Οι τεχνικές της σύγχρονης επιστήμης μιμούνται και τις δύο αυτές μηχανές :

Σπύρος Καζαρλής

Ποια είναι η πιο ισχυρή «μηχανή» αναζήτησης λύσεων, σύλληψης νέων ιδεών, θεωριών και εφευρέσεων στο σύμπαν? Α. Ο ανθρώπινος εγκέφαλος (που εφηύρε τον τροχό, την σύγχρονη επιστήμη τους υπολογιστές κ.λ.π.) Β. Ο μηχανισμός της εξέλιξης (που κατασκεύασε τον ανθρώπινο εγκέφαλο) Οι τεχνικές της σύγχρονης επιστήμης μιμούνται και τις δύο αυτές μηχανές : Α. Τον ανθρώπινο εγκέφαλο κατασκευάζοντας τεχνητά νευρωνικά δίκτυα και γενικότερα την επιστήμη της νευρο-υπολογιστικής (neurocomputing) Β. Τον μηχανισμό της εξέλιξης κατασκευάζοντας εξελικτικούς αλγορίθμους και γενικότερα την επιστήμη της Εξελικτικής Υπολογιστικής (Evolutionary Computation)

Η Εξελικτική Υπολογιστική αφορά αλγορίθμους και τεχνικές που προσομοιώνουν την βιολογική εξέλιξη των ειδών στην φύση (θεωρία του Δαρβίνου) καθώς και άλλες βιολογικές τεχνικές και συστήματα (ανοσοποιητικό σύστημα). Σκοπός είναι η αυτόματη αναζήτηση και εύρεση βέλτιστων λύσεων σε δύσκολα προβλήματα με εξελικτικό τρόπο, καθώς και η δημιουργία τεχνητών συστημάτων που να μπορούν να αυτο-εξελίσσονται και να προσαρμόζονται στο περιβάλλον τους. Προσομοιώνονται αρχές όπως η «επιβίωση του καλύτερου», ο ανασυνδυασμός των γενετικών χαρακτηριστικών των ειδών, η αντικατάσταση πληθυσμών γονέων από απογόνους, η μετάλλαξη των χρωμοσωμάτων, η επικοινωνία μεταξύ ατόμων και πληθυσμών κ.λ.π. Πετυχαίνουν βελτιστοποίηση σε δύσκολα προβλήματα με μεγάλους χώρους λύσεων, αυτόματη παραγωγή software, αυτό-εξελισσόμενο hardware, προσομοίωση συστημάτων, βελτιστοποίηση παραμέτρων άλλων αλγορίθμων και τεχνικών.

Μέθοδοι για την ενσωμάτωση Ευφυΐας στις Μηχανές (Machine Intelligence) Τεχνητή Ευφυΐα (Artificial Intelligence) Υπολογιστική Ευφυΐα (Computational Intelligence) Εξελικτική Υπολογιστική Evolutionary Computation Νευρωνικά Δίκτυα Neural Networks Ασαφή Συστήματα Fuzzy Systems

Εξελικτική Υπολογιστική Evolutionary Computation Γενετικοί Αλγόριθμοι Genetic Algorithms Εξελικτικές Στρατηγικές Evolution Strategies Εξελισσόμενο Υλικό Evolvable Hardware Ανοσοποιητικά Συστήματα Immune Systems Εξελικτικός Προγραμματισμός Evolutionary Programming Γενετικός Προγραμματισμός Genetic Programming Βελτ/ποίηση αποικιών μυρμηγκιών Ant Colony Optimization Συστήματα Κανόνων Classifier Systems

