఇన్హీరిటేన్స్, మ్యుటేషన్, సెలెక్షన్ మరియు క్రాస్ఓవర్ వంటి ఎవోల్యూషనరీ జీవశాస్త్రంచే స్ఫూర్తి పొందిన వృత్తి రహస్యాలను ఉపయోగిస్తాయి.

పని చేసే పద్దతి[మార్చు]

జన్యు అల్గోరిథంలు ఒక కంప్యూటర్ ప్రోత్సాహకంలో అమలుచెయ్యబడతాయి, ఇందులో ఒక సమర్ధమైన సమస్యకి వ్యక్తి పరిష్కారాలు (వ్యక్తులు, జీవులు లేదా ఫీనోటైపు ) యొక్క సారాంశ ప్రతిబింబాల (క్రోమోజోములు లేదా జన్యువు యొక్క జీనోటైపు అని పిలువబడుతుంది) జనాభా ఇంకా మంచి పరిష్కారాల వైపుగా ఉద్భవిస్తుంది. సంప్రదాయబద్దంగా, పరిష్కారాలు 0s మరియు 1s ల యొక్క తీగలు వలె రెండు విధాలుగా చూపించబడతాయి కానీ ఇతర సంకేతాలు రాయటం కూడా సాధ్యమే. ఒక పరిణామము అనేది సాధారణంగా ఒక క్రమపద్దతి లేకుండా ఉత్పత్తి చెయ్యబడ్డ వ్యక్తుల యొక్క జనాభా నుండి మొదలవుతుంది మరియు తరాలలో జరుగుతుంది. ప్రతీ తరంలో జనాభాలో ప్రతీ ఒక్క వ్యక్తి ఆరోగ్యం కూడా పరీక్షించబడుతుంది, ప్రస్తుత జనాభా నుండి పలు వ్యక్తులు సంబంధిత మార్గాల ద్వారా ఎంపిక చెయ్యబడతారు (వారి ఆరోగ్యం ఆధారంగా) మరియు ఒక నూతన జనాభా ఏర్పరచటానికి (తిరిగి జత చెయ్యబడతారు మరియు సాధ్యమైనంత వరకు ఒక క్రమ పద్దతి లేకుండా గన్యువులలో మార్పు చెయ్యబడతారు) మార్పు చెయ్యబడతారు. అప్పుడు ఆ నూతన జనాభా అల్గోరిథం యొక్క తరువాత మళ్ళా వచ్చే విషయంలో ఉపయోగించబడుతుంది. సాధారణంగా, ఒక గరిష్ట సంఖ్యలో తరాలు ఉత్పత్తి అయినప్పుడు అల్గోరిథం ఆగిపోతుంది లేదా జనాభా కొరకు ఒక తృప్తికరమైన ఆరోగ్య స్థాయిని చేరుకున్నప్పుడు ఆగిపోతుంది. ఒకవేళ తరాల యొక్క ఒక గరిష్ట స్థాయికి చేరుకోవటం వల్ల అల్గోరిథం ఆగిపోతే, ఒక తృప్తికరమైన పరిష్కారం అనేది లభించవచ్చు లేదా లభించకపోవచ్చు.

జన్యు అల్గోరిథంలు బయోఇన్ఫర్మేటిక్స్, ఫైలోజెనెటిక్స్, కంప్యుటేషనల్ సైన్సు, ఇంజనీరింగ్, ఆర్ధికశాస్త్రం, రసాయశాస్త్రం, తయారీ, సంఖ్యాశాస్త్రం, భౌతికశాస్త్రం మరియు ఇతర విభాగాల్లో తమ ఉపయోగాలు కలిగి ఉన్నాయి.

ఒక క్లిష్టమైన జన్యు అల్గోరిథం ఈ క్రింది వాటిని కోరుకుంటుంది :

  1. పరిష్కార విభాగం యొక్క ఒక జన్యు వివరణ.
  2. పరిష్కార విభాగాన్ని పరీక్షించటానికి ఒక ఆరోగ్యం చర్య

పరిష్కారం యొక్క ఒక ప్రామాణిక వివరణ అనేది భాగాలు యొక్క వ్యూహం. ఇతర రకాల మరియు నిర్మాణాల వ్యూహాలను కూడా కావాలంటే ఇదే విధంగా ఉపయోగించుకోవచ్చు. ఈ జన్యు వివరణలను సౌకర్యవంతంగా చేసే ముఖ్య లక్షణం ఏంటంటే, వాటి యొక్క భాగాలు ఒక స్థిర పరిమాణాన్ని కలిగి ఉండటం వలన వాటిని సులువుగా ఒకే రేఖ పైకి తీసుకురావచ్చు, ఫలితంగా క్రాస్ఓవర్ చర్యలు సులభం అవుతాయి. వివధ పొడవులో ఉన్న వివరణలు కూడా ఉపయోగించవచ్చు, కానీ ఈ విషయంలో క్రాస్ఓవర్ అమలుచెయ్యటం చాలా క్లిష్టం అవుతుంది. జన్యు ప్రోగ్రామింగ్ లో చెట్టు వంటి వివరణలు ఇవ్వబడతాయి మరియు ఎవల్యూషనరీ ప్రోగ్రామింగ్ లో గ్రాఫ్ వంటి వివరణలు ఇవ్వబడతాయి.

ఆరోగ్యం చర్య, జన్యు వివరణ పై నిర్వచింపబడుతుంది మరియు సూచించబడ్డ పరిష్కారం యొక్క నాణ్యత ను కొలుస్తుంది. ఆరోగ్యం చర్య ఎల్లప్పుడూ కూడా సమస్య పై ఆధారపడుతుంది. ఉదాహరణకు, నాప్సాక్ సమస్యలో ఒక స్థిరమైన సామర్ధ్యం ఉన్న నాప్సాక్ లో పెట్టే విధంగా వస్తువుల యొక్క నికర విలువను గరిష్టం చెయ్యాలి అని ఎవరైనా కోరుకుంటారు. ఒక పరిష్కారం యొక్క వివరణ అనేది భాగాల యొక్క వ్యూహం కావొచ్చు, ఇక్కడ ప్రతీ బిట్ ఒక వైవిద్యమైన వస్తువును సూచిస్తాది మరియు ఆ బిట్ యొక్క విలువ (0 లేదా 1) ఆ వస్తువు నాప్సాక్ లో ఉందా లేదా అనే విషయాన్ని సూచిస్తాది. ఒక్కోసారి వస్తువుల యొక్క పరిమాణం నాప్సాక్ యొక్క సామర్ధ్యాన్ని దాటిపోవటం వలన అలాంటి ప్రతీ వివరణ ఆమోదయోగ్యం కాకపోవచ్చు. ఒకవేళ ఆ వివరణ ఆమోదయోగ్యం అయితే ఆ పరిష్కారం యొక్క ఆరోగ్యం , నాప్సాక్ లో ఉన్న అన్ని వస్తువుల యొక్క విలువల మొత్తానికి సమానం లేదా అలా కాకపొతే అది 0 కి సమానం. కొన్ని సమస్యల్లో, ఆరోగ్యం యుక్తిని నిర్వచించటం అనేది చాలా కష్టం లేదా కొన్నిసార్లు అసాధ్యం; ఇలాంటి విషయాలలో, స్నేహపూరిత అల్గోరిథంలు ఉపయోగించబడతాయి.

ఒకసారి మనకి ఒక జన్యు వివరణ మరియు ఆరోగ్యం చర్య నిర్వచింపబడితే, ఒక పరిష్కారాల జనాభాను ఒక క్రమ పద్దతి లేకుండా ప్రారంభించటానికి GA ముందుకు వెళుతుంది, అప్పుడు మ్యుటేషన్, క్రాస్ఓవర్, ఇన్వేర్షన్ మరియు సెలక్షన్ ఆపరేటర్లను మళ్ళా మళ్ళా ఉపయోగించటం ద్వారా దానిని అభివృద్ధి చేస్తుంది.

మొదలుపెట్టటం[మార్చు]

ముందుగా ఒక ప్రాధమిక జనాభాని ఎర్పరచటానికి చాలా వ్యక్తిగత పరిష్కారాలు ఒక క్రమ పద్దతి లేకుండా ఉత్పత్తి చెయ్యబడతాయి. ఆ జనాభా పరిమాణం సమస్య యొక్క స్వభావం పై ఆధారపడుతుంది కానీ సంక్లిష్టంగా చాలా వందల మరియు వేల సంఖ్యలో సాధ్యమైన పరిష్కారాలను కలిగి ఉంటుంది. సంప్రదాయబద్దంగా, సాధ్యమైన పరిష్కారాల యొక్క పూర్తి శ్రేణిని పరిగణలోకి దీసుకోవటం ద్వారా, ఆ జనాభా ఒక క్రమ పద్దతి లేకుండా ఉత్పత్తి చెయ్యబడుతుంది ( శోధన స్థలం ). ఒక్కోసారి, ఎక్కడైతే సరైన పరిష్కారాలు దొరకటానికి అవకాశం ఉందొ ఆ ప్రాంతాలలో పరిష్కారాలు "నాటబడతాయి".

ఎంపిక[మార్చు]

ప్రతీ తరువాత తరం సమయంలో, ఒక నూతన తరంను పుట్టించటానికి అప్పటికే మనుగడలో ఉన్న జనాభా నుండి ఒక భాగం ఎంపిక చెయ్యబడుతుంది. ఒక ఆరోగ్యం ఆధారిత పద్దతి ద్వారా వ్యక్తిగత పరిష్కారాలు ఎంపిక చెయ్యబడతాయి, ఇక్కడ ఆరోగ్యం కలిగిన పరిష్కారాలు (ఒక అర్హత చర్య ద్వారా కొలవబడినట్టుగా) సంక్లిష్టంగా ఎంపిక చెయ్యబడతాయి. నిర్దిష్ట ఎంపిక పద్దతులు ప్రతీ పరిష్కారం యొక్క ఆరోగ్యంను కొలుస్తాయి మరియు ముఖ్యంగా ఉత్తమ పరిష్కారాలను ఎంపిక చేస్తాయి. ఈ పద్దతి చాలా సమయాన్ని తీసుకోవటం వలన, ఇతర పద్దతులు జనాభా నుండి ఒక క్రమపద్దతి లేకుండా తీసుకున్న నమూనాను మాత్రమే పరీక్షిస్తాయి.

చాలా చర్యలు సంబంధమైనవిగా ఉంటాయి మరియు కొద్దిగా మాత్రమే ఆరోగ్యం కలిగిన పరిష్కారాలలో ఒక చిన్న భాగాన్ని మాత్రమే ఎంపిక చేసే విధంగా రూపొందించబడ్డాయి. ఇది జనాభా భిన్నత్వాన్ని పెద్దదిగా ఉంచటానికి, బాగాలేని పరిష్కారాల పై పరిణతి చెందక ముందే కలుసుకోవటాన్ని నివారించటానికి ఉపయోగపడుతుంది. ప్రసిద్ది చెందిన మరియు బాగా-చదవబడ్డ ఎంపిక పద్దతులు రౌలేట్టే వీల్ సెలక్షన్ మరియు టోర్నమెంట్ సెలక్షన్ లను కలిగి ఉంటాయి.

