“A volte aggrapparsi a un’area conosciuta può impedirci di entrare in altri spazi di scoperta e sviluppo”. Mario Alonso Puig
L’Avana Cuba. L’informatica evolutiva è una branca dell’informatica e dell’intelligenza artificiale basata sui principi della selezione naturale descritti da Charles Darwin nel suo libro L’origine delle specie. Include metodi di ricerca e apprendimento automatico ispirati ai meccanismi dell’evoluzione naturale. Sono stati proposti vari approcci al calcolo evolutivo: strategie evolutive, algoritmi genetici, programmazione genetica e classificatori genetici, tra gli altri. Questi metodi sono indicati collettivamente come algoritmi evolutivi e uno dei più noti è l’algoritmo genetico. Alcune delle applicazioni della programmazione evolutiva sono: previsione, generalizzazione, giochi, controllo automatico, problema del viaggiatore, pianificazione del percorso, progettazione e addestramento di reti neurali, riconoscimento di pattern.
Gli studi condotti da Fraser in “Simulazione di sistemi genetici mediante computer digitali automatizzatiNel decennio tra il 1950 e il 1960, in cui furono compiuti i primi passi in termini di visualizzazioni ed esecuzioni su simulazioni computazionali di sistemi genetici, che ebbero un impatto significativo sui modelli di computazione evolutiva.
Se è vero che sia Fraser che altri autori come Friedberg hanno contribuito allo sviluppo e all’estensione di ciò che oggi è noto come calcolo evolutivo, i contributi di coloro che costituiscono la base del movimento del calcolo evolutivo, l’inglese Darwin a suo giudizio, non possono essere ignorato. Il principio di sopravvivenza o anche noto come legge del più adatto, la teoria dell’ereditarietà proposta da Mendel e infine la teoria dell’evoluzione di Weizmann. A causa di quanto sopra, si può vedere come il resoconto evolutivo sia ispirato dall’attuale teoria biologica e, grazie a ciò, si può vedere che la maggior parte dei termini sono comuni, come: cromosomi, alleli, mutazioni, geni e altri.
Law focus dell’ottimizzazione dei parametri e, infine, gli algoritmi genetici proposti da Holland Nel 1975 un anno modello di funzionamento adattivo. Vediamo alcune caratteristiche:
programmazione evolutiva
La programmazione evolutiva, nota anche come algoritmo evolutivo, è un metodo di ottimizzazione che parte da un insieme di dati per rappresentare diverse soluzioni ad un dato problema.Per fare ciò, la programmazione evolutiva utilizza operatori basati sulla teoria di Charles Darwin, tra cui ricombinazione, crossing over, selezione di si possono menzionare i più adatti, le mutazioni e altri.
strategie evolutive
Sono stati proposti da Rechenberg e Schwefel che li hanno progettati come sono conosciuti oggi. Come altre tecniche computazionali evolutive, questa si basa sul principio dell’evoluzione o teoria evolutiva di Charles Darwin. Come caratteristica principale, le strategie evolutive hanno la capacità di autoadattarsi.
Algoritmi genetici
Gli algoritmi genetici sono stati creati da Holland e li ha definiti come procedure di tipo adattativo utilizzate per trovare soluzioni in spazi complessi (risolvere problemi complessi), si basano, come altre tecniche computazionali evoluzionistiche, sulla teoria evoluzionistica di Darwin e si occupano della simulazione di concetti genetici naturali e processi. Negli algoritmi evolutivi, come in natura, c’è un processo competitivo, che dipende dalla sopravvivenza del più adatto, e questo processo è chiamato meccanismo di selezione, che utilizza questi adattamenti per selezionare i cromosomi per i nuovi individui. Gli algoritmi genetici utilizzano fattori genetici, chiamati anche crossover Incrocio e boom. L’algoritmo genetico può essere descritto nel modo seguente: In primo luogo, le soluzioni devono essere rappresentate, una volta rappresentate, viene utilizzato il meccanismo di selezione per propagarle, una volta fatto quanto sopra, vengono applicati gli operatori genetici di crossover e mutazione.
Tutte le tecniche di programmazione evolutiva sono molto simili come si può vedere. Un algoritmo evolutivo è una tecnica di risoluzione dei problemi ispirata all’evoluzione degli organismi. In questo tipo di algoritmo viene definita una struttura dati che accetta tutte le possibili soluzioni a un problema, alcune delle quali saranno migliori e altre peggiori. La soluzione al problema consisterà nel trovare la soluzione ottimale, quindi gli algoritmi evolutivi sono davvero un metodo di ricerca. Ma è un metodo di ricerca molto particolare, in cui le soluzioni al problema sono in grado di riprodursi a vicenda, combinare le loro proprietà e generare nuove soluzioni. In ogni ciclo vengono selezionate le soluzioni più vicine all’obiettivo desiderato, eliminando il resto. Questo processo a volte consentirà alcune mutazioni o modifiche casuali durante la riproduzione. Diamo un’occhiata a questi metodi in modo più dettagliato di seguito.
