मशीन लर्निंग में जेनेटिक एल्गोरिदम का परिचय

introduction genetic algorithms machine learning

कैसे खिड़कियों पर appium स्थापित करने के लिए

यह जेनेटिक एल्गोरिथ्म ट्यूटोरियल बताता है कि जेनेटिक एल्गोरिदम क्या हैं और मशीन लर्निंग में उनकी भूमिका के बारे में विस्तार से :

में पिछला ट्यूटोरियल , हमने आर्टिफिशियल न्यूरल नेटवर्क मॉडल - मल्टीलेयर पर्सेप्ट्रॉन, बैकप्रोपेगैशन, रेडियल बायस एंड कोहेनन सेल्फ ऑर्गनाइज़िंग मैप्स के बारे में सीखा, जिसमें उनकी वास्तुकला भी शामिल है।

हम न्यूरल नेटवर्क्स की तुलना में जेनेटिक अल्गोरिदम पर ध्यान देंगे, जो पहले आया था, लेकिन अब GA को NN ने संभाल लिया है। हालांकि, जीए में अभी भी वास्तविक जीवन में आवेदन हैं जैसे अनुकूलन समस्याएँ जैसे शेड्यूलिंग, गेम खेलना, रोबोटिक्स, हार्डवेयर डिज़ाइन, यात्रा विक्रेता समस्याएं आदि।

आनुवंशिक एल्गोरिथम एल्गोरिदम हैं जो प्राकृतिक चयन और आनुवांशिकी के विकासवादी विचार पर आधारित हैं। जीएए अनुकूली अनुमानी खोज एल्गोरिदम हैं यानी एल्गोरिदम एक पुनरावृत्त पैटर्न का पालन करते हैं जो समय के साथ बदलते हैं। यह सुदृढीकरण सीखने का एक प्रकार है जहां पालन करने के लिए सही रास्ता बताए बिना प्रतिक्रिया आवश्यक है। प्रतिक्रिया सकारात्मक या नकारात्मक हो सकती है।

=> कम्प्लीट मशीन लर्निंग ट्रेनिंग सीरीज़ के माध्यम से पढ़ें

आप क्या सीखेंगे:

• जेनेटिक एल्गोरिदम का उपयोग क्यों करें
  • आनुवंशिक एल्गोरिथम की जैविक पृष्ठभूमि
• जेनेटिक एल्गोरिदम क्या हैं
  • GA के साथ एक गुणसूत्र का सहसंबंध
  • जीए में महत्वपूर्ण शब्दावली
  • एक साधारण आनुवंशिक एल्गोरिथम
  • रूले व्हील चयन विधि
  • अन्य चयन विधियाँ
  • विदेशी
  • परिवर्तन
  • जब आनुवंशिक एल्गोरिथ्म को रोकने के लिए
• आनुवंशिक एल्गोरिथम के लाभ और नुकसान
• जेनेटिक एल्गोरिदम के अनुप्रयोग
• निष्कर्ष
  • अनुशंसित पाठ

जेनेटिक एल्गोरिदम का उपयोग क्यों करें

GA अधिक मजबूत एल्गोरिदम हैं जिनका उपयोग विभिन्न अनुकूलन समस्याओं के लिए किया जा सकता है। ये एल्गोरिदम अन्य AI एल्गोरिदम के विपरीत, शोर की उपस्थिति में आसानी से विचलित नहीं होते हैं। GA का उपयोग बड़े स्थान या मल्टीमॉडल अंतरिक्ष की खोज में किया जा सकता है।

आनुवंशिक एल्गोरिथम की जैविक पृष्ठभूमि

जेनेटिक्स ग्रीक शब्द 'जेनेसिस' से लिया गया है, जिसका अर्थ है बढ़ना। आनुवांशिकी विकास की प्रक्रिया में वंशानुगत कारकों, सदृशताओं और संतानों के बीच मतभेदों को तय करती है। जेनेटिक एल्गोरिदम भी प्राकृतिक विकास से प्राप्त होते हैं।

