Adaptaatio algoritmeissa
Tietokoneiden tehokkuuden kasvaminen on mahdollistanut sellaisten tietokonealgoritmien kehittämisen, jotka ratkaisisivat ylivoimaisen vaikeita ongelmia. Eräs merkittävistä luonnon evoluutiota matkivista algoritmeista on geneettinen algoritmi, jonka voi mieltää älykkääksi satunnaishauksi. Siinä ongelman ratkaisuvaihtoehdot tyypillisesti esitetään bittijonoina, joita kutsutaan kromosomeiksi. Jokainen kromosomi koostuu alkioista, joita kutsutaan geeneiksi. Geneettisen algoritmin ajon alussa muodostetaan ongelman satunnaisista ratkaisuvaihtoehdoista koostuva alkupopulaatio, jota pyritään jalostamaan edelleen erilaisten ns. ”luonnollisten” operaatioiden avulla. Tyypillisimmät operaatiot ovat tällöin risteytys ja mutaatio. Mutaatioissa yksinkertaisimmillaan yksittäisen geenin arvoa muutetaan ja risteytyksessä kaksi tai useampi kromosomi risteytetään keskenään.
Ratkaisuehdokkaiden binäärisen esityksen lisäksi käytetään mm. myös reaalilukuesitystä, jolloin algoritmia yleisesti kutsutaan evoluutioalgoritmiksi. Reaaliluku-esitystapa vaatii tyypillisten operaatioiden, kuten risteytyksen ja mutaation, uudelleen määrittämistä ja soveltamista.
Geneettisen algoritmin tehokkuus optimiratkaisujen löytämisessä määräytyy kuitenkin sen erilaisten ohjausparametrien mukaan. Ohjausparametreja ovat mm. populaation koko ja rakenne, ratkaisuehdokkaiden esitystapa, tarkkuus ja pituus, mutaation läpikäyvien geenien lukumäärä sekä risteytyksen läpikäyvien kromosomien lukumäärä.
Geneettisen algoritmin parhaiden ohjausparametrien arvojen löytäminen sinänsä muodostaa hyvin vaikean ongelman, joka on askarruttanut tutkijoita paljon. Menetelmät, joilla ohjausparametrien arvot määrätään, jakautuvat kolmeen kategoriaan: staattiset, adaptiiviset sekä itse-adaptiiviset.
- Staattiset menetelmät viittaavat yrityksiin, joilla pyritään etukäteen määräämään parhaat ohjausparametrien arvot kaikkiin ongelmatapauksiin. Tällaiset yritykset ovat kuitenkin hyvin työläitä ja niiden luonne on ristiriidassa sen tosiasian kanssa, että parametrien arvot ovat riippuvaisia sekä toisistaan että ratkaistavasta ongelmasta.
- Adaptiiviset menetelmät puolestaan kuvaavat yrityksiä, joilla geneettisen algoritmin parhaat ohjausparametrien arvot pyritään löytämään ajon aikana. Tällaisissa tapauksissa geneettinen algoritmi aloitetaan ennalta määrätyillä parametrien arvoilla, joita parannetaan ajon aikana jollakin heuristisella menetelmällä.
- Itse-adaptiiviset menetelmät koodaavat ohjausparametrien arvot osana ratkaisuehdokkaiden esitystä siinä toivossa, että nämä parametrit myös kävisivät samanlaista geneettistä muutosta ja kehittyisivät populaation mukaan yhä sopivammiksi.
Edellä mainitut seikat ovat antaneet tutkijoille aihetta kehittää erilaisia geneettisiä algoritmeja ongelmien ratkaisemiseksi.
Teksti: Ghodrat Moghadampour
Lisätietoja
TIVIA ry - Asiantuntijat ja yhteyshenkilöt
TIVIA ry - Muita referenssejä
TIVIA ry - Muita bloggauksia
It- ja ohjelmistoalan työpaikat
- Laura - Master Data Manager
- Laura - Kokenut datainsinööri / Senior Data Engineer
- Laura - Kehityspäällikkö, Digital Front Office Platform
- Laura - IT Support Engineer (m/f/d)
- Laura - ICT-asiantuntija, Millog Oy Riihimäki
- Nordea - Mainframe RACF Specialist to IAM Organization
- Nordea - IT Security Specialist
Premium-asiakkaiden viimeisimmät referenssit
- Lekab Communication Systems Oy - Lekab Communication Systems Oy voitti Kansaneläkelaitoksen kilpailutuksen ohjelmistorobotiikan alustaratkaisusta
- Verkkovaraani Oy - Google Ads -konsultaatio Nordic Progressille
- Verkkovaraani Oy - Hakukoneoptimoinnin, Google Analyticsin ja Google Adsin koulutusta
- Verkkovaraani Oy - Kävijäliikenteen ja hakukonenäkyvyyden seuranta ja optimointi
- Verkkovaraani Oy - Google Ads -kampanjan toteutus Factotel Oy:n JetAir-tuotteille
- Verkkovaraani Oy - Hakukoneoptimoinnin kehittäminen Plusprintille
- Staria Oyj - Rakennuskemian kansainvälistä laajentumista tukee pitkäaikainen kumppani
Tapahtumat & webinaarit
- 24.04.2024 - Reviewing the Nordic SaaS market with Monterro
- 25.04.2024 - Aamiaisseminaari: Kehitä ohjelmistoja tehokkaammin tekoälyllä
- 30.04.2024 - Ilmainen CRM-webinaari: Microsoft Dynamics Sales: Integroinnit CRM-ratkaisun kanssa
- 07.05.2024 - Koulutus: Tekoäly markkinoijan työkaluna
- 07.05.2024 - Ilmainen CRM-webinaari: Microsoft Dynamics Sales | Sisäänrakennetun BI-moduulin käyttö toimintojen suunnitteluun ja tulosraportointiin
- 07.05.2024 - Aamiaisseminaari: Kehitä ohjelmistoja tehokkaammin tekoälyllä
- 16.05.2024 - Five Years Out Helsinki
Premium-asiakkaiden viimeisimmät bloggaukset
- Nortal Oy - Yle: Tommi Kosola spent 10 months traveling around Europe while working remotely
- Staria Oyj - Tekoäly parantaa Starian toimintatehokkuutta ja työntekijäkokemusta
- Innofactor Oyj - Tekoäly organisaatioiden arjessa: Missä mennään?
- Nordea - Nordean kesätyöpaikat saivat liikkeelle lähes 4000 hakijaa
- Efima Oyj - Unboxataan Dynamics 365 -versiopäivitys! – Versio 10.0.39
- Aveso Oy - IFS:n ennustukset energia-alalle 2024
- Zimple Oy - Tehokas B2B-myyntiprosessi - kuinka saat kaiken CRM:stäsi irti?
Digitalisaatio & innovaatiot blogimediaBlogimediamme käsittelee tulevaisuuden liiketoimintaa, digitaalisia innovaatioita ja internet-ajan ilmiöitä |