La programmazione genetica consiste nell’evoluzione spontanea di programmi che utilizzano idee basate sulla selezione naturale. Non serviva solo per creare programmi, ma anche per qualsiasi altro tipo di soluzione la cui struttura fosse simile a quella di un programma. Ad esempio, formule matematiche e circuiti elettronici. La programmazione genetica è un paradigma informatico evolutivo per la ricerca di programmi che eseguono un compito definito dall’utente. È una specialità degli algoritmi genetici in cui ogni individuo è un programma. Pertanto, può essere considerata una tecnica di apprendimento automatico che viene utilizzata per ottimizzare la suite software secondo specifiche linee guida basate sulla capacità del software di eseguire un determinato compito computazionale, definito dall’utente.
L’evoluzione avviene in natura grazie al fatto che: C’è riproduzione tra individui in una popolazione. Le caratteristiche degli individui influenzano la loro probabilità di sopravvivenza; L’eredità è limitata e le risorse causano concorrenza. Nella programmazione genetica, i gruppi di programmi devono evolversi, trasmettendo la loro eredità nel modo più adatto all’ambiente. Gli individui migliori hanno maggiori probabilità di riprodursi. La misura della qualità per un individuo dipende dal tipo di problema.
Analogie tra evoluzione naturale e algoritmi evolutivi
| natura | algoritmi evolutivi |
| Individualmente | soluzione al problema |
| Popolazione | gruppo di soluzione |
| capacità | qualità della soluzione |
| cromosoma | Rappresentazione o codifica della soluzione |
| gene | Parte o componente di una rappresentazione della soluzione |
| Mutazione e ricombinazione | operatori di ricerca |
| selezione naturale | Salva o riutilizza le buone soluzioni (o i loro componenti) |
Il calcolo evolutivo costituisce una delle aree più attive di quella che viene chiamata “intelligenza computazionale”, che comprende anche reti neurali e sistemi fuzzy. Queste tecnologie hanno raggiunto un gran numero di applicazioni di successo nel settore. Gli algoritmi evolutivi sono stati utilizzati anche come strumenti di modellazione e risoluzione dei problemi nelle scienze naturali.
Le principali aree applicative su cui è stato sviluppato e implementato il calcolo evolutivo sono: acustica, ingegneria aeronautica, ingegneria elettrica, ingegneria dei materiali, chimica, mercati finanziari, giochi, geofisica, matematica, algoritmi, machine learning e strategie. tra l’altro.
Nel campo del calcolo evolutivo e dei suoi modelli, ci sono ancora molti ambiti di ricerca e applicazione. Sviluppare sistemi in grado di apprendere per ottenere risultati migliori e sviluppare applicazioni di ricerca di percorsi orientata ai robot e orientata all’ottimizzazione, in particolare pianificazione dei percorsi per robot mobili autonomi che cercano una maggiore somiglianza con il comportamento umano, la parola, il movimento, la capacità di apprendimento o grandi quantità di elaborazione e forse un po’ di logica. Il potere degli algoritmi evolutivi è stato notato per essere metodi che non richiedono informazioni. Negli ultimi anni, è stato osservato che i progetti diretti e ispirati a modelli biologici stanno aumentando con risultati di successo nelle loro applicazioni, ecco come termini come algoritmi bio-ispirati stanno guadagnando sempre più potere.
Il campo d’azione che la computazione evolutiva può includere è così vasto che si parla di algoritmi culturali, e consiste nel preservare credenze socialmente accettabili e abbandonare quelle che non lo sono. Questa teoria è nata intorno agli anni ’90 ed è stata proposta dai sociologi, i quali sostengono che la cultura può essere simbolicamente modificata e trasmessa all’interno e tra le popolazioni. La colonia di formiche è una delle più popolari e il cui campo di lavoro è ancora ampio, questa tecnica insieme agli algoritmi evolutivi viene applicata con successo nei campi della risoluzione dei problemi di progettazione ingegneristica, ottimizzazione, combinazioni e ottimizzazione non lineare, questa è un’altra tecnica basata sul social comportamenti, proprio come l’ottimizzazione dello sciame di particelle.
Per quanto riguarda il modello delle strategie evolutive, un’area in cui resta ancora molto da fare è la mappatura dei parametri autoadattativi, poiché è stata poco studiata dai ricercatori a causa della sua complessità, questa strategia ha mostrato un grande potenziale nella ricerca dell’ottimizzazione . Eseguendo specificamente un algoritmo evolutivo, il calcolo evolutivo sta attualmente estendendo le sue basi basate sulla conoscenza biologica, facendo progressi e innovazioni in: strategie genetiche molecolari, modellazione di sistemi embrionali e analisi dell’evoluzione della complessità degli organismi. Come si può alludere, il calcolo evolutivo è e rimarrà una disciplina con linee di ricerca che richiedono un’elevata capacità di astrazione, interdisciplinarietà e transdisciplinarietà, ancora una volta per dare per scontata la saggezza di Madre Natura.
Come il lettore capirà, ho parlato di un campo che è sulla cresta dell’onda dello sviluppo tecnologico, e quindi, siamo tutti sulla linea di partenza con le stesse possibilità, talento e voglia di definirlo. Uno dei grandi vantaggi dell’industria del software è che la materia prima è la nostra materia grigia, ed è questo che mi ha portato a una famosa frase di un grande amico, la risorsa più importante a Cuba, il cubano con la conoscenza e, quindi, le mani di lavoro
“Educatore generale della birra. Pioniere del caffè per tutta la vita. Sostenitore certificato di Twitter. Fanatico di Internet. Professionista dei viaggi.”