Benefícios do uso do algoritmo genético

13

Alguém pode me explicar os benefícios do algoritmo genético em comparação com outros métodos tradicionais de pesquisa e otimização?

genetic-algorithms

— lago
fonte

4

Que tipo de GA? Comparado a quais métodos "tradicionais"? Sem isso, pode-se dizer apenas algo como "Convergência mais rápida e menor risco de ficar preso no local ideal em algumas aplicações", o mesmo que para qualquer outro método de otimização.

19

Os principais motivos para usar um algoritmo genético são:

existem vários ótimos locais
a função objetivo não é suave (portanto, métodos derivativos não podem ser aplicados)
o número de parâmetros é muito grande
a função objetivo é barulhenta ou estocástica

Um grande número de parâmetros pode ser um problema para métodos baseados em derivadas quando você não tem a definição do gradiente. Nesse tipo de situação, você pode encontrar uma solução não terrível via GA e depois melhorar com o método baseado em derivadas. A definição de "grande" está crescendo o tempo todo.

— Patrick Burns
fonte

3

+1. Eu costumava me apaixonar pelos GA, mas agora tendem a evitá-los. Parece-me que eles passaram por uma fase de hype, inspiraram vários métodos análogos à natureza (ACO, etc.) e depois voltaram a se transformar em um nicho. Mais ou menos como redes neurais, no meu viés pessoal. (Dito isto, eu usei ES recentemente.)

— Wayne

1

Wayne, eu concordo. Costumo dizer "GA" para qualquer estratégia evolutiva, e misturar outras técnicas também costuma ser uma boa idéia. Os GAs tradicionais são terrivelmente ineficientes.

— Patrick Burns

7

O conceito é fácil de entender
Modular, separado da aplicação
Suporta multi-objetivo
otimização Bom para ambientes "ruidosos"
Sempre uma resposta; resposta melhora com o tempo
Inerentemente paralelo; facilmente distribuído

— Branca de Neve
fonte

No meu trabalho, a fácil paralelização foi o fator mais importante no uso de um algoritmo genético, em vez de algo como recozimento simulado.

— veryshuai

6

Os algoritmos genéticos diferem dos métodos tradicionais de pesquisa e otimização em quatro pontos significativos:

Os algoritmos genéticos pesquisam paralelamente a partir de uma população de pontos. Portanto, ele tem a capacidade de evitar ficar preso na solução ideal local, como métodos tradicionais, que pesquisam a partir de um único ponto.
Os algoritmos genéticos usam regras de seleção probabilística, não determinísticas.
Os algoritmos genéticos funcionam no cromossomo, que é uma versão codificada dos parâmetros das soluções em potencial, e não dos próprios parâmetros.
Os algoritmos genéticos usam o escore de aptidão, obtido a partir de funções objetivas, sem outras informações derivadas ou auxiliares

— lago
fonte

3

Algoritmos genéticos são uma espécie de último recurso. Eles são úteis apenas quando uma solução analítica não é viável (veja a resposta de Patrick pelos motivos mais comuns) e você tem muito tempo de CPU em suas mãos.

— Carlos Accioly
fonte