Muchos problemas clasificados como IA (seguimiento de ruta, reconocimiento de voz, juego de ajedrez, coincidencia de patrones complejos, predicción de muchos tipos en muchas áreas de aplicación, formación de conglomerados, etc., etc.) necesitan, en un momento u otro, aplicar la optimización en complejos (no convexos) escenarios. Como tal, los algoritmos de optimización basados en cálculos convencionales como el descenso más pronunciado (basado en gradiente) o la optimización cuadrática (basada en Hesse) se vuelven bastante ineficaces, ya sea porque la dimensionalidad (número de variables de optimización) es muy grande o porque la función de optimización es no diferenciable, o incluso porque el número de mínimos locales en la superficie de optimización es muy grande y la optimización convencional se atasca en mínimos no globales.
Entonces, hace varias décadas se buscaban técnicas de optimización diferentes y más eficientes. Y una gran clase de ellos imita fenómenos biológicos, como la evolución. Este es el caso de todo tipo de variantes de GA, recocido simulado, estrategias de evolución, optimización de colonias de hormigas (o abejas), etc. y a menudo se desempeñaron bastante bien en escenarios de optimización complejos.
Por lo tanto, para concluir, la relación entre los GA y la IA es doble: 1 ) muchos problemas de AI que necesitan optimización usan los GA como la técnica de optimización: 2) los GA imitan el proceso de evolución que en sí mismo es visto como una optimización de vida “inteligente” mecanismo y, por lo tanto, se considera AI por sí mismo.
- ¿Se utiliza el algoritmo VWAP (precio promedio ponderado por volumen) en HFT?
- ¿Cómo podemos verificar de forma recursiva si una lista vinculada individualmente es un palíndromo?
- ¿La programación competitiva se volverá aún más difícil?
- ¿Cuál es la estructura de árbol más eficiente para crear un índice para un almacén en memoria?
- ¿Qué es el mapa de bits? ¿Dónde lo usamos?
Estos fueron mis dos centavos …