Algoritmo genético de base humana - Human-based genetic algorithm

Na computação evolutiva , um algoritmo genético baseado em humanos ( HBGA ) é um algoritmo genético que permite aos humanos contribuir com sugestões de soluções para o processo evolutivo. Para este propósito, um HBGA possui interfaces humanas para inicialização, mutação e cruzamento recombinante. Além disso, pode ter interfaces para avaliação seletiva. Em suma, um HBGA terceiriza as operações de um algoritmo genético típico para humanos.

Sistemas genéticos evolutivos e agência humana

Entre os sistemas genéticos evolutivos, o HBGA é o análogo baseado em computador da engenharia genética (Allan, 2005). Esta tabela compara sistemas em linhas de ação humana:

sistema sequências inovador seletor
seleção natural nucleotídeo natureza natureza
seleção artificial nucleotídeo natureza humano
Engenharia genética nucleotídeo humano humano
algoritmo genético baseado em humanos dados humano humano
algoritmo genético interativo dados computador humano
algoritmo genético dados computador computador

Um padrão óbvio na tabela é a divisão entre sistemas orgânicos (parte superior) e sistemas de computador (parte inferior). Outra é a simetria vertical entre sistemas autônomos (superior e inferior) e sistemas interativos humanos (meio).

Olhando para a direita, o seletor é o agente que decide a adequação no sistema. Ele determina quais variações se reproduzirão e contribuirão para a próxima geração. Em populações naturais e em algoritmos genéticos, essas decisões são automáticas; ao passo que em sistemas HBGA típicos, eles são feitos por pessoas.

O inovador é o agente da mudança genética. O inovador muta e recombina o material genético, para produzir as variações nas quais o seletor opera. Na maioria dos sistemas orgânicos e baseados em computador (superior e inferior), a inovação é automática, operando sem intervenção humana. No HBGA, os inovadores são pessoas.

HBGA é mais ou menos semelhante à engenharia genética. Em ambos os sistemas, os inovadores e selecionadores são pessoas. A principal diferença está no material genético com que trabalham: dados eletrônicos vs. sequências de polinucleotídeos.

Diferenças de um algoritmo genético simples

  • Todos os quatro operadores genéticos (inicialização, mutação, cruzamento e seleção) podem ser delegados a humanos usando interfaces apropriadas (Kosorukoff, 2001).
  • A inicialização é tratada como um operador, em vez de uma fase do algoritmo. Isso permite que um HBGA comece com uma população vazia. Operadores de inicialização, mutação e crossover formam o grupo de operadores de inovação.
  • A escolha do operador genético também pode ser delegada aos humanos, para que eles não sejam forçados a realizar uma operação específica em um determinado momento.

Recursos funcionais

  • HBGA é um método de colaboração e troca de conhecimento. Ele combina a competência de seus usuários humanos, criando uma espécie de inteligência simbiótica homem-máquina (ver também inteligência artificial distribuída ).
  • A inovação humana é facilitada pela amostragem de soluções da população, associando-as e apresentando-as em diferentes combinações para um usuário (ver técnicas de criatividade ).
  • HBGA facilita o consenso e a tomada de decisão integrando as preferências individuais de seus usuários.
  • HBGA faz uso de uma ideia de aprendizado cumulativo enquanto resolve um conjunto de problemas simultaneamente. Isso permite obter sinergia, pois as soluções podem ser generalizadas e reutilizadas entre diversos problemas. Isso também facilita a identificação de novos problemas de interesse e a distribuição justa de recursos entre problemas de importância diferente.
  • A escolha da representação genética, um problema comum dos algoritmos genéticos, é muito simplificada no HBGA, uma vez que o algoritmo não precisa estar ciente da estrutura de cada solução. Em particular, o HBGA permite que a linguagem natural seja uma representação válida.
  • O armazenamento e a amostragem da população geralmente permanecem uma função algorítmica.
  • Um HBGA é geralmente um sistema multiagente , delegando operações genéticas a vários agentes (humanos).

Formulários

A metodologia HBGA foi derivada em 1999-2000 da análise do projeto Free Knowledge Exchange que foi lançado no verão de 1998, na Rússia (Kosorukoff, 1999). Inovação humana e avaliação foram usadas para apoiar a resolução colaborativa de problemas. Os usuários também eram livres para escolher a próxima operação genética a ser realizada. Atualmente, vários outros projetos implementam o mesmo modelo, sendo o mais popular o Yahoo! Respostas , lançado em dezembro de 2005.

Uma pesquisa recente sugere que os operadores de inovação de base humana são vantajosos não apenas onde é difícil projetar uma mutação computacional eficiente e / ou crossover (por exemplo, ao desenvolver soluções em linguagem natural), mas também no caso em que bons operadores de inovação computacional estão prontamente disponíveis , por exemplo, ao desenvolver uma imagem ou cores abstratas (Cheng e Kosorukoff, 2004). No último caso, a inovação humana e computacional podem se complementar, produzindo resultados cooperativos e melhorando a experiência geral do usuário, garantindo que a criatividade espontânea dos usuários não seja perdida.

Além disso, os algoritmos genéticos baseados em humanos provam ser uma medida bem-sucedida para neutralizar os efeitos da fadiga introduzidos por algoritmos genéticos interativos .

Veja também

Referências

  • Kosorukoff, Alex (1999). Troca de conhecimento grátis. arquivo da internet
  • Kosorukoff, Alex (2000). Algoritmo genético baseado em humanos. conectados
  • Kosorukoff, Alex (2001). Algoritmo genético baseado em humanos. Na IEEE International Conference on Systems, Man, and Cybernetics , SMC-2001, 3464-3469. texto completo
  • Cheng, Chihyung Derrick e Alex Kosorukoff (2004). O problema interativo one-max permite comparar o desempenho de algoritmos genéticos interativos e humanos. In Genetic and Evolutionary Computational Conference , GECCO-2004. texto completo
  • Milani, Alfredo (2004). Algoritmos genéticos online . International Journal of Information Theories and Applications pp. 20-28
  • Milani, Alfredo e Silvia Suriani (2004), ADAN: Jornais Adaptáveis ​​baseados na Programação Evolutiva na Conferência Internacional IEEE / WIC / ACM sobre Inteligência na Web, (WI'04), pp. 779-780, IEEE Press, 2004
  • Allan, Michael (2005). Desenho recombinante simples. SourceForge.net, projeto textbender, versão 2005.0, arquivo _ / description.html. arquivos de lançamento , versão online posterior
  • Kruse, janeiro (2015). Computação evolutiva interativa em aplicativos de design para mundos virtuais. texto completo
  • Kruse, Jan e Connor, Andy (2015). Sistemas evolutivos multiagentes para a geração de mundos virtuais complexos. texto completo

links externos

  • Livre Knowledge Exchange , um projeto usando HBGA para resolução colaborativa de problemas expressos em linguagem natural.
  • ParEvo , ParEvo é um método de desenvolvimento de cenários futuros alternativos, usando um processo evolutivo participativo