Representations for Genetic and Evolutionary Algorithms

در زمینه الگوریتم‌های ژنتیک و تکاملی (GEAs)، مطالعات تئوری و تجربی زیادی بر روی عملگرها و مسائل آزمایشی انجام شده است، اما نمایش مسئله اغلب به صورت داده شده در نظر گرفته شده است. این تک نگاری این سنت را می شکند و تعدادی از عناصر حیاتی یک نظریه بازنمایی برای GEA ها را مورد مطالعه قرار می دهد و آنها را در مطالعه تجربی توابع مختلف آزمون ایده آل شده مهم و مشکلات واردات تجاری به کار می برد. این کتاب مفاهیم اساسی بازنمایی‌ها، مانند افزونگی، مقیاس‌بندی و محل را در نظر می‌گیرد و چگونگی تأثیرگذاری بر عملکرد GEA را توضیح می‌دهد. با استفاده از نمایش‌های تئوری توسعه‌یافته می‌توان به روشی مبتنی بر نظریه تحلیل و طراحی کرد. مفاهیم نظری به عنوان مثال هایی برای حل موثر مسائل بهینه سازی اعداد صحیح و مسائل طراحی شبکه استفاده می شود. نتایج نشان می دهد که نمایش مناسب برای موفقیت GEA بسیار مهم است.

In the field of genetic and evolutionary algorithms (GEAs), much theory and empirical study has been heaped upon operators and test problems, but problem representation has often been taken as given. This monograph breaks with this tradition and studies a number of critical elements of a theory of representations for GEAs and applies them to the empirical study of various important idealized test functions and problems of commercial import. The book considers basic concepts of representations, such as redundancy, scaling and locality and describes how GEAs'performance is influenced. Using the developed theory representations can be analyzed and designed in a theory-guided manner. The theoretical concepts are used as examples for efficiently solving integer optimization problems and network design problems. The results show that proper representations are crucial for GEAs'success.