evolutionary algorithm

Üdvözlöm, Ön a evolutionary algorithm szó jelentését keresi. A DICTIOUS-ban nem csak a evolutionary algorithm szó összes szótári jelentését megtalálod, hanem megismerheted az etimológiáját, a jellemzőit és azt is, hogyan kell a evolutionary algorithm szót egyes és többes számban mondani. Minden, amit a evolutionary algorithm szóról tudni kell, itt található. A evolutionary algorithm szó meghatározása segít abban, hogy pontosabban és helyesebben fogalmazz, amikor beszélsz vagy írsz. Aevolutionary algorithm és más szavak definíciójának ismerete gazdagítja a szókincsedet, és több és jobb nyelvi forráshoz juttat.
part of a series on
artificial intelligence (ai)
major goals
approaches
philosophy

Angol

Főnév

evolutionary algorithm (tsz. evolutionary algorithms)

  1. (informatika, mesterséges intelligencia) evolúciós algoritmus


Az evolúciós algoritmusok (EA) a természetes szelekció és a Darwin-féle evolúció elvein alapuló metaheurisztikus keresési és optimalizálási módszerek. Ezek az algoritmusok az élővilágban megfigyelhető evolúciós folyamatokat utánozzák – mint például a szaporodás, mutáció, kiválasztás és szelekció – hogy megtalálják a legjobb vagy közel optimális megoldásokat összetett problémákra.

Az EA-k rendkívül hasznosak nemlineáris, nem differenciálható, nagydimenziós, vagy nem jól strukturált problémák esetén, ahol klasszikus optimalizálási módszerek nem alkalmazhatók hatékonyan.


Alapelvek

Az evolúciós algoritmusok négy fő komponensre épülnek:

  1. Populáció – A lehetséges megoldások egy halmaza.
  2. Fitneszfüggvény – A megoldás “minőségét” vagy alkalmazhatóságát értékeli.
  3. Genetikai operátorok – Az új megoldások létrehozását segítik:
    • Keresztezés (crossover) – két szülő kombinációja.
    • Mutáció (mutation) – kis változtatás egy egyeden.
  4. Szelekció – A legjobb megoldások kiválasztása a következő generációhoz.


Evolúciós algoritmus működése – lépésről lépésre

  1. Inicializálás: Véletlenszerű populáció létrehozása (pl. 50–100 egyed).
  2. Fitneszértékelés: Minden egyedet kiértékelünk a fitneszfüggvény segítségével.
  3. Szelekció: A legjobban teljesítő egyedekből kiválasztunk párokat szaporodásra.
  4. Keresztezés és mutáció: Új egyedeket hozunk létre a kiválasztott szülőkből.
  5. Új generáció létrehozása: Az új egyedek (gyermekek) egy új populációt alkotnak.
  6. Megállási feltétel ellenőrzése: Ha elég jó megoldást találtunk, vagy elég iteráció eltelt → megállunk. Ha nem, vissza a 2. lépéshez.


Genetikai reprezentációk

Az egyedek (megoldások) gyakran bitláncokként, vektorokként, vagy fa-struktúrákként jelennek meg. Például:

  • Bitlánc: 10101011
  • Valós számok:
  • Fa: matematikai kifejezések (genetikus programozás esetén)


Fitneszfüggvény

A fitneszfüggvény határozza meg, hogy egy adott megoldás mennyire jó. Ez a legkritikusabb komponens, mert az egész evolúció ezt optimalizálja.

Példák:

  • Minél kisebb a költség = annál jobb megoldás.
  • Minél több ügyfelet szolgálunk ki = annál jobb.

A cél lehet maximalizálás vagy minimalizálás.


Genetikai operátorok részletesen

1. Keresztezés (Crossover)

Két szülő kombinációja, hogy új megoldásokat hozzunk létre.

Példa (egypontos):

Szülő 1: 101|0110 Szülő 2: 110|1001 Gyermek: 1011001

2. Mutáció

Véletlenszerű, kis módosítás az egyeden, hogy változatosságot vigyünk a populációba.

Példa:

Eredeti: 1011001 Mutált: 1001001 (megfordult az egyik bit)

3. Szelekciós módszerek

  • Elitizmus – a legjobb egyedek automatikusan továbbjutnak.
  • Roulette wheel – valószínűségi alapú kiválasztás.
  • Tournament selection – véletlenszerű csoportból a legjobb nyer.


Evolúciós algoritmus típusai

Típus Rövid leírás
Genetikus algoritmus (GA) A legelterjedtebb EA. Klasszikus bitláncos vagy vektoros reprezentációval dolgozik.
Evolúciós stratégia (ES) Kiemelten kezeli a paraméterek adaptív mutációját.
Diverzifikált keresés (DE – Differential Evolution) Valós számokkal dolgozik, differenciális módon generál új egyedeket.
Genetikus programozás (GP) Fa-struktúrákkal dolgozik, pl. kódot vagy képleteket generál.


Példa: egyszerű evolúciós algoritmus (pseudo-kód)

1. Inicializáld a populációt P
2. Míg nem teljesül a megállási feltétel:
    a. Számítsd ki a fitneszt minden egyedre
    b. Válaszd ki a szülőket szelekcióval
    c. Alkalmazz keresztezést és mutációt → új egyedek
    d. Hozz létre új populációt
3. Térj vissza a legjobb egyeddel

Alkalmazások

  • Utazó ügynök probléma (TSP) – Legoptimálisabb útvonal keresése városok között.
  • Neurális hálók súlyhangolása – Evolúciós keresés a legjobb architektúra megtalálásához.
  • Robotika – Mozgásminták fejlesztése, érzékelő-vezérlés optimalizálása.
  • Automatizált kódgenerálás – Genetikus programozás segítségével.
  • Művészet és dizájn – Evolúciós művészet, vizuális esztétikai érték optimalizálása.


Előnyök

✅ Nem szükséges derivált vagy folytonosság ✅ Képes kilépni lokális optimumokból ✅ Jó robusztusság, általános célú optimalizálás ✅ Párhuzamosítható


Hátrányok

❌ Lassú lehet ❌ Paraméterérzékeny (pl. populációméret, mutációs ráta) ❌ Nem garantált a globális optimum megtalálása ❌ Fitneszfüggvény-tervezés nehézsége


Összefoglalás

Az evolúciós algoritmusok inspirációjukat a természetből merítik, és egyedi módon oldanak meg komplex keresési, optimalizálási problémákat. Bár nem garantálnak tökéletes megoldást, sok esetben képesek jó közelítő megoldásokat találni olyan problémákra is, ahol más módszerek csődöt mondanak.

Hatékonyságuk kulcsa a populációalapú keresés, a genetikai variáció, valamint a fitnesz-alapú szelekció.

További információk

Enciclo
Wikious
Sapientia
Scientia
Boobota
Anandapedia
Sagapedia
Wikithot