Illustrazioni con implementazione del codice, applicato a TSP come esempio
Questa è la continuazione di Algoritmo evolutivo: spiegazione delle selezioni.
Se stai leggendo per acquisire una comprensione di alto livello della ricombinazione e delle mutazioni nella rappresentazione basata sulla premutazione, questo articolo sarà autosufficiente come articolo autonomo.
Tuttavia, per comprendere tutti i dettagli di ogni fase del processo, sarà utile leggere prima l’articolo collegato sopra prima di continuare qui.
Insieme agli snippet di codice dell’articolo precedente, sarai in grado di risolvere il famoso problema del commesso viaggiatore (TSP) sul tuo personal computer. Ancora più importante, apprezzerai tutto ciò che accade dietro le quinte.
Nella prima parte, ho fornito uno schema del framework dell’algoritmo evolutivo come segue:
Dopo aver esaminato un paio di terminologie utilizzate in EA, abbiamo approfondito i dettagli dell’inizializzazione del genotipo appropriato (nella Sezione 3.1, per <1>) nonché la ruota della roulette e la selezione del torneo (nella Sezione 3.2, per <2>).
Continueremo ora con la Sezione 3.3.
Le variazioni possono essere unarie (coinvolgendo un singolo genotipo) o binarie (coinvolgendo due genotipi). L’obiettivo è quello di ottenere nuovi genotipi che, si spera, avranno una forma fisica più elevata rispetto ai suoi predecessori.
Le statistiche ci aiutano a realizzare questa speranza. Semplicemente per caso, alcuni genotipi sarebbero migliori, mentre altri sarebbero peggiori. Lavorando di pari passo con la selezione dei genitori (sezione 3.2) e la selezione per la sopravvivenza (sezione 3.4), i “successi” contano molto più dei “fallimenti”.
Nelle sezioni 3.3.1 e 3.3.2 ci concentreremo sulle variazioni apportate Genotipi basati sulla permutazione.
Tecnicamente, il processo di ricombinazione può coinvolgere più di due genitori, ma più genitori non sono necessariamente migliori (1), e l’ambito di questo articolo è limitato a due genitori.
Fonte: towardsdatascience.com
