Los algoritmos genéticos están compuestos de soluciones candidatas. Los cromosomas en cada iteración representan candidatos. El proceso de apareamiento es un intento de tomar las mejores características de dos cromosomas parentales para hacer un niño más fuerte.
La clasificación de las soluciones candidatas es esencial en GA. La forma más simple es usar la función de aptitud física (una heurística que dice cuán buena es la solución / candidato) para encontrar la aptitud física de cada candidato. Luego aumentamos las posibilidades de que un individuo fuerte tenga posibilidades de aparearse.
Esto permite que los genes más en forma pasen con mayor probabilidad . Sin embargo, tenga en cuenta que esto puede no suceder (imagine a alguien como Hrithik Roshan muriendo virgen. Posible, pero muy poco probable).
- ¿Cuál es la forma más fácil de demostrar que si la intersección de 2 rutas es un gráfico conectado, entonces la unión de las 2 rutas tiene al menos un circuito?
- ¿Cuál debería ser el tamaño máximo del árbol de segmentos construido en una matriz en 100,000 elementos?
- Cómo ejecutar [(A * B) mod C] sin desbordamiento, si A y B son menores que C
- ¿Hay diseñadores que diseñan algoritmos?
- ¿Qué hay de malo con este código C?
La efectividad de la eliminación de candidatos es tan efectiva como su función de condición física y su proceso de apareamiento. Las mejores características del cromosoma deben transmitirse al niño.
Si desea eliminar a todos los candidatos que son óptimos locales … eso es muy difícil. GA se basa en aproximaciones, y si hubiera un óptimo global claro, no estaríamos usando heurística, ¿verdad? 😛