कुछ शब्दावली एक जैविक गुणसूत्र में

• गुणसूत्र: किसी प्रजाति के सभी आनुवंशिक जानकारी को गुणसूत्रों में संग्रहित किया जाता है।
• जीन: गुणसूत्रों को कई भागों में विभाजित किया जाता है जिन्हें जीन कहा जाता है।
• एलील्स: जीन एक व्यक्ति की विशेषता की पहचान करते हैं। संपत्ति बनाने के लिए जीन के संयोजन की संभावना को एलेल्स कहा जाता है। एक जीन में अलग-अलग एलील हो सकते हैं।
• जीन पूल: जीन के सभी संभावित संयोजन जो जनसंख्या पूल में सभी एलील हैं, जीन पूल कहलाते हैं।
• जीनोम: किसी प्रजाति के जीन के सेट को जीनोम कहा जाता है।
• Locus: प्रत्येक जीन में एक जीनोम में एक स्थिति होती है जिसे लोकस कहा जाता है।
• जीनोटाइप: किसी व्यक्ति में जीन के पूर्ण संयोजन को जीनोटाइप कहा जाता है।
• फेनोटाइप: एक डिकोड्ड रूप में जीनोटाइप के एक सेट को फेनोटाइप कहा जाता है।

जेनेटिक एल्गोरिदम क्या हैं

जेनेटिक एल्गोरिदम प्रक्रिया को उत्तेजित करता है जैसा कि विकास के लिए प्राकृतिक प्रणालियों में होता है। चार्ल्स डार्विन ने विकासवाद के सिद्धांत को कहा कि प्राकृतिक विकास में, जैविक प्राणी 'फिटेस्ट के जीवित रहने' के सिद्धांत के अनुसार विकसित होते हैं। जीए खोज को 'योग्यतम के उत्तरजीविता' के सिद्धांत को प्रोत्साहित करने के लिए डिज़ाइन किया गया है।

जीएएस अनुकूलन समस्याओं को हल करने के लिए एक यादृच्छिक खोज करते हैं। जीए उन तकनीकों का उपयोग करता है जो नई खोज स्थान में अनुकूलन की दिशा में अपनी खोज को निर्देशित करने के लिए पिछली ऐतिहासिक जानकारी का उपयोग करते हैं।

GA के साथ एक गुणसूत्र का सहसंबंध

मानव शरीर में गुणसूत्र होते हैं जो जीन से बने होते हैं। किसी विशिष्ट प्रजाति के सभी जीनों के समूह को जीनोम कहा जाता है। जीवित प्राणियों में, जीनोम को विभिन्न गुणसूत्रों में संग्रहीत किया जाता है जबकि जीए में सभी जीनों को एक ही गुणसूत्र में संग्रहित किया जाता है।

प्राकृतिक विकास और आनुवंशिक एल्गोरिथम शब्दावली के बीच तुलना

जीए में महत्वपूर्ण शब्दावली

• आबादी: यह व्यक्तियों का एक समूह है। जनसंख्या में परीक्षण किए जा रहे व्यक्तियों की संख्या, खोज स्थान की जानकारी और फेनोटाइप पैरामीटर शामिल हैं। आम तौर पर, आबादी बेतरतीब ढंग से शुरू होती है।
• व्यक्ति: जनसंख्या में व्यक्ति एकल समाधान हैं। एक व्यक्ति में जीन नामक मापदंडों का एक समूह होता है। गुणसूत्र बनाने के लिए संयुक्त जीन।
• जीन: जीन जेनेटिक एल्गोरिदम के ब्लॉक का निर्माण कर रहे हैं। एक गुणसूत्र जीन से बना होता है। जीन समस्या का समाधान निर्धारित कर सकते हैं। उन्हें यादृच्छिक लंबाई के एक बिट (0 या 1) स्ट्रिंग द्वारा दर्शाया जाता है।
• फिटनेस: फिटनेस समस्या के फेनोटाइप का मूल्य बताता है। फिटनेस फ़ंक्शन बताता है कि समाधान इष्टतम समाधान के कितना करीब है। फिटनेस फ़ंक्शन कई मायनों में निर्धारित किया जाता है जैसे समस्या से संबंधित सभी मापदंडों का योग - यूक्लिडियन दूरी, आदि। फिटनेस फ़ंक्शन का मूल्यांकन करने के लिए कोई नियम नहीं है।

