evoluutioalgoritmit

Evoluutioalgoritmit ovat bioinspiroiduja optimointi- ja ongelmanetsintämenetelmiä, jotka käyttävät väestöä ratkaisuista ja geneettisiä operaattoreita parantaakseen niitä ajan kuluessa. Ne jäljittelevät osin luonnonvalintaa ja mutaatioita: paremmat ratkaisut lisäävät todennäköisyyttä esiintymilleen seuraavissa sukupolvissa, ja populaatio laajenee kohti parempia ratkaisuja epälineaarisissa ja monimutkaisissa tiloissa.

Perusperiaatteet ovat ratkaisuja edustavat yksilöt, joiden suorituskyky mitataan fitness-funktiolla. Algoritmi toistaa sukupolvia, joissa valinta, mutaatio ja risteytys tuottavat uuden sukupolven. Yleisesti huippuratkaisut säilytetään elitistisesti, ja kontrolloitu monimuotoisuus estää nopeasti lokaalisen optimaasen uponnutumisen. Representaatio voi olla bitstring, permutaatio tai reaaliarvovektori, ja eristyneitä sovelluksia varten on kehitetty geneettinen ohjelmointi.

Tunnetuimpia evoluutioalgoritmien tyyppejä ovat geneettiset algoritmit (GA), geneettinen ohjelmointi (GP), evoluutiostrategiat (ES) sekä differentiaalinen evoluutio (DE). Ne eroavat valintamenetelmissä ja variaatio-operaattoreiden painotuksessa. GA:t korostavat yhdistelmiä mutaation ja risteytyksen kautta; GP mahdollistaa ohjelmien evoluution; ES painottuu vahvasti mutaation tuottamaan, rajattuun populaatioon sekä egenaation adaptatiivisuuteen; DE käyttää useiden ratkaisutason eroja etsiäkseen parempia arvoja.

Historiallisesti juuret ovat 1960–70-luvuilta: John Holland kehitti genetic algorithms -mallin; Ingo Rechenberg ja Hans-Paul Schwefel kehittivät Evolution Strategies; differential evoluution kehittäjät ovat Storn ja Price. Evoluutioalgoritmit ovat laajasti käytössä monenlaisissa ongelmissa, kuten suunnittelussa, optimoinnissa, aikataulutuksessa sekä tekoälyn osana hybridimalleissa.