Menneskelig genetisk algoritme - Human-based genetic algorithm
I evolutionær beregning er en human-baseret genetisk algoritme ( HBGA ) en genetisk algoritme, der giver mennesker mulighed for at bidrage med løsningsforslag til den evolutionære proces. Til dette formål har en HBGA humane grænseflader til initialisering, mutation og rekombinant crossover. Det kan også have grænseflader til selektiv evaluering. Kort sagt outsourcer en HBGA driften af en typisk genetisk algoritme til mennesker.
Evolutionære genetiske systemer og menneskelig agentur
Blandt evolutionære genetiske systemer er HBGA den computerbaserede analog af genteknologi (Allan, 2005). Denne tabel sammenligner systemer på linier fra menneskelig agentur:
| system | sekvenser | innovatør | vælger |
|---|---|---|---|
| naturlig selektion | nukleotid | natur | natur |
| kunstig udvælgelse | nukleotid | natur | human |
| genteknologi | nukleotid | human | human |
| menneskelig-baseret genetisk algoritme | data | human | human |
| interaktiv genetisk algoritme | data | computer | human |
| genetisk algoritme | data | computer | computer |
Et åbenlyst mønster i tabellen er opdelingen mellem organisk (øverst) og computersystemer (nederst). En anden er den lodrette symmetri mellem autonome systemer (top og bund) og menneskelige interaktive systemer (mellem).
Når man ser til højre, er vælgeren den agent, der bestemmer egnethed i systemet. Den bestemmer, hvilke variationer der skal reproducere og bidrage til den næste generation. I naturlige populationer og i genetiske algoritmer er disse beslutninger automatiske; mens der i typiske HBGA-systemer er lavet af mennesker.
Den innovator er agent for genetisk ændring. Innovatøren muterer og rekombinerer det genetiske materiale for at producere de variationer, som vælgeren fungerer på. I de fleste organiske og computerbaserede systemer (øverst og nederst) er innovation automatisk og fungerer uden menneskelig indgriben. I HBGA er innovatørerne mennesker.
HBGA svarer stort set til genteknologi. I begge systemer er innovatørerne og vælgerne mennesker. Hovedforskellen ligger i det genetiske materiale, de arbejder med: elektroniske data vs. polynukleotidsekvenser.
Forskelle fra en almindelig genetisk algoritme
- Alle fire genetiske operatorer (initialisering, mutation, crossover og selektion) kan delegeres til mennesker ved hjælp af passende grænseflader (Kosorukoff, 2001).
- Initialisering behandles som en operatør snarere end en fase af algoritmen. Dette gør det muligt for en HBGA at starte med en tom befolkning. Initialiserings-, mutations- og crossover-operatører udgør gruppen af innovationsoperatører.
- Valget af genetisk operator kan også delegeres til mennesker, så de er ikke tvunget til at udføre en bestemt operation på et givet tidspunkt.
Funktionelle funktioner
- HBGA er en metode til samarbejde og videnudveksling. Det fletter kompetence hos sine menneskelige brugere og skaber en slags symbiotisk menneskelig-maskine intelligens (se også distribueret kunstig intelligens ).
- Menneskelig innovation lettes ved at prøveudtagning af løsninger fra befolkningen, tilknytte og præsentere dem i forskellige kombinationer for en bruger (se kreativitetsteknikker ).
- HBGA letter konsensus og beslutningstagning ved at integrere brugernes individuelle præferencer.
- HBGA gør brug af en kumulativ læringside , mens de løser et sæt problemer samtidigt. Dette gør det muligt at opnå synergi, fordi løsninger kan generaliseres og genbruges blandt flere problemer. Dette letter også identifikation af nye interesseproblemer og ressourcetildeling af fair-share blandt problemer af forskellig betydning.
- Valget af genetisk repræsentation, et almindeligt problem med genetiske algoritmer, er meget forenklet i HBGA, da algoritmen ikke behøver at være opmærksom på strukturen af hver løsning. Navnlig tillader HBGA, at naturligt sprog er en gyldig repræsentation.
