Evoluciono računarstvo

Evolucija populacije slučajnih slika. Svaki kadar u animaciji je generacija koja prikazuje najbolju osobu u pogledu fitnesa sa genomom sastavljenim od nivoa sivih tonova svakog segmenta. Evolucija prati korake: 1. procena fitnesa, 2. rangiranje pojedinca i 3. uključitivanje gena sledećeg pojedinca sa najboljim fitnesom. Fitnes je razlika greške u odnodu na sliku Čarlsa Darvina
Deo serije o evolucijskoj biologiji
Evoluciona biologija
Darvinove zebe od Džona Gulda
Ključne teme
Procesi i ishodi
Prirodna istorija
Istorija evolucijske teorije
Polja i primene
Socijalne implikacije

U računarskoj nauci, evoluciono računarstvo je porodica algoritama za globalnu optimizaciju inspirisana biološkom evolucijom,[1][2][3][4][5] i podoblast veštačke inteligencije i mekog računarstva koja proučava ove algoritme. U tehničkom smislu, oni su populaciono zasnovana porodica rešavanja problema tipa pokušaja i grešaka sa metaheurističkim[6] ili stohastičkim karakterom optimizacije.[7][8][9]

U evolucionom proračunu, početni skup rešenja kandidata se generiše i iterativno ažurira. Svaka nova generacija se proizvodi stohastičkim uklanjanjem manje željenih rešenja i uvođenjem malih nasumičnih promena kao i, u zavisnosti od metode, mešanjem roditeljskih informacija. U biološkoj terminologiji, populacija rešenja je podvrgnuta prirodnoj selekciji (ili veštačkoj selekciji), mutaciji i eventualno rekombinaciji. Kao rezultat, populacija će postepeno evoluirati kako bi se povećala fitnes, u ovom slučaju izabrane funkcije fitnesa algoritma.[10][11]

Evolucione tehnike računanja mogu da proizvedu visoko optimizovana rešenja u širokom spektru podešavanja problema, što ih čini popularnim u računarskoj nauci. Postoje mnoge varijante i proširenja, prilagođena specifičnijim porodicama problema i struktura podataka. Evoluciono računanje se takođe ponekad koristi u evolucionoj biologiji kao in silico eksperimentalna procedura za proučavanje uobičajenih aspekata opštih evolucionih procesa.

Reference

  1. ^ Hall & Hallgrímsson 2008, стр. 4–6
  2. ^ „Evolution Resources”. Washington, DC: National Academies of Sciences, Engineering, and Medicine. 2016. Архивирано из оригинала 3. 6. 2016. г. 
  3. ^ Scott-Phillips, Thomas C.; Laland, Kevin N.; Shuker, David M.; et al. (мај 2014). „The Niche Construction Perspective: A Critical Appraisal”. Evolution. 68 (5): 1231—1243. ISSN 0014-3820. PMC 4261998 Слободан приступ. PMID 24325256. doi:10.1111/evo.12332. „Evolutionary processes are generally thought of as processes by which these changes occur. Four such processes are widely recognized: natural selection (in the broad sense, to include sexual selection), genetic drift, mutation, and migration (Fisher 1930; Haldane 1932). The latter two generate variation; the first two sort it.” 
  4. ^ Hall & Hallgrímsson 2008, стр. 3–5
  5. ^ Voet, Voet & Pratt 2016, стр. 1–22, Chapter 1: Introduction to the Chemistry of Life
  6. ^ Sörensen, Kenneth (2015). „Metaheuristics—the metaphor exposed” (PDF). International Transactions in Operational Research. 22: 3—18. CiteSeerX 10.1.1.470.3422 Слободан приступ. S2CID 14042315. doi:10.1111/itor.12001. Архивирано из оригинала (PDF) 2013-11-02. г. 
  7. ^ Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3. 
  8. ^ Fu, M. C. (2002). „Optimization for Simulation: Theory vs. Practice”. INFORMS Journal on Computing. 14 (3): 192—227. doi:10.1287/ijoc.14.3.192.113. 
  9. ^ M.C. Campi and S. Garatti. The Exact Feasibility of Randomized Solutions of Uncertain Convex Programs. SIAM J. on Optimization, 19, no.3: 1211–1230, 2008.[1]
  10. ^ Wassersug, J. D., and R. J. Wassersug, 1986. Fitness fallacies. Natural History 3:34–37.
  11. ^ Kimura, James F. Crow, Motoo (1970). An introduction to population genetics theory ([Reprint] изд.). New Jersey: Blackburn Press. стр. 5. ISBN 978-1-932846-12-6. 

Literatura

Spoljašnje veze