जेनेटिक एल्गोरिदम आनुवंशिक विरासत की प्रक्रिया का उपयोग करने वाली गणितीय संरचनाएं हैं। उन्हें विश्लेषणात्मक मुद्दों की एक विस्तृत विविधता के लिए सफलतापूर्वक उपयोग किया गया है। डेटा माइनिंग मानव समझ को सूचना के स्वचालित विश्लेषण के साथ जोड़कर एक डिजाइन या प्रमुख संबंधों को ढूंढ सकता है।
कई चरों पर प्रतिनिधित्व किए गए एक बड़े डेटाबेस को देखते हुए, उद्देश्य डेटाबेस में सबसे दिलचस्प डिजाइन को प्रभावी ढंग से ढूंढना है। जेनेटिक एल्गोरिदम का उपयोग कुछ सॉफ्टवेयर में दिलचस्प डिजाइन को पहचानने के लिए किया गया है। वे आमतौर पर डेटा माइनिंग में अन्य एल्गोरिदम के निष्पादन को बढ़ाने के लिए उपयोग किए जाते हैं, जैसे निर्णय वृक्ष एल्गोरिदम, अन्य संघ नियम।
जेनेटिक एल्गोरिदम को एक विशिष्ट डेटा संरचना की आवश्यकता होती है। वे श्रेणीबद्ध संरचना में परिभाषित विशेषताओं के साथ एक आबादी पर काम करते हैं। आनुवंशिकी के साथ सादृश्य यह है कि आबादी (जीन) में विशेषताएं शामिल हैं। जेनेटिक एल्गोरिदम को लागू करने की एक विधि ऑपरेटर्स (प्रजनन, क्रॉसओवर, चयन) का उपयोग करना है जिसमें शायद बेहतर संयोजनों की पीढ़ी में सुधार के लिए उत्परिवर्तन की विशेषता है।
जेनेटिक एल्गोरिदम प्रक्रिया
यह यादृच्छिक रूप से माता-पिता का चयन कर सकता है।
यह क्रॉसओवर के माध्यम से पुनर्निर्माण के लिए उपयोग किया जाता है।
प्रजनन यह चुन रहा है कि कौन सी एकल इकाइयां इसे संभालेंगी। दूसरे शब्दों में, कुछ उद्देश्य सेवाएं या चयन विशेषताएं जीवित रहने का निर्धारण करने के लिए आवश्यक हैं। क्रॉसओवर भविष्य की इकाइयों के उत्पादन में परिवर्तनों का वर्णन करता है।
यह फिटनेस सेवा के माध्यम से अगली पीढ़ी के लिए उत्तरजीवियों का चयन कर सकता है।
उत्परिवर्तन वह सेवा है जिसके द्वारा अगले ऑपरेशन में यादृच्छिक रूप से चुनी गई इकाइयों के यादृच्छिक रूप से चुने गए विशेषताओं को बदल दिया जाता है।
यह तब तक दोहरा सकता है जब तक कि या तो एक दिया गया फिटनेस स्तर प्राप्त नहीं हो जाता, या वर्तमान पुनरावृत्ति की संख्या आ नहीं जाती।
जेनेटिक एल्गोरिदम पैरामीटर्स में आबादी का आकार, क्रॉसओवर दर, और उत्परिवर्तन दर शामिल हैं।
जेनेटिक एल्गोरिदम के फायदे
जेनेटिक एल्गोरिदम बनाने और मान्य करने के लिए बहुत सुलभ हैं जो उन्हें उपयोग किए जाने पर अत्यधिक आकर्षक बनाता है।
एल्गोरिदम समानांतर है, जिसका अर्थ है कि इसे बड़ी आबादी पर कुशलता से उपयोग किया जा सकता है। एल्गोरिदम भी प्रभावी है क्योंकि यदि यह खराब मूल समाधान से शुरू होता है, तो यह तुरंत सर्वोत्तम समाधानों तक प्रगति कर सकता है।
उत्परिवर्तन का उपयोग बहुत नॉन-लिनियर समस्या नियमों में भी वैश्विक ऑप्टिमा को पहचानने के लिए विधि को पर्याप्त बनाता है। विधि को जानकारी के वितरण के बारे में ज्ञान की आवश्यकता नहीं होती है।
जेनेटिक एल्गोरिदम के नुकसान
जेनेटिक एल्गोरिदम को डेटा सेट को वहां से मैप करने की आवश्यकता होती है जहां विशेषताओं में जेनेटिक एल्गोरिदम के साथ काम करने के लिए असतत मान होते हैं। यह आमतौर पर संभव है लेकिन सतत चर से निपटने पर विस्तृत डेटा का एक बड़ा सौदा खो सकता है।
जानकारी को श्रेणीबद्ध रूप में कोड करने के लिए उपयोग किया जाता है अनजाने में रिकॉर्ड में पूर्वाग्रह पैदा कर सकता है।
डेटा सेट के आकार पर भी जांच है जिसे जेनेटिक एल्गोरिदम के साथ माना जा सकता है।
बहुत बड़े डेटा सेट के लिए, सैंपलिंग महत्वपूर्ण होगी, जो समकक्ष डेटा सेट पर कई रन में कई परिणामों की ओर ले जाती है।
