Extending the Scalability of Linkage Learning Genetic Algorithms: Theory & Practice

الگوریتم‌های ژنتیک (GAs) تکنیک‌های جستجوی قدرتمندی هستند که بر اساس اصول تکامل و به طور گسترده برای حل مسائل در بسیاری از رشته‌ها به کار می‌روند.

با این حال، بسیاری از GAهایی که امروزه در عمل به کار می‌روند، قادر به یادگیری پیوند بین ژن‌ها نیستند، از مشکل پیوند رنج می‌برند، که به نیاز به ترتیب مناسب یا ترتیب تطبیقی ​​ژن‌ها روی کروموزوم‌ها در طول فرآیند تکاملی اشاره دارد. این GAها از کاربران خود می‌خواهند که از دانش قبلی در مورد این مشکل برخوردار باشند، به طوری که ژن‌های روی کروموزوم‌ها بتوانند از قبل به درستی مرتب شوند. یکی از راه‌های کاهش بار کاربران GA این است که الگوریتم را به تنهایی قادر به تطبیق و یادگیری پیوند ژنتیکی کنیم.

به منظور مقابله با مشکل پیوند، الگوریتم ژنتیک یادگیری پیوند (LLGA) با استفاده از پیشنهاد شد. ترکیبی منحصربه‌فرد از طرح کدگذاری (تعداد ژن، آلل) و یک متقاطع مبادله‌ای که به GAها اجازه می‌دهد تا پیوند محکم بلوک‌های ساختمان را از طریق یک عبارت احتمالی خاص بیاموزند. در حالی که LLGA در مسائل با مقیاس بد نسبت به GAهای ساده بسیار بهتر عمل می کند، در مسائل مقیاس یکنواخت مانند سایر GA های شایسته کار نمی کند. بنابراین، ما باید بدانیم که چرا چنین است و باید بدانیم که چگونه یک LLGA بهتر طراحی کنیم یا اینکه آیا محدودیت های خاصی برای چنین فرآیند یادگیری پیوندی وجود دارد یا خیر.

این کتاب با هدف دستیابی به درک بهتر از LLGA است. در تئوری و برای بهبود عملکرد LLGA در عمل. این مقاله با بررسی و طبقه‌بندی تکنیک‌های یادگیری پیوند ژنتیکی موجود شروع می‌شود و مراحل و رویکردهای اتخاذ شده برای مقابله با موضوعات تحقیقاتی، از جمله استفاده از مروج، توسعه مدل زمان هم‌گرایی، و اتخاذ زیرکروموزوم‌ها را شرح می‌دهد. همچنین نتایج تجربی را برای مشاهده فرآیند یادگیری پیوندی و همچنین برای تأیید مدل‌های نظری پیشنهاد شده در این مطالعه ارائه می‌کند.

Genetic algorithms (GAs) are powerful search techniques based on principles of evolution and widely applied to solve problems in many disciplines.

However, unable to learn linkage among genes, most GAs employed in practice nowadays suffer from the linkage problem, which refers to the need of appropriately arranging or adaptively ordering the genes on chromosomes during the evolutionary process. These GAs require their users to possess prior domain knowledge of the problem such that the genes on chromosomes can be correctly arranged in advance. One way to alleviate the burden of GA users is to make the algorithm capable of adapting and learning genetic linkage by itself.

In order to tackle the linkage problem, the linkage learning genetic algorithm (LLGA) was proposed using a unique combination of the (gene number, allele) coding scheme and an exchange crossover to permit GAs to learn tight linkage of building blocks through a special probabilistic expression. While the LLGA performs much better on badly scaled problems than simple GAs, it does not work well on uniformly scaled problems as other competent GAs. Therefore, we need to understand why it is so and need to know how to design a better LLGA or whether there are certain limits of such a linkage learning process.

This book aims to gain better understanding of the LLGA in theory and to improve the LLGA's performance in practice. It starts with a survey and classification of the existing genetic linkage learning techniques and describes the steps and approaches taken to tackle the research topics, including using promoters, developing the convergence time model, and adopting subchromosomes. It also provides the experimental results for observation of the linkage learning process as well as for verification of the theoretical models proposed in this study.