ప్రత్యుత్పత్తి[మార్చు]

తరువాత చెయ్యవలసిన పనేంటంటే జన్యు ఆపరేటర్ల ద్వారా ఎంపిక చేసిన వాటి నుండి పరిష్కారాల జనాభా యొక్క రెండవ తరాన్ని ఉత్పత్తి చెయ్యటం: క్రాస్ ఓవర్ (రికామ్బినేషన్ అని కూడా పిలువబడుతుంది), మరియు/లేదా మ్యుటేషన్.

ఉత్పత్తి చెయ్యవలసిన ప్రతీ నూతన పరిష్కారానికి కూడా ఇంతకూ ముందు ఎంపిక చేసిన సమూహం నుండి పెంపకం కొరకు ఒక జత "తల్లిదండ్రుల" పరిష్కారాలు ఎంపిక చెయ్యబడతాయి. పైన సూచించిన క్రాస్ ఓవర్ మరియు మ్యుటేషన్ పద్దతులను ఉపయోగించి ఒక "పిల్ల" పరిష్కారాన్ని ఉత్పత్తి చెయ్యటం ద్వారా చాలా మటుకు సంక్లిష్టంగా "తల్లిదండ్రుల" లక్షణాలను కలిగి ఉండే ఒక నూతన పరిష్కారం సృష్టించబడుతుంది. ప్రతీ నూతన పిల్లాడికి నూతన తలిదండ్రులు ఎంపిక చెయ్యబడతారు మరియు పరిహ్కారాల యొక్క నూతన జనాభా ఒక సరైన పరిమాణాన్ని చేరుకోనేంత వరకు ఈ విధానం కొనసాగుతూ ఉంటాది. ఇద్దరు తల్లిదండ్రులను ఉపయోగించే విధానం పై ఆధారపడ్డ ప్రత్యుత్పత్తి విధానాలు చాలా మటుకు "జీవశాస్త్రంచే స్ఫూర్తి" పొందినప్పటికీ ఒక మంచి నాణ్యత కల క్రోమోజోంను ప్రత్యుత్పత్తి చెయ్యటానికి ఇద్దరు కంటే ఎక్కువ "తల్లిదండ్రులను" ఉపయోగించటం మంచిది అని కొన్ని పరిశోధనలు[1][2] సూచిస్తున్నాయి.

చివరకి ఈ పద్దతులు ముందరి తరం నుండి వైవిద్యంగా ఉన్న తరువాత తరం క్రోమోజోముల జనాభాను ఉత్పత్తి చేస్తాయి. సాధారణంగా జనాభా కొరకు ఈ పద్దతి ద్వారా సరాసరి ఆరోగ్యం పెరుగుతుంది, ఎందుకంటే పైన సూచించిన కారణాల కొరకు తక్కువ ఆరోగ్యం కలిగిన పరిష్కారాల యొక్క చిన్న భాగంతో పాటుగా మొదటి తరం నుండి పెంపకం కొరకు కేవలం ఉత్తమ జీవులు మాత్రమే ఎంపిక చెయ్యబడతాయి.

ముగింపు[మార్చు]

ఈ ఉత్పత్తి పద్దతి ఒక ముగింపు స్థాయిని చేరుకోనేంత వరకు మరలా మరలా చెయ్యబడతాది. సాధారణ ముగింపు స్థితులు ఈ క్రింది విధంగా ఉంటాయి:

  • కనిష్ట అవసరాలను తృప్తిపరిచే విధంగా ఒక పరిష్కారం కనుగొనబడింది.
  • తరాల యొక్క స్థిరమైన సంఖ్య చేరుకోబడింది.
  • కేటాయించిన బడ్జెట్ (కంప్యుటేషన్ కాలం/డబ్బు) చేరుకోబడింది
  • గరిష్ట స్థాయి పరిష్కారాల ఆరోగ్యం చేరుకోబడుతున్నది లేదా ఇక ముందు వచ్చేవి ఇంకా ఏమాత్రం కూడా ఉత్తమ ఫలితాలను ఇవ్వలేవు అనే ఒక సమాంతర స్థాయికి చేరుకోవచ్చు.
  • మానవ తనిఖీ
  • పైవాటి మిశ్రమాలు

సాధారణ ఉత్పత్తి చెయ్యు జన్యు అల్గోరిథం తప్పుడుసంకేతాలు

  1. వ్యక్తుల యొక్క ప్రాధమిక జనాభాను ఎంచుకొనుము.
  2. ఆ జనాభాలో ఉన్న ప్రతీ వ్యక్తి యొక్క ఆరోగ్యంను పరీక్షించండి
  3. ముగింపు వరకు ఆ తరం ను పడే పడే ఉత్పత్తి చెయ్యు : (సమయ పరిధి, సరిపోయే అంత ఆరోగ్యం సాధించటం, మొదలైనవి.)
    1. ప్రత్యుత్పత్తి కొరకు ఉత్తమ-ఆరోగ్యం వ్యక్తులను ఎంపిక చెయ్యు
    2. ఒక ఆప్ స్ప్రింగ్ కి జన్మను ఇవ్వటానికి నూతన వ్యక్తులను క్రాస్ఓవర్ మరియు మ్యుటేషన్ చర్యల ద్వారా పెంచు
    3. నూతన వ్యక్తుల యొక్క వ్యక్తిగత ఆరోగ్యంను పరీక్షించు
    4. తక్కువ ఆరోగ్యం కలిగిన జనాభాను నూతన వ్యక్తులతో మార్పుచెయ్యు

గమనించిన విషయాలు[మార్చు]

జన్యు అల్గోరిథం ద్వారా పరిష్కారాలను ఉత్పత్తి చెయ్యటం గురించి సాధారణంగా గమనించిన విషయాలు చాలా ఉన్నాయి :

