மரபுசார் படிமுறைத் தீர்வு

கட்டற்ற கலைக்களஞ்சியமான விக்கிப்பீடியாவில் இருந்து.
தாவிச் செல்லவும்: வழிசெலுத்தல், தேடல்

மரபுசார் அல்காரிதம்(GA) எனப்படுவது ஏற்றதாக்குதல் மற்றும் தேடல் சிக்கல்களில் சரியான அல்லது தோராயமான தீர்வுகளைக் கணக்கிடுவதில் பயன்படுத்தப்படும் ஒரு தேடல் நுட்பமாகும். மரபுசார் அல்காரிதம்கள் பொதுவாக ஒட்டுமொத்த தேடல் கண்டுணர்வு விதி என்று வகைப்படுத்தப்படுகின்றன. மரபுசார் அல்காரிதம்கள் என்பவை 0}பாரம்பரியமான அல்காரிதம்களின் (EA) ஒரு குறிப்பிட்ட வகையாகும், இது பாரம்பரிய உயிரியலான மரபுசார் அடைதல், திடீர் மாற்றம், தேர்ந்தெடுத்தல் மற்றும் கிராஸ்ஓவர் போன்றவற்றின் தாக்கத்தைப் பெற்ற வகையாகும்.

வழிமுறை[தொகு]

ஒரு கேண்டிடேட் தீர்வின் (தனியுறுப்புகள், உயிரினங்கள், அல்லது தோற்றவமைப்புகள் என்று அழைக்கப்படுபவை) சுருக்க வெளிப்படுத்தல்களின் (குரோமோசோம்கள் அல்லது ஜீனோமின் உடைய ஜீனோடைப்) தொகுப்பை ஒரு கணினி உருவகப்படுத்தலில் மரபுசார் அல்காரிதம்கள் நடைமுறைப்படுத்தப்படுகின்றன. ஒரு ஏற்றதாக்குதல் சிக்கலுக்கு மேம்பட்ட தீர்வுகளைப் பெற பயன்படுத்தப்படுகின்றன. பாரம்பரியமாக, தீர்வுகள் 0க்கள் மற்றும் 1களைக் கொண்ட சரங்களாக ஈருறுப்பு (binary) வடிவில் வெளிப்படுத்தப்பட்டன, ஆனால் பிற குறியீட்டு முறைகளும் இதில் சாத்தியமாகும். பரிணாமமானது பொதுவாக சீரற்ற முறையில் உருவாகும் தனியுறுப்புகளாலும் தலைமுறைகளிலும் உருவாகிறது. ஒவ்வொரு தலைமுறையிலும், தொகுப்பில் உள்ள ஒவ்வொரு தனியுறுப்புகளின் தகுதியானது மதிப்பாய்வு செய்யப்படுகிறது, தற்போதைய தொகுப்பிலிருந்தும் ஒரு புதிய தொகுப்பை உருவாக்குவதற்காக மாற்றியமைக்கப்பட்டதில் இருந்தும் (மறுகுழுவாக்கப்பட்டவை மற்றும் சீரற்றமுறையில் தன்னியல்பு மாறியவை) ஒன்றுக்கு மேற்பட்ட தனியுறுப்புகள் சீரற்ற முறையில் தேர்ந்தெடுக்கப்படுகின்றன (அவற்றின் தகுதியின் அடிப்படையில்). புதிய தொகுப்பானது அல்காரிதத்தின் அடுத்த மீள்செய்கையில் பயன்படுத்தப்படுகிறது. பொதுவாக, அதிகபட்ச எண்ணிக்கையிலான தலைமுறைகள் உருவாக்கப்பட்டப் பின்னர் அல்லது ஒரு தொகுப்புக்கு திருப்திகரமான தகுதி நிலை அடையப்பட்ட பின்னர் அல்காரிதம் முடிவடையும். ஒரு அல்காரிதமானது அதிகபட்ச எண்ணிக்கையிலான தலைமுறைகளால் முடிவுற்றதானால், திருப்திகரமான தீர்வு எட்டப்பட்டிருக்கலாம் அல்லது எட்டப்படாமலும் இருக்கலாம்.

உயிரிதகவலியல், பரிணாம மரபுவழி, கணக்கீட்டு அறிவியல், பொறியியல், பொருளியல், வேதியியல், உற்பத்தி, கணிதவியல், இயற்பியல் மற்றும் பல துறைகளில் மரபுசார் அல்காரிதம்கள் பயன்படுகின்றன.

பொதுவான மரபுசார் அல்காரிதமுக்கு பின்வருபவை தேவை:

  1. தீர்வு களத்தின் ஒரு மரபுசார் வெளிப்படுத்தல்,
  2. தீர்வு களத்தை ஆராய்வதற்கான ஒரு தகுதி செயல்பாடு.

தீர்வைக் கூறுவதற்கான இயல்பான வெளிப்பாடு பிட்களின் அணிவரிசையாகும். வேறுவகையான அணிவரிசைகளும் அமைப்புகளும் இதே போன்று பயன்படுத்தப்படலாம். இந்த மரபுசார் வெளிப்படுத்தல்களை வசதியானதாக மாற்றும் முக்கியமான பண்பு என்னவென்றால் அவற்றின் பகுதிகள் அவற்றின் நிலையான அளவின் காரணமாக எளிதாக பொருந்துவதாகும், இதனால் எளிமையன பரிமாற்ற செயல்கள் நடக்கின்றன. மாறக்கூடிய நீளத்தில் வெளிப்படுத்தல்களும் பயன்படுத்தப்படலாம், ஆனால் பரிமாற்ற நடைமுறைப்படுத்தலானது அந்நிலையில் அதிக சிக்கலானதாக இருக்கலாம். மரம் போன்ற வெளிப்படுத்தல்கள் மரபுசார் நிரலாக்கத்திலும் வரைபட வெளிப்படுத்தல்கள் பரிணாமம்சார் நிரலாக்கத்திலும் பயன்படுத்தப்படுகின்றன.

தகுதிக்கான செயல்பாடானது மரபுசார் வெளிப்படுத்தலினால் வரையறுக்கப்படுகிறது மற்றும் வெளிப்படுத்தப்பட்ட தீர்வின் தரத்தை அளவிடுகிறது. தகுதிக்கான செயல்பாடானது எப்போதுமே சிக்கலைச் சார்ந்தது. எடுத்துக்காட்டாக, முதுகுபுற பை சிக்கல் என்பதில் ஒருவர் அந்த பையின் நிலையான கொள்ளளவுக்குள் வைக்கப்படும் பொருட்களில் அதிகபட்ச மதிப்பை பெற விரும்புவார். இதற்கான தீர்வின் வெளிப்பாடானது, பிட்களின் அணிவரிசையாக இருக்கலாம், அதில் ஒவ்வொரு பிட்டும் வெவ்வேறு ஆப்ஜெக்டையும் அதன் மதிப்பு (0 அல்லது 1) பொருள் பையில் இருக்கிறதா அல்லது இல்லையா என்பதைச் சார்ந்தும் வெளிப்படுத்தப்படுகிறது. இவற்றில் எல்லாவகையான வெளிப்பாடும் செல்லுவதாகாதும் ஏனெனில் பொருட்களின் அளவானது பையின் கொள்ளளவை விட அதிகமாக ஆகக்கூடும். தகுதிக்கான தீர்வானது, வெளிப்பாடு செல்லுபடியாகும்போது அந்த பையில் உள்ள எல்லா பொருட்களின் கூட்டுத்தொகையாக இருக்கும் அல்லது 0. சில சிக்கல்களில், தகுதிக்கான வெளிப்பாட்டை வரையறுப்பதும் கூட அதிக கடினமானதாகவோ அல்லது முடியாததாகவோ இருக்கக்கூடும்; இந்நிலைகளில், ஊடாடக்கூடிய மரபுசார் அல்காரிதம்கள் பயன்படுத்தப்படுகின்றன.

மரபுசார் வெளிப்பாடு மற்றும் தகுத்திக்கான செயல்பாடு ஆகியவை வரையறுக்கப்பட்டவுடன், GA ஆனது தீர்வுகளின் தொகுப்புகளை சீரற்ற முறையில் உருவாக்கத் தொடங்குகிறது, பின்னர் அவற்றை தொடர்ச்சியாக வளர்ச்சி, பரிமாற்றம், தலைகீழாக்கம் மற்றும் தேர்ந்தெடுத்தல் போன்ற செயலிகளைப் பயன்படுத்தி மேம்படுத்துகிறது.

தொடங்குதல்[தொகு]

தொடக்கத்தில் பல சீரற்ற முறையில் உருவாக்கப்பட்ட தீர்வுகள் பல தொடக்க நிலை தொகுப்பை ஏற்படுத்த உருவாக்கப்படுகின்றன. தொகுப்பின் அளவானது சிக்கலின் தன்மையைச் சார்ந்தது, ஆனால் பொதுவாக அது நூற்றுக்கணக்கான அல்லது ஆயிரக்கணக்கான சாத்தியமான தீர்வுகளைக் கொண்டிருக்கும்.பாரம்பரியமாக, தொகுப்பானது சீரற்ற முறையில் உருவாக்கப்பட்டது, இதில் சாத்தியமான தீர்வுகளின் முழு வரம்பும் (தேடல் வெளி ) பயன்படுத்தப்பட்டன. சிலநேரங்களில், தீர்வுகள் ஏற்ற தீர்வுகள் கிடைக்க வாய்ப்புள்ள இடங்களில் "வைக்கப்படுகின்றன".

தேர்ந்தெடுத்தல்[தொகு]

ஒவ்வொரு வெற்றிகரமான தலைமுறையில் இருந்தும், முன்பே உள்ள தொகுப்பிலிருந்து ஒரு குறிப்பிட்ட பகுதி அடுத்த புதிய தலைமுறைய உருவாக்குவதற்காக தேர்ந்தெடுக்கப்படுகிறது. தனியுறுப்பு தீர்வுகள் தகுதிசார்ந்த செயல்முறையின்போது தேர்ந்தெடுக்கப்படுகின்றன, அதில் பொருந்தும் தீர்வுகள் (ஒரு தகுதிக்கான செயல்பாடு இன் மூலம் தேர்ந்தெடுக்கப்படுபவை) பெரும்பாலும் அதிகமாக தேர்ந்தெடுக்கபடுகின்றன. சில தேர்வு முறைகள் ஒவ்வொரு தீர்வின் தகுதியையும் மதிப்பிடுகின்றன மற்றும் அவை சிறந்த தீர்வுகளைத் தேர்ந்தெடுக்கின்றன. மற்றவை தொகுப்பின் ஏதேனும் ஒரு மாதிரியை மட்டுமே மதிப்பிடுகின்றன, ஏனெனில் இந்த முறையானது அதிகம் நேரத்தை எடுத்துக்கொள்ளக்கூடும்.

பெரும்பாலான செயல்பாடுகளானவை சீரற்றவை மற்றும் அவற்றால் குறைவாக பொருந்திய தீர்வுகளின் சிறிய பகுதியே தேர்ந்தெடுக்கப்படுகின்றன. இதனால் தொகுப்பின் வேறுபாடுகள் அதிகமாக இருக்கிறது மற்றும் மோசமான தீர்வுகளை நோக்கி முன்னரே குவிக்கப்படுகிறது தடுக்கப்படுகிறது. பிரபலமான மற்றும் நன்றாக ஆராயப்பட்ட தேர்வு முறைகளாக ரவுலட் சக்கர தீர்வு மற்றும் டோர்னமண்ட் தேர்வு ஆகிய முறைகள் உள்ளன.

