Mise en œuvre efficace

Les GA sont de nature très générale et leur simple application à un problème d'optimisation ne donnerait pas de bons résultats. Dans cette section, nous décrivons quelques points qui pourraient aider et aider un concepteur GA ou un réalisateur GA dans leur travail.

Introduire la connaissance du domaine spécifique au problème

Il a été observé que la connaissance du domaine plus spécifique au problème que nous incorporons dans l'AG; les meilleures valeurs objectives que nous obtenons. L'ajout d'informations spécifiques au problème peut être effectué en utilisant des opérateurs de croisement ou de mutation spécifiques au problème, des représentations personnalisées, etc.

L'image suivante montre le point de vue de Michalewicz (1990) sur l'EE -

Réduisez l'encombrement

Le surpeuplement se produit lorsqu'un chromosome parfaitement adapté se reproduit beaucoup, et en quelques générations, toute la population est remplie de solutions similaires ayant une aptitude similaire. Cela réduit la diversité qui est un élément très crucial pour assurer le succès d'une AG. Il existe de nombreuses façons de limiter la surpopulation. Certains d'entre eux sont -

  • Mutation pour introduire la diversité.

  • Passer à rank selection et tournament selection qui ont plus de pression de sélection que la sélection proportionnelle à la forme physique pour les individus ayant une forme physique similaire.

  • Fitness Sharing - Dans ce cas, la condition physique d'un individu est réduite si la population contient déjà des individus similaires.

La randomisation aide!

Il a été observé expérimentalement que les meilleures solutions sont tirées par des chromosomes randomisés car ils confèrent une diversité à la population. L'exécutant de l'AG doit veiller à conserver une quantité suffisante de randomisation et de diversité dans la population pour obtenir les meilleurs résultats.

Hybrider GA avec la recherche locale

La recherche locale consiste à vérifier les solutions au voisinage d'une solution donnée pour rechercher de meilleures valeurs objectives.

Il peut être parfois utile d'hybrider l'AG avec la recherche locale. L'image suivante montre les différents endroits dans lesquels la recherche locale peut être introduite dans une GA.

Variation des paramètres et des techniques

Dans les algorithmes génétiques, il n'y a pas de «taille unique» ou de formule magique qui fonctionne pour tous les problèmes. Même une fois que l'AG initiale est prête, il faut beaucoup de temps et d'efforts pour jouer avec les paramètres tels que la taille de la population, la mutation et la probabilité de croisement, etc. pour trouver ceux qui conviennent au problème particulier.