  • సంక్లిష్ట సమస్యలకు మళ్ళీ మళ్ళీ ఆరోగ్యం చర్య పరీక్ష చెయ్యటం అనేది తరచుగా అసహజ ఎవల్యూషనరీ అల్గోరిథంల యొక్క నిషేదించే మరియు పరిధిలో ఉంచే విషయం. సంక్లిష్టంగా ఎక్కువ కోణాలను కలిగి ఉన్న బహుళ నమూనా సమస్యలకు సరైన పరిష్కారం కనుగోనటం అనేది తరచుగా చాలా ఖరీదైన ఆరోగ్యం చర్య పరీక్షలను కోరుకుంటుంది. నిర్మాణాలని సమర్ధంగా చెయ్యటం వంటి వాస్తవ ప్రపంచ సమస్యల్లో, ఒక ఒంటరి చర్యను పరీక్షించటానికి చాలా గంటల నుండి చాలా రోజుల వరకు పూర్తి ప్రేరేపణ అవసరం అవుతుంది. సంక్లిష్టమైన ఆప్టిమైజేషన్ పద్దతి అలాంటి సమస్యలను పరిష్కరించలేదు. ఈ విషయంలో, ఒక ఖచ్చితమైన పరీక్షకు వెళ్ళటం మరియు కంప్యుటేషన్ పరంగా సమర్ధమైన, దాదాపుగా ఉన్న ఆరోగ్యంను ఉపయోగించటం అనేవి తప్పనిసరి కావొచ్చు. సంక్లిష్టమైన వాస్తవ జీవిత సమస్యలను పరిష్కరించటానికి ఇష్టప్రకారం EA ను ఉపయోగించటానికి దాదాపుగా సరిపోయే నమూనాలను మిళితం చెయ్యటం అనేది చాలా మటుకు మంచి ఫలితాలను విధానం.
  • ఇందులో "ఉత్తమం" అనేది ఇతర పరిష్కారాలతో పోలిక మాత్రమే. ఫలితంగా ముగింపు లక్షణాలు ప్రస్ఫుటంగా లేవు.
  • చాలా సమస్యల్లో, GA లు ఆ సమస్య యొక్క మొత్తం సామర్ధ్యం వైపు కాకుండా ఒక స్థానిక సామర్ధ్యం వైపుగా లేదా ఒకదానితో ఇంకోటి మిళితం అయ్యే ప్రాంతాలు వైపుగా సమూహంలా ఏర్పడాలనే కోరికను కలిగి ఉండవచ్చు. అనగా దీర్ఘకాల ఆరోగ్యంను పొందటానికి స్వల్పకాల ఆరోగ్యంను ఎలా త్యాగం చెయ్యాలో దానికి తెలీదు. ఇలా జరగటం అనేది ఆరోగ్యం కలిగిన భూభాగం యొక్క ఆకారం పై ఆధారపడుతుంది: కొన్ని సమస్యలు ఒక మొత్తం సామర్ద్యం వైపుగా సులువైన అభివృద్దిని అందించవచ్చు, స్థానిక సామర్ధ్యాన్ని కనుగొనటానికి ఇతరులు దానిని ఇంకా సులభతరం చెయ్యొచ్చు. ఒక వైవిద్యమైన ఆరోగ్యం చర్యను ఉపయోగించటం, మ్యుటేషన్ శాతాన్ని పెంచటం లేదా పరిష్కారాల యొక్క భిన్న జనాభాన్ని నిర్వహించే ఎంపిక పద్దతులను ఉపయోగించటం ద్వారా ఈ సమస్యను భరించటానికి వీలుగా చెయ్యవచ్చు, అయితే నో ఫ్రీ లంచ్ సిద్దాంతం ఈ సమస్యకు ఎలాంటి సాధారణ పరిష్కారం లేదు అని రుజువు చేసింది. ఈ భిన్నత్వాన్ని నిర్వహించటానికి ఒక "నిచ్ పెనాల్టి" ను వాడటం అనేది ఒక సాధారణ పద్దతి, అయితే, కావలిసినంత పోలిక (నిచ్ చుట్టుకొలత) ఉన్న ఏదైనా వ్యక్తుల సమూహంకి జరిమానా జత చేస్తే ఆ తరువాత తరాలలో ఆ సమూహం ఉనికి తగ్గిపోతుంది, జనాభాలో (తక్కువ పోలిక కల) ఇతర వ్యక్తులు ఉండటానికి అనుమతి లభిస్తుంది. ఏది ఏమైనప్పటికీ ఆ సమస్య యొక్క విస్తీర్ణం ఆధారంగా ఈ ఉపాయం సమర్ధంగా ఉండకపోవచ్చు. జన్యు అల్గోరిథంలలో (మరియు జన్యు ప్రోగ్రామింగ్ లో) భిన్నత్వం అనేది చాలా ముఖ్యం ఎందుకంటే ఒక విధమైన జనాభాను క్రాసింగ్ ఓవర్ చెయ్యటం ద్వారా నూతన పరిష్కారాలు ఉత్పత్తికావు. ఎవల్యూషన్ విధానాలు మరియు ఎవోల్యూషనరీ ప్రోగ్రామింగు లలో భిన్నత్వం అనేది అంతగా అవసరం లేదు, ఎందుకంటే ఇవి చాలా ఎక్కువగా మ్యుటేషన్ పై ఆధారపడతాయి.
  • ధైర్యమైన సమాచార జతల పై నిర్వహణ కష్టం, ఎందుకంటే తరువాత సమాచారంలో ఇక ఏమాత్రం అనుమతించబడని పరిష్కారాల దిశగా జన్యువులు సమూహంగా ఏర్పడవచ్చు. ఏదో ఒక విధంగా జన్యు భిన్నత్వాన్ని పెంచటం మరియు పరిష్కార నాణ్యత తగ్గినప్పుడు మ్యుటేషన్ వచ్చే అవకాశాలను పెంచటం ద్వారా (ట్రిగ్గర్డ్ హైపర్ మ్యుటేషన్ అని పిలువబడుతుంది) లేదా జన్యువుల సమూహంలోకి పూర్తిగా నూతనమైన, ఒక క్రమపద్దతి లేకుండా ఉత్పత్తి చెయ్యబడ్డ మూలకాలను అప్పుడప్పుడూ ప్రవేశపెట్టడం (రాండం ఇమ్మిగ్రెంట్స్ అని పిలువబడుతుంది) ద్వారా ముందస్తు సమూహ ఏర్పాటును అడ్డుకోవటం వంటి పలు నివారణ పద్దతులు సూచించబడ్డాయి. మరలా ఎవల్యూషన్ విధానాలు మరియు ఎవోల్యూషనరీ ప్రోగ్రామింగు లు "కామ విధానం" అని పిలువబడే దానితో పాటుగా అమలుచెయ్యవచ్చు, ఇందులో తలిదండ్రులు నిర్వహించబడరు మరియు నూతన తలిదండ్రులు పిల్లల నుండే ఎంపిక చెయ్యబడతారు. ఇది ధైర్యమైన సమస్యల పై ఎక్కువ ప్రభావాన్ని చూపిస్తుంది.
  • ఒకే ఒక సరైన/తప్పిన కొలతను ఏకైక ఆరోగ్యం కొలతగా కలిగి ఉన్న సమస్యలను GAs సమర్ధవంతంగా పరిష్కరించలేదు (నిర్ణయ సమస్యలు వంటివి), ఎందుకంటే ఆ పరిష్కారం పై సమూహంగా ఏర్పడటానికి ఎలాంటి అవకాశం లేదు (ఎక్కడానికి ఒక్క కొండ కూడా లేదు). ఈ విషయాలలో, ఒక క్రమపద్దతి లేని శోధన GA అంత వేగంతోనే ఒక పరిష్కారాన్ని కనుగొనవచ్చు. ఏది ఏమైనప్పటికీ , ఆ పరిస్థితి విజయం/అపజయం ఏది ఇచ్చినప్పటికీ వైవిద్యమైన ఫలితాలను పొందటానికి ఆ ప్రయత్నం (సాధ్యమైనంత వరకు) మళ్ళా మళ్ళా చెయ్యబడాలి, అప్పుడు విజయాలకి అపజయాలకి మధ్య నిష్పత్తి ఒక సరైన ఆరోగ్యం కొలతను అందిస్తుంది.
  • ఎంపిక అనేది చాలా ప్రస్ఫుటంగా ఒక ముఖ్యమైన జన్యు నిర్వాహకురాలు కానీ క్రాస్ఓవర్ విరుద్దంగా మ్యుటేషన్ ల యొక్క ప్రాధాన్యత పై అభిప్రాయం విభజింపబడింది. కొంతమంది వాదన ప్రకారం క్రాస్ఓవర్ చాలా ముఖ్యమైనది, అయితే సమర్ధమైన పరిష్కారాలు కోల్పోకుండా భరోసా ఇవ్వటానికి మాత్రమే మ్యుటేషన్ అవసరం ఉంది. ఇతరుల వాదన ప్రకారం ఒకే విధంగా ఉన్న ఒక పెద్ద జనాభాలో క్రాస్ఓవర్ అనేది కేవలం మ్యుటేషన్ ద్వారా కనుగొనబడ్డ నూతన విషయాలను పెంపొందించటానికి మాత్రమే ఉపయోగపడుతుంది మరియు ఒక విధంగా లేని జనాభాలో క్రాస్ఓవర్ అనేది దాదాపుగా ఒక పెద్ద మ్యుటేషన్ కి సమానం (చాలా మటుకు హానికరమైనది) ఫోగెల్ (2006)లో మ్యుటేషన్ ఆధారిత శోధనకి మద్దతు ఇచ్చే విధంగా చాలా సూచనలు ఉన్నాయి, కానీ అన్ని సమస్యల్లో కూడా నో ఫ్రీ లంచ్ సిద్దాంతం ఉంది, అందుచేత ఈ చర్చ ఒక నిర్దిష్ట సమస్యకి మాత్రమే పరిమితం అయ్యేంత వరకు ఈ అభిప్రాయాలకు విలువ లేదు.
  • తరచుగా, GAs కష్టమైన శోధన ప్రాంతాలకి కూడా ఒక క్రమ పద్దతి లేకుండా మంచి పరిష్కారాలను గుర్తించగలవు. ఇదే విషయం ఎవల్యూషన్ సిద్దాంతాలు మరియు ఎవల్యూషనరీ ప్రోగ్రామింగు లలో కూడా జరుగుతుంది.
  • నిర్దిష్ట ఆప్టిమైజేషన్ సమస్యలు మరియు సమస్య పరిస్థితులు కొరకు జన్యు అల్గోరిథంలు కంటే ఇతర ఆప్టిమైజేషన్ అల్గోరిథంలు ఇంకా మంచి పరిష్కారాలని కనుగొనవచ్చును (సమానమైన కంప్యుటేషన్ సమయాన్ని ఇస్తే). ఇతరేతరమైన మరియు ప్రశంసనీయమైన అల్గోరిథంలు ఎవల్యూషన్ విధానాలు, ఎవోల్యూషనరీ ప్రోగ్రామింగు, స్తిమ్యులేటేడ్ ఎనిలింగ్, గుస్సియన్ ఎడాప్షన్, హిల్ క్లైంబింగ్, మరియు స్వర్మ్ ఇంటెలిజెన్స్ (ఉదా: చీమల సమూహంను సమర్ధంగా చెయ్యటం, అణువు క్రిముల సమూహంను సమర్ధంగా చెయ్యటం) మరియు ఇంటిజేర్ లీనిఎర్ ప్రోగ్రామింగు ఆధారిత పద్దతులను కలిగి ఉంటాయి . ఇక్కడ ప్రశ్న ఏంటంటే ఏవైనా సమస్యలు ఉంటె అవి జన్యు అల్గోరిథం లతో సరిపోతాయా లేదా (అనగా అలాంటి అల్గోరిథంలు ఇతరుల కంటే మంచివి అని), ఇది బాహ్యమైనది మరియు వాదనతో కూడుకున్నది.
  • ప్రస్తుతం యంత్రం ద్వారా నేర్చుకుంటున్న అన్ని సమస్యలతో పరిష్కరించాల్సిన ఒక సమస్య తరగతికి సరిపోయే అమరికలను కనుగొనటానికి మ్యుటేషన్ జరిగే అవకాశం, రికామ్బినేషన్ జరిగే అవకాశం మరియు జనాభా పరిమాణం వంటి విషయాలను సరిచెయ్యటం అనేది హర్షణీయం. చాలా తక్కువ ఉన్న మ్యుటేషన్ శాతం జన్యు సమూహం నాకు దారి తీయవచ్చు (ఇది దాని స్వభావంతో ఏ మాత్రం సంబంధం లేనిది). చాలా అధికంగా ఉన్న రికామ్బినేషన్ శాతం జన్యు అల్గోరిథం పరిణతి చెందక ముందే ఒక సమూహంలా ఏర్పడటానికి కారణం అవ్వవచ్చు. చాలా అధికంగా ఉన్న మ్యుటేషన్ శాతం ఒక అనుకూలమైన ఎంపిక ఉన్నప్పుడు తప్ప మిగతా సమయాలలో మంచి పరిష్కారాలు కోల్పోవటానికి దారి తీస్తుంది. మార్గదర్శి ఎంపికలో సహాయపడగల ఈ విషయాల కొరకు ఇప్పటి వరకు సిద్దాంతపరమైన పై మరియు క్రింది పరిధులు ఉన్నాయి కానీ ఆచరనీయమైనవి లేవు.
  • ఆరోగ్యం చర్యను అమలుచెయ్యటం మరియు పరీక్షించటం అనేది అల్గోరిథం యొక్క వేగం మరియు సామర్ధ్యంలలో ఒక ముఖ్యమైన విషయం.

వైవిద్యాలు[మార్చు]

ఒక సాధారణ అల్గోరిథం ప్రతీ క్రోమోజోమును ఒక తీగ ముక్క లాగా సూచిస్తుంది. సంక్లిష్టంగా, సంఖ్యాపరమైన విషయాలు ఇంటిజేర్లు ద్వారా సూచించబడతాయి, అయితే కదులుతున్న స్థానాల ద్వారా సూచనలు కూడా సాధ్యమే. కదులుతున్న స్థానాల ద్వారా సూచించటం అనేది ఎవల్యూషన్ విధానాలు మరియు ఎవోల్యూషనరీ ప్రోగ్రామింగు లకు సాధారణం. వాస్తవ విలువ కలిగిన జన్యు అల్గోరిథంలు యొక్క భావము అందించబడింది కానీ నిజానికి అది తప్పుగా పిలవబడింది ఎందుకంటే 1970 లో హోల్లాండ్ చే సూచించబడ్డ బిల్ద్న్గ్ బ్లాక్ సిద్దాంతాన్ని అది వాస్తవానికి సూచించదు. సిద్దంతపరమైన మరియు ప్రయోగాత్మకమైన ఫలితాలు పై ఆధారపడినప్పటికీ ఈ సిద్దాంతం మద్దతు లేకుండా లేదు (క్రింద చూడుము). ఒక ప్రాధమిక అల్గోరిథం క్రాస్ఓవర్ మరియు మ్యుటేషన్ లను ఒక బిట్ స్థాయిలో చేస్తుంది. ఇతర విషయాలు క్రోమోజోమును ఒక సూచన పట్టికలో నమోదుచేయ్యబడ్డ సంఖ్యల యొక్క జాబితాలు, అనుసందానించబడ్డ జాబితాలో నోడ్లు, హాష్లు, వస్తువులు లేదా ఏదైనా ఇతర ఊహాత్మక సమాచార నిర్మాణం మొదలైనవాటిగా పరిగణిస్తాయి. క్రాస్ఓవర్ మరియు మ్యుటేషన్ లు సమాచార మూలక పరిధులను గౌరవిన్చటానికి చెయ్యబడతాయి. చాలా సమాచార రకాలకు నిర్దిష్ట వైవిద్య ఆపరేటర్లను తయారుచెయ్యవచ్చు. వివిధ క్రోమోజోమల్ సమాచార రకాలు వివిధ నిర్దిష్ట సమస్య విభాగాలకు మంచిగా లేదా చెడ్డగా పనిచేస్తాయి.