एक साधारण आनुवंशिक एल्गोरिथम

एक साधारण जीए में व्यक्तिगत गुणसूत्रों की आबादी होती है। ये गुणसूत्र संभव समाधानों का प्रतिनिधित्व करते हैं। उत्परिवर्तन और पुनर्संयोजन करने के लिए प्रजनन ऑपरेटरों को गुणसूत्रों के इन सेटों पर लागू किया जाता है। इस प्रकार, उपयुक्त प्रजनन ऑपरेटरों को ढूंढना महत्वपूर्ण है क्योंकि जीए का व्यवहार इस पर निर्भर है।

एक सरल आनुवंशिक एल्गोरिथ्म इस प्रकार है:

# 1) बेतरतीब ढंग से बनाई गई आबादी से शुरू करें।

#दो) प्रत्येक गुणसूत्र के फिटनेस फ़ंक्शन की गणना करें।

# 3) N संतान पैदा होने तक चरणों को दोहराएं। नीचे दिए गए अनुसार संतानों का निर्माण किया जाता है।

• आबादी से गुणसूत्रों की एक जोड़ी का चयन करें।
• संभावना पी के साथ जोड़ी को क्रॉसओवर करें_सीसंतान उत्पन्न करना।
• संभाव्यता p के साथ क्रॉसओवर को म्यूट करें_म।

# 4) नई आबादी के साथ मूल जनसंख्या को बदलें और चरण 2 पर जाएं।

आइए इस पुनरावृत्ति प्रक्रिया में निम्नलिखित चरणों को देखें। गुणसूत्रों की प्रारंभिक जनसंख्या उत्पन्न होती है। प्रारंभिक आबादी में पर्याप्त जीन होना चाहिए ताकि किसी भी समाधान को उत्पन्न किया जा सके। जनसंख्या का पहला पूल बेतरतीब ढंग से उत्पन्न होता है।

• चयन: फिटनेस फ़ंक्शन के आधार पर जीन का सबसे अच्छा सेट चुना जाता है। सबसे अच्छा फिटनेस फंक्शन वाला स्ट्रिंग चुना जाता है।
• प्रजनन: नई संतानें पुनर्संयोजन और उत्परिवर्तन द्वारा उत्पन्न होती हैं।
• मूल्यांकन: उत्पन्न नए गुणसूत्रों का मूल्यांकन उनकी फिटनेस के लिए किया जाता है।
• प्रतिस्थापन: इस चरण में, पुरानी आबादी को नई उत्पन्न जनसंख्या के साथ बदल दिया जाता है।

रूले व्हील चयन विधि

रूले व्हील चयन चयन विधि है जो व्यापक रूप से उपयोग की जाती है।

चयन प्रक्रिया कम है जैसा कि नीचे दिखाया गया है:

इस पद्धति में, रूलेट व्हील के माध्यम से एक रैखिक खोज की जाती है। पहिया में स्लॉट्स को व्यक्तिगत फिटनेस मूल्य के अनुसार तौला जाता है। लक्ष्य मान जनसंख्या में फिटनेस के योग के अनुपात के अनुसार अनियमित रूप से निर्धारित किया जाता है।

तब जनसंख्या की खोज तब तक की जाती है जब तक कि लक्ष्य मूल्य नहीं मिल जाता। यह विधि व्यक्तियों के योग्यतम की गारंटी नहीं देती है लेकिन सबसे योग्य होने की संभावना है।

