Klonaalinen Valinta-Algoritmi
Kloonivalinta-algoritmi on saanut inspiraationsa siitä, miten biologiset immuunijärjestelmät reagoivat antigeeneihin.
Kun immuunijärjestelmäsi havaitsee tunkeutujan, se valitsee immuunisolut, joilla on korkein affiniteetti, kloonaa ne ja aiheuttaa mutaatioita monimuotoisuuden luomiseksi. Tätä prosessia kutsutaan affiniteetin kypsymiseksi, ja se mahdollistaa sopeutumisen ja muistin.
Kloonivalinta-algoritmi hyödyntää näitä periaatteita optimoinnissa:
- Arvioi ehdokasratkaisujen affiniteetti (ratkaisun laatu);
- Kloonaa korkeamman affiniteetin omaavat useammin;
- Mutatoi klooneja uusien variaatioiden tuottamiseksi.
Tämä prosessi tutkii ratkaisutilaa ja keskittyy lupaaviin alueisiin.
123456789101112131415161718192021222324252627282930313233import numpy as np # Objective function: maximize f(x) = -x**2 + 5 def affinity(x): return -x**2 + 5 # Initial candidate solutions population = np.random.uniform(-5, 5, size=10) # --- Main Clonal Selection Loop --- for generation in range(5): # Evaluate affinities affinities = np.array([affinity(ind) for ind in population]) # Select top candidates num_selected = 4 selected_indices = affinities.argsort()[-num_selected:] selected = population[selected_indices] # Clone proportionally to affinity num_clones = [int(5 * (affinity(ind) - min(affinities)) / (max(affinities) - min(affinities) + 1e-6)) + 1 for ind in selected] clones = np.concatenate([[ind] * n for ind, n in zip(selected, num_clones)]) # Mutation: add small noise mutation_strength = 0.1 mutated_clones = clones + np.random.normal(0, mutation_strength, size=clones.shape) # Form new population population = np.concatenate([selected, mutated_clones]) # Keep population size fixed population = np.random.choice(population, size=10, replace=False) print("Best solution:", population[np.argmax([affinity(ind) for ind in population])])
Monimuotoisuus ja sopeutuminen kloonausvalinnassa
Kloonausvalinta-algoritmi ylläpitää monimuotoisuutta mutatoimalla klooneja, tuottaen uusia ehdokasratkaisuja ja estäen ennenaikaisen konvergenssin. Toistuvan valinnan, kloonauksen ja mutaation kautta—tunnetaan nimellä affiniteetin kypsyminen—populaatio sopeutuu ajan myötä. Tämä prosessi tasapainottaa hyvien ratkaisujen hyödyntämisen ja uusien mahdollisuuksien tutkimisen, tehden algoritmista tehokkaan monimutkaisissa optimointitehtävissä.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain how the clonal selection algorithm differs from genetic algorithms?
What are some real-world applications of the clonal selection algorithm?
Can you walk me through the code and explain each step in detail?
Awesome!
Completion rate improved to 6.25Klonaalinen Valinta-Algoritmi
Pyyhkäise näyttääksesi valikon
Kloonivalinta-algoritmi on saanut inspiraationsa siitä, miten biologiset immuunijärjestelmät reagoivat antigeeneihin.
Kun immuunijärjestelmäsi havaitsee tunkeutujan, se valitsee immuunisolut, joilla on korkein affiniteetti, kloonaa ne ja aiheuttaa mutaatioita monimuotoisuuden luomiseksi. Tätä prosessia kutsutaan affiniteetin kypsymiseksi, ja se mahdollistaa sopeutumisen ja muistin.
Kloonivalinta-algoritmi hyödyntää näitä periaatteita optimoinnissa:
- Arvioi ehdokasratkaisujen affiniteetti (ratkaisun laatu);
- Kloonaa korkeamman affiniteetin omaavat useammin;
- Mutatoi klooneja uusien variaatioiden tuottamiseksi.
Tämä prosessi tutkii ratkaisutilaa ja keskittyy lupaaviin alueisiin.
123456789101112131415161718192021222324252627282930313233import numpy as np # Objective function: maximize f(x) = -x**2 + 5 def affinity(x): return -x**2 + 5 # Initial candidate solutions population = np.random.uniform(-5, 5, size=10) # --- Main Clonal Selection Loop --- for generation in range(5): # Evaluate affinities affinities = np.array([affinity(ind) for ind in population]) # Select top candidates num_selected = 4 selected_indices = affinities.argsort()[-num_selected:] selected = population[selected_indices] # Clone proportionally to affinity num_clones = [int(5 * (affinity(ind) - min(affinities)) / (max(affinities) - min(affinities) + 1e-6)) + 1 for ind in selected] clones = np.concatenate([[ind] * n for ind, n in zip(selected, num_clones)]) # Mutation: add small noise mutation_strength = 0.1 mutated_clones = clones + np.random.normal(0, mutation_strength, size=clones.shape) # Form new population population = np.concatenate([selected, mutated_clones]) # Keep population size fixed population = np.random.choice(population, size=10, replace=False) print("Best solution:", population[np.argmax([affinity(ind) for ind in population])])
Monimuotoisuus ja sopeutuminen kloonausvalinnassa
Kloonausvalinta-algoritmi ylläpitää monimuotoisuutta mutatoimalla klooneja, tuottaen uusia ehdokasratkaisuja ja estäen ennenaikaisen konvergenssin. Toistuvan valinnan, kloonauksen ja mutaation kautta—tunnetaan nimellä affiniteetin kypsyminen—populaatio sopeutuu ajan myötä. Tämä prosessi tasapainottaa hyvien ratkaisujen hyödyntämisen ja uusien mahdollisuuksien tutkimisen, tehden algoritmista tehokkaan monimutkaisissa optimointitehtävissä.
Kiitos palautteestasi!
