Pada titik ini dalam seri pemrograman genetik (GP), kita telah mempelajari tentang apa itu pemrograman genetik dan bagaimana ia merepresentasikan informasi, bagaimana operator genetik bekerja dalam algoritme evolusi, dan bekerja dengan mengembangkan program penyortiran melalui regresi simbolis.
Di sini, kita akan melihat tingkat tinggi apa yang dapat dicapai teknologi ini seiring perkembangannya.
Untuk memahami bab terakhir dari seri ini, mari kita ingat contoh XOR yang telah kita bahas di bagian pertama seri ini:
Solusi sempurna untuk masalah XOR yang ditemukan oleh GP: (program mati () (DAN (ATAU X1 X2) (TIDAK (DAN X1 X2) ) ) )
Mari kita lihat kembali contoh regresi simbolik dari artikel sebelumnya:
Pendekatan polinomial untuk sin(x) dalam interval (0 <=x <=pi/2) (program mati () (+ (* (* (* X X) X) (* 0,2283 -0,6535)) X) ) Menyederhanakan program di atas menghasilkan persamaan ekuivalen berikut:polisin(x) =-.1492 x 3 + x Hasil:
| x | sin(x) | polisin(x) |
| 0,000 | 0,000 | 0,000 |
| 0,078 | 0,077 | 0,077 |
| 0,156 | 0,155 | 0,155 |
| 0.234 | 0.231 | 0,232 |
| 0.312 | 0.306 | 0.307 |
| 0.390 | 0,380 | 0,381 |
| 0.468 | 0.451 | 0.452 |
| 0,546 | 0,519 | 0.521 |
| 0.624 | 0.584 | 0.587 |
| 0.702 | 0.645 | 0.650 |
| 0.780 | 0.703 | 0.709 |
| 0.858 | 0,756 | 0.763 |
| 0.936 | 0.805 | 0.813 |
| 1.014 | 0.848 | 0.858 |
| 1.092 | 0.887 | 0.897 |
| 1.170 | 0.920 | 0.931 |
| 1.248 | 0.948 | 0,957 |
| 1.326 | 0.970 | 0.978 |
| 1.404 | 0.986 | 0.991 |
| 1.482 | 0.996 | 0.996 |
| 1.560 | 0.999 | 0.993 |
Perhatikan bahwa baik XOR maupun contoh regresi simbolis yang disajikan di sini mengembalikan nilai tunggal saat dievaluasi.
Karakteristik ini tidak perlu dibatasi karena sangat mungkin fungsi atau terminal memiliki efek samping saat dijalankan. Hal ini sering terjadi pada program pengurutan, yang berisi fungsi dengan potensi efek samping dari pertukaran sepasang elemen dalam vektor. Dalam praktiknya, efek samping sering terjadi. Beberapa contoh tambahan dari efek samping yang berguna adalah menetapkan satu variabel ke variabel lain atau mengubah arah yang dihadapi robot.
Himpunan fungsi kami dapat mencakup fungsi bersyarat yang menyediakan program yang berkembang dengan kemampuan untuk membuat keputusan. Fungsi bersyarat secara selektif mengevaluasi argumennya. Sebagai contoh, pertimbangkan sebuah fungsi, dengan aritas tiga, seperti (jika arg1 arg2 arg3). Fungsi dievaluasi dengan mengevaluasi argumen pertama dan jika hasilnya benar, argumen kedua dievaluasi; jika tidak, argumen ketiga dievaluasi. Konstruksi berulang juga dimungkinkan, karena suatu fungsi dapat mengevaluasi salah satu argumennya beberapa kali. Kompleksitas tambahan diperkenalkan, bagaimanapun, oleh kebutuhan untuk membatasi jumlah iterasi dan tingkat bersarang untuk menghindari situasi di mana evaluasi individu dapat memakan waktu yang sangat lama. Beberapa pekerjaan telah dilakukan untuk memungkinkan formulasi rekursif, meskipun keberhasilan di bidang ini agak terbatas.
Meskipun hasil sistem GP cenderung seperti program LISP, sistem GP tidak perlu diimplementasikan di LISP. Banyak sistem diimplementasikan dalam C atau C++. Representasi linier dari pohon program dapat digunakan dan overhead memori dinamis bersama dengan pengumpulan sampah yang mahal dapat dihindari. Efisiensi fungsi fitness layak mendapat perhatian khusus karena sering kali menjadi hambatan karena banyaknya kali dipanggil selama setiap generasi. Makalah bagus yang membahas berbagai teknik implementasi dapat ditemukan di Advances in Genetic Programming (dikutip di bagian Bacaan yang Disarankan di bawah).
