Algorytm genetyczny oparty na ludziach

W obliczeniach ewolucyjnych algorytm genetyczny oparty na człowieku ( HBGA ) to algorytm genetyczny , który umożliwia ludziom wnoszenie sugestii rozwiązań do procesu ewolucyjnego. W tym celu HBGA ma ludzkie interfejsy do inicjalizacji, mutacji i krzyżowania rekombinacyjnego. Może również mieć interfejsy do selektywnej oceny. Krótko mówiąc, HBGA zleca ludziom wykonanie typowego algorytmu genetycznego.

Ewolucyjne systemy genetyczne i ludzka sprawczość

Wśród ewolucyjnych systemów genetycznych HBGA jest komputerowym odpowiednikiem inżynierii genetycznej (Allan, 2005). Ta tabela porównuje systemy na liniach ludzkiej agencji:

system	sekwencje	nowator	selektor
naturalna selekcja	nukleotyd	Natura	Natura
sztuczna selekcja	nukleotyd	Natura	człowiek
Inżynieria genetyczna	nukleotyd	człowiek	człowiek
algorytm genetyczny oparty na człowieku	dane	człowiek	człowiek
interaktywny algorytm genetyczny	dane	komputer	człowiek
algorytm genetyczny	dane	komputer	komputer

Jednym z oczywistych wzorców w tabeli jest podział na systemy organiczne (na górze) i komputerowe (na dole). Innym jest pionowa symetria między systemami autonomicznymi (na górze i na dole) a systemami interaktywnymi z człowiekiem (w środku).

Patrząc w prawo, selektor jest agentem, który decyduje o przydatności w systemie. Określa, które odmiany będą się rozmnażać i przyczyniać się do powstania następnej generacji. W populacjach naturalnych iw algorytmach genetycznych decyzje te są automatyczne; podczas gdy w typowych systemach HBGA są one tworzone przez ludzi.

Innowator jest agentem zmiany genetycznej . Innowator mutuje i rekombinuje materiał genetyczny, aby wytworzyć wariacje, na których operuje selektor. W większości systemów organicznych i komputerowych (górnych i dolnych) innowacje są automatyczne i działają bez interwencji człowieka. W HBGA innowatorami są ludzie.

HBGA jest z grubsza podobny do inżynierii genetycznej. W obu systemach innowatorami i selektorami są ludzie. Główna różnica polega na materiale genetycznym, z którym pracują: dane elektroniczne a sekwencje polinukleotydowe.

Różnice w stosunku do zwykłego algorytmu genetycznego

Wszystkie cztery operatory genetyczne (inicjalizacja, mutacja, krzyżowanie i selekcja) mogą być przekazane ludziom przy użyciu odpowiednich interfejsów (Kosorukoff, 2001).
Inicjalizacja jest traktowana jako operator, a nie faza algorytmu. Pozwala to na rozpoczęcie HBGA z pustą populacją. Operatory inicjalizacji, mutacji i krzyżowania tworzą grupę operatorów innowacji.
Wybór operatora genetycznego może być również przekazany człowiekowi, dzięki czemu nie jest on zmuszany do wykonania określonej operacji w danym momencie.

Cechy funkcjonalne

HBGA to metoda współpracy i wymiany wiedzy. Łączy kompetencje swoich ludzkich użytkowników, tworząc swego rodzaju symbiotyczną inteligencję człowiek-maszyna (zob. także rozproszona sztuczna inteligencja ).
Innowacyjność człowieka ułatwia pobieranie próbek rozwiązań z populacji, kojarzenie ich i prezentowanie użytkownikowi w różnych kombinacjach (patrz techniki kreatywności ).
HBGA ułatwia osiąganie konsensusu i podejmowanie decyzji poprzez integrację indywidualnych preferencji użytkowników.
HBGA wykorzystuje pomysł kumulatywnego uczenia się podczas jednoczesnego rozwiązywania zestawu problemów. Pozwala to osiągnąć synergię, ponieważ rozwiązania można uogólniać i ponownie wykorzystywać wśród kilku problemów. Ułatwia to również identyfikację nowych problemów będących przedmiotem zainteresowania oraz sprawiedliwy podział zasobów pomiędzy problemy o różnym znaczeniu.
Wybór reprezentacji genetycznej, powszechny problem algorytmów genetycznych, jest znacznie uproszczony w HBGA, ponieważ algorytm nie musi znać struktury każdego rozwiązania. W szczególności HBGA pozwala, aby język naturalny był prawidłową reprezentacją.
Przechowywanie i próbkowanie populacji zwykle pozostaje funkcją algorytmiczną.
HBGA jest zwykle systemem wieloagentowym , delegującym operacje genetyczne do wielu agentów (ludzi).

