Menneskebasert genetisk algoritme - Human-based genetic algorithm
I evolusjonær beregning er en menneskelig basert genetisk algoritme ( HBGA ) en genetisk algoritme som lar mennesker bidra med løsningsforslag til den evolusjonære prosessen. For dette formålet har en HBGA menneskelige grensesnitt for initialisering, mutasjon og rekombinant crossover. I tillegg kan det ha grensesnitt for selektiv evaluering. Kort sagt, en HBGA outsourcer operasjonene til en typisk genetisk algoritme til mennesker.
Evolusjonære genetiske systemer og menneskelig byrå
Blant evolusjonære genetiske systemer er HBGA den datamaskinbaserte analogen av genteknologi (Allan, 2005). Denne tabellen sammenligner systemer på menneskelige byråer:
| system | sekvenser | innovatør | velgeren |
|---|---|---|---|
| naturlig utvalg | nukleotid | natur | natur |
| kunstig utvalg | nukleotid | natur | menneskelig |
| genteknologi | nukleotid | menneskelig | menneskelig |
| menneskelig basert genetisk algoritme | data | menneskelig | menneskelig |
| interaktiv genetisk algoritme | data | datamaskin | menneskelig |
| genetisk algoritme | data | datamaskin | datamaskin |
Et åpenbart mønster i tabellen er inndelingen mellom organisk (øverst) og datasystemer (nederst). En annen er den vertikale symmetrien mellom autonome systemer (topp og bunn) og menneskelig-interaktive systemer (midt).
Ser til høyre er velgeren agenten som bestemmer egnethet i systemet. Den bestemmer hvilke variasjoner som vil reprodusere og bidra til neste generasjon. I naturlige populasjoner, og i genetiske algoritmer, er disse beslutningene automatiske; mens i typiske HBGA-systemer er de laget av mennesker.
De nyskapende er midlet av genetisk endring. Innovatøren muterer og rekombinerer genetisk materiale for å produsere variasjonene som velgeren opererer på. I de fleste organiske og databaserte systemer (øverst og nederst) er innovasjon automatisk og fungerer uten menneskelig inngripen. I HBGA er innovatørene mennesker.
HBGA er omtrent lik genteknologi. I begge systemene er innovatørene og velgerne mennesker. Hovedforskjellen ligger i det genetiske materialet de jobber med: elektroniske data vs. polynukleotidsekvenser.
Forskjeller fra en ren genetisk algoritme
- Alle fire genetiske operatorer (initialisering, mutasjon, crossover og seleksjon) kan delegeres til mennesker ved hjelp av passende grensesnitt (Kosorukoff, 2001).
- Initialisering blir behandlet som en operatør, snarere enn en fase av algoritmen. Dette gjør at en HBGA kan starte med en tom befolkning. Initialisering, mutasjon og crossover-operatører utgjør gruppen av innovasjonsoperatører.
- Valg av genetisk operator kan også delegeres til mennesker, så de blir ikke tvunget til å utføre en bestemt operasjon til enhver tid.
Funksjonelle funksjoner
- HBGA er en metode for samarbeid og kunnskapsutveksling. Den fusjonerer kompetansen til sine menneskelige brukere og skaper en slags symbiotisk menneske-maskin intelligens (se også distribuert kunstig intelligens ).
- Menneskelig innovasjon tilrettelegges ved å sample løsninger fra befolkningen, assosiere og presentere dem i forskjellige kombinasjoner for en bruker (se kreativitetsteknikker ).
- HBGA muliggjør konsensus og beslutningstaking ved å integrere brukernes individuelle preferanser.
- HBGA benytter seg av en kumulativ læringside mens de løser et sett med problemer samtidig. Dette gjør det mulig å oppnå synergi fordi løsninger kan generaliseres og brukes på nytt blant flere problemer. Dette gjør det også lettere å identifisere nye interesseproblemer og fordeling av ressursfordeling blant problemer av ulik betydning.
- Valget av genetisk representasjon, et vanlig problem med genetiske algoritmer, er sterkt forenklet i HBGA, siden algoritmen ikke trenger å være klar over strukturen til hver løsning. Spesielt tillater HBGA naturlig språk å være en gyldig representasjon.
