Apprendre Réglage des Paramètres et Convergence

Définition

L'ajustement des paramètres dans les algorithmes génétiques désigne la sélection et la modification de valeurs clés telles que le taux de mutation, la probabilité de croisement et la taille de la population afin de contrôler le comportement de l'algorithme et d'améliorer la convergence.

Ajustement statique vs dynamique des paramètres

Deux approches principales existent pour le contrôle des paramètres dans les algorithmes génétiques :

Ajustement statique des paramètres : les paramètres tels que le taux de mutation, la probabilité de croisement et la taille de la population sont fixés avant le démarrage de l'algorithme et restent constants pendant l'exécution ;
Ajustement dynamique (adaptatif) des paramètres : les paramètres sont ajustés automatiquement en fonction des retours de la population ou de la progression de l'algorithme. L'ajustement adaptatif permet de maintenir la diversité et d'éviter la convergence prématurée.

L'ajustement statique est simple mais peut être sous-optimal lorsque les réglages optimaux évoluent dans le temps.
L'ajustement dynamique offre une flexibilité, améliorant à la fois la vitesse de convergence et la robustesse.


              1234567891011121314151617181920212223242526272829
            
import numpy as np

def adaptive_mutation_rate(population, min_rate=0.01, max_rate=0.2):
    """
    Adjusts mutation rate based on population diversity.
    Diversity is measured as the average Hamming distance between individuals.
    """
    def hamming_distance(ind1, ind2):
        return sum(a != b for a, b in zip(ind1, ind2))
    
    n = len(population)
    if n < 2:
        return min_rate  # No diversity in a single-individual population
    
    # Compute average Hamming distance
    distances = []
    for i in range(n):
        for j in range(i + 1, n):
            distances.append(hamming_distance(population[i], population[j]))
    avg_distance = np.mean(distances)
    max_distance = len(population[0])
    
    # Normalize diversity
    diversity = avg_distance / max_distance if max_distance else 0
    
    # Inverse relationship: lower diversity -> higher mutation
    mutation_rate = max_rate - (max_rate - min_rate) * diversity
    return np.clip(mutation_rate, min_rate, max_rate)

Lorsque la diversité de la population diminue, les individus deviennent trop similaires et l’algorithme risque la stagnation. Augmenter le taux de mutation à ces moments injecte de nouveaux matériaux génétiques, aidant à échapper aux optima locaux. Lorsque la diversité est élevée, réduire la mutation permet une exploitation plus ciblée des bonnes solutions. Ce contrôle adaptatif équilibre dynamiquement l’exploration et l’exploitation, améliorant la stabilité de la convergence.


              123456789101112131415161718192021222324
            
import matplotlib.pyplot as plt

# Simulate parameter and fitness changes for illustration
generations = np.arange(1, 51)
mutation_rates = np.linspace(0.2, 0.01, 50) + 0.02 * np.random.randn(50)
avg_fitness = np.linspace(10, 90, 50) + 5 * np.random.randn(50)

plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(generations, mutation_rates, label="Mutation Rate")
plt.xlabel("Generation")
plt.ylabel("Mutation Rate")
plt.title("Adaptive Mutation Rate Over Time")
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(generations, avg_fitness, color="green", label="Average Fitness")
plt.xlabel("Generation")
plt.ylabel("Average Fitness")
plt.title("Population Fitness Over Time")
plt.legend()

plt.tight_layout()
plt.show()

Surveillance et convergence

Pour garantir une convergence et des performances fiables dans les algorithmes génétiques :

Utilisation de plages de paramètres issues de la littérature ou d’expériences antérieures ;
Utilisation de paramètres statiques pour les tâches simples, mais préférence pour un ajustement adaptatif pour les problèmes complexes ;
Surveillance de métriques telles que la diversité de la population, la meilleure et la moyenne de la fitness ;
Ajustement dynamique des paramètres pour maintenir l’équilibre entre exploration et exploitation.

Quelles affirmations concernant le réglage des paramètres et la convergence dans les algorithmes génétiques sont correctes ? Sélectionnez toutes les réponses qui s'appliquent.

Select the correct answer

Il convient toujours d'utiliser des paramètres statiques et de ne jamais les modifier, quel que soit le problème ou les performances observées.

Le réglage dynamique des paramètres peut aider à maintenir la diversité et à s'adapter aux différentes phases du processus de recherche.

Augmenter le taux de mutation lorsque la diversité de la population est faible permet d'injecter de nouveaux matériaux génétiques et d'éviter une convergence prématurée.

Le réglage statique des paramètres signifie ajuster les paramètres pendant l'exécution en fonction des retours de l'algorithme.

Les taux de mutation adaptatifs sont utilisés pour accélérer la convergence de l'algorithme en augmentant toujours le taux de mutation au fil des générations.

La surveillance de métriques telles que la valeur moyenne d'adaptation et la diversité permet de détecter la stagnation et d'orienter les ajustements de paramètres.

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 3

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Suggested prompts:

Can you explain how the adaptive mutation rate function works in more detail?

What are some other parameters that can be tuned adaptively in genetic algorithms?

How do I decide when to use static vs. dynamic parameter tuning?

Awesome!

Completion rate improved to 6.25

Glissez pour afficher le menu