História genetických algoritmov
Pôvod genetických algoritmov siaha až do 19. storočia, keď boli postupne formulované zákony klasickej genetiky a boli objavené základné princípy reprodukcie. Zistilo sa, že hnacím motorom reprodukcie je prirodzený výber a že rozmanitosť v genetickej výbave nových potomkov zaisťujú procesy kríženia a mutácie. V 20. storočí sa podarilo tieto princípy preniesť z botaniky i do iných oblastí. V dnešnej dobe tak prakticky neexistuje oblasť, kde by genetické algoritmy neboli použité.
Využitie
Aplikácia genetických algoritmov predstavuje využitie veľmi vyspelej technológie pre riešenie problémov z rôznych oblastí praxe. Obrovskou výhodou tejto progresívnej metódy je schopnosť riešiť dané úlohy bez ohľadu na charakter dát (lineárne, nelineárne, skokové), previazanosť jednotlivých častí systému alebo existencia spätných väzieb. Na rozdiel od klasických matematických metód nedochádza pri pridávaní podmienok a obmedzení k nárastu zložitosti popisu daného problému a tak je možné riešiť i veľmi zložité, klasiskou matematikou nepopísateľné úlohy.
Výhody
Pretože genetické algoritmy majú svoj vzor v prírode, ich hlavným princípom je schopnosť vyvíjať sa a prispôsobovať sa okolitým podmienkam a obmedzeniam. V tom spočíva spôsob hľadania riešenia akéhokoľvek problému. Výhodou tejto metódy je rýchlosť a robustnosť vyhľadávania riešenia.
K tomu, aby mohli byť genetické algoritmy s úspechom použité pri riešení rôznych úloh z ďalej uvedených oblastí, je potrebné perfektné zvládnutie tejto technológie.
Jadro systému je síce zakaždým takmer rovnaké, ale to nestačí. Každá úloha je iná, existujú iné vzťahy a podmienky, charakter dát je odlišný. Preto sa pre každú úlohu musí vytvárať špeciálny algoritmus, ktorý dokáže prispôsobiť zadanie užívateľa vlastnému genetickému algoritmu.
Zložitejšie úlohy sú tiež vybavené simulátorom, ktorý dokáže simulovať a modelovať chod práve navrhnutého systému v reálnom čase. To je veľmi dôležité , pretože práve simulovanie môže odhaliť veci, ktoré sú na prvý pohľad nepostrehnuteľné.
Ťažko si niekto dokáže predstaviť chod výrobnej linky, alebo sústavy pracovísk so všetkými nadväznosťami. Simulácia chodu je veľmi dôležitá súčasť celého systému, určeného k riešeniu zložitých úloh a výrazne napomáha k rozhodovaniu o správnosti navrhnutého riešenia.
Najlepšie uplatnenie
Obecne platí, že význam genetických algoritmov rastie pri riešení úloh súčasne so zložitosťou daného systému. Pokiaľ sa rieši jednoduchá úloha s lineárnym charakterom, je lepšie použiť danú lineárnu metódu. Použitie genetických algoritmov v takýchto prípadoch je zbytočné a neefektívne.
Čím viac je ale systém zložitejší, previazanejší, obsahuje nelinearity, skoky a podmienky, tým viac sa uplatní pri riešení genetický algoritmus. K nachádzaniu riešenia totiž genetické algoritmy potrebujú čo najviac podmienok a obmedzení, aby mali možnosť prispôsobovať sa a vyhodnocovať svoj vývoj. Zložité úlohy dávajú veľké množstvo podmienok a obmedzení a to je pre genetický algoritmus ideálne prostredie pre vývoj a tým i pre hľadanie optimálneho riešenia.
Významné využitie genetických algoritmov v optimalizácii a v plánovaní výroby umožňuje softvérové riešenie ECON Operatívny plán
Ak máte záujem o viac informácií, kliknite na odkaz: