एक आनुवंशिक एल्गोरिथ्म एक खोज और अनुकूलन तकनीक है जो प्राकृतिक चयन के सिद्धांतों से प्रेरित है, जिसमें उम्मीदवार समाधानों की एक जनसंख्या को उत्परिवर्तन, क्रॉसओवर (पुनर्संयोजन), और चयन के अनुरूप संचालन के माध्यम से पुनरावृत्त रूप से विकसित किया जाता है, ताकि क्रमिक पीढ़ियों में एक परिभाषित उद्देश्य की ओर फिटनेस में सुधार किया जा सके। आनुवंशिक एल्गोरिथ्म कृत्रिम-बुद्धिमत्ता और मशीन-लर्निंग के भीतर विकासवादी संगणना विधियों के व्यापक परिवार से संबंधित हैं।
तंत्र
एक आनुवंशिक एल्गोरिथ्म यादृच्छिक रूप से उत्पन्न उम्मीदवार समाधानों की जनसंख्या के साथ शुरू होता है, जिनमें से प्रत्येक को आमतौर पर एक स्ट्रिंग या वेक्टर के रूप में एन्कोड किया जाता है जो क्रोमोसोम के अनुरूप होता है। प्रत्येक उम्मीदवार का मूल्यांकन एक फिटनेस फ़ंक्शन का उपयोग करके किया जाता है जो स्कोर करता है कि यह लक्ष्य समस्या को कितनी अच्छी तरह हल करता है। उच्च स्कोर वाले उम्मीदवारों के "माता-पिता" के रूप में चुने जाने की अधिक संभावना होती है, जिनके एन्कोडिंग क्रॉसओवर के माध्यम से संतान उत्पन्न करने के लिए संयुक्त होते हैं, और विविधता बनाए रखने और एक उप-इष्टतम समाधान पर समय से पहले अभिसरण से बचने के लिए कभी-कभी यादृच्छिक उत्परिवर्तन पेश किए जाते हैं। मूल्यांकन, चयन और पुनर्संयोजन का यह चक्र कई पीढ़ियों में दोहराया जाता है, जिसमें समग्र रूप से जनसंख्या समय के साथ औसत फिटनेस में सुधार करती है, हालांकि वैश्विक इष्टतम खोजने की कोई गारंटी नहीं है।
इतिहास
इस क्षेत्र की गणितीय नींव जॉन हॉलैंड द्वारा औपचारिक रूप से स्थापित की गई थी, जिनकी 1975 की पुस्तक "एडेप्टेशन इन नेचुरल एंड आर्टिफिशियल सिस्टम्स" ने आनुवंशिक एल्गोरिथ्म को अनुकूली खोज के सामान्य ढांचे के रूप में पेश किया, जो 1950 और 1960 के दशक के पहले के विकासवादी संगणना प्रयोगों पर आधारित था। हॉलैंड के छात्रों और सहयोगियों, जिनमें डेविड गोल्डबर्ग शामिल हैं, ने ढांचे की सैद्धांतिक नींव का विस्तार किया और 1980 और 1990 के दशक में व्यावहारिक अनुप्रयोगों को लोकप्रिय बनाया।
अनुप्रयोग
आनुवंशिक एल्गोरिथ्म का उपयोग शेड्यूलिंग और रूटिंग समस्याओं, इंजीनियरिंग डिज़ाइन अनुकूलन में किया गया है, जिसमें NASA और अन्य द्वारा मूल्यांकन किए गए एंटीना और वायुगतिकीय आकृतियाँ शामिल हैं, संबंधित क्षेत्र आनुवंशिक प्रोग्रामिंग के तहत स्वचालित प्रोग्राम संश्लेषण, और मशीन लर्निंग सिस्टम के लिए हाइपरपैरामीटर खोज शामिल है। वे विशेष रूप से बड़े, जटिल, गैर-भिन्न खोज स्थानों वाली समस्याओं के लिए पसंद किए जाते हैं जहाँ ग्रेडिएंट-आधारित विधियाँ अनुपलब्ध या अप्रभावी होती हैं, क्योंकि आनुवंशिक एल्गोरिथ्म के लिए केवल उम्मीदवार की फिटनेस का मूल्यांकन करने की क्षमता की आवश्यकता होती है, न कि उद्देश्य का व्युत्पन्न गणना करने की।
न्यूरोएवोल्यूशन
एक उल्लेखनीय अनुप्रयोग क्षेत्र, न्यूरोएवोल्यूशन, तंत्रिका-नेटवर्क आर्किटेक्चर और भार को डिज़ाइन या प्रशिक्षित करने के लिए विकासवादी विधियों का उपयोग करता है, कभी-कभी सुदृढीकरण-लर्निंग के साथ नियंत्रण और गेम-प्लेइंग कार्यों के लिए संयुक्त होता है। न्यूरोएवोल्यूशन को रोबोटिक्स और एम्बॉडेड-एआई अनुसंधान में बैकप्रोपेगेशन-प्रशिक्षित नेटवर्क के विकल्प या पूरक के रूप में खोजा गया है, जहाँ इनाम संकेत विरल होता है या नेटवर्क टोपोलॉजी स्वयं, न केवल इसके भार, एक डिज़ाइन चर होते हैं।
सीमाएँ और आधुनिक प्रासंगिकता
आनुवंशिक एल्गोरिथ्म ग्रेडिएंट-डिसेंट-आधारित अनुकूलन जैसे बैकप्रोपेगेशन की तुलना में आधुनिक गहरे नेटवर्क के अत्यधिक उच्च-आयामी पैरामीटर स्थानों पर खराब पैमाने पर काम करते हैं, और 2010 के दशक की शुरुआत के बाद बैकप्रोपेगेशन-प्रशिक्षित गहरे-लर्निंग आर्किटेक्चर के प्रभुत्व में आने के साथ मुख्यधारा के अनुसंधान से काफी हद तक पीछे हट गए। हालाँकि, वे मानक पर्यवेक्षित प्रशिक्षण के बाहर अनुकूलन डोमेन, न्यूरोएवोल्यूशन निचे में, और विविध, नवीन समाधान उत्पन्न करने के लिए खुले-अंत और विकासवादी दृष्टिकोणों पर शोध के लिए एक वैचारिक संदर्भ बिंदु के रूप में सक्रिय रूप से उपयोग में बने हुए हैं, न कि एक निश्चित उद्देश्य को अनुकूलित करने के लिए।