5.1. Введение в генетические и эволюционные алгоритмы

Генетические алгоритмы

Особенности идей теории эволюции и самоорганизации заключаются в том, что они находят своё подтверждение не только для биологических систем.

Современная теория ЭА (Эволюционные алгоритмы) начинается с конца 50-х годов. Появились первые работы Бокса и Бремермана, Анохина П.К. [80-82] в области эволюционных методов оптимизации и функциональных систем. Менее заметным было появление работ Фридберга, посвящённых принципам видоизменения и селекции обучающихся автоматов. С середины 60-х годов начали формироваться основные работы по ЭА, в том числе Эволюционные стратегии, эволюционное программирование, генетические алгоритмы и генетическое программирование. Рехенберг и Швефель, работая над проблемой сопротивления линий электропередач, предложили использовать для обеспечения оптимизации непрерывных функций стратегии эволюции, получившей название ЭС (Эволюционная стратегия). Фогель, Оуэнс и Уолш, [82], изучая возможности проектирования интеллектуальных автоматов, пришли к выводу о том, что необходимо применять моделирование с использованием основных операторов поиска мутации и селекции. Холланд [83], проводивший исследования в области адаптивных систем предложил план моделирования эволюции, основу которого составили понятия эволюции, генетического кодирования и генетических операторов. Коzа [84, 85] провёл работы в области генетического программирования. С середины 80-х годов начали регулярно проводиться международные конференции по ЭА. Появилась электронная почта и спец журналы. С 1996 года, с появлением интернета образовалась сеть EvoNet, с помощью которой стали быстро достигаться результаты, работы по генетическим алгоритмам. Это всё способствовало развитию компьютеров и параллельных вычислителей. В настоящее время благодаря этой тематике ЭА мы можем проводить анализ сложных нелинейных систем, совместно с достижениями теории исследования операций ИИ, теории мягких вычислений и моделирования живой природы. На практике ЭА в основном используются для решения оптимизационных задач и дополняют арсенал методов исследования операций, главная цель которых разработка научных методов и средств принятия решений для решения сложных задач с ограничениями на ресурсы. В области ИИ активно начали разрабатываться и решаться задачи распознавания образов, диагностики, классификации и обучения, как проблема поиска в абстрактном пространстве решений,и если цель поиска – оптимизация, то решается вопрос о выборе оптимальных решений, поэтому, с точки зрения методологии ИИ, ЭА являются классом адаптивных стохастических методов поиска, дополняя традиционные стратегии самообучения, базируясь на механизме эволюции живой природы, который на практике доказал свою непримитивность. Фогель вообще видит теорию эволюции и самоорганизации как базовую концепцию всех интеллектуальных процессов и систем, значительно расширяющую сферу применения традиционной парадигмы ИИ. «Мягкие вычисления» прямо противоположны аналитическим методам поиска решений исследования операций и классической парадигме ИИ, в связи с чем возникла пограничная область проектирования систем, являющихся гибридом эволюционных алгоритмов и мягких вычислений [86, 87]. С другой стороны, ЭА могут рассматриваться как базовая технология для проектирования моделей ИИ, имитирующих фундаментальный принцип самоорганизации живых систем: целое больше, чем сумма его частей. Примерами сочетаний идей ЭА и ИИ являются модели системы «жертва-хищник», компьютерных игр, программы художественного дизайна и т.д.[88].