Використання генетичних алгоритмів в СППР.

У загальному значенні генетичні алгоритми (Genetic Algorithms) — це тип алгоритмів, інспірованих механізмами еволюції живої природи, які застосовуються, головно, до задач глобальної оптимізації (зокрема, задач комбінаторної оптимізації) і деякою мірою для дейтамайнінгу, зокрема, для комбінування шаблонів з правил індукції, які були відкриті до цього, навчання нейромереж, пошуку зразків у даних, відкриття шаблонів у тексті тощо. Генетичні алгоритми належать нині до стандартного інструментарію методів дейтамайнінгу. Ідея генетичних алгоритмів запозичена з живої природи і полягає в машинній організації еволюційного процесу створення, модифікації і відбору кращих розв’язків, виходячи з того, що в процесі відтворення і модифікації розв’язків кращі з них (подібно до процесу селекції в рослинництві й тваринництві) можуть дати ще ліпших «нащадків», тобто нові, прийнятніші варіанти розв’язання задачі. Загальна схема генетичних алгоритмів. У загальному вигляді стратегію отримання рішень за допомогою генетичних алгоритмів можна реалізувати такими кроками:

0) ініціалізуйте популяцію;

1) виберіть батьків для репродукції і оператори мутації і кросовера;

2) виконайте операції, щоб згенерувати проміжну популяцію індивідуумів і оцінити їхні придатності;

3) виберіть членів популяції для отримання нової генерації (версії);

4) повторюйте кроки 1—3, поки не буде досягнуте деяке правило зупинки.

Критерієм зупинки процесу здійснення генетичного алгоритму може бути одна з трьох подій:

· сформовано задану користувачем кількість поколінь;

· популяція досягла заданої користувачем якості (наприклад, значення якості всіх особин перевищило задану порогову величину);

· досягнутий деякий рівень збіжності. Тобто особини в популяції стали настільки подібними, що дальше їх поліпшення відбувається надзвичайно повільно, і тому продовження здійснення ітерацій генетичного алгоритму стає недоцільним. Після завершення роботи генетичного алгоритму з кінцевої популяції вибирається та особина, яка дає максимальне (або мінімальне) значення цільової функції і, отже, є результатом здійснення генетичного алгоритму.