आइए रूले व्हील चयन में शामिल चरणों को देखें।

किसी व्यक्ति का अनुमानित मूल्य = जनसंख्या का व्यक्तिगत फिटनेस / फिटनेस। व्हील स्लॉट व्यक्तियों को उनकी फिटनेस के आधार पर दिए गए हैं। पहिया एन बार घुमाया जाता है जहां एन आबादी में व्यक्तियों की कुल संख्या है। जब एक रोटेशन खत्म हो जाता है, तो चयनित व्यक्ति को माता-पिता के पूल में डाल दिया जाता है।

1. बता दें कि जनसंख्या में कई व्यक्तियों का कुल अपेक्षित मूल्य एस है।
2. दोहराएं चरण 3-5 एन बार।
3. 0 और S के बीच के पूर्णांक का चयन करें।
4. जनसंख्या में व्यक्तियों के माध्यम से लूप, अपेक्षित मानों को योग करें जब तक कि राशि s से अधिक न हो।
5. वह व्यक्ति जिसका अपेक्षित मान सीमा से अधिक राशि है, का चयन किया जाता है।

रूले व्हील चयन की कमियां:

1. यदि फिटनेस बहुत भिन्न होती है, तो रूलेट पहिया की परिधि को उच्चतम फिटनेस फ़ंक्शन गुणसूत्र द्वारा अधिकतम लिया जाएगा, इसलिए अन्य के पास चयनित होने की बहुत कम संभावना है।
2. यह कोलाहलपूर्ण है।
3. विकास जनसंख्या की फिटनेस में परिवर्तन पर निर्भर करता है।

अन्य चयन विधियाँ

में कई अन्य चयन विधियों का उपयोग किया जाता है 'चयन' आनुवंशिक एल्गोरिथम का चरण।

हम 2 अन्य व्यापक रूप से प्रयुक्त विधियों पर चर्चा करेंगे:

# 1) रैंक चयन: इस पद्धति में, प्रत्येक गुणसूत्र को रैंकिंग से एक फिटनेस मूल्य दिया जाता है। सबसे खराब फिटनेस 1 है और सबसे अच्छी फिटनेस एन है। यह एक धीमी गति से अभिसरण विधि है। इस पद्धति में, विविधता को एक सफल खोज के लिए संरक्षित किया जाता है।

संभावित माता-पिता का चयन किया जाता है और फिर यह तय करने के लिए एक टूर्नामेंट आयोजित किया जाता है कि कौन से व्यक्ति माता-पिता होंगे।

# 2) टूर्नामेंट चयन: इस पद्धति में, जनसंख्या के लिए एक चयनात्मक दबाव रणनीति लागू की जाती है। सबसे अच्छा व्यक्ति उच्चतम फिटनेस वाला है। यह व्यक्ति जनसंख्या में परमाणु व्यक्तियों के बीच टूर्नामेंट प्रतियोगिता का विजेता है।

विजेता के साथ टूर्नामेंट की आबादी को फिर से नई संतान उत्पन्न करने के लिए पूल में जोड़ा जाता है। संभोग पूल में विजेता और व्यक्तियों के फिटनेस मूल्यों में अंतर इष्टतम परिणामों के लिए एक चयनात्मक दबाव प्रदान करता है।

विदेशी

यह 2 व्यक्तियों को लेने और उनसे एक बच्चा पैदा करने की एक प्रक्रिया है। चयन के बाद प्रजनन प्रक्रिया अच्छे डंक के क्लोन बनाती है। क्रॉसओवर ऑपरेटर को बेहतर संतान पैदा करने के लिए स्ट्रिंग्स पर लागू किया जाता है।

क्रॉसओवर ऑपरेटर का कार्यान्वयन इस प्रकार है:

1. संतानों के उत्पादन के लिए दो व्यक्तियों को आबादी से यादृच्छिक रूप से चुना जाता है।
2. एक क्रॉस-साइट को स्ट्रिंग की लंबाई के साथ यादृच्छिक पर चुना जाता है।
3. साइट पर मानों की अदला-बदली की जाती है।

