Attuazione efficace
Le GA sono di natura molto generale e applicarle a qualsiasi problema di ottimizzazione non darebbe buoni risultati. In questa sezione, descriviamo alcuni punti che potrebbero aiutare e assistere un progettista GA o un implementatore GA nel loro lavoro.
Introdurre la conoscenza del dominio specifica del problema
È stato osservato che la conoscenza del dominio più specifica del problema che incorporiamo nel GA; i migliori valori oggettivi che otteniamo. L'aggiunta di informazioni specifiche sul problema può essere eseguita utilizzando il crossover specifico del problema o operatori di mutazione, rappresentazioni personalizzate, ecc.
L'immagine seguente mostra il punto di vista di Michalewicz (1990) sull'EA:
Ridurre l'affollamento
L'affollamento si verifica quando un cromosoma altamente in forma riesce a riprodursi molto e in poche generazioni l'intera popolazione è piena di soluzioni simili con una forma fisica simile. Ciò riduce la diversità che è un elemento cruciale per garantire il successo di una GA. Esistono numerosi modi per limitare l'affollamento. Alcuni di loro sono -
Mutation per introdurre la diversità.
Passaggio a rank selection e tournament selection che hanno una pressione di selezione maggiore rispetto alla selezione proporzionata all'idoneità per individui con forma fisica simile.
Fitness Sharing - In questo la forma fisica di un individuo è ridotta se la popolazione contiene già individui simili.
La randomizzazione aiuta!
È stato osservato sperimentalmente che le migliori soluzioni sono guidate da cromosomi randomizzati poiché conferiscono diversità alla popolazione. L'implementatore GA dovrebbe fare attenzione a mantenere una quantità sufficiente di randomizzazione e diversità nella popolazione per i migliori risultati.
Ibridazione di GA con la ricerca locale
La ricerca locale si riferisce alla verifica delle soluzioni nelle vicinanze di una data soluzione per cercare valori oggettivi migliori.
A volte può essere utile ibridare GA con la ricerca locale. L'immagine seguente mostra i vari luoghi in cui è possibile introdurre la ricerca locale in un GA.
Variazione di parametri e tecniche
Negli algoritmi genetici, non esiste una "taglia unica" o una formula magica che funzioni per tutti i problemi. Anche dopo che la GA iniziale è pronta, ci vuole molto tempo e impegno per giocare con parametri come la dimensione della popolazione, la mutazione e la probabilità di crossover ecc. Per trovare quelli che soddisfano il problema particolare.