மீளுருவாக்கம்[தொகு]

அடுத்தபடியாவது, மேற்கூறியவாறு தேர்ந்தெடுக்கப்பட்டவைகளில் இருந்து இரண்டாம் தலைமுறை தீர்வுகளை, மரபுசார் செயலிகளான: பரிமாற்றம் (மறுஇணைவு என்றும் அழைக்கப்படுகிறது), மற்றும்/அல்லது திடீர்மாற்றம் போன்றவற்றின் மூலம் பெறுவதாகும்.

ஒவ்வொரு புதிய தீர்வும், முன்பே தேர்ந்தெடுக்கப்பட்ட சேர்க்கைகளான அதனுடைய "பெற்றோர்" தீர்வுகளிலிருந்து தேர்ந்தெடுக்கப்படுகின்றன. பரிமாற்றம் மற்றும் திடீர்மாற்றம் போன்ற மேற்கூறிய முறைகளின் மூலமாக உருவாக்கப்படும் "குழந்தை" தீர்வானது அதனுடைய "பெற்றோர்களின்" பண்புகளைப் பொதுவாகக் கொண்டிருக்கிறது. ஒவ்வொரு புதிய குழந்தைக்கும் புதிய பெற்றோர்கள் தேர்ந்தெடுக்கப்படுகின்றனர், மேலும் இந்த செயல்முறையானது புதிய தீர்வுகளின் தொகுப்பானது போதுமான சரியான அளவுக்கு வளரும் வரை தொடர்கிறது. "உயிரியலின் பாதிப்பில்" உருவான இரு பெற்றோர் மீளுருவாக்க முறைகள் பயன்பாட்டில் இருப்பினும், சமீபத்திய ஆய்வுகள் (Islam Abou El Ata 2006)[சான்று தேவை] இரண்டுக்கும் மேற்பட்ட "பெற்றோர்கள்" பயன்படுத்தப்பட்டால் நல்ல தரமான குரோமோசோம்கள் கிடைக்கும் என்றும் பரிந்துரைக்கின்றன.

இந்த செயல்முறைகளால் உருவாக்கப்படும் அடுத்த தலைமுறை குரோமோசோம்களின் தொகுப்பு நிச்சயமாக முந்தைய தலைமுறைகளை விடவும் வேறுபட்டதாக இருக்கும். பொதுவாக தொகுப்புக்கான சராசரி தகுதியானது, இந்த செயல்முறையால் அதிகமாக்கப்படுகிறது. ஏனெனில் முதல் தலைமுறையின் சிறந்த உயிரினங்களே அடுத்த தலைமுறையை உருவாக்க தேர்ந்தெடுக்கப்படுகின்றன, இவற்றுடன் மேலே கூறப்பட்ட காரணங்களுக்காக குறைவான அளவு பொருத்தமற்ற தேர்வுகளும் உண்டு.

முடிவுறுதல்[தொகு]

இந்த பொதுமைப்படுத்தல் செயல்முறையானது ஒரு முடிவுறுதல் நிலை எட்டப்படும் வரை மீண்டும் மீண்டும் செய்யப்படுகின்றன. பொதுவான முடிவுறுதல் நிலைகளாவன:

  • குறைந்தபட்ச தேர்வளவையை பூர்த்திசெய்யும் தீர்வு கண்டறியப்படுதல்
  • முடிவு செய்யப்பட்ட தலைமுறைகளின் எண்ணிக்கை எட்டப்படுதல்
  • ஒதுக்கப்பட்ட பட்ஜெட் (கணக்கீட்டு நேரம்/பணம்) எட்டப்படுதல்
  • தீர்வுகளின் அதிகபட்ச தரம் எட்டப்படுதல் அல்லது அவ்வாறான நிலைகளின் தொடர்ச்சியான மீள் நிகழ்வுகள் ஏற்படுதல், அதற்கு மேம்பட்ட முடிவுகள் பெறப்படாமை
  • கைமுறையான சோதனை
  • மேலே கூறப்பட்டவைகளின் சேர்க்கை

எளிய உருவாக்க மரபுசார் அல்காரிதம் சூடோகுறியீடு[தொகு]

  1. தனியுறுப்புகளைக் கொண்ட ஒரு தொடக்கநிலை தொகுப்பைக் கருதுக
  2. அந்த தொகுப்பில் உள்ள ஒவ்வொரு தனியுறுப்பின் தகுதியையும் மதிப்பாய்வு செய்யவும்
  3. இந்த உருவாக்கத்தை முடிவுறும் நிலை வரையும் தொடரவும்: (நேர வரம்பும், போதுமான தகுதி அடைதைல், முதலானவை)
    1. மீளுருவாக்கத்துக்கு மிகச் சரியாக பொருந்தும் தனியுறுப்புகளைத் தேர்ந்தெடுத்தல்
    2. புதிய தனியுறுப்புகளை பெருக்க பரிமாற்றம் மற்றும் திடீர்மாற்றம் போன்ற செயல்பாடுகளின் மூலமாக புதிய சந்ததியினரை உருவாக்குங்கள்
    3. புதிய தனியுறுப்புகளின் தகுதியை மதிப்பாய்வு செய்க
    4. குறைவாக பொருந்தும் தொகுதியை புதிய தனியுறுப்புகளைக் கொண்டு இடமாற்றம் செய்க

கவனிப்புகள்[தொகு]

மரபுசார் அல்காரிதமின் மூலமாக தீர்வுகளை உருவாக்குதல் தொடர்பாக பல பொதுவான கவனிப்புகளைச் செய்ய முடியும்:

  • தீவிரமான சிக்கல்களுக்கு தொடர்ச்சியான தகுதிக்கான செயல்பாட்டு மதிப்பாய்வானது மிகவும் சோர்வு தரக்கூடிய மற்றும் செயற்கை பரிணாம அல்காரிதம்களை வரம்புக்குட்படுத்துவதாகும். சிக்கலான பல பரிமாண, பல நிலை சிக்கல்களுக்கு ஏற்றதொரு தீர்வு கண்டறிவது பெரும்பாலும் மிக விலை அதிகமான தகுதிக்கான செயல்பாட்டு மதிப்பாய்வுகளை உள்ளடக்கியது.அன்றாட உலக சிக்கல்களான கட்டமைப்பு ஏற்றதாக்குதல் சிக்கல்கள் போன்றவற்றுக்கு, ஒரு செயல்பாட்டு மதிப்பாய்வுக்கு ஒரு சில மணிநேரங்கள் முதல் பல நாட்கள் வரை சிமுலேஷன் தேவைப்படும். பொதுவான ஏற்றதாக்குதல் முறையானது அவ்வகை சிக்கலைக் கையாள முடியாது. இந்நிலையில், துல்லியமான மதிப்பாய்வை முன்னரே செய்து பார்த்து விட்டு, பின்னர் தோராயமான தகுதிக்கான சோதனையை செய்ய வேண்டும், மேலும் அது கணக்கிடுதலுக்கு ஏற்றதாகவும் இருக்க வேண்டும். தீவிரமான அன்றாட வாழ்க்கை சிக்கல்களை EA ஐ பயன்படுத்தி தீர்ப்பதற்கு தோராய மாதிரிகளை ஒன்று சேர்த்தல் ஒரு சிறந்த வழி என்பது தெளிவாக தெரிகிறது.
  • "சிறப்பானது" என்பது மற்ற தீர்வுகளுடனான ஒப்பீட்டுடன் மட்டுமே கண்டறியப்படும். இதனால் முடித்தல் அளவை தெளிவாக இல்லை.
  • பல சிக்கல்களில், GAகள் ஒரு அக ஏற்றப் புள்ளி அல்லது தோராயமான புள்ளிகள் போன்றவற்றையும் கூட நோக்கி குவியக்கூடியவை, இந்நிலைகளில் அவை சிக்கலின் ஒட்டுமொத்த ஏற்றப்புள்ளியை அடைவதில்லை.இதன்பொருள் என்னவென்றால், அவற்றுக்கு குறுகிய கால தகுதியை இழந்து நீண்டகால தகுதியைப் பெறும் "வழி எது" எனத் தெரியவில்லை என்பதாகும்.இந்நிகழ்வு நடக்கும் வாய்ப்பானது தகுதிக்கான வரையறையின் வடிவத்தைச் சார்ந்திருக்கிறது: சில சிக்கல்கள் ஒட்டுமொத்த ஏற்ற நிலைக்கு எளிதாக குவியும், வேறு சில ஒரு அக ஏற்ற நிலையை நோக்கி செல்லும். வேறுபட்ட தகுதிக்கான செயல்பாடுகளைப் பயன்படுத்துவது, திடீர்மாற்றங்களின் வீதத்தை அதிகமாக்குவது அல்லது வேறுபட்ட தீர்வுகளின் தொகுப்பைப் பராமரிக்கும் தேர்ந்தெடுத்தல் நுட்பங்களைப் பயன்படுத்துவது போன்றவற்றின் மூலம் இந்த சிக்கலைத் தீர்க்கலாம். இந்த சிக்கலுக்கு பொதுவான தீர்வு எதுவுமில்லை என்று நிரூபிக்கும் இலவச மதிய உணவு இல்லை என்ற கொள்கையும் உண்மை எனினும் இவற்றை முயற்சிக்கலாம். வேறுபாட்டை கொண்டுவருவதற்கான பொதுவான நுட்பம் என்னவென்றால் "சிறிதளவு குறைபாடு" சேர்த்தலாகும், இதனால் போதுமான அளவு ஒற்றுமை (குறைபாடு ஆரம்) கொண்ட எந்தவொரு தனியுறுப்புகளின் தொகுதிக்கும் குறைபாடு சேர்க்கப்படும், இதனால் அந்த குழு அதற்குபிந்தைய தலைமுறைகளில் பிரதிநிதித்துவப்படுத்தப்படுவது குறையும், பிற (குறைவான ஒற்றுமை கொண்ட) தனியுறுப்புகள் தொகுப்பில் வைக்கப்படுவர். னாலும், சிக்கலின் அமைப்பைப் பொறுத்து இந்த யோசனை எல்லா நிலைகளிலும் பயன் தராமல் போகக்கூடும். வேறுபாடு என்பது மரபுசார் அல்காரிதத்தில் (மற்றும் மரபுசார் நிரலாக்கம்) முக்கியமானது, ஒரு ஒரேப்போன்ற தொகுதிக்குள் பரிமாற்றம் செய்வது புதிய தீர்வுகளைத் தருவதில்லை.பரிணாம நிரலாக்கம்பரிணாம செயல்திட்டங்கள் மற்றும் பரிணாம நிரலாக்கங்களில், வேறுபாடு முக்கியமானது அல்ல, ஏனெனில் திடீர்மாற்றத்தில் அதிகம் கவனம் செலுத்தப்படுகிறது.
  • டைனமிக் தரவு தொகுதிகளைச் செயல்படுத்துவது சற்று கடினமானது, ஏனெனில் ஜீனோம்கள் பிந்தைய தரவுக்கு செல்லுபடியாகாத தீர்வுகளை நோக்கி குவியத் தொடங்கும். ஏதேனும் வழியில் ஜெனடிக் வேறுபாட்டை அதிகப்படுத்துவது மற்றும் முந்தைய குவிதலைத் தடுத்தல் போன்றவற்றின் மூலம் இதை தடுப்பதற்கு பல முறைகள் பரிந்துரைக்கப்பட்டன. இதற்கு தீர்வின் தரம் குறைவடையும்போது திடீர்மாற்றத்தின் வாய்ப்புகளை அதிகப்படுத்துவது (தூண்டப்பட்ட மிகைதிடீர்மாற்றம் என்றழைக்கப்படுகிறது) அல்லது முழுமையாக புதிதாக, சீரற்ற முறையில் உருவாக்கப்பட்ட கூறுகளை ஜீன் தொகுதியில் அடிக்கடி அறிமுகப்படுத்துவது (சீரற்ற இடம்பெயர்வு என்றழைக்கப்படுகிறது) ஆகிய முறைகளைப் பயன்படுத்தலாம். மீண்டும், பரிணாம செயல்திட்டங்கள் மற்றும் பரிணாம நிரலாக்கம் ஆகியவை "கமா செயல்திட்டம்" என்றழைக்கப்படும் முறையின் மூலம் நடைமுறைப்படுத்தப்படுகின்றன, இதில் பெற்றோர் தொடர்ந்து பராமரிக்கப்படுவதில்லை மாறாக ஒவ்வொரு பெற்றோரும் புதிய சந்ததியிலிருந்து மட்டுமே தேர்ந்தெடுக்கப்படுகின்றனர். இது டைனமிக் சிக்கல்களில் அதிக செயல்திறன் கொண்டதாக இருக்கும்.
  • ஒரே ஒரு சரி/தவறு அளவீடுகளை (முடிவெடுத்தல் சிக்கல்கள் போன்றவை) மட்டுமே தகுதியாக்கல் அளவுகளைக் கொண்ட சிக்கல்களை GAக்கள் செயல்திறத்துடன் தீர்ப்பதில்லை, ஏனெனில் தீர்வை நோக்கி குவிவதற்கான வாய்ப்பு எதுவும் அதில் இருப்பதில்லை (கடினமானது எதுவுமே இல்லை). இவ்வாறான நிலைகளில், ஒரு சீரற்ற தேடலானது தீர்வை GA ஐப் போன்றே விரைவாக கண்டறியும். ஆனாலும் , அந்த சூழலானது வெற்றி/தோல்வி தொடரின் (சாத்தியமான) வேறுபட்ட முடிவுகளைத் தருவதற்கு அனுமதிக்கப்பட்டால், வெற்றிகளுக்கும் தோல்விகளுக்கும் இடையேயான விகிதமானது பொருத்தமான தகுதி அளவீட்டைத் தரும்.
  • தேர்ந்தெடுத்தல் நிச்சயமாக ஒரு முக்கியமான மரபுசார் செயலியாகும், ஆனால் கருத்து எனபது முக்கியத்துவம் பரிமாற்றம் மற்றும் திடீர்மாற்றம் ஆகியவற்றுக்கு இடையே பகிரப்பட்டுள்ளது. சிலர் பரிமாற்றம்தான் முக்கியமானது என்றும், திடீர்மாற்றம் என்பது சாத்தியமான முடிவுகள் இழக்கப்படாமல் இருப்பதை உறுதி செய்ய மட்டுமே பயன்படுகிறது என்றும் சிலர் கூறுகின்றனர். மற்றவர்கள், திடீர்மாற்றத்தின் விளைவுகளையே அதிக அளவில் சீரான தொகுப்புகளில் செய்யப்படும் பரிமாற்றம் நிகழ்த்துகிறது என்றும், சீரற்ற ஒரு தொகுப்பில் பரிமாற்றம் என்பது எப்போதுமே ஒரு மிகப்பெரிய திடீர்மாற்றத்தைப் போன்றதே என்றும் வாதாடுகின்றனர் (இது பெரும்பாலும் தீங்கு விளைவிக்கக்கூடியது). திடீர்மாற்றம் சார்ந்த தேடலை ஆதரிக்கும் பல சான்றுகளை Fogel (2006) இல் காணலாம், ஆனால் நோ ஃப்ரீ லஞ்ச் தேற்றத்தின் எல்லா சிக்கல்களிலும் அல்ல, எனவே ஒரு குறிப்பிட்ட சிக்கலுக்கு என்று விவாதம் கட்டுப்படுத்தப்படாவிட்டால் இந்த கருத்துகளுக்கு மதிப்பில்லை.
  • பெரும்பாலும், கடினமான தேடல் வெளிகளிலும் கூட, GAக்கள் விரைவாக நல்ல தீர்வுகளைக் கண்டறிகின்றன. இதுவே பரிணாம செயல்திட்டங்கள் மற்றும் பரிணாம நிரலாக்கம் ஆகியவற்றுக்கும் பொருந்தும்.
  • குறிப்பிட்ட ஏற்றதாக்குதல் சிக்கல்கள் மற்றும் சிக்கல் நேர்வுகளுக்கு, மரபுசார் அல்காரிதம்களை விடவும் பிற ஏற்றதாக்குதல் அல்காரிதம்கள் மேம்பட்ட தீர்வுகளை வழங்கக்கூடும் (ஒரே அளவிலான கணக்கீட்டு நேரம் தரப்படுதல் வேண்டும்). மாற்று மற்றும் நிரப்பு அல்காரிதம்களில் பரிணாம செயல்திட்டங்கள், பரிணாம நிரலாக்கம், மாதிரி உறுதிப்படுத்தல் (simulated annealing), காஸியன் தழுவல், மலையேறுதல், மற்றும் திரள் நுண்ணறிவு (எ.கா: எறும்பு காலனி ஆப்டிமைசேஷன், துகள் திரள் ஆப்டிமைசேஷன்) மற்றும் முழுஎண் நேரிய நிரலாக்கம் சார்ந்த முறைகள் ஆகியவை அடங்கியுள்ளன. எந்தவகை சிக்கல்கள் மரபுசார் அல்காரிதம்களுக்கு ஏற்றவை (அதாவது இந்த அல்காரிதம்கள் மற்றவற்றை விடவும் சிறந்தவை என்ற பொருளில்) என்ற கேள்வி திறந்த நிலையிலும் வாதத்துக்குரியதாகவும் இருக்கிறது.
  • தற்போதுள்ள எல்லா இயந்திர கற்றல் சிக்கல்களுக்கும், திடீர்மாற்றம் வாய்ப்பு, மீள்சேர்க்கை வாய்ப்பு மற்றும் தொகுப்பின் அளவு போன்ற அளவுருக்களைக் கணிசமான அளவு திருத்தி, சிக்கலின் கிளாஸில் பணிபுரிவதற்கு ஏற்ற அமைப்புகளைக் கண்டறியலாம். மிகச்சிறிய திடீர்மாற்ற வீதம் ஜெனடிக் இழுப்பை உருவாக்கும் (அது இயல்பில் நேர்மறை சீரற்றத்தன்மை (ergodic) அல்லாததாக இருக்கும்).மிக அதிகமான மீள் இணைவு வீதமானது, மரபுசார் அல்காரிதம் விரைவாக குவிய வாய்ப்பளிக்கும். சிறந்த தேர்ந்தெடுத்தல் இல்லாவிட்டால், மிக அதிகமான திடீர்மாற்ற வீதமானது நல்ல தீர்வுகள் இழக்கப்படுவதற்கு காரணமாகக்கூடும். இந்த அளவுருக்களுக்கு, கொள்கை ரீதியான மேல் மற்றும் கீழ் வரம்புகள் உள்ளன, ஆனால் அவை நடைமுறை ரீதியில் எதுவுமில்லை. இவை தேர்ந்தெடுத்தலுக்கு உதவக்கூடும்.
  • தகுதிக்கான செயல்பாட்டை நடைமுறைப்படுத்துவது மற்றும் மதிப்பாய்வு செய்வது அல்காரிதத்தின் வேகம் மற்றும் பயனுறுதன்மை ஆகியவற்றுக்கு மிகவும் முக்கியமானவையாகும்.

மாற்றுமுறைகள்[தொகு]

ஒரு மிக எளிய அல்காரிதமானது ஒவ்வொரு குரோமோசோமையும் ஒரு பிட் சரமாக வெளிப்படுத்தும். பொதுவாக, எண் அளவுருக்கள் முழு எண்கள் மூலமாக வெளிப்படுத்தப்படுகின்றன, தொடர்ந்து மாறும் புள்ளி வெளிப்படுத்தல்களைப் பயன்படுத்த முடியுமென்றாலும் இதுவே பயன்படுத்தப்படுகிறது. தொடர்ந்து மாறும் புள்ளி வெளிப்படுத்தல்கள் பரிணாம செயல்திட்டங்கள் மற்றும் பரிணாம நிரலாக்கங்கள் போன்றவற்றுக்கு இயல்பாக பொருந்தக்கூடியது. உண்மையான மதிப்புகளை மரபுசார் அல்காரிதம்கள் தருகின்றன என்ற கருத்து உண்டு, ஆனாலும் அது தவறானதே, ஏனெனில் 1970 களில் ஹாலந்தால் முன்மொழியப்பட்ட பில்டிக் பிளாக் தேற்றத்தை இது உண்மையில் வெளிப்படுத்துவதில்லை. இந்த தேற்றம் ஆதரவு ஏதுமின்றி, கொள்கை ரீதியான மற்றும் சோதனை முடிவுகளை (கீழே காணவும்) மட்டுமே அடிப்படையாக கொண்டவை. அடிப்படை அல்காரிதமாவது பரிமாற்றம் மற்றும் திடீர்மாற்றத்தை பிட் நிலையிலேயே செயல்படுத்துகின்றன. பிற மாற்றுருவங்களானவை, குரோமோசோம்களை ஒரு எண்களின் பட்டியலாகவே கருதுகின்றன. இந்த எண்கள் ஒரு வழிகாட்டுதல் அட்டவணையில் எண்களின் பட்டியலாகவோ, ஒரு இணைக்கப்பட்ட பட்டியலில் சந்திப்புப்புள்ளிகளாகவோ, ஹேஷ்களாகவோ, ஆப்ஜெக்ட்களாகவோ, அல்லது வேறு ஏதேனும் கற்பனை செய்யத்தக்க தரவு கட்டமைப்பாகவோ இருக்கலாம். தரவு உறுப்பு எல்லைகளை மதிக்கும் நோக்கோடு பரிமாற்றம் மற்றும் திடீர்மாற்றம் ஆகியவை செயல்படுத்தப்படுகின்றன. பெரும்பாலான தரவு வகைகளுக்கு, குறிப்பிட்ட மாற்றுருவ செயலிகளை வடிவமைக்கலாம். வெவ்வேறான சிக்கல் களங்களுக்கு வெவ்வேறு குரோமோசோமல் தரவு வகை சிறப்பாகவோ அல்லது மோசமாகவோ செயல்படக்கூடும்.

முழு எண்களின் பிட் சர வரிசை வெளிப்படுத்தல்கள் பயன்படுத்தப்பட்டால், பெரும்பாலும் கிரே கோடிங் பயன்படுத்தப்படுகிறது. இந்த வழியின் மூலமாக, முழு எண்ணில் ஏற்படும் எந்தவொரு சிறிய மாற்றமும், உடனடியாக பரிமாற்றங்கள் மற்றும் திடீர்மாற்றங்கள் ஆகியவற்றை பாதிக்கும். இதனால் ஹாம்மிங் சுவர்கள் என்னுமிடங்களில், முந்தையதாகவே குவிவது நிகழாமல் தடுக்கப்படுகிறது, இதில் ஒரு குரோமோசோமை மேம்பட்ட தீர்வுக்கு மாற்றுவதற்கு ஒரே நேரத்தில் பல திடீர்மாற்றங்கள் (அல்லது பரிமாற்ற நிகழ்வுகள்) நிச்சயம் நடக்க வேண்டும்.