Aplikacje

Ewolucyjne zarządzanie wiedzą , integracja wiedzy z różnych źródeł.
Organizacja społeczna , zbiorowe podejmowanie decyzji i e-administracja .
Tradycyjne obszary zastosowań interaktywnych algorytmów genetycznych : sztuka komputerowa , projektowanie zorientowane na użytkownika itp.
Wspólne rozwiązywanie problemów przy użyciu języka naturalnego jako reprezentacji.
Edukacja i środowisko akademickie czerpie korzyści z symulacji w czasie rzeczywistym z syntetycznym modelowaniem programów nauczania przy użyciu środowisk dynamicznych chmur punktów.

Metodologia HBGA wywodziła się w latach 1999-2000 z analizy projektu Wolnej Wymiany Wiedzy, rozpoczętego latem 1998 roku w Rosji (Kosorukoff, 1999). Do wsparcia wspólnego rozwiązywania problemów wykorzystano innowacje i ewaluację człowieka. Użytkownicy mieli również swobodę wyboru następnej operacji genetycznej do wykonania. Obecnie kilka innych projektów implementuje ten sam model, z których najpopularniejszym jest Yahoo! Answers , uruchomiony w grudniu 2005 r.

Ostatnie badania sugerują, że operatorzy innowacji opartych na ludziach są korzystni nie tylko tam, gdzie trudno jest zaprojektować wydajną mutację obliczeniową i/lub krzyżowanie (np. podczas opracowywania rozwiązań w języku naturalnym), ale także w przypadku, gdy dobrzy operatorzy innowacji obliczeniowych są łatwo dostępni , np. podczas tworzenia abstrakcyjnego obrazu lub kolorów (Cheng i Kosorukoff, 2004). W tym drugim przypadku innowacje ludzkie i obliczeniowe mogą się wzajemnie uzupełniać, dając wspólne wyniki i poprawiając ogólne wrażenia użytkownika, zapewniając, że spontaniczna kreatywność użytkowników nie zostanie utracona.

Co więcej, algorytmy genetyczne oparte na ludziach okazują się skutecznym sposobem przeciwdziałania skutkom zmęczenia wprowadzanym przez interaktywne algorytmy genetyczne .

Zobacz też

Kosorukoff, Alex (1999). Darmowa wymiana wiedzy. archiwum internetowe
Kosorukoff, Alex (2000). Algorytm genetyczny oparty na ludziach. online
Kosorukoff, Alex (2001). Algorytm genetyczny oparty na ludziach. W Międzynarodowej Konferencji IEEE na temat Systemów, Człowieka i Cybernetyki , SMC-2001, 3464-3469. pełny tekst
Cheng, Chihyung Derrick i Alex Kosorukoff (2004). Interaktywny problem one-max pozwala na porównanie wydajności interaktywnych i opartych na człowieku algorytmów genetycznych. W Genetycznej i Ewolucyjnej Konferencji Obliczeniowej , GECCO-2004. pełny tekst
Milani, Alfredo (2004). Internetowe algorytmy genetyczne . International Journal of Information Theories and Applications, s. 20–28
Milani, Alfredo i Silvia Suriani (2004), ADAN: Adaptive Newspapers based on Evolutionary Programming In IEEE / WIC / ACM International Conference on Web Intelligence, (WI'04), s. 779–780, IEEE Press, 2004
Allan, Michael (2005). Prosty rekombinowany projekt. SourceForge.net, projekt textbender, wydanie 2005.0, plik _/description.html. archiwa wydania , późniejsza wersja online
Kruse, styczeń (2015). Interaktywne obliczenia ewolucyjne w aplikacjach do projektowania wirtualnych światów. pełny tekst
Kruse, Jan i Connor, Andy (2015). Wieloagentowe systemy ewolucyjne do generowania złożonych wirtualnych światów. pełny tekst

Linki zewnętrzne

Free Knowledge Exchange , projekt wykorzystujący HBGA do wspólnego rozwiązywania problemów wyrażonych w języku naturalnym.
ParEvo , ParEvo to metoda opracowywania alternatywnych scenariuszy przyszłości, wykorzystująca partycypacyjny proces ewolucyjny