[論文レビュー] Genetic Algorithm: Reviews, Implementations, and Applications

Tanweer Alam, Shamimul Qamar+2 more|arXiv (Cornell University)|Jun 5, 2020

Statistics Education and Methodologies被引用数 7

ひとこと要約

この論文は、自然選択および遺伝学に根ざしたメタヒューリスティック最適化手法としての遺伝的アルゴリズム（GAs）の包括的レビューを提供する。工学教育におけるGAの実装と新たな応用分野を検討し、最適解に至るための知的な探索を可能にする選択、交差、変異演算子の重要性を強調する。

ABSTRACT

Nowadays genetic algorithm (GA) is greatly used in engineering pedagogy as an adaptive technique to learn and solve complex problems and issues. It is a meta-heuristic approach that is used to solve hybrid computation challenges. GA utilizes selection, crossover, and mutation operators to effectively manage the searching system strategy. This algorithm is derived from natural selection and genetics concepts. GA is an intelligent use of random search supported with historical data to contribute the search in an area of the improved outcome within a coverage framework. Such algorithms are widely used for maintaining high-quality reactions to optimize issues and problems investigation. These techniques are recognized to be somewhat of a statistical investigation process to search for a suitable solution or prevent an accurate strategy for challenges in optimization or searches. These techniques have been produced from natural selection or genetics principles. For random testing, historical information is provided with intelligent enslavement to continue moving the search out from the area of improved features for processing of the outcomes. It is a category of heuristics of evolutionary history using behavioral science-influenced methods like an annuity, gene, preference, or combination (sometimes refers to as hybridization). This method seemed to be a valuable tool to find solutions for problems optimization. In this paper, the author has explored the GAs, its role in engineering pedagogies, and the emerging areas where it is using, and its implementation.

研究の動機と目的

• 遺伝的アルゴリズムが現代の工学教育および教育的実践において果たす役割を検討すること。
• 選択、交差、変異といったGAの構成要素の実装—最適化問題を解くためのメカニズムを分析すること。
• 遺伝的アルゴリズムが有効性と適応性を示す新たな応用分野を特定すること。
• ハイブリッド計算の課題に対して遺伝的アルゴリズムをメタヒューリスティック手法として統合的に概説すること。
• 歴史的データと知的なランダム探索の価値が、解の品質と収束性を向上させることを強調すること。

提案手法

• 生物学的進化および自然選択の原則にインspiredされたメタヒューリスティックフレームワークを用いる。
• 選択、交差、変異演算子をコアメカニズムとして採用し、改善された解に至る探索プロセスをガイドする。
• 歴史的データを活用して探索戦略を情報提供・精緻化し、最適または近似最適な結果への収束性を向上させる。
• 行動科学に影響を受ける手法、例えば遺伝子表現、好みモデリング、ハイブリダイゼーション技術を統合する。
• 解空間を効率的に探索するため、GAを統計的調査プロセスとして扱う。
• 過去の反復からのフィードバックを活用した知的なランダム探索に焦点を当て、局所最適解を回避し、解の品質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズムは、工学教育の文脈で問題解決をどのように向上させるか？
• RQ2 最適化タスクにおける遺伝的アルゴリズムの主な構成要素と運用メカニズムは何か？
• RQ3 どの新興分野で遺伝的アルゴリズムが効果的に応用されているか？
• RQ4 歴史的データの統合が遺伝的アルゴリズムのパフォーマンスにどのように寄与するか？
• RQ5 なぜ遺伝的アルゴリズムはハイブリッド計算課題に適したメタヒューリスティックとされるのか？

主な発見

• 適応的探索メカニズムのおかげで、遺伝的アルゴリズムは複雑な最適化問題に対して有効である。
• 選択、交差、変異の組み合わせにより、解空間の効率的探索と活用が可能になる。
• 歴史的データと知的なランダム探索に依存することで、収束性と解の品質が向上する。
• 遺伝的アルゴリズムは、最適化と問題解決戦略を教えるために、工学教育分野でますます広く応用されている。
• 非線形な問題空間を効果的にナビゲートする強力な統計的手法として、この手法は認識されている。
• ハイブリダイゼーションと遺伝子レベルのモデリングの活用により、アルゴリズムの多様な最適化課題への対処能力が向上する。