பிற அணுகுமுறைகளில், குரோமோசோம்களை வெளிப்படுத்த பிட் சரங்களுக்கு பதிலாக மெய்மதிப்பைக் கொண்ட எண்களின் அணிவரிசை பயன்படுத்துவதும் அடங்கியுள்ளது. கொள்கையின்படி, அளவு குறைவாக இருக்கும்போது சிறப்பான செயல்திறன் கிடைக்கும், ஆனால் முரண்பாடு என்னவென்றால், மெய்மதிப்பு குரோமோசோம்களைப் பயன்படுத்தும்போதுதான் நல்ல முடிவுகள் கிடைக்கின்றன.

மிகவும் வெற்றிகரமான, பொதுநடைமுறையின் (ஓரளவுக்கு) மாற்றுவழி என்னவென்றால், ஒரு புதிய தொகுப்பை உருவாக்குவதற்கு தற்போதைய தலைமுறையின் சிறந்த உயிரிகளை அப்படியே மாற்றம் ஏதுமின்றி எடுத்து பயன்படுத்த அனுமதிப்பதுதான். இந்த திட்டத்துக்கு பெயரே சிறப்பானதை தேர்ந்தெடுத்தல் (elitist selection) என்பதாகும்.

மரபுசார் அல்காரிதம்களின் இணை நடைமுறைப்படுத்தல்கள் இரண்டு வகைகளில் வருகின்றன. பெரிய அளவிலான இணை மரபுசார் அல்காரிதம்களில் ஒவ்வொரு கணினி சந்திப்புப்புள்ளிகளும் அதன் வழியே தனியுறுப்புகள் நகர்ந்து செல்வதும் கருத்தில் கொள்ளப்படுகின்றன. நுணுக்கமான இணை மரபுசார் அல்காரிதம்களில் ஒவ்வொரு பிராசசர் சந்திப்பு புள்ளியிலும் ஒரு தனியுறுப்பு உருவகிக்கப்பட்டு, அது தேர்ந்தெடுத்தல் மற்றும் மீளுருவாக்கம் ஆகியவற்றுக்கு அதற்கு அருகிலுள்ள தனியுறுப்புகளுடன் செயல்படுகின்றன. ஆன்லைன் ஆப்டிமைசேஷன் சிக்கல்கள் போன்ற பிற மாற்றுருவங்களுக்கு, நேரம் சார்ந்த அல்லது தகுதியில் குறைபாடு ஆகியவை அறிமுகப்படுத்தப்படுகின்றன.

GA ஐ பிற ஆப்டிமைசேஷன் முறைகளுடன் இணைத்து பயன்படுத்துவது மிகவும் செயல்திறன் மிக்கதாகும். பொதுவாக நல்ல ஒட்டுமொத்த தீர்வுகளை கண்டறிவதற்கு GA சிறந்தது, மிகத்துல்லியமான ஏற்றநிலையைக் கண்டறிவதற்கு சில நேரங்களில் கடைசி சில திடீர்மாற்றங்களைக் கண்டறிவதற்கு போதுமான திறனற்றதாக இருக்கிறது. ஒரு குறிப்பிட்ட வரம்பில் மிகத்துல்லிய ஏற்றநிலைகளைக் கண்டறிவதற்கு பிற நுட்பங்கள் (ஹில் கிளைம்பிங் போன்றவை) அதிக செயல்திறன் மிக்கவையாக உள்ளன. GA மற்றும் ஹில் கிளைம்பிங் ஆகியவற்றை மாற்றி மாற்றி பயன்படுத்துவது சிறந்த முடிவுகளைத் தரும், ஹில் கிளைம்பிங்கின் கடினத்தன்மை குறைபாட்டை GA சரிசெய்துவிடும்.

இதன் பொருள் என்னவென்றால், ஜெனடிக் மாறுமாடுகளின் விதிகள் இயல்புநிலையில் வேறுபட்ட பொருள்களைக் கொண்டிருக்கும். எடுத்துக்காட்டாக - படிகள் தொடர்ச்சியான வரிசையில் சேகரிக்கப்பட்டிருந்தால் - பரிமாற்றத்தில் தாய்வழி டிஎன்ஏவின் படிகள் மற்றும் தந்தைவழி டிஎன்ஏவின் படிகள் ஆகியவற்றின் கூட்டுத்தொகையாக இருக்கக்கூடும். இது ஃபீனோடைபிக் சூழலில் உள்ள ஒரு முகடைப் பின்தொடரக்கூடிய வெக்டார்களைக் கூட்டுவதைப் போன்றதாகும். எனவே, இந்த செயல்முறையின் துல்லியம், அதன் எண்ணளவின் பல படிகளால் உயர்த்தப்படும். மேலும், தலைகீழி செயலியானது, படிகளைத் தலைகீழ் வரிசையில் வைப்பதற்கும் அல்லது வாழ்தல் அல்லது செயல்மிகுதன்மைக்காக வேறு ஏதேனும் பொருத்தமான வரிசையில் வைப்பதற்கும் வாய்ப்புண்டு. (ஒரு எடுத்துக்காட்டைக்[1] காணவும் அல்லது ஒரு பயணிக்கும் விற்பனையாளரின் சிக்கலைப் பார்க்கவும்.)

தொகுப்பு சார்ந்த கூடுதல் முறை கற்றல் என்பது ஒரு தொகுப்பின் தனித்தனி உறுப்பினர்களுக்கு பதிலாக மொத்தமாக தொகுப்பே பெறப்படும் ஒரு மாற்றுமுறையாகும்.

சிக்கல் களங்கள்[தொகு]

மரபுசார் அல்காரிதத்தால் குறிப்பாக தீர்வு பெறக்கூடிய சிக்கல்களில் கால அட்டவணையிடல் மற்றும் நேரத் திட்டமிடல் சிக்கல்கள் ஆகியவை அடங்கும், மற்றும் பல திட்டமிடல் மென்பொருள் தொகுப்புகள் GAக்களை அடிப்படையாக கொண்டவை. GAக்கள் பொறியியல் துறையிலும் பயன்படுத்தப்படுகின்றன. மரபுசார் அல்காரிதம்கள் பொதுவாக ஒட்டுமொத்த ஆப்டிமைசேஷன் சிக்கல்களைத் தீர்ப்பதற்கான ஒரு அணுகுமுறையாகப் பயன்படுத்தப்படுகின்றன.

ஒரு எளிமையான விதியாக, மறு இணைவு போன்ற சிக்கலான தகுதிச்சூழல்கள் காணப்படும் சிக்கல் களங்களில் மரபுசார் அல்காரிதம்கள் பயன்படக்கூடும். இதில் ஒரு அக ஏற்ற நிலையிலிருந்து தொகுப்பை நகர்த்திச்செல்லும் வசதி உள்ளது, இதிலேதான் பாரம்பரியமான ஹில் கிளைம்பிங் அல்காரிதம் தோல்வியடையக்கூடும்.

வரலாறு[தொகு]

பரிணாமம் சார்ந்த கணினி மாதிரி அமைப்புகள் 1954 ஆம் ஆண்டு தொடக்கத்திலேயே நில்ஸ் ஆல் பாரிசெல்லியின் காலத்திலேயே தொடங்கியது, அவர் நியூ ஜெர்சியின் பிரின்சிடனில் உள்ள இண்ஸ்டிட்யூட் ஆஃப் அட்வான்ஸ்ட் ஸ்டடி என்னுமிடத்தில் இருந்த கணினியைப் பயன்படுத்தி வந்தார்.[2][3] அவருடைய 1954 ஆம் ஆண்டு வெளியீடு பரவலாக கவனத்தை ஈர்க்கவில்லை. 1957 ஆம் ஆண்டு முதல்,[4] ஆஸ்திரேலிய கணக்கீட்டு ஜெனடிக்டிஸ்ட்டான அலெக்ஸ் ஃப்ராஸர் ஒன்றுக்கு மேற்பட்ட இடங்களில் அளவிடக்கூடிய பண்புக்கூறுகளுடன் உயிரினங்களில் செயற்கை தேர்வு சிமுலேஷன் தொடர்பான பல ஆய்வுக்கட்டுரைகளை வெளியிட்டார். இவ்வகை தொடக்கங்களிலிருந்து, 1960 களில் பரிணாமத்தை கணினி வழி மாதிரிகளின் மூலம் வெளிப்படுத்துவது உயிரியல் வல்லுநர்களிடையே பொதுவாக காணப்பட்டது, மேலும் இந்த முறைகளாவன ஃபிராஸர் மற்றும் பர்னல் (1970)[5] மற்றும் கிராஸ்பை (1973) ஆகியோரின் புத்தகங்களில் விளக்கப்பட்டுள்ளன.[6] ஃப்ராஸரின் மாதிரி அமைப்புகளில் நவீனகால மரபுசார் அல்காரிதம்களின் அனைத்து முக்கிய கூறுகளும் அடங்கியிருந்தன. மேலும், ஹன்ஸ் ப்ரெமர்மன் என்பவரும் 1960களில் தொடர்ந்து ஆய்வுக்கட்டுரைகளை வெளியிட்டார். அவையும் ஆப்டிமைசேஷன் சிக்கல்களுக்கு தொகுப்பாக்குதல் தீர்வுகளை முன்வைத்தன மற்றும் மறுஇணைவுக்கு உட்படுதல், திடீர்மாற்றம் மற்றும் தேர்ந்தெடுத்தல் போன்றவையும் விளக்கப்பட்டன. நவீனகால மரபுசார் அல்காரிதம்களின் கூறுகளையும் ப்ரெமர்மேனின் ஆய்வுகள் உள்ளடக்கியிருந்தன. பிற கவனிக்கத்தக்க ஆரம்பநிலை முன்னோடிகள் ரிச்சர்ட் ப்ரைட்பெர்க், ஜார்ஜ் ப்ரைட்மேன் மற்றும் மைக்கேல் கோன்ராட் போன்றோர் ஆவர். பல ஆரம்பநிலை ஆய்வுக்கட்டுரைகள் Fogel (1998) ஆல் மறுபதிப்பு செய்யப்பட்டன.[7]

பாரிசெல்லி 1963 இல் செயல்முறையாக ஒரு எளிய விளையாட்டை ஆடும் திறனை மாதிரியாக்கம் செய்திருந்தாலும்,[8] செயற்கை பரிணாமம் என்பது பரவலாக அறியப்பட்ட ஆப்டிமைசேஷன் முறையாக மாறியது இங்கோ ரெச்சன்பர்க் மற்றும் ஹன்ஸ்-பால்-ஸ்வெஃபல் ஆகியோர் 1960கள் மற்றும் 1970களின் தொடக்கத்தில் செய்த பணிகளால்தான் - ரெச்சன்பர்கின் குழுவால் பரிணாம செயல்திட்டங்களின் மூலமாக சிக்கலான பொறியியல் சிக்கல்களைத் தீர்க்க முடிந்தது.[9][10][11][12] லாரன்ஸ் ஜே.ஃபோகலின் மற்றும் ஒரு அணுகுமுறையானது பரிணாமம் சார்ந்த நிரலாக்க நுட்பமாகும், இது செயற்கை நுண்ணறிவை (artificial intelligence) உருவாக்குவதற்கு முன்மொழியப்பட்டது. சூழ்நிலையைக் கணிக்க நிலை எந்திரங்களையும் கணிக்கத்தக்க தர்க்கங்களை ஏற்றதாக்க மாற்றங்கள் மற்றும் தேர்ந்தெடுத்தலையும் பரிணாமம் சார்ந்த நிரலாக்கம் உண்மையில் பயன்படுத்தியது. 1970 களின் ஆரம்பக்கட்டத்தில் ஜான் ஹாலண்டின் பணிகளாலேயே மரபுசார் அல்காரிதம்கள் பிரபலமடைந்தன, குறிப்பாக அவரது புத்தகமான Adaptation in Natural and Artificial Systems (1975) அதிகம் பிரபலப்படுத்தியது. ஹாலண்டும் அவருடைய மாணவர்களும் இணைந்து மிக்சிகன் பல்கலைக்கழகத்தில் நடத்திய செல்லுலர் ஆட்டோமாட்டாவில் அவரது பணித் தொடங்கியது. அடுத்த தலைமுறையின் தரத்தை கணிக்க ஹாலண்ட் ஒரு முறையான கட்டமைப்பை அறிமுகப்படுத்தினார், அது ஹாலண்டின் திட்ட கொள்கை (Holland's Schema Theorem) என்றழைக்கப்படுகிறது. 1980 களின் மத்தியப்பகுதி வரையிலும் GA தொடர்பான ஆய்வுகள் பெரும்பாலும் கொள்கை அளவிலேயே இருந்தன, அப்போது பென்சில்வேனியாவின் பிட்ஸ்பர்கில் மரபுசார் அல்காரிதத்துக்கான முதல் சர்வதேச கலந்தாய்வு நடத்தப்பட்டது.

கல்விரீதியான ஆர்வங்கள் வளரத் தொடங்கியதும், டெஸ்க்டாப் கணினிகளில் மிகப்பெரிய கணக்கிடும் திறனானது, இந்த புதிய முறையை நடைமுறை பயன்பாடுகளுக்கு பயன்படுத்த வாய்ப்புகள் கிடைத்தன. 1980களின் பிற்பகுதியில், உலகின் அதிவேகமான மரபுசார் அல்காரித தயாரிப்பான, மெயின்ஃபிரேம் சார்ந்த டூல்கிட்டை General Electric நிறுவனம் விற்கத் தொடங்கியது, அது தொழிற்துறை செயல்முறைகளுக்கு உதவியது. 1989 இல், Axcelis, Inc. நிறுவனம், உலகின் இரண்டாவது GA தயாரிப்பும் முதல் டெஸ்க்டாப் கணினிக்கான தயாரிப்புமான எவால்வர் என்ற தயாரிப்பை வெளியிட்டது. 1990 இல் தி நியூயார்க் டைம்ஸ் இன் தொழில்நுட்ப எழுத்தாளர் ஜான் மார்காஃப் wrote[13] எவால்வரைப் பற்றி எழுதினார்.

தொடர்புடைய நுட்பங்கள்[தொகு]

  • எறும்பு காலனி ஆப்டிமைசேஷன் (ACO) என்பதில் ஒரு தீர்வு வெளியில் பல எறும்புகள் (ஏஜென்ட்கள்) பரவி அந்த பகுதியில் உற்பத்தி அதிகமான பகுதி கண்டறியப்படுகிறது. மரபுசார் அல்காரிதம்களை விட பொதுவாக குறைந்த திறனுடைய மற்றும் அக தேடலின் பிற வடிவங்கள், ஒட்டுமொத்த அல்லது சமீபத்திய பார்வை கிடைக்காத இடங்களிலும் இதனால் தீர்வுகளை த் தர முடியும், இதனால் இச்சூழல்களில் பிற முறைகளைப் பயன்படுத்த முடியாது.[சான்று தேவை]
  • பாக்டீரியோலாஜிக் அல்காரிதம்கள் (BA) பரிணாம சூழியல் மற்றும், இன்னும் குறிப்பாக, பாக்டீரியாலாஜிக் ஏற்பைச் சார்ந்தது. பரிணாம சூழியல் என்பது வாழும் உயிரினங்களைப் பற்றி அவற்றின் சூழலைச் சார்ந்து படிப்பதாகும், இதன் நோக்கம் அவை எவ்வாறு சூழலுடன் ஒத்து போகின்றன என்று அறிவதாகும். ஒரு பலப்படித்தான சூழ்நிலையில், முழு சூழலுடனும் ஒத்துப்போகும் ஒரே ஒரு தனியுயிரியைக் கண்டறிய முடியாது என்பது அடிப்படைக் கருத்தாகும். எனவே, தொகுதி நிலையிலேயே நாம் கண்டறிய வேண்டும். சிக்கலான நிலைப்படுத்தல் தொடர்பான சிக்கல்கள் (செல்போன்களுக்கான ஆண்டெனாக்கள், புறநகர்ப்பகுதி திட்டமிடல் போன்றவை) அல்லது தரவு அகழ்வு போன்றவற்றுக்கு BAக்கள் GAகளை விட மேம்பட்ட முடிவுகளைத் தந்தன.[14]
  • கிராஸ்-என்ட்ரோபி முறை கிராஸ்-என்ட்ரோபி முறை (CE) என்பது அளவுருக்களால் ஆக்கப்பட்ட நிகழ்தரவு பரவலின் அடிப்படையில் தீர்வுகளை உருவாக்குகிறது. கிராஸ்-என்ட்ரோபி குறைவுப்படுத்தலின்படி அளவுருக்கள் புதுப்பிக்கப்படுகின்றன, இதனால் அடுத்த மீள்நிகழ்வில் மேம்பட்ட மாதிரிகள் கிடைக்கும்.
  • கல்ச்சுரல் அல்காரிதம் (CA) என்பது மரபுசார் அல்காரிதத்தைப் போன்றே தொகுப்பு கருத்துக்களைக் கொண்டதாகும், கூடுதலாக, ஒரு அறிவு உறுப்பான நம்பிக்கை வெளியும் இதில் உண்டு.
  • பரிணாம செயல்திட்டங்கள் (ES, ரெச்சன்பர்க், 1994 ஐக் காண்க) என்பதில் திடீர்மாற்றங்கள் மற்றும் இடைநிலை மற்றும் முழுதும் வேறுப்பட்ட மறுஇணைவின் மூலமாக தனியுறுப்புகளை உருவாக்குவது அடங்கியுள்ளது.ES அல்காரிதம்கள் மெய்-மதிப்பு டொமைனில் சிக்கல்களைத் தீர்ப்பதற்காக வடிவமைக்கப்பட்டவை. அவை தேடலின் கட்டுப்பாட்டு அளவுருக்களைச் சரிசெய்ய சுய-ஏற்பைப் பயன்படுத்துகின்றன.
  • பரிணாமம் சார்ந்த நிரலாக்கம் (EP) என்பதில் முதன்மை திடீர்மாற்றம் மற்றும் தேர்ந்தெடுத்தல் மற்றும் தோராயமான வெளிப்படுத்தல் ஆகியவற்றினால் பெறப்பட்ட தீர்வுகளின் தொகுப்பு அடங்கியுள்ளது. அளவுருக்களைச் சரிசெய்ய அவை சுய-ஏற்பைப் பயன்படுத்துகின்றன, மற்றும் பல்வேறு பெற்றோர்களிடமிருந்து இணைவு தகவல் போன்ற மாற்றுதல் செயல்களும் அடங்கியிருக்கும்.
  • வெளிப்புற ஆப்டிமைசேஷன் (EO) தீர்வுகளின் தொகுப்புகளைச் சார்ந்து இயங்கும் GAக்களைப் போலன்றி, EO இல் ஒற்றைத் தீர்வும் மோசமான உறுப்புகளுக்கு அக மாறுதல்களும் அடங்கியுள்ளன. இதற்கு ஒரு பொருத்தமான வெளிப்படுத்தல் தேர்ந்தெடுக்கப்பட வேண்டும், அது ஒரு தர அளவீடாக ("தகுதி") அமையக்கூடிய தனி தீர்வுகளை அனுமதிக்கக் கூடியதாக இருக்க வேண்டும். இந்த அல்காரிதத்தை நிர்வகிக்கும் தத்துவமானது, தரம் குறைந்த உறுப்புகளை தேர்ந்தெடுத்து நீக்குவது மற்றும் அவற்றை தோராயமாக தேர்ந்தெடுத்த உறுப்புகளால் பதிலீடு செய்வது என்ற எதிர்பாராத (emergent) வளர்ச்சி என்பதாகும். இது GA விலும் தீர்மான ரீதியாக நிகழ்கிறது, அதில் மேம்பட்ட தீர்வுகளை பெறும் முயற்சியாக நல்ல தீர்வுகள் தேர்ந்தெடுக்கப்படும்.
  • காஸியன் ஏற்பு (இயல்பான அல்லது சாதாரணமான ஏற்பு, GA உடனான குழப்பத்தைத் தவிர்ப்பதற்காக NA என்று சுருக்கமாக அழைக்கப்படுகிறது) என்பது சிக்னல் பிராசசிங் சிஸ்டம்களுக்கு அதிகபட்ச உற்பத்தியைப் பெறுவதை நோக்கமாக கொண்டது. இதனை சாதாரண அளவுரு சார்ந்த ஆப்டிமைசேஷனுக்கும் இது பயன்படுத்தப்படலாம். ஏற்பு மற்றும் அனைத்து காஸியன் பரவல்களின் அனைத்து பிரிவுகளுக்கும் செல்லுபடியாகும் ஒரு கொள்கையை இது சார்ந்தது. NA இன் பயன்படும் தன்மை தகவல் கொள்கை மற்றும் பயனுறுதிறனைச் சார்ந்த கொள்கை ஆகியவற்றைச் சார்ந்தது. அதன் பயனுறும்தன்மை என்பது தகவலை, தகவலைப் பெறுவதற்கு தேவையான வேலையால் வகுப்பதால் பெறப்படுகிறது.[15] ஏனெனில், தனியுறுப்புகளின் தகுதியை விட சராசரி தகுதியை NA மேம்படுத்துகிறது, அதன் வெளிப்பாடானது மேம்பட்ட புள்ளிகளுக்கு இடையேயான குறைந்த மதிப்புகள் மறைந்துவிடுகின்றன. எனவே தகுதி வெளிப்பாட்டில், அக உச்ச மதிப்புகளைத் தவிர்க்க குறிப்பிட்ட “இலக்கை” கொண்டுள்ளது. நிகழ்வு அணியை ஏற்பதன் மூலம் NA என்பது குத்தான சிகரங்களை எட்டவும் சிறந்தது, ஏனெனில் NA காஸியனின் (சராசரி தகவல்) குறைபாட்டை அதிகப்படுத்துவதோடு சராசரி தகுதியையும் மாறாமல் வைத்திருக்கிறது.
  • குழுசேர்தல் மரபுசார் அல்காரிதம் (GGA) என்பது GA வின் ஒரு வளர்ச்சிநிலையே ஆகும், இதில் தனித்தனியான உறுப்புகளுக்கு பதிலாக, பாரம்பரிய GAக்களைப் போன்று, உறுப்புகளின் குழுக்கள் அல்லது துணைத்தொகுதிகளுக்கு கவனம் மாற்றப்படும்.[16] இந்த GA பரிணாமத்துக்கு பின்னால் உள்ள யோசனையானது இம்மானுவல் ஃபாலெனவுர் என்பவரால் முன்வைக்கப்பட்டது, அதாவது தீவிரமான சிக்கல்களைத் தீர்த்தல், தொகுப்பாக்கல் அல்லது பிரித்தல் சிக்கல்கள் என்றும் அழைக்கப்படுகிறது. இதில் உருப்படிகளின் தொகுதியானது ஏற்கப்பட்ட பிரிக்கப்பட்ட உருப்படிகளின் குழுக்களாக வகைப்படுத்தப்படுகிறது, குழுக்களின் பண்புகளில் மேம்பாடு இதனால் அடையப்படுகிறது. இவை குழுக்களின் உருப்படிகளின் ஜீன்களுக்கு ஒப்பானது. இந்த வகை சிக்கல்களில் பின் பேக்கேஜிங், லைன் பேலன்சிங், தொலைவின் அடிப்படையில் தொகுப்பாக்குதல், ஈக்வல் பைல்ஸ் போன்றவை அடங்கும், இவற்றில் பாரம்பரியமான GAக்கள் நன்றாக செயல்படவில்லை என்பது நிரூபிக்கபட்டுள்ளது. ஜீன்களை குழுக்களுக்கு சமமானதாக வைப்பதன் மூலம், பொதுவாக வேறுப்பட்ட அளவுகளைக் கொண்ட குரோமோசோம்கள் கிடைக்கும். மேலும் சிறப்பு ஜெனடிக் செயலிகள் ஒரு குழுவான உருப்படிகளின் மீது செயல்படுத்தப்படும். குறிப்பாக பின் பேக்கேஜிங்குக்கு GGA ஆனது மார்டெல்லோ மற்றும் டோத்தின் டோமினன்ஸ் கிரைட்டேரியன் என்பதுடன் கலந்து பயன்படுத்தப்படுகிறது, இதுவே இதுநாள் வரையிலும் இருப்பதில் சிறந்த நுட்பமாகும்.
  • ஹார்மனி தேடல் (HS) என்பது இசைக்கலைஞர்களின் நடத்தைகளை மேம்படுத்தல் செயல்முறையில் பயன்படுத்தும் ஒரு அல்காரிதமாகும்.
  • ஊடாடக்கூடிய பரிணாம அல்காரிதம்கள் என்பவை மனித மதிப்பாய்வைப் பயன்படுத்தக் கூடிய ஒரு பரிணாம அல்காரிதமாகும். ஒரு கணக்கீட்டு தகுதி செயல்பாட்டை வடிவமைப்பது சிக்கல் நிறைந்த களங்களில் இது பொதுவாக பயன்படுத்தப்படுகிறது, எடுத்துக்காட்டாக, வந்துகொண்டிருக்கும் படங்கள், இசை, கலை வடிவங்கள் மற்றும் பயனர்களின் கலை விருப்பத்தைப் பூர்த்தி செய்யும் வடிவங்கள் போன்றவையாகும்.
  • மரபு அல்காரிதம் (MA), கலவையான ஜெனடிக் அல்காரிதம் என்றும் அழைக்கப்படுகிறது, மற்றவற்றை விட புதிய பரிணாம முறையான இதில் பரிணாம சுழற்சிய அகத் தேடல் பயன்படுத்தப்படுகிறது. மரபு அல்காரிதம் என்பதானது மரபுகள் என்பதலிருந்து வந்தவையாகும், ஜீன்களைப் போலன்றி அவையே அவற்றைப் பயன்படுத்தக்கூடும். சில சிக்கல் பகுதிகளில் வழக்கமான பரிணாம அல்காரிதம்களை விட சிறப்பானதாக இவை இருக்கின்றன.
  • ரியாக்டிவ் தேடல் ஆப்டிமைசேஷன் (RSO) என்பது துணை உருவக இயந்திர கற்றல் நுட்பங்களை தேடல் பொதுப்பண்புகளுடன் இணைத்து ஆப்டிமைசேஷன் சிக்கல்களுக்கு ஒருங்கிணைப்பதைப் பரிந்துரைக்கிறது. ரியாக்டிவ் என்ற சொல்லானது, தேடலின்போது ஏற்படும் நிகழ்வுகளுக்கு ஒரு அக ஆன்லைன் பின்னூட்ட சுழற்சி மூலமாக தயாரான பதில்களை வழங்குவதைக் குறிப்பிடுகிறது. இது தானாக சரிசெய்து கொள்ளக்கூடிய முக்கிய அளவுருக்களுக்கு பொருந்தும். ரியாக்டிவ் தேடலுக்கு, இயந்திர கற்றல் மற்றும் புள்ளிவிவரங்கள், குறிப்பாக மறு உறுதிப்படுத்தல் கல்வி, செயல்வழி அல்லது வினாவழி கற்றல், நியூரல் நெட்வொர்க்குகள் மற்றும் மெடா-பொதுமைப்படுத்தல் ஆகிய முறைகளும் உதவக்கூடும்.
  • காட்சிப்படுத்தப்பட்ட உறுதிப்படுத்தல் (Simulated annealing) (SA) என்பது தொடர்புடைய ஒரு ஒட்டுமொத்த ஆப்டிமைசேஷன் நுட்பமாகும், இதில் தேடல் வெளியானது ஒரு தனித்த தீர்வின்மேல் சீரற்ற திடீர்மாற்றங்கள் சோதிக்கப்படும். தகுதியை அதிகரிக்கும் திடீர்மாற்றம் எப்போதும் ஏற்றுக்கொள்ளப்படும். தகுதியைக் குறைக்கும் ஒரு திடீர்மாற்றமானது, தகுதி மற்றும் குறையும் வெப்பநிலை ஆகியவை சார்ந்த நிகழ்தகவு விதியின்படி ஏற்றுக்கொள்ளப்படும். SA இன் இயல்பான மொழியில், அதிகபட்ச தகுதிக்கு பதிலாக குறைந்தபட்ச சக்தியை ஒருவர் தேடுகிறார். SA ஐ ஒரு இயல்பான GA அல்காரிதமுக்கு உள்ளும் பயன்படுத்தலாம், அதற்கு ஓரளவு அதிக வீதத்தில் திடீர்மாற்றத்தையும் தரப்பட்ட நேரத்தில் குறைக்கவும் வேண்டும்.
  • தபு தேடல் (Tabu search) (TS) என்பது காட்சிப்படுத்தப்பட்ட உறுதிப்படுத்தலைப் போன்றதே ஆகும், இதில் இரண்டு கிடைநிலைகளும் ஒரு தனித்த தீர்வின் திடீர்மாற்றங்களை தீர்வு வெளியில் சோதிப்பது அடங்கியுள்ளது. காட்சிப்படுத்தப்பட்ட உறுதிப்படுத்தலானது ஒரே ஒரு திடீர்மாற்ற தீர்வை உருவாக்குகிறது, தபு தேடலானது பல திடீர்மாற்ற தீர்வுகளை உருவாக்குகிறது மற்றும் அவற்றிலிருந்து உருவாக்கப்பட்ட குறைவான சக்தியுடன் தீர்வை நோக்கி நகர்கிறது. சுழற்சியைத் தவிர்க்கவும், தீர்வு வெளியில் அதிகபட்ச நகர்வை ஊக்குவிக்கவும், ஒரு தபு பட்டியல் பராமரிக்கப்படுகிறது, அதில் பகுதி மற்றும் முழுமையான தீர்வுகள் இருக்கும். தபு பட்டியலின் உறுப்புகளைக் கொண்ட ஒரு தீர்வை நகர்த்துவது தடை செய்யப்பட்டுள்ளது, அந்த பட்டியலானது தீர்விலிருந்து தீர்வு வெளிக்கு புதுப்பிக்கப்படுகிறது.