Box, Friedman, Bledsoe και Bremerman στα τέλη της δεκαετίας του 50 και αρχές της δεκαετίας του 60 : Προσπάθειες υλοποίησης αρχών της εξέλιξης, Επιλογή του Καλύτερου και δυαδικές συμβολοσειρές J. Holland 1962 (Ann Arbor, MI): Genetic Algorithms Θεωρείται πατέρας των ΓΑ. Το 1975 δημοσιεύει την εργασία Adapatation in Natural and Artificial Systems όπου θεμελιώνονται οι βασικές αρχές των ΓΑ. L. Fogel 1962 (San Diego, CA): Evolutionary Programming I. Rechenberg & H.-P. Schwefel 1965 (Berlin, Germany): Evolution Strategies J.Holland & J.Reitman 1978 : Το πρώτο Classifier System (CS-1) J. Koza 1989 (Palo Alto, CA): Genetic Programming Hugo De Garis, 1992 : Evolvable Hardware Marco Dorigo 1992 : Ant Colony Optimisation

Θεωρία της εξέλιξης των ειδών του Δαρβίνου (1859 On the Origin of Species ) Παράλληλη εξέλιξη μεγάλων πληθυσμών από άτομα του είδους Επιβίωση των καλύτερων (survival of the fittest) Αναπαραγωγή των ατόμων με ανασυνδυασμό των χρωμοσωμάτων τους. Ανασυνδυασμός των χαρακτηριστικών των γονέων. Πιθανότητα μετάλλαξης του γενετικού υλικού και δημιουργία νέων χαρακτηριστικών που δεν προϋπήρχαν. Παραγωγή νέας γενιάς από άτομα που αντικαθιστούν τους γονείς Με τον μηχανισμό αυτό οι πληθυσμοί προσαρμόζονται στο περιβάλλον και βελτιώνονται συνεχώς. Άλλες Αρχές Έμπνευσης για Εξελικτικούς Αλγόριθμους: Οργανωμένη συμπεριφορά ομάδων ατόμων που ζουν σε αποικίες (Ant Colony Optimization) Πολιτισμική διάχυση σε ομάδες πληθυσμών (Cultural Algorithms) Λειτουργία Ανοσοποιητικού Συστήματος, εισβολείς αντισώματα (Immune Systems)

Βιολογική Εξέλιξη Άτομο Επιδόσεις Περιβάλλον Φυσική επιλογή Αναπαραγωγή Γενιές ατόμων Βελτίωση είδους Λύση Προβλημάτων Υποψήφια Λύση Ποιότητα Πρόβλημα Πιθανοτική επιλογή Ανασυνδυασμός Γενιές λύσεων Βελτιστοποίηση

Έστω πρόβλημα με Ν πραγματικές παραμέτρους X 1, X 2,, X N Μεταβλητή 1.. Μεταβλητή 2.. Μεταβλητή N 1 1 1 0 0... 1 Συμβολοσειρά 1 0 1 0 1 1... 1 Συμβολοσειρά 2.. 1 0 1 1 0... 0 Συμβολοσειρά Ν 01110.. 0 11100.. 1.. 00011.. 0 Ενιαία συμβολοσειρά λύσης

Για την λειτουργία των Εξελικτικών Αλγορίθμων θα πρέπει να υπάρχει μία συνάρτηση ποιότητας που να αξιολογεί κάθε παραγόμενη λύση : Συνάρτηση Ποιότητας Fitness Function, Quality Function Υποψήφια Λύση 1523.78 Συνάρτηση Ποιότητας Η συνάρτηση ποιότητας πρέπει να είναι γρήγορη γιατί καλείται πολύ συχνά (για κάθε παραγόμενη λύση), πρέπει να αντιπροσωπεύει το πραγματικό πρόβλημα, και να μην παραλλάσσεται από θόρυβο (ίδια λύση -> ίδια ποιότητα)

Η γενιά 0 παράγεται τυχαία Γενιά t αναπαραγωγή Γενιά t + 1 επιλογή Γονέας 1 Γονέας 2 Απόγονος 1 Απόγονος 2 Αναπαραγωγή μέσω γενετικού ανασυνδυασμού (Crossover) Η Μετάλλαξη (Mutation) παραλλάσσει τα χρωμοσώματα με μικρή πιθανότητα

