Rastgele Evrimsel Optimizasyon Arama
Stochastic Genetic Algorithm — Randomized evolutionary search for combinatorial and continuous optimization · Ayrıca şöyle bilinir: SGA, Canonical Genetic Algorithm, Simple Genetic Algorithm, Evolutionary Algorithm
Rastgele Genetik Algoritma (RGA), karmaşık, doğrusal olmayan veya birleştirilebilir uzaylarda tama yakın optimal çözümler aramak için biyolojik evrimi — seçilim, çaprazlama ve mutasyon — taklit eden popülasyon tabanlı bir meta sezgisel yöntemdir. Rastgeleleştirilmiş operatörleri, onu yerel optimumlara karşı dayanıklı kılar ve mühendislik, çizelgeleme, makine öğrenmesi ve operasyonel araştırmalar alanlarında geniş çapta uygulanabilir hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Rastgele Genetik Algoritma şu durumlarda kullanın: (1) arama uzayı büyük, çok modlu veya süreksiz ve gradyan tabanlı yöntemler başarısız olduğunda veya uygulanamadığında; (2) amaç fonksiyonu kara kutu, gürültülü veya değerlendirmesi pahalı ancak popülasyon düzeyinde örnekleme için elverişli olduğunda; (3) birleştirilebilir veya karma tamsayılı problemlerin verimli kesin çözücüleri olmadığında; (4) makul sayıda değerlendirme içinde bulunan tama yakın bir çözüm kabul edilebilir olduğunda. SGA'yı şu durumlarda KULLANMAYIN: problem dışbükey olduğunda veya gradyan mevcut ve ucuz olduğunda — klasik optimizasyon daha hızlı yakınsar; fonksiyon değerlendirmeleri son derece pahalı olduğunda (onlarca veya yüzlerce), popülasyon tabanlı yöntemler bütçeyi tüketebilir; veya kanıtlanabilir bir optimal çözüm gerektiğinde, çünkü GA'lar optimallik garantisi sunmaz.
Güçlü yönler & sınırlılıklar
- Gradyan bilgisi gerektirmez — kara kutu, süreksiz veya türevlenemez amaçlara uygulanabilir.
- Uygun kodlama ile birleştirilebilir, karma tamsayılı ve permütasyon arama uzaylarını doğal olarak işler.
- Tasarıma göre paralelleştirilebilir: duvar saati süresini azaltarak popülasyon paralel olarak değerlendirilebilir.
- Popülasyon çeşitliliği ve rastgele keşif sayesinde yerel optimumlara karşı dayanıklıdır.
- Son derece genişletilebilir: operatörler, kodlamalar ve seçilim şemaları alan özgü kısıtlamalar için özelleştirilebilir.
- Küresel optimumu bulma garantisi yoktur; çözüm kalitesi popülasyon büyüklüğüne, operatör seçimlerine ve nesil sayısına bağlıdır.
- Hesaplama açısından pahalıdır, pürüzsüz, düşük boyutlu problemler üzerinde gradyan tabanlı yöntemlere kıyasla — çok sayıda fonksiyon değerlendirmesi gereklidir.
- Hiperparametre ayarı (popülasyon büyüklüğü, çaprazlama oranı, mutasyon oranı) probleme bağlıdır ve genellikle deney gerektirir.
- Seçilim baskısı çok yüksekse veya mutasyon oranı çok düşükse erken yakınsama meydana gelebilir, bu da aramayı alt optimal bölgelere hapseder.
SSS
Rastgele Genetik Algoritma, standart bir Genetik Algoritmadan nasıl farklıdır?
'Rastgele' etiketi, tüm temel operatörlerin — seçilim, çaprazlama ve mutasyon — olasılıksal çekilişler içerdiğini vurgular. Holland tarafından tanıtılan kanonik GA doğası gereği rastgeledir. Etiket, nadir deterministik varyantlardan (örneğin, deterministik kalabalıklaşma) ayırmak ve algoritmanın rastgelelik nedeniyle çalıştırmalar arasında değiştiğini netleştirmek için simülasyon/optimizasyon literatüründe kullanılır.
Popülasyon ne kadar büyük olmalı?
Orta boyutlu problemler için yaygın bir başlangıç noktası 50-200 bireydir. Daha büyük popülasyonlar çeşitliliği artırır ve erken yakınsamayı azaltır ancak nesil başına hesaplama maliyetini artırır. Kromozom uzunluğuna dayalı kaba kurallar (örneğin, gen sayısının 10 katı) mevcuttur, ancak ampirik ayarlama veya meta-optimizasyon genellikle gereklidir.
Ne zaman Parçacık Sürü Optimizasyonu veya Simüle Edilmiş Tavlama'yı Genetik Algoritma yerine tercih etmeliyim?
Parçacık Sürü Optimizasyonu (PSO), hız bilgisinden yararlandığı için sürekli gerçek değerli problemler üzerinde genellikle daha hızlıdır. Simüle Edilmiş Tavlama (SA), uygulaması daha basittir ve tek çözüm yörünge araması için etkili olabilir. GA'lar, arama uzayı birleştirilebilir olduğunda, çaprazlamanın çözüm yapılarını anlamlı bir şekilde yeniden birleştirdiğinde veya popülasyon çeşitliliğinin çok modlu manzaralar için değerli olduğu durumlarda tercih edilir.
Rastgele Genetik Algoritma yüksek boyutlu problemlere ölçeklenir mi?
Popülasyonun uzayı yeterince örnekleyecek kadar büyük olması gerektiğinden, performans çok yüksek boyutlarda (yüzlerce ila binlerce değişken) düşer. Bağlantı öğrenen GA'lar, dağılım algoritması tahminleri veya göçlü ada modelleri gibi özel varyantlar ölçeklenebilirliği ele alır ancak karmaşıklık ekler.
Bir Genetik Algoritmada kısıtları nasıl ele alırım?
Üç ana strateji kullanılır: (1) kısıt ihlalleri için uygunluğu azaltan ceza fonksiyonları; (2) uygun olmayan yavruları uygun bölgeye geri yansıtan onarım operatörleri; (3) yapım gereği yalnızca uygun çözümler üreten özel kodlamalar ve operatörler. Ceza tabanlı yöntemlerin uygulanması en kolay olanıdır ancak ceza katsayılarının dikkatli bir şekilde ayarlanmasını gerektirir.
Kaynaklar
- Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor. ISBN: 978-0262581110
- Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading, MA. ISBN: 978-0201157673
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Stochastic Genetic Algorithm — Randomized evolutionary search for combinatorial and continuous optimization. ScholarGate. https://scholargate.app/tr/simulation/stochastic-genetic-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır
- Simulated AnnealingOptimizasyon↔ karşılaştır
- Belirsizlik Altında Stokastik Çok Amaçlı OptimizasyonSimülasyon↔ karşılaştır
- Rastgele Parçacık Sürü OptimizasyonuSimülasyon↔ karşılaştır