روند تدریجی تکامل را در یک عکس تجربه کنید

سلام.
در الگوریتم ژنتیک، چند حالت اولیه در نظر می‌گیریم(که طبیعتاً هیچ‌کدام جواب نهایی نیستند.)
برای مسئله تابعی تعریف می‌کنیم به نام تابع ارزیابی، که وظیفه‌اش محاسبه‌ی مقداری است،‌که از روی آن مقدار می‌شود نزدیکی و دوری حالت فعلی، با جواب نهایی را تعیین کرد.
مقدار تابع ارزیابی را برای آن چند حالت اولیه محاسبه می‌کنیم و دورترین‌ها را حذف، و نزدیک‌ترین‌ها به جواب را دوبل و بلکه سوبل می‌کنیم! حالا،‌ حالت‌ها را دوتا دوتا دسته‌بندی می‌کنیم و به شکل تصادفی،‌ یک قسمت از یک حالت را، با قسمت مشابه حالت هم‌دسته‌ای‌اش جابه‌جا می‌کنیم. مثلاً اگر دو دنباله‌ی ۸ رقمی داشته‌باشیم و به شکل تصادفی قرار شود که از رقم پنجم به بعد را جابه‌جا کنیم، پنج رقم اول دنباله‌ها را با هم عوض می‌کنیم. با احتمال کوچکی، هر کدام از این حالت‌های جدیداً به‌دست آمده، می‌توانند دچار جهش هم بشوند که منظور این است که بعضی از قسمت‌هایشان تغییر کند، درست مثل جهش ژنتیکی.
دوباره تابع ارزیابی را محاسبه می‌کنیم و روز از نو، روزی از نو!

دیدن عملی اینکه الگوریتم ژنتیک کاملا بر مبنای نظریه تکامل برای مسائل بهینه سازی با استفاده از تنها دو جواب تصادفی جواب نهایی بسیار خوبی میدهد، برای من خیلی جالب بود. وقتی برای اولین بار بطور عملی میدیدم که در هر قدم، جواب حاصل به جواب بهینه نزدیک و نزدیکتر میشه. اون موقع من کاملا بطور تئوریک با منطقش آشنا بودم و کاملا منطقی بود اما دیدن کارکردش توی یک مساله بهینه سازی پیچیده واقعا زیبا بود. این الگوریتم ژنتیک خیلی ایده جالبی است.

یک نکته نچندان مهم، الگوریتم پیاده شده در این پست، یک gradient descent است. و به همین دلیل سرعت پایینی دارد. در صورتی که گاهی اوقات حالت های بد (حالت هابیی که شباهت کمتری دارند) را به عنوان حالت بعدی قبول کند می شود Monte Carlo . و اگر یک جمعت را نگه دارد می شود GP