Επιλογή Γονείς Πληθυσμός Ανασυνδυασμός Μετάλλαξη Αντικατάσταση Απόγονοι

Η εξέλιξη σταματά όταν ικανοποιηθεί το κριτήριο τερματισμού του αλγορίθμου που μπορεί να είναι : 1. Απόλυτο όριο γενεών (π.χ. 5.000 γενιές) 2. Θέσπιση ορίου βέλτιστης λύσης και τερματισμός μόλις αυτό επιτευχθεί. 3. Σύγκλιση του πληθυσμού στην ίδια λύση (βέλτιστη ή υπο-βέλτιστη) για συγκεκριμένο αριθμό γενεών. 4. Όριο πραγματικού χρόνου σε εφαρμογές βελτιστοποίησης πραγματικού χρόνου. 5. Ικανοποίηση των περιορισμών σε προβλήματα με περιορισμούς. Οι Εξελικτικοί Αλγόριθμοι συνήθως απαιτούν αρκετό χρόνο για την προσέγγιση των βέλτιστων λύσεων (offline optimization). Ως «ευριστικοί» ή «ευρετικοί» αλγόριθμοι (heuristic algorithms) που βασίζονται στην τυχαιότητα, δεν μπορούν να εγγυηθούν την εύρεση της βέλτιστης λύσης σε πεπερασμένο χρόνο. Έτσι η έρευνα στρέφεται στην αύξηση της απόδοσης των Ε.Α. έτσι ώστε να πετυχαίνουν καλύτερες λύσεις σε λιγότερες γενιές ή σε λιγότερο χρόνο.

Γενετικοί Αλγόριθμοι-Genetic Algorithms (J. Holland 1962, Ann Arbor, MI) Εξελίσσουν ένα πληθυσμό από Ν λύσεις (π.χ. 100) οι οποίες είναι κωδικοποιημένες ως συμβολοσειρές (συνήθως δυαδικές). Οι αρχικές λύσεις παράγονται τυχαία. Οι λύσεις αξιολογούνται μέσω της συνάρτησης ποιότητας. Επιλέγονται λύσεις ανά δύο, με βάση την ποιότητά τους και ανασυνδυάζονται μέσω του τελεστή Crossover για να δώσουν νέες λύσεις (τους απογόνους). Οι απόγονοι υπόκεινται και σε πιθανοτική μετάλλαξη (mutation) με μικρή πιθανότητα (~ 1% ανά bit). Όταν συμπληρωθούν Ν απόγονοι τότε αντικαθιστούν τους γονείς. Η διαδικασία επαναλαμβάνεται μέχρι να ικανοποιηθεί το κριτήριο τερματισμού. Η καλύτερη λύση του τελικού πληθυσμού λαμβάνεται ως η βέλτιστη λύση του προβλήματος. Ο τελικός πληθυσμός περιέχει και Ν-1 υποβέλτιστες λύσεις.

Εξελικτικές Στρατηγικές - Evolution Strategies (I. Rechenberg & H.P. Schwefel 1965,Berlin,Germany) Ξεκινούν συνήθως από μία τυχαία λύση που δεν είναι κωδικοποιημένη. Εφαρμόζοντας πιθανοτική μετάλλαξη στον γονέα παράγουν λ νέες λύσεις, τους απογόνους, οι οποίες αξιολογούνται. Από το σύνολο των απογόνων, ή το συνδυασμένο σύνολο απογόνωνγονέα, επιλέγεται ο γονέας της επόμενης γενιάς. Η διαδικασία επαναλαμβάνεται μέχρι να ικανοποιηθεί το κριτήριο τερματισμού. Αργότερα (Rechenberg 1978) προστέθηκε και τελεστής ανασυνδυασμού. Συμβολισμός (μ/ρ + λ) ES ή (μ/ρ, λ) ES μ=γονείς, ρ=ανά πόσοι ανασυνδυάζονται, λ=απόγονοι, + = (μ+λ) -> μ, = λ -> μ. Χρησιμοποιούνται όταν η συνάρτηση ποιότητας είναι χρονοβόρα. Κάνουν λίγες αξιολογήσεις σε κάθε γενιά. Αντιστοιχεί σε hill-climbing προς το βέλτιστο. Πρέπει το πρόβλημα να έχει ομαλό χώρο λύσεων.

