ผลต่างระหว่างรุ่นของ "ขั้นตอนวิธีเชิงวิวัฒนาการ"

ในศาสตร์ของ[[ปัญญาประดิษฐ์]] นั้น '''ขั้นตอนวิธีเชิงวิวัฒนาการ''' (evolutionary algorithm) เป็นหนึ่งในเรื่องของ[[การคำนวณเชิงวิวัฒนาการ]] (evolutionary computation) ที่ใช้ฐานประชากรโดยทั่วไปของขั้นตอนวิธีแบบเมตาฮิวริสติกที่เหมาะสมที่สุด (metaheuristic optimization algorithm) โดยขั้นตอนวิธีเชิงวิวัฒนาการนั้น ใช้กระบวนการที่ได้รับแรงบันดาลใจมาจากการ[[วิวัฒนาการ]]ทาง[[ชีววิทยา]]<ref>J. Clune, C. Ofria, and R. T. Pennock, “How a generative encoding fares as problem-regularity decreases,” in PPSN (G. Rudolph, T. Jansen, S. M. Lucas, C. Poloni, and N. Beume, eds.), vol. 5199 of Lecture Notes in Computer Science, pp. 358–367, Springer, 2008.</ref> อันได้แก่ [[การสืบพันธุ์]] (reproduction) [[การกลายพันธุ์]] (mutation) [[การแลกเปลี่ยนยีน]] (recombination) และ[[การคัดเลือก]] (selection) โดยจะมี[[ผลเฉลยที่สามารถเลือกได้]] (candidate solution) แทนประชากร และ[[ฟังก์ชันคุณภาพ]] (quality function) ในการคัดเลือกประชากรที่เหมาะสมตามสภาพแวดล้อมที่กำหนดไว้<ref>G.S. Hornby and J.B. Pollack. Creating high-level components with a generative representation for body-brain evolution. [[Artificial Life (journal)|Artificial Life]], 8(3):223–246, 2002.</ref><ref>Jeff Clune, Benjamin Beckmann, Charles Ofria, and Robert Pennock. [https://www.msu.edu/~jclune/webfiles/Evolving-Quadruped-Gaits-With-HyperNEAT.html "Evolving Coordinated Quadruped Gaits with the HyperNEAT Generative Encoding"]. ''Proceedings of the IEEE Congress on Evolutionary Computing Special Section on Evolutionary Robotics'', 2009. Trondheim, Norway.</ref> ขึ้นตอนวิธีเชิงวิวัฒนาการนี้มักจะใช้ได้ดีสำหรับการหาผลเฉลยของปัญหาในทุกๆ ด้าน เนื่องจากสามารถพัฒนาผลเฉลยที่มีไปยังผลเฉลยที่ถูกต้องได้อย่างรวดเร็ว ทำให้มันประสบความสำเร็จในหลายๆ ด้านของปัญหา เช่น [[วิศวกรรม]] [[ศิลปกรรม]] [[ชีวภาพ]] [[เศรษฐศาสตร์]] [[การตลาด]] [[พันธุศาสตร์]] การค้นคว้าวิจัย การออกแบบหุ่นยนต์ วิทยาศาสตร์ด้านสังคม [[ฟิสิกส์]] [[รัฐศาสตร์]] และ [[เคมี]]

 

จบ

 

ขั้นตอนวิธีเชิงวิวัฒนาการมีความหลากหลายในการประยุกต์ใช้งานในปัญหาต่างๆ และการสร้างขั้นตอนวิธีขั้นมา โดยสามารถแยกออกได้ดังนี้

* [[ขั้นตอนวิธีเชิงพันธุกรรม]] (Genetic algorithm) - เป็นขั้นตอนวิธีเชิงวิวัฒนาการที่ถูกใช้อย่างแพร่หลายที่สุด เป็นขั้นตอนวิธีในการหาผลเฉลยจากสายของตัวเลข (strings of numbers) โดยการใช้ตัวดำเนินการเช่นการผสมพันธุ์ และ การกลายพันธุ์ ขั้นตอนวิธีเชิงวิวัฒนาการนี้มักใช้ในปัญหาการหาค่าที่เหมาะสมที่สุด

* [[ความฉลาดแบบกลุ่ม]] (Swarm Intelligence) - มีการใช้การกลายพันธุ์ในการแปลงผลเฉลย และชักนำไปยังคำตอบที่ดีที่สุดภายใต้สภาพแวดล้อมเงื่อนไขที่ต่างๆ กัน เช่น [[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด]] (Ant colony optimization) ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ (Charged system search) เป็นต้น

* [[วิธีการลอกแบบ]] (Memetic Algorithm) - เป็นอีกแนวคิดหนึ่งในการวิวัฒนาการ แต่จะใช้การส่งผ่านหรือการเลียนแบบองค์ประกอบแทนวิธีการทางพันธุกรรม

 

== อ้างอิง ==

{{รายการอ้างอิง}}

 

* Ashlock, D. (2006), ''Evolutionary Computation for Modeling and Optimization'', Springer, ISBN 0-387-22196-4.

* Bäck, T. (1996), ''Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic Algorithms'', Oxford Univ. Press.

* Price, K., Storn, R.M., Lampinen, J.A., (2005). "Differential Evolution: A Practical Approach to Global Optimization", Springer.

* Yang X.-S., (2010), "Nature-Inspired Metaheuristic Algorithms", 2nd Edition, Luniver Press.

 

[[หมวดหมู่:การหาค่าเหมาะสมที่สุดทางคณิตศาสตร์]]

[[หมวดหมู่:ขั้นตอนวิธี]]

[[หมวดหมู่:ขั้นตอนวิธีเชิงวิวัฒนาการ]]