ఇంటిజర్లు యొక్క బిట్ స్త్రింగ్ సూచనలు ఉపయోగించినప్పుడు, గ్రే కోడింగ్ తరచుగా ఉపయోగించబడుతుంది. ఈ విధంగా ఇంటిజర్లలో చిన్న మార్పులు మ్యుటేషన్లు లేదా క్రాసోవర్లు ద్వారా తక్షణమే ప్రభావితం అవుతాయి. ఇది హమ్మింగ్ వాల్స్ అని పిలువబడే వాటి వద్ద పరిణతి చెందక ముందే సమూహంగా ఎర్పడటాన్ని నివారించటానికి సహాయపడుతుంది, ఇందులో ఒక క్రోమోజోమును ఒక మంచి పరిష్కారంగా మార్చటానికి ఒకేసారి చాలా ఎక్కువ మ్యుటేషన్లు (లేదా క్రాస్ఓవర్ కార్యక్రమాలు) జరగాలి.

ఇతర విధానాలు క్రోమోజోములను సూచించటానికి బిట్ స్ట్రింగులకు బదులుగా వాస్తవ విలువ కలిగిన సంఖ్యల యొక్క వ్యూహాన్ని ఉపయోగిస్తాయి. సిద్దాంతపరంగా, అక్షరం ఎంత చిన్నది అయితే అంత మంచి పనితనం చూపిస్తుంది కానీ దీనికి విరుద్దంగా వాస్తవ విలువ కలిగిన క్రోమోజోములను వినియోగించటం ద్వారా మంచి ఫలితాలు వచ్చాయి.

ఎలాంటి మార్పు లేకుండా ప్రస్తుత తరం నుండి మంచి జీవులను తరువాత తరానికి తరలించటానికి అనుమతించటం అనేది ఒక నూతన జనాభాను నిర్మించే సాధారణ పద్దతి యొక్క ఒక విజయవంతమైన (కొద్దిగా) విధానం. ఈ విధానం ఎలిటిస్ట్ సెలక్షన్ అని పిలువబడుతుంది.

జన్యు అల్గోరిథంలను సమాంతరంగా అమలుచెయ్యటం అనేది రెండు రుచులలో వస్తుంది. గరుకుగా ముక్కలు చెయ్యబడ్డ సమాంతర జన్యు అల్గోరిథంలు కంప్యూటర్ పై ఉన్న ప్రతీ నోడ్ కి మరియు ఆ నాడులలో వలసపోతున్న వ్యక్తులకు ఒక జనాభాను ఊహిస్తాయి. మెత్తగా ముక్కలు చెయ్యబడ్డ సమాంతర జన్యు అల్గోరిథంలు ఎంపిక మరియు ప్రత్యుత్పత్తి కోసం పొరుగు వ్యక్తులతో కలిసి పనిచేసే ప్రతీ ప్రాసెసర్ నోడ్ పై ఒక వ్యక్తిని ఊహిస్తాయి. ఆన్లైన్ ఆప్టిమైజేషన్ సమస్యలు కొరకు జన్యు అల్గోరిథంలు వంటి ఇతర విధానాలు ఆరోగ్యం చర్యలో సమయం పై ఆధారపడటాన్ని లేదా ధ్వనిని ప్రవేశపెడతాయి.

GA ను ఇతర ఆప్టిమైజేషన్ పద్దతులతో మిళితం చెయ్యటం అనేది చాలా ప్రభావితమైనది. సాధారణంగా మంచి పూర్తి పరిష్కారాలను కనిపెట్టటంలో GA చాలా బాగా పనిచేస్తాది కానీ ఖచ్చితమైన సమర్ధతను కనుగొనటానికి కొన్ని చివర మ్యుటేషన్లను కనిపెట్టటంలో మాత్రం అసమర్ధమైనది. ఇతర వృత్తి రహస్యాలు (సింపుల్ హిల్ క్లైంబింగ్ వంటివి) ఒక పరిమిత ప్రాంతంలో ఖచ్చితమైన సమర్ధతను కనుగొనటంలో చాలా సమర్దమైనవి. GA మరియు హిల్ క్లైంబింగ్ లను మార్చి ఉపయోగించటం వలన GA యొక్క సమర్ధతను పెంచవచ్చు అలానే హిల్ క్లైంబింగ్ శక్తి లేకుండా ఉండటాన్ని అధిగమించవచ్చు.

అనగా జన్యు వైవిద్యం యొక్క నియమాలు సహజమైన విషయంలో వేరే అర్ధాన్ని కలిగి ఉండవచ్చు. ఉదాహరణకు-అన్ని భాగాలు కూడా ఒక వరుసలో సరిగా నిల్వచెయ్యబడితే - క్రాసింగ్ఓవర్ తండ్రి DNA నుండి కొన్ని భాగాలను జట చెయ్యటం ద్వారా తల్లి DNA నుండి కొన్ని భాగాలను కలుపుతుంది మరియు ఇది అలా కొనసాగించబడుతుంది. ఇది దాదాపుగా ఫినోటైప్ భూభాగం లో ఒక అంచును అనుసరించే వెక్టార్లను జత చెయ్యడం వంటి ప్రక్రియ. అందుచేత పద్దతి యొక్క సామర్ధత అనేది పరిమాణం యొక్క పలు వరుసల ద్వారా పెంచబడతాది. అంటే కాకుండా, ఒక వరుస క్రమంలో లేదా మనుగడ లేదా సమర్ధతకి అనుకూలంగా ఏదైనా ఇతర తగిన క్రమంలో ఇంకొన్ని అడుగులను పెట్టే అవకాశంను ఇన్వేర్షన్ ఆపరేటర్ కలిగి ఉంది. (దుష్టాంతము కొరకు [3] లేదా ఉదాహరణకు ప్రయాణిస్తున్న అమ్మకందారుల సమస్య ను చూడుము.)

జనాభా-ఆధారిత అభివృద్దిని నేర్చుకోవటం అనగా ఒక జనాభా అనేది దాని యొక్క వ్యక్తిగత సభ్యులులా కాకుండా మొత్తంగా ఉద్భవించటం.

సమస్య విభాగాలు[మార్చు]

జన్యు అల్గోరిథంలు ఇచ్చే పరిష్కారాలకి సరిగ్గా సరిపోయే సమస్యలు, కాలపట్టిక తయారీ మరియు సమయ కేటాయింపు సమస్యలను కలిగి ఉంటాయి మరియు సమయ పట్టికను నిర్ణయించే చాలా సాఫ్ట్వేర్లు GA ల ఆధారితాలు. GAs ఇంజనీరింగ్ కి కూడా ఉపయోగించబడ్డాయి. జన్యు అల్గోరిథంలు పూర్తి సమర్ధంగా చెయ్యటం సమస్యలను పరిష్కరించటానికి తరచుగా ఉపయోగించబడే విధానాలు.

బొటన వేలు యొక్క ఒక సాధారణ నియమంలా జన్యు అల్గోరిథంలు కూడా ఒక సంక్లిష్ట ఆరోగ్యం భూభాగాలను కలిగి ఉన్న సమస్య విభాగాలలో ఉపయోగపడతాయి ఎందుకంటే ఒక సంప్రదాయబద్దమైన హిల్ క్లైంబింగ్ అల్గోరిథం ఇరుక్కుపోకుండా ఉండటానికి స్థానిక సామర్ధ్యం నుండి జనాభాను దూరంగా తీసుకువెళ్ళే విధంగా రికామ్బినేషన్ తయారుచెయ్యబడింది.

చరిత్ర[మార్చు]

పరిణామము యొక్క కంప్యూటర్ ప్రేరేపణలు చాలా మటుకు 1954లో నీల్స్ ఆల్ బర్రిసెలి చేసిన పరిశోధనతో ప్రారంభం అయ్యాయి, అతను ప్రిన్స్టన్, న్యూజెర్సీ లో ఉన్న ఇన్స్టిట్యూట్ ఫర్ అడ్వాన్స్డ్ స్టడీ వద్ద కంప్యూటర్ ను ఉపయోగించేవాడు.[4][5] అతని 1954 ప్రచురణ అంత ఎక్కువగా గుర్తింపు పొందలేదు.[6] ఆస్ట్రేలియన్ పరిమాణాత్మక జన్యుశాస్త్రవేత్త అయిన అలెక్స్ ఫ్రాసేర్ కొలవటానికి వీలున్న ఒక ప్రత్యేక లక్షణాన్ని నియంత్రిస్తున్న బహుళ ప్రాంతాలను కలిగి ఉన్న జీవుల యొక్క అసహజ ఎంపిక ను ప్రోత్సహించటం అను విషయం పై 1957లో మొదలుపెట్టి వరుసగా పలు కాగితాలను ప్రచురించాడు. ఈ ప్రారంభాల నుండి జీవశాస్త్రవేత్తలచే పరిణామము యొక్క కంప్యూటర్ ప్రేరేపణలు అనేవి 1960ల మొదలు నాటికి సర్వసాధారణం అయిపోయాయి మరియు ఆ పద్దతులు ఫ్రాసేర్ మరియు బర్నేల్ (1970)[7] మరియు క్రోస్బి (1973)[8] లచే రచించబడిన పుస్తకాలలో వర్ణించబడ్డాయి. ఫ్రాసేర్ యొక్క ప్రేరేపణలు ఆధునిక జన్యు అల్గోరిథంలు యొక్క అవసరమైన విషయాలు అన్నింటినీ కలిగి ఉన్నాయి. దానితో పాటుగా హన్స్ బ్రేమేర్మన్ 1960 లలో వరుసగా ప్రచురించిన కాగితాలు కూడా రికామ్బినేషన్, మ్యుటేషన్ మరియు సెలెక్షన్ లను చూపిస్తున్న సమర్ధమైన సమస్యల పరిష్కారం యొక్క జనాభాను దత్తతు తీసుకున్నాయి. బ్రేమేర్మన్ యొక్క పరిశోధన ఆధునిక జన్యు అల్గోరిథంలు యొక్క విషయాలను కూడా కలిగి ఉంది. ముందుగా దారిచూపిన ఇతరులలో రిచర్డ్ ఫ్రైద్బర్గ్, జార్జి ఫ్రైడ్మన్, మరియు మైఖేల్ కన్రాద్ లు ముఖ్యమైనవారు. అనేక పూర్వపు కాగితాలు ఫోగెల్ (1998) చే తిరిగి ప్రచురింపబడ్డాయి.[9]

బర్రిసెల్లి 1963లో నివేదించిన పరిశోధనలో ఒక సాధారణ ఆటను ఆడటానికి కల సామర్ధ్యం యొక్క పరిణామంను ప్రేరేపించినప్పటికీ,[10] 1960 మరియు 1970 మొదలు వరకు ఇంగో రేచెంబెర్గ్ మరియు హన్స్-పాల్ స్చ్వేఫెల్ లు చేసిన పరిశోధన ఫలితంగా అసహజ పరిణామం విస్తారంగా గుర్తించబడ్డ సమర్ధమైన పద్దతి అయ్యింది - పరిణామం విధానాలు ద్వారా రేచెంబెర్గ్ యొక్క సమూహం క్లిష్టమైన ఇంజనీరింగ్ సమస్యలను పరిష్కరించగాలిగారు.[11][12][13][14] లారెన్స్ జె. ఫోగెల్ యొక్క ఎవల్యూషనరీ ప్రోగ్రామింగ్ వృత్తి రహస్యం అనేది ఇంకో విధానం, అసహజ తెలివిని ఉత్పత్తి చెయ్యటానికి ఇది సూచించబడింది. వాస్తవానికి ఎవల్యూషనరీ ప్రోగ్రామింగ్ పర్యావరనాలను అంచనా వెయ్యటానికి స్థిరమైన స్థాయి యంత్రాలను ఉపయోగించింది మరియు అంచనా వేసిన తర్కమును సమర్ధంగా చెయ్యటానికి వైవిద్యం మరియు ఎంపికను ఉపయోగించింది. 1970లు మొదలులో జాన్ హోల్లాండ్ చేసిన పరిశోదన మరియు ముఖ్యంగా అతని పుస్తకం ఎడాప్తేషన్ ఇన్ నాచురల్ అండ్ ఆర్టిఫిషియల్ సిస్టమ్స్ (1975) వలన జన్యు అల్గోరిథంలు చాలా ప్రసిద్ది చెందాయి. మిచిగాన్ విశ్వవిద్యాలయం వద్ద హోల్లాండ్ మరియు అతని విద్యార్దులు చేసిన సెల్లులార్ ఆతొమాట పరిశోధనలతో అతని పరిశోధన ఉద్భవించింది. తరువాత తరం యొక్క నాణ్యతను అంచనా వెయ్యటానికి హోల్లాండ్ యొక్క స్చేమ సిద్దాంతం అని పిలువబడే ఒక పద్దతైన ఫ్రేమ్ వర్క్ ను హోల్లాండ్ ప్రవేశపెట్టాడు. పిత్త్స్బుర్గ్, పెన్స్యల్వనియా లో జన్యు అల్గోరిథంలు పై జరిగిన మొదటి అంతర్జాతీయ సమావేశం జరిగినప్పుడు 1980 మధ్య నాటి వరకు GA లలో పరిశోధన చాలా మటుకు సిద్దాంతపరంగా ఉండిపోయింది.

