Algorithme génétique basé sur l'homme - Human-based genetic algorithm

Dans le calcul évolutif , un algorithme génétique basé sur l'homme ( HBGA ) est un algorithme génétique qui permet aux humains d'apporter des suggestions de solutions au processus évolutif. À cette fin, un HBGA a des interfaces humaines pour l'initialisation, la mutation et le croisement recombinant. De plus, il peut avoir des interfaces pour une évaluation sélective. En bref, un HBGA sous-traite les opérations d'un algorithme génétique typique à l'homme.

Systèmes génétiques évolutifs et agence humaine

Parmi les systèmes génétiques évolutifs, l'HBGA est l'analogue informatisé du génie génétique (Allan, 2005). Ce tableau compare les systèmes sur les lignes d'agence humaine:

système séquences innovateur sélecteur
sélection naturelle nucléotide la nature la nature
selection artificielle nucléotide la nature Humain
ingénierie génétique nucléotide Humain Humain
algorithme génétique basé sur l'homme Les données Humain Humain
algorithme génétique interactif Les données ordinateur Humain
algorithme génétique Les données ordinateur ordinateur

Un modèle évident dans le tableau est la division entre les systèmes organiques (en haut) et les systèmes informatiques (en bas). Une autre est la symétrie verticale entre les systèmes autonomes (haut et bas) et les systèmes interactifs avec l'homme (au milieu).

En regardant vers la droite, le sélecteur est l'agent qui décide de l'adéquation dans le système. Il détermine quelles variations se reproduiront et contribueront à la prochaine génération. Dans les populations naturelles et dans les algorithmes génétiques, ces décisions sont automatiques; alors que dans les systèmes HBGA typiques, ils sont fabriqués par des personnes.

L' innovateur est l'agent du changement génétique. L'innovateur mute et recombine le matériel génétique, pour produire les variations sur lesquelles opère le sélecteur. Dans la plupart des systèmes organiques et informatisés (haut et bas), l'innovation est automatique, fonctionnant sans intervention humaine. Dans HBGA, les innovateurs sont des personnes.

L'HBGA est à peu près similaire au génie génétique. Dans les deux systèmes, les innovateurs et les sélecteurs sont des personnes. La principale différence réside dans le matériel génétique avec lequel ils travaillent: les données électroniques par rapport aux séquences polynucléotidiques.

Différences par rapport à un algorithme génétique simple

  • Les quatre opérateurs génétiques (initialisation, mutation, croisement et sélection) peuvent être délégués aux humains en utilisant les interfaces appropriées (Kosorukoff, 2001).
  • L'initialisation est traitée comme un opérateur plutôt que comme une phase de l'algorithme. Cela permet à un HBGA de démarrer avec une population vide. Les opérateurs d'initialisation, de mutation et de croisement forment le groupe des opérateurs d'innovation.
  • Le choix de l'opérateur génétique peut également être délégué aux humains, afin qu'ils ne soient pas obligés d'effectuer une opération particulière à un moment donné.

Caractéristiques fonctionnelles

  • HBGA est une méthode de collaboration et d'échange de connaissances. Il fusionne la compétence de ses utilisateurs humains en créant une sorte d'intelligence symbiotique homme-machine (voir aussi intelligence artificielle distribuée ).
  • L'innovation humaine est facilitée par l'échantillonnage de solutions issues de la population, en les associant et en les présentant dans différentes combinaisons à un utilisateur (voir techniques de créativité ).
  • HBGA facilite le consensus et la prise de décision en intégrant les préférences individuelles de ses utilisateurs.
  • HBGA utilise une idée d' apprentissage cumulative tout en résolvant un ensemble de problèmes simultanément. Cela permet de réaliser une synergie car les solutions peuvent être généralisées et réutilisées parmi plusieurs problèmes. Cela facilite également l'identification de nouveaux problèmes d'intérêt et une répartition équitable des ressources entre les problèmes d'importance différente.
  • Le choix de la représentation génétique, problème courant des algorithmes génétiques, est grandement simplifié dans HBGA, puisque l'algorithme n'a pas besoin de connaître la structure de chaque solution. En particulier, HBGA permet au langage naturel d'être une représentation valide.
  • Le stockage et l'échantillonnage de la population restent généralement une fonction algorithmique.
  • Un HBGA est généralement un système multi-agents , déléguant des opérations génétiques à plusieurs agents (humains).

Applications

La méthodologie HBGA a été dérivée en 1999-2000 de l'analyse du projet d'échange de connaissances gratuit lancé à l'été 1998 en Russie (Kosorukoff, 1999). L'innovation humaine et l'évaluation ont été utilisées pour soutenir la résolution de problèmes en collaboration. Les utilisateurs étaient également libres de choisir la prochaine opération génétique à effectuer. Actuellement, plusieurs autres projets implémentent le même modèle, le plus populaire étant Yahoo! Answers , lancé en décembre 2005.

Des recherches récentes suggèrent que les opérateurs d'innovation humaine sont avantageux non seulement lorsqu'il est difficile de concevoir une mutation informatique efficace et / ou un croisement (par exemple lors de l'évolution de solutions en langage naturel), mais également dans le cas où de bons opérateurs d'innovation informatique sont facilement disponibles. , par exemple lors de l'évolution d'une image abstraite ou de couleurs (Cheng et Kosorukoff, 2004). Dans ce dernier cas, l'innovation humaine et informatique peut se compléter, produire des résultats coopératifs et améliorer l'expérience utilisateur générale en garantissant que la créativité spontanée des utilisateurs ne sera pas perdue.

En outre, les algorithmes génétiques d'origine humaine s'avèrent être une mesure efficace pour contrer les effets de fatigue introduits par les algorithmes génétiques interactifs .

Voir également

Références

  • Kosorukoff, Alex (1999). Échange de connaissances gratuit. archives Internet
  • Kosorukoff, Alex (2000). Algorithme génétique basé sur l'homme. en ligne
  • Kosorukoff, Alex (2001). Algorithme génétique basé sur l'homme. Dans IEEE International Conference on Systems, Man, and Cybernetics , SMC-2001, 3464-3469. texte intégral
  • Cheng, Chihyung Derrick et Alex Kosorukoff (2004). Le problème interactif one-max permet de comparer les performances d'algorithmes génétiques interactifs et basés sur l'homme. Dans Genetic and Evolutionary Computational Conference , GECCO-2004. texte intégral
  • Milani, Alfredo (2004). Algorithmes génétiques en ligne . Revue internationale des théories et applications de l'information pp. 20–28
  • Milani, Alfredo et Silvia Suriani (2004), ADAN: Adaptive Newspapers based on Evolutionary Programming In IEEE / WIC / ACM International Conference on Web Intelligence, (WI'04), pp. 779–780, IEEE Press, 2004
  • Allan, Michael (2005). Conception recombinante simple. SourceForge.net, projet textbender, version 2005.0, fichier _ / description.html. archives de publication , version ultérieure en ligne
  • Kruse, janv. (2015). Calcul évolutif interactif dans les applications de conception pour les mondes virtuels. texte intégral
  • Kruse, Jan et Connor, Andy (2015). Systèmes évolutifs multi-agents pour la génération de mondes virtuels complexes. texte intégral

Liens externes

  • Free Knowledge Exchange , un projet utilisant HBGA pour la résolution collaborative de problèmes exprimés en langage naturel.
  • ParEvo , ParEvo est une méthode de développement de scénarios futurs alternatifs, utilisant un processus évolutif participatif