- Lagring og prøvetaking av populasjon forblir vanligvis en algoritmisk funksjon.
- En HBGA er vanligvis en flermiddelsystem , delegere genetiske operasjoner til flere midler (mennesker).
applikasjoner
- Evolusjonær kunnskapsadministrasjon , integrering av kunnskap fra forskjellige kilder.
- Sosial organisering , kollektiv beslutningstaking og e-styring .
- Tradisjonelle bruksområder for interaktive genetiske algoritmer : datakunst , brukersentrert design , etc.
- Samarbeidsproblemløsning ved å bruke naturlig språk som en representasjon.
- Utdanning og faglige fordeler fra sanntidsimulering med syntetisk læreplanmodellering ved bruk av Dynamic Point Cloud-miljøer.
HBGA-metoden ble hentet i 1999-2000 fra analyse av Free Knowledge Exchange-prosjektet som ble lansert sommeren 1998, i Russland (Kosorukoff, 1999). Menneskelig innovasjon og evaluering ble brukt til støtte for samarbeidsproblemløsning. Brukerne hadde også frihet til å velge neste genetiske operasjon som skulle utføres. Foreløpig implementerer flere andre prosjekter den samme modellen, den mest populære er Yahoo! Svar , lansert i desember 2005.
Nyere forskning tyder på at menneskelige baserte innovasjonsoperatører er fordelaktige ikke bare der det er vanskelig å designe en effektiv beregningsmutasjon og / eller kryssoverføring (f.eks. Når de utvikler løsninger på naturlig språk), men også i tilfelle der gode beregningsinnovasjonsoperatører er lett tilgjengelige. , f.eks. når man utvikler et abstrakt bilde eller farger (Cheng og Kosorukoff, 2004). I sistnevnte tilfelle kan menneskelig og beregningsmessig innovasjon utfylle hverandre, produsere samarbeidsresultater og forbedre den generelle brukeropplevelsen ved å sikre at brukernes spontane kreativitet ikke går tapt.
Videre viser menneskelige genetiske algoritmer å være et vellykket tiltak for å motvirke utmattelseseffekter introdusert av interaktive genetiske algoritmer .
Se også
- Menneskebasert beregning
- Menneskelig basert evolusjonær beregning
- Samhandling mellom menneske og datamaskin
- Interaktiv genetisk algoritme
- Memetics
- Sosial databehandling
Referanser
- Kosorukoff, Alex (1999). Gratis kunnskapsutveksling. internettarkiv
- Kosorukoff, Alex (2000). Menneskelig genetisk algoritme. på nett
- Kosorukoff, Alex (2001). Menneskelig genetisk algoritme. I IEEE International Conference on Systems, Man, and Cybernetics , SMC-2001, 3464-3469. full tekst
- Cheng, Chihyung Derrick og Alex Kosorukoff (2004). Interaktivt one-max-problem gjør det mulig å sammenligne ytelsen til interaktive og menneskelige genetiske algoritmer. I genetisk og evolusjonær beregningskonferanse , GECCO-2004. full 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 Newspapers based on Evolutionary Programming In IEEE / WIC / ACM International Conference on Web Intelligence, (WI'04), s. 779–780, IEEE Press, 2004
- Allan, Michael (2005). Enkel rekombinant design. SourceForge.net, prosjekt tekstbender, utgivelse 2005.0, fil _ / beskrivelse.html. slippe arkiver , senere versjon online
- Kruse, Jan (2015). Interaktiv evolusjonær beregning i designapplikasjoner for virtuelle verdener. full tekst
- Kruse, Jan og Connor, Andy (2015). Multi-agent evolusjonære systemer for generering av komplekse virtuelle verdener. full tekst
Eksterne linker
- Free Knowledge Exchange , et prosjekt som bruker HBGA for samarbeidsløsning av problemer uttrykt i naturlig språk.
- ParEvo , ParEvo er en metode for å utvikle alternative fremtidsscenarier, ved hjelp av en deltakende evolusjonær prosess