प्रदर्शन किया गया क्रॉसओवर सिंगल-पॉइंट क्रॉसओवर, टू-पॉइंट क्रॉसओवर, मल्टीपॉइंट क्रॉसओवर आदि हो सकता है। सिंगल पॉइंट क्रॉसओवर में एक क्रॉसओवर साइट होती है जबकि दो-पॉइंट क्रॉसओवर साइट में 2 साइट होती हैं जहाँ मानों की अदला-बदली होती है।

हम इसे नीचे दिए गए उदाहरण में देख सकते हैं:

सिंगल प्वाइंट क्रॉसओवर

दो-बिंदु क्रॉसओवर

क्रॉसओवर संभावना

पी_सी, क्रॉसओवर प्रायिकता वह शब्द है जो बताता है कि क्रॉसओवर कितनी बार प्रदर्शन किया जाएगा। 0% संभावना का मतलब है कि नए गुणसूत्र पुराने गुणसूत्रों की एक सटीक प्रति होंगे जबकि 100% संभावना का मतलब है कि सभी नए गुणसूत्र क्रॉसओवर द्वारा बनाए गए हैं।

परिवर्तन

क्रॉसओवर के बाद म्यूटेशन किया जाता है। जबकि क्रॉसओवर केवल वर्तमान समाधान पर केंद्रित है, म्यूटेशन ऑपरेशन पूरे खोज स्थान को खोजता है। यह विधि खो गई आनुवंशिक जानकारी को पुनर्प्राप्त करने और आनुवंशिक जानकारी को वितरित करने के लिए है।

यह ऑपरेटर आबादी में आनुवंशिक विविधता को बनाए रखने में मदद करता है। यह स्थानीय मिनीमा को रोकने में मदद करता है और किसी भी आबादी से बेकार समाधान पैदा करने से रोकता है।

उत्परिवर्तन कई तरीकों से किया जाता है जैसे कि प्रत्येक जीन के मूल्य को एक छोटी सी संभावना के साथ निकालना या केवल उत्परिवर्तन करना यदि यह समाधान की गुणवत्ता में सुधार करता है।

उत्परिवर्तन के कुछ तरीके हैं:

• फ़्लिपिंग: ० से १ या १ से ० बदल रहा है।
• इंटरचेंजिंग: दो यादृच्छिक पदों को चुना जाता है, और मान आपस में जुड़ जाते हैं।
• उलटफेर: यादृच्छिक स्थिति को चुना जाता है और उसके बगल में बिट्स को उलट दिया जाता है।

आइए प्रत्येक के कुछ उदाहरण देखें:

पलटना

अंतर्विनिमय

पीछे

उत्परिवर्तन संभावना

पी_म, उत्परिवर्तन संभाव्यता एक शब्द है जो यह निर्णय लेता है कि गुणसूत्र कितनी बार उत्परिवर्तित होंगे। यदि उत्परिवर्तन संभावना 100% है तो इसका मतलब है कि पूरे गुणसूत्र को बदल दिया गया है। यदि एक उत्परिवर्तन नहीं किया जाता है, तो नए वंश सीधे क्रॉसओवर के बाद उत्पन्न होते हैं।

एक सामान्य आनुवंशिक एल्गोरिथ्म का एक उदाहरण उत्परिवर्तन संभावना: पी_म, उत्परिवर्तन संभाव्यता एक शब्द है जो यह निर्णय लेता है कि गुणसूत्र कितनी बार उत्परिवर्तित होंगे। यदि उत्परिवर्तन संभावना 100% है तो इसका मतलब है कि पूरे गुणसूत्र को बदल दिया गया है।

यदि एक उत्परिवर्तन नहीं किया जाता है, तो नई संतान सीधे क्रॉसओवर के बाद उत्पन्न होती है। गुणसूत्रों की प्रारंभिक जनसंख्या ए, बी, सी, डी के रूप में दी गई है। जनसंख्या का आकार 4 है।