Seperti dalam paradigma pembelajaran mesin lainnya, seperti jaringan saraf, potensi untuk menyesuaikan data pelatihan (kasus uji GP) ada. Overfitting dapat terjadi ketika solusi secara efektif "menghafal" data, sehingga memberikan sedikit lebih dari tabel pencarian yang rumit. Salah satu cara sederhana untuk membantu mengurangi efek ini adalah dengan menggunakan faktor hemat. Faktor parsimony biasanya merupakan pecahan kecil dikalikan dengan jumlah node dalam pohon program, yang hasilnya dimasukkan ke dalam fungsi fitness. Idenya adalah untuk menghargai solusi yang lebih kecil, mungkin lebih umum. Selain itu, Anda didorong untuk menggunakan teknik desain eksperimental yang sesuai. Misalnya, jika Anda mencoba mengembangkan model untuk prediksi, sebaiknya batasi evaluasi kesesuaian ke subset data yang tersedia. Dengan cara ini, data yang tersisa dapat mengukur kinerja prediktif dari model yang dihasilkan.
Seperti halnya dengan algoritma evolusioner, GP tidak memberikan jaminan untuk menemukan solusi yang tepat atau bahkan solusi yang dapat diterima. Hasil dapat sangat bervariasi dari satu run ke run lainnya. Seringkali, proses secara prematur menyatu pada minimum lokal. Performa sangat bergantung pada kompleksitas masalah, representasinya yang dicirikan oleh pilihan fungsi dan terminal, dan properti dari fungsi fitness.
Pemrograman genetik telah berhasil diterapkan pada masalah yang terjadi di area seperti:
Tergantung pada kompleksitas masalahnya, beberapa GP run mungkin diperlukan untuk menemukan solusi yang dapat diterima, jika ada yang dapat ditemukan sama sekali. Idealnya, kami ingin GP "meningkatkan" seiring dengan meningkatnya kompleksitas masalah. Menemukan cara yang baik untuk mencapai tujuan ini adalah bidang penelitian yang aktif. Seperti dalam pemrograman konvensional, gagasan membangun representasi tingkat yang lebih tinggi melalui subrutin adalah salah satu cara untuk mendekati masalah ini. Dalam Pemrograman Genetika II , Koza membahas metode yang dapat menemukan subrutin yang dapat digunakan kembali dan menyajikan hasil yang mendukung kemampuan program modular dan hierarkis untuk memecahkan masalah yang lebih kompleks.
Seperti yang telah kita lihat, GP menggabungkan karakteristik pengorganisasian diri dari algoritme genetika dengan kekuatan representasional dan ekspresi S secara umum. Keanggunan dari pendekatan ini menyederhanakan spesifikasi masalah dengan menyediakan fungsi kebugaran khusus domain dan fungsi yang sesuai dan set terminal. Berlaku untuk beragam masalah, GP terus menjadi lahan subur untuk penelitian.
Masih dalam masa pertumbuhan, terobosan di masa depan dapat membawa kita selangkah lebih maju ke Cawan Suci sistem yang mampu membuat program mereka sendiri.
Robot industri
Pernahkah Anda bertanya-tanya bagaimana AC, makhluk manis yang selalu menjaga kamar kita pada suhu yang sesuai, membuat keajaiban terjadi? Nah, motor DC brushless magnet permanen, dengan pengaturan kecepatan yang sangat baik dan semua, akan melakukannya. Apa lagi yang bisa dilakukan motor DC? Mari k
Setiap tahun, perusahaan berusaha memperbaiki proses dan peralatan mereka dari pengelasan robot hingga aplikasi ruang bersih. Motoman, pemimpin robotika industri, merilis robot ruang bersih pada bulan April yang berspesialisasi dalam aplikasi biomedis. MH3BM menangani pemrosesan spesimen, pemberian
Mirip dengan proses pengelasan TIG, plasma arc welding (PAW) menyediakan metode berkualitas tinggi untuk menyambung bagian logam. Prinsip PAW Pengelasan busur plasma pada dasarnya merupakan perpanjangan dari pengelasan logam gas tungsten (GMAW atau TIG). Kedua proses pengelasan umumnya menggunaka
Pengelasan Busur Terendam, juga dikenal sebagai SAW, adalah proses yang melibatkan pembentukan busur oleh elektroda. Busur kemudian menggunakan muatan listriknya untuk melewati kawat las dan benda kerja untuk aplikasinya. Perbedaan antara las busur terendam dan las busur biasa adalah bahwa kawat las
