@thebojdaلازلو فاضکاس
توسعه دهنده فریلنسر ، فعال ENVIENTA ، وبلاگ نویس
اگرچه روش استاندارد آموزش شبکه های عصبی ، شیب نزولی و ازدیاد عقب است ، بازیکنان دیگری نیز در این بازی حضور دارند. یکی از آنها الگوریتم های تکاملی است ، مانند الگوریتم های ژنتیک.
مقدمه ای بر الگوریتم های تکاملی
الگوریتم های تکاملی در حال تقلید از تکامل بیولوژیکی هستند. هنگامی که از یک الگوریتم ژنتیک استفاده می کنید ، به DNA نیاز دارید که یک نمونه و یک عملکرد تناسب اندام را نشان می دهد که نشان می دهد یک راه حل داده شده چقدر به دستیابی به اهداف تعیین شده نزدیک است.
در مرحله اول ، جمعیتی از DNA های تصادفی مختلف ایجاد می شود و الگوریتم مقادیر تناسب نمونه ها را محاسبه می کند. در مرحله بعدی ، الگوریتم درصد معینی از جمعیت را بر اساس عملکرد تناسب اندام کاهش می دهد (موارد ضعیف می میرند) و موارد جدیدی را توسط اپراتورهای ژنتیکی ایجاد می کند. عملگرهای ژنتیکی معمولی عبارتند از جهش (جایی که الگوریتم به طور تصادفی برخی از ژن ها را تغییر می دهد) و کراس اوور (جایی که الگوریتم به طور تصادفی توالی ژن ها را در موارد مبادله می کند).
پس از استفاده از عملگرها ، الگوریتم مقادیر تناسب اندام جدید را محاسبه می کند و مراحل قبلی را تکرار می کند. در بلند مدت ، میانگین تناسب اندام در حال افزایش است ، و پس از تعداد کافی تکرار ، الگوریتم راه حل را پیدا می کند.
همانطور که می بینید ، …