алгоритм многомерной оптимизации

Хотя вы можете использовать любой упомянутый алгоритм многомерной оптимизации, я предпочел генетический алгоритм потому, что он является, возможно, единственным наиболее устойчивым методом математической оптимизации, за исключением весьма грубых приемов перебора всех возможных комбинаций значений переменных.

Это метод общей оптимизации и поиска, который был применен к решению многих задач. Нередко его применяли в нейронных сетях, ибо он хорошо сокращает помехи и размерность крупных нелинейных задач. Поскольку этот метод не требует информации о градиенте, его можно применять и к разрывным, и к эмпирическим функциям точно так же, как он применяется к аналитическим функциям.

Применимость данного алгоритма, хотя он часто используется в нейронных сетях, не ограничивается исключительно ими. В наших условиях мы можем использовать его в качестве метода отыскания оптимальной точки на (п + 1)-мерном изображении.

Естественный отбор

Считается, что генетический алгоритм реализует принцип естественного отбора в природе. Так оно и происходит, но не совсем так, как в природе. Ведь в действительности мы многого не знаем о том, как природа осуществляет этот принцип.

Прежде всего, если в природе взять какую-нибудь популяцию одинаковых индивидов, то один всегда выйдет в победители, то есть он будет считаться самым приспособленным. Это верно, даже если все кандидаты одинаковы!

Например, если я бросаю на стол пригоршню монет и еще одну монету использую для подбрасывания, то могу сыграть в следующую игру. Монеты на столе разделены поровну на орлов и решек. Я бросаю переворачивающуюся монету, и если она выпадает орлом, то я убираю монету, лежащую вверх орлом. Если выпадает решкой, то я убираю монету, лежащую вверх решкой. Игра заканчивается, когда остаются только одни орлы или одни решки.

Это — глупая игра, но она доказывает то, что не будучи ни орлом, ни решкой, получаешь в этой игре селективное преимущество (у орла и решки вероятность стать победителем одинакова), которое выдвигает одного из них в победители, то есть в самые приспособленные.

Поэтому, когда мы спрашиваем «Какой из кандидатов наиболее приспособлен?», мы сталкиваемся с парадоксальным ответом «Тот, который является победителем».

Кроме того, создается впечатление, что у природы имеется много различных целевых функций. Если бы это было не так, то мир, в конце концов, заселили бы амфибии, умеющие летать, причем, быстро! Как, например, вы можете объяснить существование колибри? У нее ужасающая, безотлагательная зависимость от Сахаров, по сравнению с людьми она неразумна, и все же выживает на планете вместе со столь многими другими видами. Очевидно, колибри нашла некую нишу в естественном устройстве планеты — предложенную природой целевую функцию, которая так удовлетворяется нашей колибри, чтобы не вымереть.

По сравнению с этим генетический алгоритм много проще. Здесь у нас имеется одна целевая функция, которую мы пытаемся удовлетворить. Поэтому, хотя мы и говорим, что генетический алгоритм скопирован в природе, он настолько проще происходящего в природе, что вряд ли заслуживает своего названия.