విద్యాపరమైన ఆసక్తి పెరగటం వలన నాటకీయంగా పెరిగిన డెస్క్టాపు కంప్యుటేషనల్ శక్తి ఈ నూతన వృత్తి రహస్యంను ఆచరణలో పెట్టటానికి అనుమతించింది. 1980ల చివరిలో, జనరల్ ఎలక్ట్రిక్ ప్రపంచపు మొదటి గణ్యు అల్గోరిథం ఉత్పత్తిని అమ్మటం మొదలుపెట్టింది, ఇది పారిశ్రామిక అవసరాలకై మెయిన్ఫ్రేమ్ ఆధారంగా తయారు చెయ్యబడ్డ ఒక పరికరం. 1989లో, ఆక్ష్కెలిస్ సంస్థ ఎవోల్వేర్ ను ఇదుదల చేసింది, ఇది ప్రపంచపు రెండవ GA ఉత్పత్తి మరియు డెస్క్టాపు కంప్యూటర్లకు మొదటిది. ది న్యూయార్క్ టైమ్స్ సాంకేతిక పరిజ్ఞాన రచయిత జాన్ మర్కొఫ్ [15] ఎవోల్వేర్ గురించి 1990లో వ్రాసాడు.

సంబంధిత వృత్తి రహస్యాలు[మార్చు]