Εξελικτικός Προγραμματισμός - Evolutionary Programming (L. Fogel 1962, San Diego, CA) Δεν χρησιμοποιεί κωδικοποιημένες λύσεις, αλλά την φυσική για το πρόβλημα αναπαράσταση (π.χ. πραγματικές μεταβλητές). Ξεκινάει με ένα τυχαία παραγόμενο πληθυσμό γονέων-λύσεων. Αξιολογεί τους γονείς μέσω της συνάρτησης ποιότητας Επιλέγει τους γονείς με βάση την ποιότητά τους. Εφαρμόζει μόνο τελεστή πιθανοτικής μετάλλαξης για την παραγωγή νέων ατόμων-λύσεων και όχι ανασυνδυασμό. Ο τελεστής μετάλλαξης εξαρτάται από το εκάστοτε πρόβλημα και παραλλάσσει τον γονέα παράγοντας τον απόγονο. Όταν συμπληρωθεί ο πληθυσμός των απογόνων, τότε αυτός αντικαθιστά τον πληθυσμό των γονέων. Η διαδικασία συνεχίζεται μέχρι να ικανοποιηθεί το κριτήριο τερματισμού. Εφαρμόστηκε σε απλά μόνο προβλήματα βελτιστοποίησης. Υπολείπεται σε απόδοση των Γενετ. Αλγορίθμων που είναι πιο γενικοί

Γενετικός Προγραμματισμός - Genetic Programming (J. Koza 1989, Palo Alto, CA) Αποτελεί ειδική εφαρμογή των ΓΑ. Σκοπός του είναι η αυτόματη εξέλιξη προγραμμάτων υπολογιστών (software) για την επίλυση αλγοριθμικών προβλημάτων. Τα προγράμματα αναπαρίστανται ως σύνθετες δομές (κυρίως δενδροειδείς, όπου οι κόμβοι είναι εντολές προγραμματισμού και οι ακμές καθορίζουν την αλληλουχία των εντολών). Εξελίσσει πληθυσμούς προγραμμάτων, με μεθόδους επιλογής γονέων, ανασυνδυασμό και μετάλλαξη. Κάθε πρόγραμμα αξιολογείται με την εκτέλεσή του και την αξιολόγηση των αποτελεσμάτων του. Χρησιμοποιείται και σε άλλα προβλήματα όπου οι λύσεις αναπαρίστανται ως δενδροειδείς δομές, όπως electronic circuits design, VLSI design και Evolvable Hardware.

Συστήματα Κατηγοριοποίησης - Classifier Systems (J. Holland & J. Reitman 1978) Είναι παράδειγμα των Συστημάτων Εκμάθησης Κανόνων (Rule Learning Systems ή Genetics Based Machine learning GBML) Έχουν την ικανότητα εξέλιξης της γνώσης υπό την μορφή απλών κανόνων με την βοήθεια μεθόδων γενετικής εξέλιξης. Χρησιμοποιώντας ΓΑ βρίσκουν σύνολα λογικών κανόνων που περιγράφουν σύνθετα ή και ευφυή συστήματα. Αγγίζουν τον χώρο της Τεχνητής Ευφυίας (Artificial Intelligence ή AI). Εξελίσσουν απλούς if then κανόνες οι οποίοι εφαρμοζόμενοι σε δεδομένα εισόδου (input) δίνουν την επιθυμητή έξοδο (output). Μπορούν να προσομοιώσουν οποιαδήποτε συνάρτηση εισόδου-εξόδου (π.χ. ένα ψηφιακό αποκωδικοποιητή decoder ή έναν ελεγκτή controller σε ένα σύστημα αυτομάτου ελέγχου). Έχουν άμεση αντιστοιχία με τα Τεχνητά Νευρωνικά Δίκτυα