- Opbevaring og prøveudtagningspopulation forbliver normalt en algoritmisk funktion.
- En HBGA er normalt en multi-agent system , delegering genetiske operationer til flere midler (mennesker).
Ansøgninger
- Evolutionær videnstyring , integration af viden fra forskellige kilder.
- Social organisation , kollektiv beslutningstagning og e-forvaltning .
- Traditionelle anvendelsesområder for interaktive genetiske algoritmer : computerkunst , brugercentreret design osv.
- Samarbejdsproblemløsning ved hjælp af naturligt sprog som repræsentation.
- Uddannelse og akademiske fordele ved realtidsimulering med syntetisk læseplanlægning ved hjælp af dynamiske punktsky-miljøer.
HBGA-metoden blev afledt i 1999-2000 fra analyse af Free Knowledge Exchange-projektet, der blev lanceret sommeren 1998 i Rusland (Kosorukoff, 1999). Menneskelig innovation og evaluering blev brugt til støtte for samarbejdsproblemløsning. Brugerne kunne også vælge den næste genetiske operation, der skulle udføres. I øjeblikket implementerer flere andre projekter den samme model, den mest populære er Yahoo! Svar , lanceret i december 2005.
Nyere forskning tyder på, at menneskelige baserede innovationsoperatører ikke kun er fordelagtige, hvor det er svært at designe en effektiv beregningsmutation og / eller crossover (f.eks. Når der udvikles løsninger på et naturligt sprog), men også i det tilfælde, hvor gode operatører inden for beregningsinnovation er let tilgængelige f.eks. når der udvikles et abstrakt billede eller farver (Cheng og Kosorukoff, 2004). I sidstnævnte tilfælde kan menneskelig og beregningsmæssig innovation supplere hinanden ved at give samarbejdsresultater og forbedre den generelle brugeroplevelse ved at sikre, at brugernes spontane kreativitet ikke går tabt.
Desuden viser menneskelige baserede genetiske algoritmer at være en vellykket foranstaltning til at modvirke træthedseffekter, der er introduceret af interaktive genetiske algoritmer .
Se også
- Menneskelig baseret beregning
- Humanbaseret evolutionær beregning
- Interaktion mellem menneske og computer
- Interaktiv genetisk algoritme
- Memetik
- Social computing
Referencer
- Kosorukoff, Alex (1999). Gratis udveksling af viden. internetarkiv
- Kosorukoff, Alex (2000). Humanbaseret genetisk algoritme. online
- Kosorukoff, Alex (2001). Humanbaseret genetisk algoritme. I IEEE International Conference on Systems, Man, and Cybernetics , SMC-2001, 3464-3469. fuld tekst
- Cheng, Chihyung Derrick og Alex Kosorukoff (2004). Interaktivt one-max-problem gør det muligt at sammenligne ydelsen af interaktive og menneskelige genetiske algoritmer. I genetisk og evolutionær beregningskonference , GECCO-2004. fuld tekst
- Milani, Alfredo (2004). Online genetiske algoritmer . International Journal of Information Theories and Applications s. 20–28
- Milani, Alfredo og Silvia Suriani (2004), ADAN: Adaptive Aviser baseret på evolutionær programmering i IEEE / WIC / ACM International Conference on Web Intelligence, (WI'04), s. 779–780, IEEE Press, 2004
- Allan, Michael (2005). Simpel rekombinant design. SourceForge.net, projekt tekstbender, udgivelse 2005.0, fil _ / beskrivelse.html. frigiv arkiver , senere version online
- Kruse, Jan (2015). Interaktiv evolutionær beregning i designapplikationer til virtuelle verdener. fuld tekst
- Kruse, Jan og Connor, Andy (2015). Multi-agent evolutionære systemer til generering af komplekse virtuelle verdener. fuld tekst