  • యాంట్ కాలనీ ఆప్టిమైజేషన్ (ACO) పరిష్కార దూరాన్ని దాటటానికి మరియు స్థానికంగా ఉత్పత్తి ఇచ్చే ప్రాంతాలను కనుగొనటానికి చాలా చీమలను (లేదా ఏజెంట్లను) ఉపయోగిస్తుంది. సాధారణంగా ఇది జన్యు అల్గోరిథంలు మరియు స్థానిక శోధన యొక్క ఇతర రూపాలలో కంటే తక్కువ స్థాయిలో ఉండటం వలన ఇది మొత్తం లేదా తాజా సమాచారం దొరకని సమస్యలకి కూడా పరిష్కారాలను ఉత్పత్తి చెయ్యగలుగుతుంది మరియు అందువల్ల ఇతర పద్దతులు వినియోగించబడలేవు.[citation needed]
  • బాక్తీరియలాజిక్ అల్గోరిథంలు (BA) ఎవోల్యుషనరీ ఎకాలజి చే మరియు ముఖ్యంగా బాక్తీరియలాజిక్ దత్తతు ద్వారా స్ఫూర్తి పొందాయి. ఎవోల్యుషనరీ ఎకాలజి అనగా జీవుల గురించి వాటి యొక్క పర్యావరణ విషయాలను పరిగణలోకి తీసుకొని పరిశోదించటం, అవి ఆ పర్యావరణానికి ఎలా అలవాటు పడ్డాయో తెలుసుకోవటం దీని యొక్క లక్ష్యం. ఒక వైవిద్యమైన పర్యావరణంలో ఆ మొత్తం పర్యావరణానికి సరిపోయే ఒకే జీవిని కనుగోనలేము అనేది దీని యొక్క ప్రాధమిక ఉద్దేశ్యం. అందువలన జనాభా స్థాయిలోనే కారణం చూపాల్సిన అవసరం ఉంది. BAs మిశ్రమ స్థిరీకరణ సమస్యలు (సెల్ఫోన్లకు యాంటెన్నాలు, పట్టణ ప్రణాళికా రచన, మొదలైనవి)లేదా సమాచారం వెలికితియ్యటం వంటి సమస్యల్లో GAs కంటే మంచి ఫలితాలను చూపించాయి.[16]
  • క్రాస్-ఎంట్రోపి విధానం క్రాస్-ఎంట్రోపి విధానం(CE) లక్షణాలను నిర్దేశిచిన ఒక ప్రోబబిలిటి పంపిణీ ద్వారా వ్యక్తులకు పరిష్కారాలను ఉత్పత్తి చేస్తుంది. తరువాత ఉత్పత్తిలో ఇంకా మంచి నమూనాలను చెయ్యటానికిగాను క్రాస్-ఎంట్రోపి తగ్గించటం ద్వారా లక్షణాలు ఎప్పటికప్పుడు కాలానుగుణంగా మార్చబడతాయి.
  • కల్చరల్ అల్గోరిథం (CA) దాదాపుగా జంతు అల్గోరిథంను పోలి ఉన్న జనాభాను కలిగి ఉంటాది మరియు దానితో పాటుగా నమ్మకమైన జాగా అని పిలువబడే ఒక జ్ఞాన విషయాన్ని కూడా కలిగి ఉంటాది.
  • ఎవల్యూషన్ స్త్రాటజీస్ (ES, రేచెంబెర్గ్, 1994 చూడుము) మ్యుటేషన్ మరియు మధ్యస్థ మరియు ప్రత్యేక రికామ్బినేషన్ల ద్వారా వ్యక్తులను పరిణామం చెందిస్తాయి. ES అల్గోరిథం లు వాస్తవ-విలువ విభాగంలోని సమస్యలను పరిష్కరించటానికి ప్రత్యేకంగా తయారుచెయ్యబడ్డాయిశోధన కొరకు నియంత్రణా విషయాలను సర్దుబాటు చెయ్యటానికి ఇవి స్వీయ-దత్తతును ఉపయోగిస్తాయి.
  • ఎవోల్యుషనరీ ప్రోగ్రామింగు (EP) ప్రాధమికంగా మ్యుటేషన్ మరియు ఎంపిక మరియు న్యాయమైన వివరణలు కలిగి ఉన్న పరిష్కారాల జనాభాను కలిగి ఉంటాది. అవి లక్షణాలను అనుగుణంగా సర్దటానికి స్వీయ-దత్తతును ఉపయోగిస్తాయి మరియు పలు తల్లిదండ్రుల నుండి సమాచారాన్ని మిళితం చెయ్యడం వంటి ఇతర వైవిద్యమైన చర్యలను కూడా కలిగి ఉంటాయి.
  • ఎక్స్త్రీమల్ ఆప్టిమైజేషన్ (EO), అభ్యర్ది పరిష్కారాల యొక్క జనాభాతో పనిచేసే GAs లా కాకుండా, EO ఒకేఒక పరిష్కారంలో ఉద్భావిస్తాది మరియు అస్సలు బాగాలేని విషయాలకు స్థానిక మార్పులు చేస్తాది. ప్రతీ పరిష్కార పదార్దాలు కూడా ఒక నాణ్యతా ప్రమాణాన్ని అందుకోనటానికి అనుమతిచ్చే విధంగా ఒక సరైన విధానాన్ని ఎంపిక చెయ్యాలని ఇది కోరుతుంది ("ఆరోగ్యం"). ఈ అల్గోరిథం వెనుక ఉంది నడిపించే సూత్రం ఏంటంటే తక్కువ నాణ్యత ఉన్న పదార్ధాలను ఎంపిక చేసి తొలగించటం ద్వారా ఉద్భవిస్తున్న పురోగతి సాధించటం మరియు వాటిని ఒక క్రమపద్దతి లేకుండా ఎంపిక చేసిన పదార్ధాలతో మార్పు చెయ్యటం. అందువల్ల ఉత్తమ పరిష్కారాలను తయారుచెయ్యటానికి మంచి పరిష్కారాలను ఎంపిక చేసే GAతో ఇది ఖచ్చితంగా విభేదిస్తుంది.
  • గుస్సియన్ అడాప్షన్ (నార్మల్ లేదా నేచురల్ అడాప్షన్, GA తో పొరబాటు పడకుండా ఉండటానికి NA గా పిలువబడింది) సిగ్నల్ ప్రాసెసింగ్ వ్యవస్థలు యొక్క తయారీ ఫలితమును పెంచటం కొరకు ఉద్దేశించబడింది. అది సాధారణ పారామేత్రిక్ ఆప్టిమైజేషన్ కోసం కూడా ఉపయోగించబడవచ్చు. అంగీకరించదగిన అన్ని ప్రాంతాలు మరియు గుస్సియన్ పంపిణీలకు సరిపోయే ఒక నిర్దిష్ట సిద్దాంతం పై ఇది ఆధారపడుతుంది. NA యొక్క సమర్ధత సమాచార సిద్దాంతం మరియు సమర్ధత యొక్క ఒక నిర్దిష్ట సిద్దాంతంలపై ఆధారపడుతుంది. దాని యొక్క సమర్ధత సమాచారంను కోరుకుంటున్న పనిచె భాగించబడిన సమాచారం అని నిర్వచిమ్పబడుతుంది.[17] NA ఒక వ్యక్తీ యొక్క ఆరోగ్యంను కాకుండా సరాసరి అర్హతను పెంచుతుంది, అందువలన పర్వతాల మధ్య ఉన్న లోయలు మాయం అయిపోయే విధంగా ఆ భూభాగం చదును చెయ్యబడుతుంది. అందువల్ల ఆరోగ్యం భూభాగంలో స్థానిక ఎత్తులను నివారించాలనే ఒక నిర్దిష్టమైన "తీవ్ర కోరిక"ను ఇది కలిగి ఉంటాది. సందర్భ మాత్రికను దత్తతు తీసుకోవటం ద్వారా పదునైన అడ్డంకులను కూడా అధిగామించతంలో NA మంచి పనితనాన్ని చూపిస్తాది, ఎందుకంటే NA గుస్సియన్ యొక్క ఒక లోపం అయిన (సరాసరి సమాచారం) ను ఎక్కువ చెయ్యవచ్చు మరియు అదే సమయంలో సరాసరి ఆరోగ్యం ను స్థిరంగా ఉంచుతుంది.
  • జెనెటిక్ ప్రోగ్రామింగు (GP) జాన్ కోజా చే వృద్ది చెయ్యబడ్డ ఒక సంబంధిత వృత్తి పరిజ్ఞానం, ఇందులో చర్య లక్షణాలకు బదులుగా కంప్యూటర్ కార్యక్రమాలు సమర్ధవంతం చెయ్యబడతాయి. జెనెటిక్ ప్రోగ్రామింగు దత్తతు చేసుకోవటానికి కంప్యూటర్ కార్యక్రమాలను సూచించటానికి తరచుగా జన్యు అల్గోరిథంలకి చాలా ముఖ్యమైన జాబితా నిర్మాణాలకి బదులుగా చెట్టు ఆధారిత అంతర సమాచార నిర్మాణాలను సూచిస్తాది.
  • గ్రూపింగ్ జెనెటిక్ అల్గోరిథం (GGA) అనేది GA యొక్క ఒక పరిణామం, ఇక్కడ సంప్రదాయ GAs మాదిరిగా దృష్టి ఒంటరి వస్తువుల నుండి వస్తువుల సమూహాలకు లేదా ఉపసమూహాలకు మరలుతుంది.[18] ఈ GA పరిణామం వెనుక ఉన్న సలహా ఏమనయూల్ ఫల్కేనయూర్చే క్లిష్టమైన సమస్యలను పరిష్కరించటానికి గాను ఇవ్వబడింది, a.k.a. సమూహాలుగా ఏర్పడటం లేదా ముక్కలవ్వటం వంటి సమస్యల్లో ఒక వస్తువుల జత సమర్ధమైన మార్గంలో విడిపోయిన ఒక సమూహం వలె విభాజింపబడాలి, వస్తు సమూహాల లక్షణాలను జన్యువులకి సమానంగా చెయ్యటం ద్వారా దీనిని ఇంకా బాగా చేరుకోవచ్చు. ఇలాంటి రకమైన సమస్యలు బిన్ ప్యాకింగ్, లైన్ బాలన్సింగ్, w.r.t. ఒక దూరపు కొలతను సమూహంలా చెయ్యటం, సమాన కుప్పలు, మొదలైనవాటిని కలిగి ఉంటాయి, వీటి పై సంప్రదాయ GAs చాలా తక్కువగా పనిచేస్తాయి అని నిరూపించబడింది. జన్యువులను సమూహాలతో సమానంగా చెయ్యటం వలన సాధారణంగా వైవిద్యమైన పొడవుతో ఉన్న క్రోమోజోములను మరియు మొత్తం వస్తు సమూహాలను మార్చివేసే ప్రత్యేక జన్యు ఆపరేటర్లను ఆచరణలో పెడుతుంది. ముఖ్యంగా బిన్ ప్యాకింగ్ కొరకు మర్టేల్లో మరియు టొథ ల యొక్క పైచేయి సాధించు లక్షనాలచే సంకరం చెయ్యబడ్డ ఒక GGA ఈ నాటికి కూడా ఉత్తమ వృత్తి రహస్యం.
  • హార్మొనీ సెర్చ్ (HS) అనేది స్వరపరిచే క్రమంలో సంగీత విద్వాంసుల ప్రవర్తనలను అనుకరణ చేసే ఒక అల్గోరిథం.
  • ఇంటరాక్టివ్ ఎవోల్యుషనరీ అల్గోరిథంలు మానవ పరీక్షను ఉపయోగించుకొనే ఎవోల్యుషనరీ అల్గోరిథంలు. ఎక్కడైతే ఒక కంప్యుటేషనల్ ఆరోగ్యంను తయారుచెయ్యటం కష్టం అవుతుందో అలాంటి విభాగాలకు ఇవి సాధారణంగా ఉపయోగించబడతాయి, ఉదాహరణకు, వినియోగదారుల సుందర్యపరమైన ప్రాధాన్యాలకి సరిపోయే విధంగా ఉద్భవిస్తున్న చిత్రాలు, సంగీతం, కళాత్మక నమూనాలు మటియు విధానాలు.
  • మేమేటిక్ అల్గోరిథం (MA), సంకర జన్యు అల్గోరిథం అని కూడా పిలువబడుతుంది, ఇది మిగతా వాటితో పోల్చి చూస్తే ఎవోల్యుషనరీ చక్రం జరుగుతున్నప్పుడు ఒక స్థానిక శోధనను అమలుచేసే ఒక నూతన ఎవోల్యుషనరీ విధానం. మేమేటిక్ అల్గోరిథంలు అనే ఆలోచన మేమెలు నుండి వచ్చింది, ఇవి జన్యువులులా కాకుండా తమను తాము దత్తతు తీసుకోగలవు. కొన్ని సమస్య ప్రాంతాలలో అవి సంప్రదాయ ఎవోల్యుషనరీ అల్గోరిథంలు కంటే ఎక్కువ సమర్ధంగా చూపబడ్డాయి.
  • రియాక్తివ్ సెర్చ్ ఆప్టిమైజేషన్ (RSO) ఉప-చిహ్న యంత్రం నేర్చుకొనే వృత్తి రహస్యాలను సంక్లిష్ట ఆప్టిమైజేషన్ సమస్యలను పరిష్కరించటం కోసం శోధన సంబంధిత విషయాలలో మిళితం చెయ్యాలని వాదిస్తుంది. స్పందించే అను పదం శోధన సమయంలో జరిగే విషయాల ముఖ్యమైన లక్షణాలు యొక్క స్వీయ-చూనింగ్ కొరకు అంతర ఆన్లైన్ నిమిషాల ద్వారా తక్షణ స్పందన ఇవ్వటాన్ని సూచిస్తాది. స్పందించే శోధన కొరకు ఆసక్తి కల పద్దతులు, యంత్రం ద్వారా నేర్చుకోవటం మరియు సంఖ్యాశాస్త్రం, ముఖ్యంగా బలవంతంగా నేర్చుకోవటం, చురుకుగా లేదా ప్రశ్నార్ధకంగా నేర్చుకోవటం, న్యూరల్ నెట్వర్క్లు మరియు మెటా-హ్యూరిస్టిక్కులు వంటి వాటిని కలిగి ఉంటాయి.
  • స్తిమ్యులేటేడ్ ఎనీలింగ్ (SA) అనేది ఒక సంబంధిత సంపూర్ణ ఆప్టిమైజేషన్ వృత్తి రహస్యం, అది ఒక ఒంటరి పరిష్కారం పై ఒక క్రమంలేని మ్యుటేషన్ లను పరీక్షించటం ద్వారా శోధన దూరాన్ని అధిగమిస్తుంది. ఆరోగ్యంను పెంచే మ్యుటేషన్ ఎల్లప్పుడూ అంగీకరించబడుతుంది. ఆరోగ్యంను తగ్గించే ఒక మ్యుటేషన్ చాలా మటుకు ఆరోగ్యంలో ఉన్న తేడా మరియు తగ్గుతున్న ఉష్ణోగ్రత లక్షణం ఆధారంగా అంగీకరించబడుతుంది. SA ఉపన్యాసంలో, ఎవరైనా సరే గరిష్ట ఆరోగ్యం బదులు తక్కువ శక్తిని కోరుకోనేవాటి గురించే మాట్లాడతారు. ఒక అధిక స్థాయి మ్యుటేషన్ తో మొదలుపెట్టి మరియు ఇచ్చిన కాలపట్టిక అనుగుణంగా కాలక్రమాన తగ్గించుకుంటూ రావటం ద్వారా SA ఒక ప్రామాణిక GA అల్గోరిథం లో కూడా ఉపయోగించబడవచ్చును.
  • టబు సెర్చ్ (TS) అనేది స్తిమ్యులేటేడ్ ఎనీలింగ్ మాదిరిగానే ఉంటాది, ఇవి రెండూ కూడా ఒక ఒంటరి పరిష్కారం యొక్క మ్యుటేషన్ లను పరీక్షించటం ద్వారా పరిష్కార దూరాన్ని వేరొక దిశలో తీసుకువెళతాయి. స్తిమ్యులేటేడ్ ఎనీలింగ్ కేవలం ఒక మ్యుటేతేడ్ పరిష్కారాన్ని మాత్రమె ఉత్పత్తి చేస్తుంది కానీ టబు సెర్చ్ చాలా మ్యుటేతేడ్ పరిష్కారాలను ఇస్తుంది మరియు ఉత్పత్తి చెయ్యబడ్డ వాటిలో అల్ప శక్తి ఉన్న వాటితో పరిష్కారం వైపు కదులుతుంది. ఇదే విధానం మరలా మరలా కొనసాగకుండా ఉండటానికి మరియు పరిష్కార దూరం ద్వారా గొప్ప కదలికను ప్రోత్సహించటానికి, పాక్షిక లేదా పూర్తీ పరిష్కారాల యొక్క ఒక టబు జాబితా నిర్వహించబడతాది. పరిష్కారం, పరిష్కార దూరాన్ని అధిగమించినప్పుడు అప్డేట్ అయ్యే టబు జాబితా యొక్క మూలకాలను కలిగి ఉన్న పరిష్కారం వైపు కదలటం అనేది నిషేదించబడింది.

బిల్డింగ్ బ్లాక్ ఊహ[మార్చు]

జన్యు అల్గోరిథంలు అమలు చెయ్యటానికి చాలా సులువుగా ఉంటాయి కానీ వాటి ప్రవర్తనను అర్ధం చేసుకోవటం కష్టం. ముఖ్యంగా అవి తరచుగా అధిక ఆరోగ్యం కలిగిన పరిష్కారాలను విజయవంతంగా ఎందుకు ఉత్పత్తి చేస్తున్నాయి అని అర్ధం చేసుకోవటం చాలా కష్టం. బిల్డింగ్ బ్లాక్ ఊహ(BBH) ఈ క్రింది వాటిని కలిగి ఉంటాది:

  1. "నిర్మాణ ఇటుకలు" ను తిరిగి కలపటం ద్వారా దత్తతును చేసే సారాంశం నుండి దత్తతు తీసుకున్న పని చెయ్యు విదానం యొక్క వివరణ, అనగా సరాసరి స్థాయికి పైన ఉన్న ఆరోగ్యంతో తక్కువ స్థాయి, అల్ప నిర్వచన పొడవు కల నమూనాలు.
  2. ఈ సారాంశం నుండి దత్తతు తీసుకున్న పని చెయ్యు విదానంను పరిపూర్ణంగా మరియు సమర్ధంగా అమలు చెయ్యటం ద్వారా ఒక జన్యు అల్గోరిథం దత్తతు తీసుకొనే ఒక ఊహాత్మక విషయం.