Εξελισσόμενο Υλικό - Evolvable Hardware (Hugo De Garis, 1992) Είναι ειδική εφαρμογή των ΓΑ και του Genetic Programming. Σκοπός τους είναι η δημιουργία αυτό-εξελισσόμενου hardware το οποίο θα μπορεί να προσαρμόζεται αυτόματα στο εκάστοτε πρόβλημα. Βασίζονται κυρίως στα FPGAs (Field Programmable Gate Arrays) που αποτελούν ψηφιακά κυκλώματα που μπορούν να καθορίζονται δυναμικά και να αλλάζουν σύσταση και λειτουργία ώστε να έχουν την επιθυμητή συμπεριφορά. Το EHW εξελίσσει συμβολοσειρές που προγραμματίζουν τα FPGAs. H αξιολόγηση των λύσεων γίνεται με πραγματική δοκιμή των FPGAs και έλεγχο κατά πόσο λειτουργούν σύμφωνα με το εκάστοτε πρόβλημα. Χρησιμοποιεί αρχές του Genetic Programming καθώς η σύνθεση των κυκλωμάτων αναπαρίσταται και εδώ με σύνθετες δενδροειδείς δομές. Είναι ακόμα σε εμβρυακό στάδιο. Μπορεί να οδηγήσει σε «αναπαραγωγή μηχανών» ή αυτόνομη μηχανική μάθηση.

Παράλληλοι Γενετικοί Αλγόριθμοι (Parallel Genetic Algorithms) Εφαρμόζουν πολλούς ΓΑ που τρέχουν παράλληλα σε παράλληλους επεξεργαστές (π.χ. Transputers ή σε κατανεμημένους Η/Υ) Εξελίσσουν παράλληλα πολλούς πληθυσμούς λύσεων που αναζητούν την βέλτιστη λύση στο ίδιο πρόβλημα Οι ΓΑ μπορούν να επικοινωνούν μεταξύ τους ανταλλάσσοντας την καλύτερη-μέχρι-στιγμής λύση που έχει βρει ο καθένας. Μπορούν να εφαρμόζουν διαφορετικές εξελικτικές στρατηγικές (π.χ. ο ένας μόνο Crossover, ο άλλος μόνο Mutation κ.λ.π.) Εκμεταλλεύονται την επεξεργαστική ισχύ των παράλληλων συστημάτων ώστε να εκτελούν ταυτόχρονα αναζήτηση σε διαφορετικές περιοχές του χώρου λύσεων. Επιταχύνουν δραματικά την ταχύτητα σύγκλισης προς το βέλτιστο και την ικανότητα να ξεπερνούν τοπικά βέλτιστα.

Ευφυία Σμηνών - Swarm Intelligence (Gerardo Beni and Jing Wang, 1989) Αποτελεί ένα σύνολο μεθόδων που εκμεταλλεύονται την συλλογική συμπεριφορά αποκεντρωμένων, αυτό-οργανούμενων συστημάτων, φυσικών ή τεχνητών. Τα συστήματα SI τυπικά περιλαμβάνουν έναν πληθυσμό οντοτήτων (agents or boids) που αλληλεπιδρούν μεταξύ τους και με το περιβάλλον. Οι οντότητες ακολουθούν απλούς κανόνες, και αν και δεν υπάρχει κεντρικός έλεγχος που να υπαγορεύει την συμπεριφορά τους, οι τοπικές και μερικές φορές τυχαίες αλληλεπιδράσεις μεταξύ τους οδηγούν στην εμφάνιση μίας ευφυούς συνολικής συμπεριφοράς, άγνωστης στις επιμέρους οντότητες. Φυσικά παραδείγματα αποτελούν οι αποικίες μυρμηγκιών, τα σμήνη πουλιών, οι αγέλες ζώων, η ανάπτυξη βακτηρίων και τα κοπάδια των ψαριών. Ως προς την αρχή του, το SI περιγράφει συστήματα πολλαπλών πρακτόρων με αυτό-οργανούμενη συμπεριφορά που εμφανίζει συλλογική ευφυία.