கட்டுமான தொகுதி கருதுகோள் (Building block hypothesis)[தொகு]

மரபுசார் அல்காரிதம்கள் பொதுவாக பயன்படுத்த எளிமையானவை, ஆனால் அவற்றை புரிந்து கொள்வது கடினம். குறிப்பாக அவை எப்போதுமே அதிக தகுதியுடன் தீர்வுகளை உருவாக்குவதில் வெற்றிகரமாக இருப்பதைப் புரிந்துகொள்வது கடினம். கட்டுமான தொகுதி கருதுகோளில் (BBH) பின்வருபவை உள்ளன:

  1. ஒரு மாதிரி ஒப்பு வழிமுறையின் விளக்கம், இந்த வழிமுறையானது "கட்டுமான தொகுதிகளை" மீள் இணைப்பதன் மூலம் ஏற்பதாக இருக்க வேண்டும், அதாவது, சராசரி தகுதிக்கு மேலாக குறைந்த ஆர்டர், குறைவான வரையறுத்தல் நீள திட்டம்.
  2. இந்த மாதிரி ஒப்பு வழிமுறையை மரபுசார் அல்காரிதமானது சிறப்பாக ஏற்கவும் சிறப்பாக நடைமுறைப்படுத்துவதாகவும் ஒரு கருதுகோள்.

(Goldberg 1989:41) என்பவர் மாதிரி ஒப்பு வழிமுறையை பின்வருமாறு விவரிக்கிறார்:

சுருக்கமான, குறைந்த ஆர்டர் மற்றும் மிகவும் பொருந்தக்கூடிய திட்டம் ஆகியவை சாம்பிள் செய்யப்படுகின்றன, மறுஇணைவு செய்யப்படுகின்றன [பரிமாற்றப்படுகின்றன], மற்றும் சாத்தியமான கூடுதல் தகுதிக்காக மறு சாம்பிள் செய்யப்படுகின்றன. இந்த குறிப்பிட்ட வகை திட்டத்துடன் [கட்டுமான தொகுதிகள்] பணிபுரிவதன் மூலம், நம்முடைய சிக்கலின் தீவிரத்தன்மையை நாம் குறைத்துள்ளோம்; மாற்றாக கருதக்கூடிய ஒவ்வொரு இணைவுக்கும் அதிக செயல் திறனுள்ள சரங்களைக் கட்டமைக்கிறோம், கடந்த சாம்பிளிங்குகளின் சிறந்த பகுதி தீர்வுகளிலிருந்து மென்மேலும் மேம்பட்ட சரங்களை உருவாக்குகிறோம்.
மகவு தீர்வுகளே எளிமையான மரத் தொகுதிகளால் [கட்டுமான தொகுதி] சிறந்த கோட்டையைக் கட்டமைக்கும்போது, ஒரு மரபுசார் அல்காரிதமானது குறுகிய, குறைந்த ஆர்டர், அதிக செயல்திறன் திட்டம் அல்லது கட்டுமான தொகுதிகளின் மூலமாக கிட்டத்தட்ட சிறந்த தீர்வை அடைய முடிகிறது.

(Goldberg 1989) ஹாலண்டின் திட்ட கொள்கையினால் கட்டுமான தொகுதி கருதுகோள் ஆதரிக்கப்படுகிறது என்கிறார்.