(గోల్డ్బెర్గ్ 1989:41) అవ్యవహారికంగా దత్తతు తీసుకోబడ్డ విధానాన్ని ఈ క్రింది విధంగా వర్ణించాడు :

సామర్ధ్యపరంగా అధిక ఆరోగ్యంను కలిగి ఉన్న తీగలను చెయ్యటానికి పొట్టి, తక్కువ స్థాయి, మరియు అధిక ఆరోగ్యం నమూనాలు ఎంపిక చెయ్యబడ్డాయి, తిరిగి కలపబడ్డాయి [క్రాస్డ్ ఓవర్], మరియు తిరిగి ఎంపిక చెయ్యబడ్డాయి. ఆ మార్గంలో ఈ నిర్దిష్ట నమూనాలతో (నిర్మాణ ఇటుకలు) పనిచెయ్యటం ద్వారా మేము మా సమస్య యొక్క సంక్లిష్టతను తగ్గించాము; సులువుగా ఉన్న ప్రతీ మిశ్రమన్నీ ప్రయత్నిస్తూ అధిక పనితనం కల తీగలను నిర్మించటానికి బదులుగా మేము పూర్వపు నమూనాల యొక్క పాక్షిక ఉత్తమ పరిష్కారాల నుండి ఉత్తమ మరియు ఇంకా ఉత్తమ తీగలను నిర్మించాము.
ఒక పిల్లవాడు సాధారణ కర్ర ముక్కలను (నిర్మాణ ఇటుకలు) అమర్చటం ద్వారా అద్భుతమైన కోటలను సృష్టించినట్టుగా, జంతు అల్గోరిథం కూడా చిన్నవైన, క్రింది స్థాయి, అధిక పనితం చూపే నమూనాలు లేదా నిర్మాణ ఇటుకలను అమర్చటం ద్వారా సమర్ధమైన పనితనానికి దగ్గరగా పనిచెయ్యటానికి ప్రయత్నిస్తుంది.

బిల్డింగ్ బ్లాక్ ఊహ హోల్లాండ్ యొక్క స్చేమ సిద్దాంతం ద్వారా మద్దతు ఇవ్వబడుతున్నది అని (గోల్డ్బెర్గ్ 1989) వాదిస్తాడు.

సిద్దంతపరంగా, ఉదాహరణకు, రైట్ మొదలైన వారు ఈ విధంగా చెప్తారు 
"బిల్డింగ్ బ్లాక్ ఊహ పేరు క్రింద సంప్రదాయబద్దంగా తయారుచేయ్యబడ్డ GA ల గురించి వివిధ వాదనలు ఈ నాటికి కూడా సిదంతపరంగా ఎలాంటి ఆధారం కలిగి లేవు మరియు కొన్ని విషయాలలో చాలా అస్థిరమైనవి"[19]

ప్రయోగాపరంగా సిస్వేర్డ చే పరిశోదించబడ్డ చాలా ఆరోగ్యం చర్యల్లో ఒకే విధమైన క్రాసోవర్, రెండు ప్రాంతాలలో జరిగిన క్రాసోవర్, ఒక ప్రాంతంలో జరిగిన క్రాసోవర్ కంటే ఉత్తమ పనితనాన్ని కనబరిచింది.[20] ఈ ఫలితాలను క్రోడీకరించి, ఫోగెల్ ఈ విధంగా చెప్పాడు

"సాధారణంగా, ఒకే విధమైన క్రాసోవర్ రెండు ప్రాంతాలలో క్రాసోవర్ కంటే ఉత్తమ పనితనాన్ని ఇచ్చింది, అయితే రెండు ప్రాంతాలలో క్రాసోవర్ ఒక ప్రాంతంలో జరిగిన క్రాసోవర్ కంటే ఉత్తమ పనితనాన్ని ఇచ్చింది"[21]

సిస్వేర్డ యొక్క ఫలితాలు బిల్డింగ్ బ్లాక్ ఊహను వ్యతిరేకిస్తాయి ఎందుకంటే, ఒకే విధమైన క్రాస్ఓవర్ చిన్న నమూనాలను చాలా ఎక్కువగా పాడుచేస్తుంది అయితే ఒకటి మరియు రెండు ప్రాంతాలలో జరిగే క్రాస్ఓవర్ చిన్న నమూనాలను భద్రపరుస్తుంది

బిల్డింగ్ బ్లాక్ ఊహ పై ఉన్న వాదన GAs ఎలా "పనిచేస్తాయి" అనే విషయాన్ని వివరిస్తుంది, (అనగా దత్తతు తీసుకుంటుంది) ఇది ప్రస్తుతం స్థిరపడ్డ వాటి నుండి దూరంగా ఉంది.

ఇవి కూడా చూడండి[మార్చు]

ఉపయోగాలు[మార్చు]

గమనికలు[మార్చు]

  1. ఎబెన్ , ఏ . యి . మొదలైనవారు (1994). "బహుళ-తల్లితండ్రుల పునః మిశ్రమం ఉన్న జన్యు అల్గారిధంలు ". PPSN III: ఎవల్యూషనరీ కంప్యుటేషన్ పై అంతర్జాతీయ సమావేశానికి అనుమతులు. ప్రకృతి నుండి పరిష్కరించబడుతున్న సమాంతర సమస్య పై మూడవ సమావేశం : 78-87. ISBN 3-540-58484-6.
  2. టింగ్ , చాన్ -కాంగ్ (2005). "ఆన్ ది మీన్ కాంవేర్గేన్స్ టైం ఆఫ్ మల్టీ -పేరెంట్ జెనెటిక్ ఆల్గోరిథమ్స్ వితౌట్ సెలక్షన్ ". అసహజ జీవితంలో పురోగతులు : 403-412. ISBN 978-3-540-28848-0.
  3. ఎవల్యూషన్ -ఇన్ -ఏ -నట్షేల్
  4. Barricelli, Nils Aall (1954). "Esempi numerici di processi di evoluzione". Methodos: 45–68. 
  5. Barricelli, Nils Aall (1957). "Symbiogenetic evolution processes realized by artificial methods". Methodos: 143–182. 
  6. Fraser, Alex (1957). "Simulation of genetic systems by automatic digital computers. I. Introduction". Aust. J. Biol. Sci. 10: 484–491. 
  7. Fraser, Alex; Donald Burnell (1970). Computer Models in Genetics. New York: McGraw-Hill. 
  8. Crosby, Jack L. (1973). Computer Simulation in Genetics. London: John Wiley & Sons. 
  9. Fogel, David B. (editor) (1998). Evolutionary Computation: The Fossil Record. New York: IEEE Press. 
  10. Barricelli, Nils Aall (1963). "Numerical testing of evolution theories. Part II. Preliminary tests of performance, symbiogenesis and terrestrial life". Acta Biotheoretica (16): 99–126. 
  11. Rechenberg, Ingo (1973). Evolutionsstrategie. Stuttgart: Holzmann-Froboog. 
  12. Schwefel, Hans-Paul (1974). Numerische Optimierung von Computer-Modellen (PhD thesis). 
  13. Schwefel, Hans-Paul (1977). Numerische Optimierung von Computor-Modellen mittels der Evolutionsstrategie : mit einer vergleichenden Einführung in die Hill-Climbing- und Zufallsstrategie. Basel; Stuttgart: Birkhäuser. ISBN 3764308761. 
  14. Schwefel, Hans-Paul (1981). Numerical optimization of computer models (Translation of 1977 Numerische Optimierung von Computor-Modellen mittels der Evolutionsstrategie. Chichester ; New York: Wiley. ISBN 0471099880. 
  15. Markoff, John (1989). "What's the Best Answer? It's Survival of the Fittest". New York Times. సంగ్రహించిన తేదీ 2009-08-09. 
  16. Baudry, Benoit; Franck Fleurey, Jean-Marc Jézéquel, and Yves Le Traon (March/April 2005). "Automatic Test Case Optimization: A Bacteriologic Algorithm" (PDF). IEEE Software (IEEE Computer Society) 22: 76–82. doi:10.1109/MS.2005.30. సంగ్రహించిన తేదీ 2009-08-09. 
  17. Kjellström, G. (December 1991). "On the Efficiency of Gaussian Adaptation". Journal of Optimization Theory and Applications 71 (3): 589–597. doi:10.1007/BF00941405. 
  18. Falkenauer, Emanuel (1997). Genetic Algorithms and Grouping Problems. Chichester, England: John Wiley & Sons Ltd. ISBN 978-0-471-97150-4. 
  19. Wright, A.H.; et al. (2003). "Implicit Parallelism". Proceedings of the Genetic and Evolutionary Computation Conference. 
  20. Syswerda, G. (1989). "Uniform crossover in genetic algorithms". In J. D. Schaffer. Proceedings of the Third International Conference on Genetic Algorithms. Morgan Kaufmann. 
  21. Fogel, David B. (2000). Evolutionary Computation: Towards a New Philosophy of Machine Intelligence. New York: IEEE Press. పేజీ. 140. 
  22. Hill T, Lundgren A, Fredriksson R, Schiöth HB (2005). "Genetic algorithm for large-scale maximum parsimony phylogenetic analysis of proteins". Biochimica et Biophysica Acta 1725: 19–29. PMID 15990235. 
  23. జోచిం దే జుట్టేర్
  24. To CC, Vohradsky J (2007). "A parallel genetic algorithm for single class pattern classification and its application for gene expression profiling in Streptomyces coelicolor". BMC Genomics 8: 49. doi:10.1186/1471-2164-8-49. PMID 17298664. 
  25. Bagchi Tapan P (1999). Multiobjective Scheduling by Genetic Algorithms.  Text " Kluwer Academic. ISBN 0792385616" ignored (సహాయం); Unknown parameter |book= ignored (సహాయం)
  26. నెట్వర్క్ అంశాలు మరియు అంతర్గత నిర్మాణం లను నేర్చుకోవటం కోసం మాటిమాటికీ వచ్చే న్యూరల్ నెట్వర్క్లకి జన్యు అల్గారిధం లను వినియోగించటం
  27. Wang S, Wang Y, Du W, Sun F, Wang X, Zhou C, Liang Y (2007). "A multi-approaches-guided genetic algorithm with application to operon prediction". Artificial Intelligence in Medicine 41: 151–159. doi:10.1016/j.artmed.2007.07.010. PMID 17869072. 
  28. BBC న్యూస్ | ఎంటర్తైన్మెంట్ | టు ది బీట్ ఆఫ్ ది బైట్
  29. Willett P (1995). "Genetic algorithms in molecular recognition and design". Trends in Biotechnology 13: 516–521. doi:10.1016/S0167-7799(00)89015-0. PMID 8595137. 
  30. van Batenburg FH, Gultyaev AP, Pleij CW (1995). "An APL-programmed genetic algorithm for the prediction of RNA secondary structure". Journal of Theoretical Biology 174: 269–280. doi:10.1006/jtbi.1995.0098. PMID 7545258. 
  31. Notredame C, Higgins DG (1995). "SAGA a Genetic Algorithm for Multiple Sequence Alignment". Nulceic Acids Research 174: 1515. PMID 8628686. 
  32. సెడ్రిక్ నోట్రేడమే హోం పేజి
  33. Gondro C, Kinghorn BP (2007). "A simple genetic algorithm for multiple sequence alignment". Genetics and Molecular Research 6: 964–982. PMID 18058716. 
  34. హితోషి ఇబ , సుమిటక అకిబ , తెత్సుయ హిగుచి , తిసుకే సతో : BUGS: జన్యు అల్గారిధంస్ ను వినియోగిస్తున్న ఒక బాగ్-ఆధారిత శోధన తంత్రం. PPSN 1992:
  35. ఇబ్రహీం , డబ్లు . మరియు అమెర్ , హెచ్.: VLSI టెస్ట్ వెక్టర్ ఎంపిక కోసం దత్తతు తీసుకోబడ్డ జన్యు అల్గారిధం
  36. BiSNET/e - పంపిణీ చెయ్యబడ్డ సాఫ్ట్వేర్ వ్యవస్థల సమూహం , మస్సచుసేట్ట్స్ విశ్యవిద్యాలయం , బోస్టన్
  37. సింబయాటిక్స్ఫియర్ - పంపిణీ చెయ్యబడ్డ సాఫ్ట్వేర్ వ్యవస్థల సమూహం , మస్సచుసేట్ట్స్ విశ్యవిద్యాలయం , బోస్టన్