फिटनेस फ़ंक्शन को स्ट्रिंग में 1 की संख्या के रूप में लिया जाता है।

फिटनेस का योग 12 है जिसका तात्पर्य है, औसत फिटनेस फ़ंक्शन ~ 12/4 = 3 होगा

क्रॉसओवर संभावना = 0.7

उत्परिवर्तन संभाव्यता = 0.001

# 1) यदि B और C का चयन किया जाता है, तो क्रॉसओवर का प्रदर्शन नहीं किया जाता है क्योंकि C का फिटनेस मूल्य औसत फिटनेस से कम है।

#दो) बी उत्परिवर्तित है => बी: 11101110 -> बी^': जनसंख्या विविधता को संरक्षित करने के लिए 01101110

# 3) बी और डी का चयन किया जाता है, क्रॉसओवर का प्रदर्शन किया जाता है।

बी: 11101110 ई: 10110100 -> डी: 00110100 एफ: 01101110

# 4) यदि ई उत्परिवर्तित है, तो

ई: 10110100 -> ई^': 10110000

नीचे दी गई तालिका में संगत क्रोमोसोम दिखाए गए हैं। आदेश बेतरतीब ढंग से रखा गया है।

हालांकि 6 के फिटनेस मूल्य के साथ सबसे योग्य व्यक्ति आबादी की समग्र औसत फिटनेस खो जाता है और होगा: 14/4/3 3.5

जब आनुवंशिक एल्गोरिथ्म को रोकने के लिए

जब नीचे सूचीबद्ध कुछ शर्तों को पूरा किया जाता है तो एक आनुवंशिक एल्गोरिथ्म को रोक दिया जाता है:

# 1) सर्वश्रेष्ठ व्यक्तिगत रूपांतरण: जब न्यूनतम फिटनेस स्तर अभिसरण मूल्य से नीचे चला जाता है, तो एल्गोरिथ्म को रोक दिया जाता है। यह तेजी से अभिसरण की ओर जाता है।

# 2) सबसे खराब व्यक्तिगत रूपांतरण: जब आबादी में सबसे कम फिट व्यक्ति अभिसरण के नीचे न्यूनतम फिटनेस मूल्य प्राप्त करते हैं, तो एल्गोरिथ्म को रोक दिया जाता है। इस पद्धति में, जनसंख्या में न्यूनतम फिटनेस मानक बनाए रखा जाता है। इसका अर्थ है कि सर्वश्रेष्ठ व्यक्ति की गारंटी नहीं है, लेकिन न्यूनतम फिटनेस मूल्य वाले व्यक्ति मौजूद होंगे।

# 3) फिटनेस के योग: इस विधि में, यदि फिटनेस का योग अभिसरण मूल्य से कम या बराबर है तो खोज बंद कर दी जाती है। यह गारंटी देता है कि सभी आबादी फिटनेस रेंज के भीतर है।

# 4) मेडियन फिटनेस: इस पद्धति में, जनसंख्या के कम से कम आधे लोग अभिसरण मूल्य से बेहतर या बराबर होंगे।

कुछ अभिसरण मानदंड या रोक स्थिति हो सकती है:

• जब पीढ़ियों की एक निर्दिष्ट संख्या विकसित हुई है।
• जब एल्गोरिथ्म को चलाने के लिए निर्दिष्ट समय पूरा हो गया है।
• जब जनसंख्या का फिटनेस मूल्य पुनरावृत्तियों के साथ आगे नहीं बदलता है।

आनुवंशिक एल्गोरिथम के लाभ और नुकसान

आनुवंशिक एल्गोरिथम के लाभ हैं:

1. इसका व्यापक समाधान स्थान है।
2. वैश्विक इष्टतम की खोज करना आसान है।
3. समानांतरवाद: एक दूसरे के साथ हस्तक्षेप किए बिना एकाधिक जीए एक ही सीपीयू का उपयोग करके चला सकते हैं। वे अलगाव में समानांतर रूप से चलते हैं।

GA की सीमाएं:

1. फिटनेस फ़ंक्शन की पहचान एक सीमा है।
2. एल्गोरिदम का अभिसरण बहुत तेज या बहुत धीमा हो सकता है।
3. क्रॉसओवर, म्यूटेशन संभावना, जनसंख्या का आकार आदि जैसे मापदंडों को चुनने की एक सीमा है।

जेनेटिक एल्गोरिदम के अनुप्रयोग

उच्च आयामी समस्याओं को हल करने के लिए GA प्रभावी है। खोज स्थान बहुत बड़ा होने पर एक GA का प्रभावी रूप से उपयोग किया जाता है, कोई गणितीय समस्या-समाधान तकनीक उपलब्ध नहीं है और अन्य पारंपरिक खोज एल्गोरिदम काम नहीं करते हैं।

कुछ अनुप्रयोग जहां GA का उपयोग किया जाता है:

• अनुकूलन समस्या: अनुकूलन समस्याओं के सबसे अच्छे उदाहरणों में से एक यात्रा विक्रेता समस्या है जो GA का उपयोग करती है। अन्य अनुकूलन समस्याएं जैसे कि नौकरी शेड्यूलिंग, ध्वनि की गुणवत्ता अनुकूलन GA का व्यापक रूप से उपयोग किया जाता है।
• प्रतिरक्षा प्रणाली मॉडल: जीए का उपयोग विकास के समय में व्यक्तिगत जीन और बहु-जीन परिवारों के लिए प्रतिरक्षा प्रणाली के विभिन्न पहलुओं को मॉडल करने के लिए किया जाता है।
• मशीन लर्निंग: GA का उपयोग समस्या से संबंधित वर्गीकरण, भविष्यवाणी को हल करने, सीखने और वर्गीकरण के लिए नियम बनाने के लिए किया गया है ।

निष्कर्ष

जेनेटिक एल्गोरिदम प्राकृतिक विकास की पद्धति पर आधारित हैं। ये एल्गोरिदम अन्य वर्गीकरण एल्गोरिदम से अलग हैं क्योंकि वे एन्कोडेड मापदंडों (0 या 1) का उपयोग करते हैं, आबादी में कई व्यक्ति होते हैं और वे अभिसरण के लिए संभाव्य विधि का उपयोग करते हैं।

क्रॉसओवर और म्यूटेशन की प्रक्रिया के साथ, GA क्रमिक पीढ़ियों में परिवर्तित होते हैं। GA एल्गोरिथम का निष्पादन हमेशा एक सफल समाधान की गारंटी नहीं देता है। जेनेटिक एल्गोरिदम अनुकूलन में अत्यधिक कुशल हैं - नौकरी शेड्यूलिंग समस्याएं।

आशा है कि इस ट्यूटोरियल ने जेनेटिक एल्गोरिदम की अवधारणा पर आपके ज्ञान को समृद्ध किया होगा !!

=> एक्सक्लूसिव मशीन लर्निंग सीरीज के लिए यहां जाएं

अनुशंसित पाठ

• जेनेटिक एल्गोरिदम का उपयोग कर मॉडल आधारित परीक्षण
• डाटा माइनिंग बनाम मशीन लर्निंग बनाम आर्टिफिशियल इंटेलिजेंस बनाम डीप लर्निंग
• मशीन लर्निंग ट्यूटोरियल: एमएल और इसके अनुप्रयोगों का परिचय
• मशीन लर्निंग के प्रकार: सुपरवाइज्ड Vs अनसुप्रवाइज्ड लर्निंग
• मशीन लर्निंग में कृत्रिम तंत्रिका नेटवर्क के लिए एक पूर्ण गाइड
• 2021 में 11 सबसे लोकप्रिय मशीन लर्निंग सॉफ्टवेयर टूल्स
• शीर्ष 13 सर्वश्रेष्ठ मशीन लर्निंग कंपनियां (अद्यतित 2021 सूची)
• मशीन लर्निंग में सपोर्ट वेक्टर मशीन (SVM) क्या है