Kebugaran fungsi

Sebuah fungsi fitness adalah jenis tertentu dari fungsi tujuan yang digunakan untuk meringkas, sebagai single Sosok manfaat , seberapa dekat solusi desain yang diberikan adalah untuk mencapai set bertujuan.

Secara khusus, di bidang pemrograman genetik dan algoritma genetika , setiap solusi desain direpresentasikan sebagai string angka (disebut sebagai kromosom ). Setelah setiap putaran pengujian, atau simulasi, idenya adalah untuk menghapus solusi terburuk 'n' desain, dan untuk berkembang biak yang baru 'n' dari solusi desain terbaik. Setiap solusi desain, oleh karena itu, perlu diberikan sosok merit, untuk menunjukkan seberapa dekat itu datang untuk memenuhi spesifikasi keseluruhan, dan ini dihasilkan dengan menerapkan fungsi fitness untuk tes, atau simulasi, hasil yang diperoleh dari solusi itu.
Alasan bahwa algoritma genetik bukan cara malas melakukan pekerjaan desain justru karena upaya yang terlibat dalam merancang sebuah fungsi fitness yang bisa diterapkan. Meskipun tidak lagi menjadi desainer manusia, tetapi komputer, yang muncul dengan desain akhir, itu adalah manusia yang memiliki desainer untuk merancang fungsi kebugaran. Jika ini dirancang secara salah, algoritma baik akan fokus pada solusi yang tidak sesuai, atau akan mengalami kesulitan konvergensi sama sekali.
Selain itu, fungsi fitness tidak hanya harus berhubungan erat dengan tujuan perancang, juga harus dihitung dengan cepat. Kecepatan eksekusi sangat penting, sebagai algoritma genetik khas harus mengulangi berkali-kali untuk menghasilkan hasil yang dapat digunakan untuk masalah non-sepele.
Pendekatan Kebugaran mungkin tidak sesuai, terutama pada kasus berikut:

• Kebugaran perhitungan waktu dari solusi tunggal sangat tinggi
• Model yang tepat untuk kebugaran perhitungan yang hilang
• Fungsi kebugaran tidak pasti atau berisik.

Dua kelas utama fungsi kebugaran ada: satu di mana fungsi kebugaran tidak berubah, seperti dalam mengoptimalkan fungsi tetap atau pengujian dengan tetap set uji kasus, dan satu di mana fungsi fitness bisa berubah, seperti dalam diferensiasi niche atau co-berkembang set uji kasus.
Cara lain untuk melihat fungsi kebugaran adalah dalam hal sebuah lanskap kebugaran , yang menunjukkan kebugaran untuk setiap kromosom mungkin.
Definisi dari fungsi fitness tidak langsung dalam banyak kasus dan sering dilakukan secara iteratif jika solusi terkuat yang diproduksi oleh GA tidak apa yang diinginkan. Dalam beberapa kasus, sangat sulit atau tidak mungkin untuk datang bahkan dengan menebak apa kebugaran definisi fungsi mungkin. algoritma genetik Interaktif mengatasi kesulitan ini dengan evaluasi outsourcing untuk agen eksternal (biasanya manusia).

 

Readmore →