సూచనలు[మార్చు]

  • బంజ్హఫ్ , వల్ఫ్గాంగ్ ; నోర్దిన్ , పీటర్ ; కెల్లర్ , రాబర్ట్ ; ఫ్రాన్కన్ , ఫ్రాంక్ (1998) జెనెటిక్ ప్రోగ్రామింగ్ - యాన్ ఇంట్రడక్షన్ , మోర్గాన్ కుఫ్మన్ , సాన్ ఫ్రాన్సిస్కో , CA.
  • Bies, Robert R; Muldoon, Matthew F; Pollock, Bruce G; Manuck, Steven; Smith, Gwenn and Sale, Mark E (2006). "A Genetic Algorithm-Based, Hybrid Machine Learning Approach to Model Selection". Journal of Pharmacokinetics and Pharmacodynamics (Netherlands: Springer): 196–221. 
  • Cha, Sung-Hyuk; Tappert, Charles C (2009). "A Genetic Algorithm for Constructing Compact Binary Decision Trees". Journal of Pattern Recognition Research 4 (1): 1–13. 
  • Fraser, Alex S. (1957). "Simulation of Genetic Systems by Automatic Digital Computers. I. Introduction". Australian Journal of Biological Sciences 10: 484–491. 
  • గోల్డ్బెర్గ్ , డేవిడ్ E (1989), జెనెటిక్ ఆల్గోరిథమ్స్ ఇన్ సెర్చ్ , ఒప్తిమైజాషన్ అండ్ మెషిన్ లేర్నింగ్ , క్లువేర్ అకాడెమిక్ పబ్లిషర్స్ , బోస్టన్ , MA.
  • గోల్డ్బెర్గ్ , డేవిడ్ E (2002), ది డిజైన్ ఆఫ్ ఇన్నోవషన్ : లెసన్స్ ఫ్రొం అండ్ ఫర్ కామ్పిటేంట్ జెనెటిక్ ఆల్గోరిథమ్స్ , అద్దిసన్ -వెస్లీ , రీడింగ్ , MA.
  • ఫోగెల్ , డేవిడ్ B (2006), ఎవోలుషనరీ కంప్యుటేషన్  : టువార్డ్ ఏ న్యూ ఫిలాసఫీ ఆఫ్ మెషిన్ ఇంటెలిజెన్స్ , IEEE ప్రెస్ , పిస్కాటవే , NJ. మూడవ ఎడిషన్
  • హాలండ్ , జాన్ H (1975), ఎడాప్టేషన్ ఇన్ నేచురల్ అండ్ ఆర్టిఫిసియాల్ సిస్టమ్స్ , మిచిగాన్ విశ్వవిద్యాలయ ప్రెస్ , అన్న్ అర్బోర్
  • కోజా , జాన్ (1992), జెనెటిక్ ప్రోగ్రామింగు : ఆన్ ది ప్రోగ్రామింగు ఆఫ్ కంప్యూటర్స్ బై మీన్స్ ఆఫ్ నాచురల్ సెలక్షన్ , MIT ప్రెస్. ISBN-262-11170-5
  • మిచలేవిచ్జ్ , బిగ్నిఎవ్ (1999), జెనెటిక్ ఆల్గోరిథమ్స్ + డేటా స్ట్రక్చర్స్ = ఎవల్యూషన్ ప్రోగ్రామ్స్ , స్ప్రిన్గేర్ -వేర్లగ్ .
  • మిత్చేల్ , మెలనీ , (1996), యాన్ ఇంట్రడక్షన్ టు జెనెటిక్ ఆల్గోరిథమ్స్ , MIT ప్రెస్ , కేంబ్రిడ్జి , MA.
  • Poli, R., Langdon, W. B., McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com, freely available from the internet. ISBN 978-1-4092-0073-4. 
  • రేచెంబెర్గ్ , ఇంగో (1994): ఎవోలుషన్స్ స్త్రటేజీ '94, స్తుట్ట్గార్ట్ : ఫ్రోమ్మన్-హోల్జ్బూగ్.
  • స్చ్మిట్ , లోతార్ M; నేహనివ్, క్రిస్టోఫర్ L; ఫుజి , రాబర్ట్ H (1998), లీనియర్ అనాలిసిస్ ఆఫ్ జెనెటిక్ ఆల్గోరిథమ్స్ , థియోరిటికల్ కంప్యూటర్ సైన్సు 208: 111-148
  • స్చ్మిట్ , లోతార్ M (2001), థియరీ ఆఫ్ జెనెటిక్ ఆల్గోరిథమ్స్ , థియోరిటికల్ కంప్యూటర్ సైన్సు 259: 1-61
  • స్చ్మిట్ , లోతార్ M (2004), థియరీ ఆఫ్ జెనెటిక్ ఆల్గోరిథమ్స్ II: జనాభాల యొక్క స్త్రింగ్-టెన్సర్ ను ప్రతిబింబించే జెనెటిక్ ఆపరేటర్ల కొరకు నమూనాలు మరియు స్కేలింగ్ క్రింద ఆర్బిటరి ఫిట్నెస్ ఫంక్షన్ కొరకు గ్లోబల్ ఆప్టిమా కి సమాహారం , థియోరిటికల్ కంప్యూటర్ సైన్సు 310: 181-231
  • స్చ్వేఫెల్ , హన్స్ -పాల్ (1974): నుమేరిస్చే ఒప్తిమిఎరుంగ్ వాన్ కంప్యూటర్ -మొదేల్లెన్ (PhD థీసిస్ ). బిర్ఖుసేర్ చే పునఃప్రచురించబడింది (1977).
  • వోస్ , మైఖేల్ D (1999), ది సింపుల్ జెనెటిక్ అల్గోరిథం : ఫౌన్దషన్స్ అండ్ థియరీ , MIT ప్రెస్ , కేంబ్రిడ్జి , MA.
  • వ్హిట్లేయ్ , D. (1994 ఏ జెనెటిక్ అల్గోరిథం ట్యుటోరియల్ . స్టాటిస్టిక్స్ అండ్ కంప్యూటింగ్ 4, 65–85.

వెలుపటి వలయము[మార్చు]

  • [1] గణ్యు అల్గోరిథం ద్వారా గ్లోబల్ కనిష్టం కోసం శోధన

బ్లాక్ ఊహను నిర్మించటానికి ప్రత్యామ్నాయం[మార్చు]

ఉపయోగాలు[మార్చు]

వనరులు[మార్చు]

  • DigitalBiology.NET GA/GP వనరుల కొరకు నిలువుగా శోధించే యంత్రం
  • జెనెటిక్ ఆల్గోరిథమ్స్ ఇండెక్స్ సైటు జన్యు ప్రోగ్రామింగు నోట్ పుస్తకం, జన్యు ఆల్గోరిథమ్స్ విభాగంలో వెబ్ పేజీలకు ఒక నిర్మాణాత్మక వనరుల సూచికను అందిస్తుంది.

టుటోరియల్స్(భోధనా స్థలాలు)[మార్చు]

గ్రంధాలయాలు[మార్చు]

  • ECJ, బాగా ప్రసిద్ది చెందిన Java ఎవల్యూషనరీ కంప్యుతేషన్ గ్రంధాలయాలు.
  • EvoJ, ఎవల్యూషనరీ కంప్యుతేషన్స్ కోసం తక్కువ బరువు కల మరియు పొడిగించటానికి వీలున్న Java ఫ్రేమ్ వర్క్.
  • EO, చాలా ప్రసిద్ది చెందిన C++ ఎవోల్యూషనరీ కంప్యుటేషన్ టూల్ కిట్.
  • ParadisEO, EO కి ఒక సమాంతర మరియు బహుళ విషయ పొడిగింపు.
  • Open BEAGLE, ప్రసిద్ది చెందిన ఇంకొక C++ ఎవోల్యూషనరీ కంప్యుటేషన్ టూల్ కిట్.
  • Demo applet of JOpt.SDK TSP's మరియు VRPTW సమస్యలను పరిష్కరించటానికి Java లేదా .NET కోసం ఒక ఎవల్యూషనరీ అల్గోరిథం సాఫ్ట్వేర్ గ్రంధాలయం
  • Evoptool ఎవల్యూటివ్ కంప్యూటేషన్ కోసం పలు జన్యు ఆల్గోరిథమ్స్ మరియు EDA లతో పాటు C++ లో వ్రాయబడ్డ గ్రంధాలయాల సమ్మేళనం మరియు ఒక ఫ్రేమ్ వర్క్.
  • Jenes జన్యు ఆల్గోరిథమ్స్ కొరకు ఆప్టిమైజ్ చెయ్యబడ్డ ఒక Java గ్రంధాలయం.
  • Pyevolve జన్యు ఆల్గోరిథమ్స్ కోసం ఒక పైథాన్ ఫ్రేమ్ వర్క్ .
  • రూబీ లో జన్యు ఆల్గోరిథమ్స్
  • GAlib జన్యు ఆల్గోరిథమ్స్ విషయాల యొక్క ఒక C++ గ్రంధాలయం
  • MOGAlib GALib C++ గ్రంధాలయానికి బహుళ విషయాల పొడిగింపు
  • GAEDALib GAlib లో ఉన్న ఎవోల్యూతివ్ ఆల్గోరిథమ్స్ యొక్క ఒక C++ గ్రంధాలయం (GAs, EDAs, DEs and others) , మరియు MOS మరియు సమాంతర కంప్యూటింగ్ ను సమర్ధించటం
  • Jenetics Java లో వ్రాయబడ్డ జన్యు అల్గోరిథం గ్రంధాలయం .
  • ga MATLAB లో జన్యు అల్గోరిథం (MATLAB లో ఉన్న GA ఎలా పనిచేస్తాది )
  • gamultiobj MATLAB లో బహుళ విషయాల జన్యు అల్గోరిథం
  • GARAGe C, GALLOPS లో మిచిగాన్ రాష్ట్ర విశ్వవిద్యాలయ అల్గోరిథం గ్రంధాలయం
  • GAOT మతలబ్ కొరకు by NCSU చే ఇవ్వబడ్డ జన్యు అల్గోరిథం ఆప్టిమైజేషన్ టూల్ బాక్స్ (GAOT)
  • JGAP జావా జెనెటిక్ ఆల్గోరిథమ్స్ ప్యాకేజీ ఫీచర్స్ కామ్ప్రిహేన్సివ్ యూనిట్ టెస్టులు
  • speedyGA మతలబ్ లో ఉన్న ఒక వేగమైన తక్కువ బరువు కల జన్యు అల్గోరిథం