C'est ce que l'intelligence artificielle (IA) ne nécessite pas beaucoup de force physique pour comprendre de 1 à 10. J'espère que ceux qui se sont tenus à l'entrée de l'intelligence artificielle y travailleront également et utiliseront pleinement leurs idées dans ce merveilleux algorithme.
Par exemple, supposons qu'il y ait un gobelin qui se déplace avec 100 paramètres. Les paramètres sont déterminés au hasard et il y a un total de 50 cafards. Si vous êtes en concurrence avec eux pour quelque chose, ils ont tous des paramètres différents, donc certains fonctionneront plus vite et d'autres plus lentement. Puis classez-les. Si vous donnez naissance à un enfant en premier et en deuxième lieu, cet enfant peut-il devenir un jeune homme? Vous pouvez être ** «génétique» **. Avec ce genre de sentiment, si vous donnez naissance aux 10 meilleurs animaux et que vous changez de membre avec les plus lents des 50 animaux d'origine, vous aurez un groupe avec plus d'excellents animaux qu'auparavant.
Et si vous concourez à nouveau, donnez naissance à des enfants génétiquement supérieurs, remplacez-les, concourez à nouveau, et ainsi de suite, un jour, un gars extrêmement rapide sortira.
C'est le contexte de l'algorithme génétique.
En premier lieu, l'IA comprend des forêts aléatoires et des réseaux de neurones, mais la plupart d'entre eux sont identiques à la résolution de problèmes d'optimisation. L'algorithme génétique (AG) est l'un d'entre eux, et le plan est de faire apparaître de nombreux organismes, de rivaliser pour leur survie, puis de décider du plus fort.
Cela peut être classé dans les procédures suivantes.
** ⑴ Générer la population initiale ⑵ Évaluation ⑶ Crossover (génétique) ⑷ Mutation ⑸ Changement de groupe (changement de génération) Après cela, répétez les étapes ⑵ à ⑸ **
Jetons un coup d'œil à chacun.
L'exemple concernait les cafards, mais bien sûr, je pense moi-même aux paramètres. Ici, lorsqu'on considère la séquence de l'ensemble des paramètres, c'est ** comme s'il s'agissait de l'information génétique (génome) d'un organisme **. Le nombre initial d'individus et le nombre de paramètres sont déterminés, les individus sont générés aléatoirement, et ceci est utilisé comme première génération.
Décidez quoi classer et évaluez chaque individu en conséquence. Dans l'exemple ci-dessus, la "vitesse de marche" du cafard est le critère d'évaluation.
C'est le processus qui utilise le concept d'héritage. Au stade de l'évaluation, réfléchissez à la manière de déterminer les paramètres de l'enfant lors de la naissance des excellents parents. Le croisement à n points est fréquemment utilisé, dans lequel le gène parent (une séquence de paramètres) est divisé en n points et hérité en deux.
Les gènes de la progéniture hérités par croisement sont modifiés aléatoirement avec une certaine probabilité. En conséquence, la concurrence ne reste pas bloquée même si le même individu se produit (c'est-à-dire que ** le hasard est donné et ** fait une différence entre les individus).
qu'en est-il de. La personne qui y pense doit être un génie. C'est un algorithme vraiment intéressant pour se référer au modèle de survie d'un organisme. C'est exactement ce qu'est la manipulation génétique. Maintenant, mettons cela en pratique. Vous devriez apprécier la beauté de cet algorithme par vous-même.
Introduction à l'intelligence artificielle par Python 2 "Pratique de l'algorithme génétique-"
À propos, selon un article quelque part, le trading automatique FX, etc. peut obtenir les meilleurs résultats en utilisant cela que d'autres IA ...?
Recommended Posts