Implementação Eficaz
Os AGs são muito gerais por natureza e apenas aplicá-los a qualquer problema de otimização não daria bons resultados. Nesta seção, descrevemos alguns pontos que ajudariam e auxiliariam um designer ou implementador de GA em seu trabalho.
Apresente conhecimento de domínio específico do problema
Foi observado que quanto mais conhecimento de domínio específico do problema incorporamos ao AG; os melhores valores objetivos que obtemos. Adicionar informações específicas do problema pode ser feito usando crossover específico do problema ou operadores de mutação, representações personalizadas, etc.
A imagem a seguir mostra a visão de Michalewicz (1990) da EA -
Reduzir a aglomeração
O apinhamento acontece quando um cromossomo altamente apto consegue se reproduzir muito e, em algumas gerações, toda a população é preenchida com soluções semelhantes com aptidão semelhante. Isso reduz a diversidade, que é um elemento muito importante para garantir o sucesso de um AG. Existem várias maneiras de limitar a aglomeração. Alguns deles são -
Mutation para introduzir diversidade.
Mudando para rank selection e tournament selection que têm mais pressão de seleção do que seleção proporcional de aptidão para indivíduos com aptidão semelhante.
Fitness Sharing - Nesse caso, a aptidão de um indivíduo é reduzida se a população já contém indivíduos semelhantes.
A randomização ajuda!
Foi observado experimentalmente que as melhores soluções são impulsionadas por cromossomos randomizados, pois eles conferem diversidade à população. O implementador do GA deve ter o cuidado de manter uma quantidade suficiente de randomização e diversidade na população para obter os melhores resultados.
Hibridizar GA com pesquisa local
A busca local refere-se a verificar as soluções na vizinhança de uma determinada solução para buscar melhores valores objetivos.
Às vezes, pode ser útil hibridizar o GA com a pesquisa local. A imagem a seguir mostra os vários lugares nos quais a pesquisa local pode ser introduzida em um GA.
Variação de parâmetros e técnicas
Em algoritmos genéticos, não existe um “tamanho único” ou uma fórmula mágica que funcione para todos os problemas. Mesmo depois que o AG inicial está pronto, leva muito tempo e esforço para brincar com os parâmetros como tamanho da população, mutação e probabilidade de cruzamento, etc. para encontrar aqueles que se adequam ao problema específico.