கொள்கை ரீதியான நியாயத்தன்மை குறித்து கட்டுமான தொகுதி கருதுகோளானது பல விமர்சனங்களுக்கு ஆளானது மேலும் வெளியிடப்பட்ட பரிசோதனை முடிவுகள் இதன் உண்மைத்தன்மையைப் பற்றி கேள்வி எழுப்பின. கொள்கை ரீதியாக, எடுத்துக்காட்டாக, ரைட்டும் மற்றவர்களும் கூறுவது

"GAக்களைப் பற்றி செய்யப்பட்ட பல்வேறு விதமான உறுதிகள் பாரம்பரியமாக கட்டுமான தொகுதி கருதுகோள் என்ற பெயரின் கீழே செய்யப்பட்டன, மேலும் அவை தற்போது கொள்கை ரீதியாக அடிப்படை அற்றவை மற்றும் சில நேரங்களில் பொருத்தமே இல்லாதவை"[17]

சோதனை அடிப்படையில் சீரான பரிமாற்றமானது, ஒரு புள்ளி அல்லது இரண்டு புள்ளி பரிமாற்றத்தை பல நேரங்களில் பல தகுதிக்கான செயல்பாடுகளில் மிஞ்சுகின்றன என்று சிஸ்வெர்டா ஆய்வுகள் தெரிவிக்கின்றன.[18] இந்த முடிவுகளைச் சுருக்கி, ஃபோகல் கூறுவதாவது

"பொதுவாக, சீரான பரிமாற்றமானது இருபுள்ளி பரிமாற்றத்தை விட மேம்பட்ட செயல்திறனை தந்தது, மேலும் இதனால் ஒரு புள்ளி பரிமாற்றத்தை விடவும் மேம்பட்ட செயல்திறன் கிடைத்தது"[19]

சிஸ்வெர்டாவின் முடிவுகள் கட்டுமான தொகுதி கருதுகோளுடன் சில இடங்களில் முரண்படுகின்றன, ஏனெனில் சீரான பரிமாற்றமானது ஒரு சிறிய திட்டத்தில் மிகவும் தீங்கு விளைவிக்கக்கூடியது, இந்நிலையில் ஒரு அல்லது இரு புள்ளி பரிமாற்றமானது குறுகிய திட்டத்தைக் காப்பாற்றி அவற்றின் வரையறை பிட்களை மறு இணைவின்போது உருவாக்கப்படும் மகவில் ஒன்றிணைக்கிறது.

கட்டுமான தொகுதி கருதுகோளானது GAக்கள் ஒரு சிக்கலை தீர்க்க எவ்வாறு "பணிபுரிகின்றன" (அதாவது செயல்பாடு ஏற்பு) என்பதை விளக்குகிறது, என்ற விவாதம் தற்போது முழுவதும் முற்றுப்பெற்றுவிட்டது.

இதையும் பாருங்கள்[தொகு]

  • அல்காரித பயனுறுதன்மை
  • ஹாலண்டின் திட்டக்கொள்கை
  • மரபியல் நிரலாக்கம்
  • தகுதி சரிகட்டுதல்

பயன்பாடுகள்[தொகு]

  • செயற்கை படைப்பாக்கம்
  • சேர்ம பொருள் வடிவமைப்பு மற்றும் பல-இலக்கு வடிவமைப்பு போன்றவற்றின் ஆய்வுக்கான தானியங்கு வடிவமைப்பு. இதில் பொருட்களின் சிதைவு தாங்கும் திறன், எடை சேமிப்புகள் மற்றும் பிற பண்புகள் ஆகியவை அடங்கும்.
  • பாண்ட் வரைபடங்கள் மற்றும் மரபுசார் நிரலாக்கம் ஆகியவற்றைப் பயன்படுத்தி மெக்காட்ரானிக் அமைப்புகளின் தானியங்கு வடிவமைப்பு (NSF).
  • மாதிரி பேட்டர்ன்களின் கேட்டலாகைப் பயன்படுத்தி தொழிற்சாலை சாதனங்களின் தானியங்கு வடிவமைப்பு.
  • நிதித்துறைக்கான நுணுக்கமான வணிக அமைப்புகளின் தானியங்கு வடிவமைப்பு.
  • Building பரிணாம மரபுவழி காட்சிகள்.[20]
  • எல்லை நிலைகள் மற்றும் அக-அடர்த்தி தோராயமாக்கல்கள் போன்றவற்றைக் கணக்கிடுதல்.
  • (வாயு மற்றும் திட நிலைகளின்) வேதி இயக்கங்கள்
  • உள்ளமைவு பயன்பாடுகள், குறிப்பாக C60 (buckyballs) போன்ற குறிப்பிட்ட அமைப்புகளுக்கான ஏற்ற மூலக்கூறு உள்ளமைவுகள் போன்ற இயற்பியல் பயன்பாடுகள்.
  • கண்டெய்னர் எடையேற்றுதல் ஆப்டிமைசேஷன்
  • பூஜ்ஜியம்கள் போன்ற பெரிய தீர்வு வெளிகளில் GAக்களைப் பயன்படுத்தி சரியான குறிநீக்கத்தைக் கண்டறிவதற்கான குறியீடு-குலைத்தல் (Code-breaking).[21]
  • நீர் விநியோக அமைப்புகளின் வடிவமைப்பு.
  • பகிரப்பட்ட கணினி நெட்வொர்க் உள்ளமைவுகள்.
  • எலக்ட்ரானிக் சுற்று வரைபடம், வளரக்கூடிய வன்பொருள் என்றழைக்கப்படுகிறது.
  • ஒரு பகிரப்பட்ட அமைப்புக்கு கோப்பு ஒதுக்கீடு.
  • கேம் கொள்கை சமநிலை தீர்மானம்.
  • ஜீன் வெளிப்பாடு சேகரித்தல் பகுப்பாய்வு.[22]
  • விதி தொகுப்பு ஆக்கத்துக்கான மரபுசார் அல்காரிதம்
  • மரபுசார் அல்காரிதம்களைப் பயன்படுத்தி ரோபாட் நடத்தையைக் கற்றல்.
  • மரபுசார் அல்காரிதம்களைப் பயன்படுத்தி ஃபஸ்ஸி விதி அடிப்படையைக் கற்றல்
  • இலக்கண தூண்டல் மற்றும் இயல்மொழி நிரலாக்கத்தின் (NLP) பிற அம்சங்களான சொல் பயன் தெளிந்தறிதல் போன்ற மொழியியல் ஆய்வு.
  • மார்க்கெட்டிங் மிக்ஸ் ஆய்வு
  • மொபைல் தகவல்தொடர்பு கட்டமைப்பு ஆப்டிமைசேஷன்.
  • மூலக்கூறு அமைப்பு ஆப்டிமைசேஷன் (வேதியியல்).
  • பல்வகைப்பட்ட தேர்வளவை உற்பத்தி திட்டமிடல்.[23]
  • பலவகை தொகுப்பு உள்ளமைவுகள் மற்றும் பரிமாற்ற முறைகள்.
  • திடீர்மாற்ற சோதனை
  • நியூரல் நெட்வொர்க்குகள், குறிப்பாக மீள்நிகழ்வு நியூரல் நெட்வொர்க்குகள்[24]
  • ஓபெரான் கணிப்பு.[25]
  • எடுத்துக்காட்டாக வேவ்லெட்டுகள் போன்றவற்றைப் பயன்படுத்தி தரவு சுருக்க முறைகளை ஏற்றதாக்குதல்.
  • சிக்கல் களங்களின் படிநிலை சிதைவு போன்றவற்றைப் பயன்படுத்தி GA/GP ஆகியவற்றின் இணையாக்குதல் மற்றும் அம்சம் ஒப்புமை மற்றும் GA ஆகியவற்றைப் பயன்படுத்தி ஒழுங்கற்ற வடிவங்களின் வடிவமைப்பு வெளிகளை படிகளாக்குதல்.
  • பாப் இசை ரிக்கார்ட் தயாரிப்பாளர்.[26]
  • புரத மடிப்பு மற்றும் புரத கட்டற்ற அணு பொருத்தல்.[27]
  • தாவர தள தளவமைப்பு.
  • கோப்வெப் மாதிரி போன்ற பொருளாதார மாதிரிகளில் சீரான ஏஜென்ட்களை வெளிப்படுத்தல்.
  • உயிரிதகவலியல்: RNA கட்டமைப்பு கணித்தல்.[28]
  • உயிரிதகவலியல்: [சீரமைவின் ஒன்றுக்கு மேற்பட்ட தொடர்ச்சி].[29] SAGA இங்கு கிடைக்கிறது:[30] .
  • திட்டமிடுதல் பயன்பாடுகள், வேலை கடை திட்டமிடுதலும் உட்பட.இதன் நோக்கமாவது வேலைகளை தொடர்நிகழ்வு சார்ந்து அல்லது தொடர்நிகழ்வு சாராத சூழலில் வேலைகளைப் பட்டியலிடுவதாகும், இதன்மூலம் உற்பத்தியின் அளவை அதிகரிப்பதும் நேரம் போன்ற இழப்புகளைக் குறைப்பதுமாகும்.
  • உயிரியல் அமைப்புகளை விளக்குவதற்கான ஏற்ற கணித மாதிரியைத் தேர்ந்தெடுத்தல்.
  • மென்பொருள் பொறியியல் [சான்று தேவை]
  • செல்லுலர் உற்பத்தி அமைப்புகள் போன்றவற்றுக்கு தேவைப்படும் எந்திர-உறுப்பு குழுவாக்கல் சிக்கல்களைத் தீர்த்தல்.
  • திட்டமிட்ட சொத்து ஒதுக்கீடு மற்றும் சர்வதேச ஈக்விட்டி திட்டங்கள்.
  • ஒரு பெரிய பல்கலைக்கழகத்துக்கு ஒன்றுடன் ஒன்று முரண்படாத வகுப்பு நேர அட்டவணையிடல் சிக்கல்கள் போன்றவை.
  • முன்பே வரையறுக்கப்பட்ட பயிற்சி எடுத்துக்காட்டுகள் (நரம்பியல்பரிணாமம்) கிடைக்காதபோது செயற்கை நியூரல் நெட்வொர்க்குகளைப் பயிற்சியளித்தல்.
  • பயணிக்கும் விற்பனையாளர் சிக்கல்.
  • வன்பொருள் பிழைகளைக் கண்டறிதல்.[32][33]
  • கம்பியில்லா சென்சார்/Ad-hoc நெட்வொர்க்குகள்.[34]
  • தரவு மையம்/சேவையகப் பண்ணை.[35]

குறிப்புகள்[தொகு]

