Lidský genetický algoritmus - Human-based genetic algorithm

v evoluční výpočet, a lidský genetický algoritmus (HBGA) je genetický algoritmus který umožňuje lidem přispívat návrhy řešení do evolučního procesu. Za tímto účelem má HBGA lidská rozhraní pro inicializaci, mutaci a rekombinantní křížení. Může mít také rozhraní pro selektivní hodnocení. Stručně řečeno, HBGA zadává lidem operace typického genetického algoritmu.

Evoluční genetické systémy a agentura člověka

Mezi evolučními genetickými systémy je HBGA počítačovým analogem genetického inženýrství (Allan, 2005). Tato tabulka porovnává systémy v liniích lidské činnosti:

Jednoznačným vzorem v tabulce je rozdělení mezi organickými (nahoře) a počítačovými systémy (dole). Dalším je vertikální symetrie mezi autonomními systémy (nahoře a dole) a lidsky-interaktivními systémy (uprostřed).

Při pohledu doprava je volič je agent, který rozhoduje o kondici v systému. Určuje, které variace se budou reprodukovat a přispívat k další generaci. V přirozených populacích a v genetických algoritmech jsou tato rozhodnutí automatická; zatímco v typických systémech HBGA jsou vyráběny lidmi.

The zlepšovatel je původcem genetické změny. Inovátor mutuje a rekombinuje genetický materiál, aby vytvořil varianty, se kterými selektor pracuje. Ve většině organických a počítačových systémů (horní a dolní) je inovace automatická a funguje bez lidského zásahu. HBGA, inovátoři jsou lidé.

HBGA je zhruba podobné genetickému inženýrství. V obou systémech jsou inovátory a selektory lidé. Hlavní rozdíl spočívá v genetickém materiálu, s nímž pracují: elektronická data vs. polynukleotidové sekvence.

Rozdíly od obyčejného genetického algoritmu

• Všechny čtyři genetické operátory (inicializace, mutace, křížení a selekce) lze delegovat na člověka pomocí vhodných rozhraní (Kosorukoff, 2001).
• Inicializace je považována za operátor, spíše než za fázi algoritmu. To umožňuje HBGA začít s prázdnou populací. Inicializační, mutační a crossover operátoři tvoří skupinu inovačních operátorů.
• Volba genetického operátora může být přenesena i na člověka, takže nejsou nuceni provést určitou operaci v daném okamžiku.

Funkční vlastnosti

• HBGA je metoda spolupráce a výměny znalostí. Spojuje kompetence svých lidských uživatelů a vytváří jakýsi druh symbiotické inteligence člověk-stroj (viz také distribuovaná umělá inteligence ).
• Lidská inovace je usnadněna vzorkováním řešení z populace, jejich sdružením a prezentací v různých kombinacích uživateli (viz techniky kreativity ).
• HBGA usnadňuje konsenzus a rozhodování integrací individuálních preferencí svých uživatelů.
• HBGA využívá a kumulativní učení nápad při současném řešení řady problémů. To umožňuje dosáhnout synergie, protože řešení lze zobecnit a znovu použít mezi několika problémy. To také usnadňuje identifikaci nových problémů zájmu a alokaci zdrojů spravedlivého sdílení mezi problémy různého významu.
• Volba genetické reprezentace, běžného problému genetických algoritmů, je v HBGA značně zjednodušena, protože algoritmus nemusí znát strukturu každého řešení. HBGA zejména umožňuje, aby přirozený jazyk byl platnou reprezentací.
• Ukládání a vzorkování populace obvykle zůstává algoritmickou funkcí.
• HBGA je obvykle a multiagentní systém, delegování genetických operací na více agentů (lidí).

Aplikace

• Evoluční řízení znalostí, integrace znalostí z různých zdrojů.
• Sociální organizace, kolektivní rozhodování, a elektronická správa věcí veřejných.
• Tradiční oblasti použití interaktivní genetické algoritmy: počítačové umění, design zaměřený na uživatele, atd.
• Kolaborativní řešení problémů s využitím přirozeného jazyka jako reprezentace.
• Vzdělávací a akademické výhody simulace v reálném čase se syntetickým modelováním osnov s využitím prostředí dynamických cloudových bodů.

Metodika HBGA byla odvozena v letech 1999–2000 z analýzy projektu Free Knowledge Exchange, který byl zahájen v létě 1998 v Rusku (Kosorukoff, 1999). Lidské inovace a hodnocení byly použity na podporu společného řešení problémů. Uživatelé si také mohli zvolit další genetickou operaci, kterou mají provést. V současné době implementuje stejný model několik dalších projektů, nejoblíbenější je Yahoo! Odpovědi, který byl zahájen v prosinci 2005.

Nedávný výzkum naznačuje, že operátoři inovací na bázi člověka jsou výhodní nejen tam, kde je těžké navrhnout efektivní výpočetní mutaci a / nebo crossover (např. Při vývoji řešení v přirozeném jazyce), ale také v případě, kdy jsou snadno k dispozici operátoři inovací založené na výpočetní technice např při vývoji abstraktního obrazu nebo barev (Cheng a Kosorukoff, 2004). V druhém případě se mohou lidské a výpočetní inovace navzájem doplňovat, dosahovat výsledků spolupráce a zlepšovat obecný uživatelský zážitek tím, že zajistí, aby nedošlo ke ztrátě spontánní kreativity uživatelů.

Kromě toho se genetické algoritmy založené na člověku osvědčily jako úspěšné opatření k vyrovnání účinků únavy způsobených metodou interaktivní genetické algoritmy.^[1]

Viz také

• Výpočet na základě člověka
• Lidský evoluční výpočet
• Interakce člověka s počítačem
• Interaktivní genetický algoritmus
• Memetika
• Sociální práce na počítači

Reference

• Kosorukoff, Alex (1999). Bezplatná výměna znalostí. internetový archiv
• Kosorukoff, Alex (2000). Lidský genetický algoritmus. online
• Kosorukoff, Alex (2001). Lidský genetický algoritmus. v Mezinárodní konference IEEE o systémech, člověku a kybernetice, SMC-2001, 3464-3469. celý text
• Cheng, Chihyung Derrick a Alex Kosorukoff (2004). Interaktivní problém s jedním maximem umožňuje porovnat výkon interaktivních a lidských genetických algoritmů. v Genetická a evoluční výpočetní konference, GECCO-2004. celý text
• Milani, Alfredo (2004). Online genetické algoritmy. International Journal of Information Theories and Applications str. 20–28
• Milani, Alfredo a Silvia Suriani (2004), ADAN: Adaptivní noviny založené na evolučním programování Na mezinárodní konferenci IEEE / WIC / ACM o webové inteligenci (WI'04), str. 779–780, IEEE Press, 2004
• Allan, Michael (2005). Jednoduchý rekombinantní design. SourceForge.net, projekt textbender, vydání 2005.0, soubor _ / description.html. uvolnit archivy, novější verze online
• Kruse, Jan (2015). Interaktivní evoluční výpočet v návrhových aplikacích pro virtuální světy. celý text
• Kruse, Jan a Connor, Andy (2015). Multiagentní evoluční systémy pro generování složitých virtuálních světů. celý text

externí odkazy

• Bezplatná výměna znalostí, projekt využívající HBGA ke společnému řešení problémů vyjádřených v přirozeném jazyce.