UMĚLÁ INTELIGENCE V AUTOMOTIVE / David et al.

V průběhu posledního čtvrtstoletí se v oblasti informatiky a umělé inteligence výrazně rozvinula množina nového typu algoritmů, známých jako evoluční algoritmy. Tyto postupy se opírají o principy pozorované v přírodě - vlastně napodobují systémy přírodního výběru na ge netické úrovni, které využívají k nalezení globálního extrému optimalizované funkce. V součas né době existuje v oblasti informatiky široká škála evolučních algoritmů, založených na různých interpretacích Darwinovy evoluční teorie. Algoritmy optimalizace jsou určeny k nalezení extrémů dané funkce tím, že hledají nej lepší číselnou kombinaci svých vstupů. Evoluční techniky spadají do kategorie smíšených metod, které spojují deterministické a náhodné prvky a společně dosahují velmi dobrých výsledků. Algoritmy inspirované principy evoluce podle Charlese Darwina představují inovativní přístup k nalezení nejlepšího řešení složitých optimalizačních úkolů, které nelze vyřešit tradič ními metodami. [4.39] Evoluční algoritmy mají následující vlastnosti: • jsou robustní (často naleznou kvalitní řešení nezávisle na počátečních podmín kách, které jsou reprezentovány jedním globálním nebo více lokálními extrémy); • jsou efektivní a výkonné (dokáží nalézt kvalitní řešení během relativně malého množství generací); • liší se od stochastických metod – využívají kombinaci stochastických a determinis tických metod; • nevyžadují mnoho vstupních informací - jsou schopné řešit problémy bez detailní analýzy; • dokáží najít více možností řešení na první pokus. Podle teorie Charlese Darwina v přírodě přežívají ti, kteří jsou nejsilnější a tito mají pak možnost předat svou genetickou informaci další generaci. Důležité je však, že každý jedinec má dva rodiče, a tak se v něm mísí genetické informace obou rodičů. Jinými slovy, genetické informace uložené v jeho genetickém kódu jsou částečně převza té od jednoho rodiče a částečně od druhého rodiče. Na této základní myšlence je založen také genetický algoritmus, jehož cílem je vy tvářet v populaci jedinců stále silnější a silnější jedince. Tento rys určuje vhodnost algo ritmu pro řešení optimalizačních úkolů, tj. úkolů, při kterých hledáme nejlepší možné řešení dané situace. Základním konceptem těchto metod je skupina prvků, nazývaných geny, které mají tendenci utvářet řetězce symbolů. Tyto řetězce pak obsahují informace o optimál ním řešení daného problému. [4.39] Geny představující kvalitní řešení jsou označeny jako vysoce „vhodné“. Parametrem řetězce vyjadřující kvantitativní schopnost přežití a účast na repro dukčním procesu je tzv. fitness hodnota. Náhodné mutace, selekce rodičů a křížení hrají v evoluci také důležitou úlohu. Obrázek 4.7 schematicky znázorňuje celý princip gene tického algoritmu.

48