  1. பரிணாமம் ஒரே இடத்தில்
  2. Barricelli, Nils Aall (1954). "Esempi numerici di processi di evoluzione". Methodos: 45–68. 
  3. Barricelli, Nils Aall (1957). "Symbiogenetic evolution processes realized by artificial methods". Methodos: 143–182. 
  4. Fraser, Alex (1957). "Simulation of genetic systems by automatic digital computers. I. Introduction". Aust. J. Biol. Sci. 10: 484–491. 
  5. Fraser, Alex; Donald Burnell (1970). Computer Models in Genetics. New York: McGraw-Hill. 
  6. Crosby, Jack L. (1973). Computer Simulation in Genetics. London: John Wiley & Sons. 
  7. Fogel, David B. (editor) (1998). Evolutionary Computation: The Fossil Record. New York: IEEE Press. 
  8. Barricelli, Nils Aall (1963). "Numerical testing of evolution theories. Part II. Preliminary tests of performance, symbiogenesis and terrestrial life". Acta Biotheoretica (16): 99–126. 
  9. Rechenberg, Ingo (1973). Evolutionsstrategie. Stuttgart: Holzmann-Froboog. 
  10. Schwefel, Hans-Paul (1974). Numerische Optimierung von Computer-Modellen (PhD thesis). 
  11. 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. 
  12. 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. 
  13. Markoff, John (1989). "What's the Best Answer? It's Survival of the Fittest". New York Times. பார்த்த நாள் 2009-08-09.
  14. 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. http://www.irisa.fr/triskell/publis/2005/Baudry05d.pdf. பார்த்த நாள்: 2009-08-09. 
  15. Kjellström, G. (December 1991). "On the Efficiency of Gaussian Adaptation". Journal of Optimization Theory and Applications 71 (3): 589–597. doi:10.1007/BF00941405. 
  16. Falkenauer, Emanuel (1997). Genetic Algorithms and Grouping Problems. Chichester, England: John Wiley & Sons Ltd. ISBN 978-0-471-97150-4. 
  17. Wright, A.H.; et al.(2003). "Implicit Parallelism". Proceedings of the Genetic and Evolutionary Computation Conference.
  18. Syswerda, G.(1989).J. D. Schaffer "Uniform crossover in genetic algorithms". Proceedings of the Third International Conference on Genetic Algorithms, Morgan Kaufmann.
  19. Fogel, David B. (2000). Evolutionary Computation: Towards a New Philosophy of Machine Intelligence. New York: IEEE Press. பக். 140. 
  20. 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. பப்மெட் 15990235. 
  21. Joachim De Zutter
  22. 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. பப்மெட் 17298664. 
  23. Bagchi Tapan P (1999). Multiobjective Scheduling by Genetic Algorithms. 
  24. நெட்வொர்க் அளவுருக்களைக் கற்றல் மற்றும் கட்டமைப்பு ஆகியவற்றுக்கு மீள்நிகழ்வு நியூரல் நெட்வொர்க்கிற்கு மரபுசார் அல்காரிதம்களைப் பயன்படுத்தல்
  25. 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. பப்மெட் 17869072. 
  26. BBC செய்திகள் | பொழுதுபோக்கு | டூ த பீட் ஆஃப் த பைட்
  27. Willett P (1995). "Genetic algorithms in molecular recognition and design". Trends in Biotechnology 13: 516–521. doi:10.1016/S0167-7799(00)89015-0. பப்மெட் 8595137. 
  28. 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. பப்மெட் 7545258. 
  29. Notredame C, Higgins DG (1995). "SAGA a Genetic Algorithm for Multiple Sequence Alignment". Nulceic Acids Research 174: 1515. பப்மெட் 8628686. 
  30. செட்ரிக் நோட்ரெடாம் முகப்பு பக்கம்
  31. Gondro C, Kinghorn BP (2007). "A simple genetic algorithm for multiple sequence alignment". Genetics and Molecular Research 6: 964–982. பப்மெட் 18058716. 
  32. ஹிட்டோஷி இபா, சுமிதாகா அகிபா, டெட்சுயா ஹிகுச்சி, டைசுகே ஸாடோ: பிழைகள்: மரபுசார் அல்காரிதம்களைப் பயன்படுத்தி பிழை அடிப்படையிலான தேடல் செயல்திட்டம். PPSN 1992:
  33. இப்ராஹிம், W. மற்றும் அமர், H.: VLSI சோதனை வெக்டார் தேர்ந்தெடுத்தலுக்கு ஒரு ஏற்கத்தக்க மரபுசார் அல்காரிதம்
  34. BiSNET/e - பகிரப்பட்ட கணினி அமைப்பு குழு, மசூட்டெஸ் பல்கலைக்கழகம், போஸ்டன்
  35. SymbioticSphere - பகிரப்பட்ட கணினி அமைப்பு குழு, மசூட்டெஸ் பல்கலைக்கழகம், போஸ்டன்

குறிப்புதவிகள்[தொகு]

  • பன்சாஃப், வொல்ஃப்கேங்; நோர்டின், பீட்டர்; கெல்லர், ராபர்ட்; ஃப்ரான்கோன், ஃப்ராங்க் (1998) மரபுசார் நிரலாக்கம் - ஒரு அறிமுகம் , மோர்கன் காஃப்மன், சான் பிரான்ஸிஸ்கோ, 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. 
  • கோல்ட்பெர்க், டேவிட் ஈ (1989), தேடல், ஏற்றதாக்குதல் மற்றும் இயந்திர கற்றல் ஆகியவற்றில் மரபுசார் அல்காரிதம்கள், க்ளூவர் அகாடமிக் பப்ளிஷர்ஸ், போஸ்டன், MA.
  • கோல்ட்பர்க், டேவிட் ஈ (2002), தி டிசைன் ஆஃப் இன்னோவேஷன்: சிறந்த மரபுசார் அல்காரிதம்களுக்கு அவற்றிலிருந்தே பாடங்கள், அடிசன்-வெஸ்லி, ரீடிங், MA.
  • போகல், டேவிட் பி (2006), பரிணாம கணக்கீடு: இயந்திர நுண்ணறிவின் புதிய தத்துவத்தை நோக்கி, IEEE பிரஸ், பிஸாட்கேடவே, NJ. மூன்றாம் பதிப்பு
  • ஹாலண்ட், ஜான் எச் (1975), இயற்கை மற்றும் செயற்கை முறைகளில் ஏற்றுக்கொள்ளுதல் , மிக்ஸிகன் பல்கலைக்கழக பிரஸ், ஆண் ஆர்பர்
  • கோஸா, ஜான் (1992), மரபுசார் நிரலாக்கம்: இயற்கை தேர்வின் மூலமாக கணினி நிரலாக்கம் பற்றி , எம்ஐடி பிரஸ். ISBN 0-262-11170-5
  • மைக்கேல்விஸ், ஸ்பிக்னியூ (1999), மரபுசார் அல்காரிதம்கள் + தரவு கட்டமைப்புகள் = பரிணாம நிரல்கள் , ஸ்பிரிங்கர்-வெர்லாக்.
  • மிட்சல், மெலானி, (1996), மரபுசார் அல்காரிதம்களுக்கு ஒரு அறிமுகம் , எம்ஐடி பிரஸ், கேம்பிரிட்ஜ், 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. 
  • ரெச்சன்பர்க், இங்கோ (1994): Evolutionsstrategie '94, ஸ்டட்கார்ட்: ஃப்ரம்மன்-ஹோல்ஸ்பூக்.
  • ஸ்கிமிட், லோதார் எம்; நேஹானிவ், கிறிஸ்டோபர் எல்; ஃப்யூஜி, ராபர்ட் ஹெச் (1998), மரபுசார் அல்காரிதம்களின் நேரிய பகுப்பாய்வு , தியரிடிக்கல் கம்ப்யூட்டர் சயின்ஸ் 208: 111-148
  • ஸ்கிமிட், லோதார் எம் (2001), மரபுசார் அல்காரிதம்களின் கொள்கை , தியரிடிக்கல் கம்ப்யூட்டர் சயின்ஸ் 259: 1-61
  • ஸ்கிமிட், லோஹர் எம் (2004), மரபுசார் அல்காரிதம்களின் கொள்கை II: மரபுசார் செயலிகளுக்கான மாதிரிகள் ஸ்ட்ரிங்-டென்ஸார் பயன்பாட்டில் தொகுப்புகளின் மாதிரிகள் மற்றும் அளவீட்டில் உள்ள தகுதிக்கான செயல்பாட்டின்படி ஒட்டுமொத்த ஏற்றப்புள்ளி நோக்கிய குவிவு , தியரிடிக்கல் கம்ப்யூட்டர் சயின்ஸ் 310: 181-231
  • ஸ்க்வெஃபல், ஹன்ஸ் பால் (1974): Numerische Optimierung von Computer-Modellen (PhD ஆய்வுக்கட்டுரை).Birkhäuser (1977) ஆல் மறுபதிப்பு செய்யப்பட்டது.
  • வோஸ், மைக்கேல் டி (1999), எளிய மரபுசார் அல்காரிதம்: அடிப்படைகள் மற்றும் கொள்கை , எம்ஐடி பிரஸ், கேம்பிரிட்ஜ், MA.
  • ஒயிட்லி, டி. (1994ஒரு மரபுசார் அல்காரிதம் டுடோரியல் . புள்ளிவிவரங்கள் மற்றும் கணக்கிடுதல் 4, 65–85.

புற இணைப்புகள்[தொகு]

கட்டுமான தொகுதி கருதுகோளுக்கான ஒரு மாற்று[தொகு]

பயன்பாடுகள்[தொகு]

ஆதாரங்கள்[தொகு]

  • DigitalBiology.NET GA/GP ஆதாரங்களுக்கான சிறந்த தேடுபொறி
  • மரபுசார் அல்காரிதம்களின் அட்டவணை ஜெனடிக் புரோகேமிங் நோட்புக் என்ற தளமானது ஒரு கட்டமைக்கப்பட்ட ஆதாரங்காட்டியை வழங்குகிறது, இவை மரபுசார் அல்காரித துறையில் இருப்பவர்கள் வலைப்பக்கங்களைக் கண்டறிய உதவுகிறது

பயிற்சிகள்[தொகு]

நூலகங்கள்[தொகு]

  • ECJ, மிகப்பிரபலமான Java பரிணாம கணினி நூலகங்கள்.
  • EO, மிகப்பிரபலமான C++ பரிணாம கணக்கிடுதல் கருவித்தொகுப்பு.
  • ParadisEO, EO க்கு இணையான மற்றும் பல நோக்கு நீட்சி.
  • Open BEAGLE, மற்றொரு பிரபல C++ பரிணாம கணக்கீட்டு கருவித் தொகுதி.
  • JOpt இன் மாதிரி ஆப்லெட்.SDK TSP மற்றும் VRPTW சிக்கல்களைத் தீர்ப்பதற்கான Java அல்லது .NET ஒரு பரிணாம அல்காரிதம் மென்பொருள் நூலகம்
  • எவோப்டூல் C++ இல் வளரத்தக்க கணக்கீட்டுக்கான நூலகங்களுக்கான கட்டமைப்பு, இதில் பல மரபுசார் அல்காரிதம்களும் EDAகளும் அடங்கியுள்ளன.
  • ஜேன்ஸ் மரபுசார் அல்காரிதமுக்கான சிறந்த Java நூலகம்.
  • Pyevolve மரபுசார் அல்காரிதமுக்கான python கட்டமைப்பு.
  • ரூபியில் மரபுசார் அல்காரிதம்கள்
  • GAlib மரபுசார் அல்காரித உருப்படிகளுக்கான ஒரு C++ நூலகம்
  • MOGAlib GALib C++ நூலகத்துக்கான ஒரு மல்டிஆப்ஜெக்ட் நீட்சி
  • GAEDALib வளரதக்க அல்காரிதம்களுக்கான ஒரு C++ நூலகம் (GAக்கள், EDAக்கள், DEக்கள் மற்றும் பிற) GAlib ஐ அடிப்படையாக கொண்டது மற்றும் MOS மற்றும் இணை கணக்கீட்டை ஆதரிப்பது
  • Jenetics Java இல் எழுதப்பட்ட மரபுசார் அல்காரிதம் நூலகம்.
  • ga MATLAB இல் மரபுசார் அல்காரிதம்({1 ஒரு GA MATLAB இல் எவ்வாறு பணிபுரிகிறது{/1})
  • gamultiobj MATLAB இல் ஒரு மல்ட்டி ஆப்ஜெக்டிவ் மரபுசார் அல்காரிதம்
  • GARAGe மிக்சிகன் மாகாண பல்கலைக்கழகத்தின் மரபுசார் அல்காரித நூலகம் C இல், GALLOPS
  • GAOT ஜெனடிக் அல்காரிதம் ஆப்டிமைசேஷன் டூல்பாக்ஸ் (GAOT) Matlab க்கு, NCSU வழங்கியது
  • JGAP சிறந்த அலகு சோதனைகளுக்கான Java மரபுசார் அல்காரித தொகுப்பு அம்சங்கள்
  • speedyGA Matlab இல் ஒரு விரைவான எடைகுறைந்த மரபுசார் அல்காரிதம்