Ģenētiskie algoritmi biznesa optimizācijai?
Labākais algoritms uzvedības optimizēšanai mainīgā vidē pastāv jau miljardiem gadu – dzīvo būtņu gēni! Jūs esat ļāvis dzīvām būtnēm izdzīvot ledū, karstumā un visās globālajās katastrofās.
Gēnu sekvences ir nekas vairāk kā programma, kā veidot dzīvu būtni. Pēc tam reproducēšana nodrošina visu, kas nepieciešams optimizācijai un pielāgošanai.
Kā mēs varam izmantot šo algoritmu IT sistēmu optimizēšanai?
Ģenētiskie algoritmi — kā dabas mehānismus var izmantot IT atbalstītai optimizācijai?
Daba optimizēšanai izmanto šādu procedūru:
- Populācijas veidošana ar dažādiem gēniem
- Labākā izdzīvošana – jo piemērotāks vidē, jo veiksmīgāks vairošanās
- Crossover : vecāku gēnu sajaukšana, apmainoties ar gēna daļām. Tas vienmēr notiek, kad olšūna un spermas šūna savienojas kopā.
- Mutācija : nejaušas izmaiņas gēna daļās. Dabā tas notiek starojuma vai ģenētiskā materiāla nepilnīgas remonta dēļ.
- Jaunās paaudzes bērnu radīšana ar jaunajiem, modificētajiem gēniem
Ģenētiskie algoritmi atdarina šo pieeju.
Iedomājieties, ka ir
- programma, kas var reprezentēt korporatīvo vidi vai korporatīvo mērķi
- un programmas vide, kas var kartēt uzvedību korporatīvajā vidē.
Mēs tagad pārstāvam uzņēmuma optimizāciju.
- Populācijas veidošana : mēs nejauši veidojam programmas (turpmāk tekstā “indivīdi”), kas visas atspoguļo uzvedību korporatīvajā vidē.
- Labākā izdzīvošana : visas programmas ir derīgas, un tās sasniegs mērķi būt optimizētām uzņēmumā labāk vai sliktāk. Lai to izmērītu, programmas tiek izpildītas un pēc tam testētas korporatīvajā vidē.
Jo veiksmīgāka programma, jo augstāka ir programmas “fitnesa vērtība”.
Jo augstāka ir fitnesa vērtība, jo lielāka iespējamība, ka indivīds “vairosies”, tas ir, programma tiks izmantota bērnu paaudzei.
Piemērs : fitnesa vērtību diapazons ir no 0 līdz 100. Varbūtība, ka persona, kuras fitnesa vērtība ir 50, tiek izmantota kā vecāks, ir 50 reizes lielāka nekā indivīdam, kura fiziskās sagatavotības vērtība ir tikai 1.
Pašlaik tiek atlasīti 1000 vecāki.
- Crossover : tiek atlasīti 2 atsevišķi vecāki. Viena programmas daļa tagad ir izgriezta no abām un aizstāta ar otru. Tādējādi tiek izveidotas 2 jaunas programmas, “bērni”.
- Mutācija : ar noteiktu varbūtību atsevišķas programmas daļas tagad bērnos tiks nejauši mainītas.
- Ir parādījusies jauna bērnu paaudze, un process sākas no jauna ar 2. darbību.
Šīs pieejas izaicinājums ir:
- Atrodi labu modeli korporatīvās vides reprezentēšanai.
- Atrodi pareizo fitnesa funkciju un spēj pareizi definēt mērķi.
- Programmas personām jābūt derīgām. Nejauši izveidotai programmai jebkurā gadījumā ir jādarbojas.
- Atrodiet pareizos parametrus: cik stiprs ir indivīds ar augstu fizisko sagatavotību pār indivīdu ar zemu fizisko sagatavotību? Kāds ir mutācijas ātrums? Cik liels ir iedzīvotāju skaits? Pēc cik paaudzēm procedūra beigsies?
Neskatoties uz izaicinājumiem, ieguvums ir milzīgs. Pastāvīgi mainīgajā korporatīvajā vidē, izmantojot Natural-AI, tiek atrasts optimizētu risinājumu kopums. Pat tādi, par kuriem jūs nekad nebūtu iedomājušies, tik daudzveidīgi kā daba.
TD Trusted Decisions joprojām ir vadībā.
Vai interesējaties par dabisko AI optimizāciju jūsu izaicinājumiem? Lūdzu, sazinieties ar mums pa e-pastu office@trusteddecisions.com
