Генетический алгоритм на основе человека - Human-based genetic algorithm

В эволюционные вычисления, а человеческий генетический алгоритм (HBGA) это генетический алгоритм что позволяет людям вносить предложения решений в эволюционный процесс. Для этой цели HBGA имеет человеческие интерфейсы для инициализации, мутации и рекомбинантного кроссовера. Кроме того, он может иметь интерфейсы для выборочной оценки. Короче говоря, HBGA передает работу типичного генетического алгоритма людям.

Эволюционные генетические системы и деятельность человека

Среди эволюционных генетических систем HBGA является компьютерным аналогом генной инженерии (Allan, 2005). В этой таблице сравниваются системы по линиям деятельности человека:

система	последовательности	новатор	селектор
естественный отбор	нуклеотид	природа	природа
искусственный отбор	нуклеотид	природа	человек
генная инженерия	нуклеотид	человек	человек
человеческий генетический алгоритм	данные	человек	человек
интерактивный генетический алгоритм	данные	компьютер	человек
генетический алгоритм	данные	компьютер	компьютер

Один из очевидных паттернов в таблице - это разделение между органическими (вверху) и компьютерными системами (внизу). Другой - вертикальная симметрия между автономными системами (вверху и внизу) и системами, взаимодействующими с человеком (посередине).

Глядя вправо, селектор это агент, который определяет приспособленность системы. Он определяет, какие вариации будут воспроизводиться и способствовать следующему поколению. В естественных популяциях и в генетических алгоритмах эти решения принимаются автоматически; тогда как в типичных системах HBGA их делают люди.

В новатор является агентом генетических изменений. Новатор мутирует и рекомбинирует генетический материал, чтобы произвести вариации, над которыми работает селектор. В большинстве органических и компьютерных систем (вверху и внизу) инновации происходят автоматически, без вмешательства человека. HBGA, новаторы - люди.

HBGA примерно похож на генную инженерию. В обеих системах новаторами и селекторами являются люди. Основное различие заключается в генетическом материале, с которым они работают: электронные данные и полинуклеотидные последовательности.

Отличия от простого генетического алгоритма

Все четыре генетических оператора (инициализация, мутация, кроссовер и отбор) могут быть делегированы людям с использованием соответствующих интерфейсов (Kosorukoff, 2001).
Инициализация рассматривается как оператор, а не как этап алгоритма. Это позволяет начать HBGA с пустой популяцией. Операторы инициализации, мутации и кроссовера образуют группу операторов инноваций.
Выбор генетического оператора также может быть делегирован людям, поэтому они не обязаны выполнять определенную операцию в любой данный момент.

Функциональные особенности

HBGA - это метод сотрудничества и обмена знаниями. Он объединяет компетенции своих пользователей, создавая своего рода симбиотический человеко-машинный интеллект (см. Также распределенный искусственный интеллект ).
Человеческим инновациям способствует выборка решений среди населения, их сопоставление и представление в различных комбинациях пользователю (см. техники творчества ).
HBGA способствует достижению консенсуса и принятию решений за счет интеграции индивидуальных предпочтений своих пользователей.
HBGA использует кумулятивное обучение идея при одновременном решении множества задач. Это позволяет достичь синергии, поскольку решения могут быть обобщены и повторно использованы для решения нескольких проблем. Это также способствует выявлению новых представляющих интерес проблем и справедливому распределению ресурсов между проблемами разной важности.
Выбор генетического представления, распространенная проблема генетических алгоритмов, значительно упрощается в HBGA, поскольку алгоритм не должен знать структуру каждого решения. В частности, HBGA позволяет естественному языку быть допустимым представлением.
Сохранение и выборка совокупности обычно остается алгоритмической функцией.
HBGA обычно многоагентная система, делегирование генетических операций нескольким агентам (людям).

Приложения

Эволюционный управление знаниями, интеграция знаний из разных источников.
Социальная организация, коллективное принятие решений, и электронное управление.
Традиционные области применения интерактивные генетические алгоритмы: компьютерное искусство, ориентированный на пользователя дизайн, так далее.
Совместное решение проблем с использованием естественного языка в качестве представления.
Образовательные и академические преимущества от моделирования в реальном времени с синтетическим моделированием учебной программы с использованием сред динамического облака точек.

Методология HBGA была получена в 1999-2000 гг. На основе анализа проекта свободного обмена знаниями, который был запущен летом 1998 г. в России (Kosorukoff, 1999). Человеческие инновации и оценка использовались для поддержки совместного решения проблем. Пользователи также могли выбрать следующую генетическую операцию для выполнения. В настоящее время несколько других проектов реализуют ту же модель, наиболее популярным из которых является Yahoo! Ответы, запущен в декабре 2005 года.

Недавние исследования показывают, что операторы инноваций, основанные на человеке, выгодны не только там, где сложно разработать эффективную вычислительную мутацию и / или кроссовер (например, при разработке решений на естественном языке), но также и в том случае, когда хорошие операторы вычислительных инноваций легко доступны. , например при разработке абстрактного изображения или цветов (Cheng and Kosorukoff, 2004). В последнем случае человеческие и вычислительные инновации могут дополнять друг друга, давая совместные результаты и улучшая общий пользовательский опыт, гарантируя, что спонтанное творчество пользователей не будет потеряно.

Кроме того, генетические алгоритмы, созданные человеком, оказались успешной мерой для противодействия эффектам усталости, вызванным интерактивные генетические алгоритмы.^[1]

Смотрите также

внешняя ссылка

Бесплатный обмен знаниями, проект, использующий HBGA для совместного решения задач, выраженных на естественном языке.

[1] Kruse, J .; Коннор, А. (2015). «Многоагентные эволюционные системы для генерации сложных виртуальных миров». Подтвержденные транзакции EAI в отношении Creative Technologies. 2 (5): 150099. arXiv:1604.05792. Дои:10.4108 / eai.20-10-2015.150099. S2CID 12670076.

[1]