Βελτιστοποίηση Σμήνους Σωματιδίων - Particle Swarm Optimization PSO (Kennedy, Eberhart and Shi, 1995) Χρησιμοποιεί έναν αριθμό σημείων στο χώρο (λύσεις, σωματίδια) που αρχικά παράγονται τυχαία, και που αρχικά τους ανατίθεται από ένα τυχαίο άνυσμα ταχύτητας που καθορίζει την επόμενη θέση τους. Σε κάθε επανάληψη, το άνυσμα ταχύτητας αναπροσαρμόζεται με ένα τρόπο κατά ένα μέρος τυχαίο, κατά ένα μέρος με κατεύθυνση προς την καλύτερη μέχρι στιγμής θέση του σωματιδίου και κατά ένα μέρος με κατεύθυνση προς την συνολικά καλύτερη μέχρι στιγμής λύση όλου του σμήνους: v i =ω v i + φ p r p (p i -x i ) + φ g r g (g-x i ) όπου v i είναι η ταχύτητα του i th σωματιδίου, x i η τρέχουσα θέση του, p i η καλύτερη μέχρι στιγμής θέση του σωματιδίου i, g η καλύτερη μέχρι στιγμής λύση όλου του σμήνους, r p, r g τυχαίοι αριθμοί (0..1) και ω, φ p, φ g είναι παράμετροι της μεθόδου. Πρόσφατα το PSO έχει γίνει μία εξαιρετικά δημοφιλής εξελικτική μέθοδος με πολλές επιτυχημένες εφαρμογές.

Προσομοίωση Αποικίας Μυρμηγκιών - Ant Colony Optimization (Marco Dorigo 1992) Εξελίσσουν πληθυσμούς από αυτόνομα άτομα (Autonomous Agents) που εξερευνούν τον χώρο λύσεων για να αποφεύγουν τα τοπικά βέλτιστα (εμπόδια) και να βρίσκουν το απόλυτο βέλτιστο (τροφή). Τα άτομα (μυρμήγκια) έχουν δυνατότητες επικοινωνίας και ανταλλαγής πληροφοριών (εκκρινόμενες ουσίες) μέσω των οποίων μπορούν να καθοδηγούν το ένα το άλλο Τεχνητά Ανοσοποιητικά Συστήματα - Artificial Immune Systems (H. Bersini and F. J. Varela, 1990) Το ανοσοποιητικό σύστημα έχει την ικανότητα να ξεχωρίζει όλα τα κύτταρα του οργανισμού ως ξένα ή οικεία και να κατηγοριοποιεί τα ξένα ώστε να ενεργοποιεί αμυντικούς μηχανισμούς (αντισώματα). Το Α.Σ. αυτοεκπαιδεύεται μέσω εξέλιξης να ξεχωρίζει τα κύτταρα και να παράγει τα κατάλληλα αντισώματα, ενώ διαθέτει και μνήμη. Ένα Τεχνητό Α.Σ. αποτελεί ένα παράλληλο και κατανεμημένο σύστημα που χρησιμοποιείται για αναγνώριση προτύπων και κατηγοριοποίηση.

Πολιτισμικοί Αλγόριθμοι - Cultural Algorithms (R.G. Reynolds 1994) Στις ανθρώπινες κοινωνίες ο Πολιτισμός (Κουλτούρα, Παράδοση) είναι ένα σύστημα συσσώρευσης γνώσης και εμπειρίας για την επίλυση προβλημάτων και την αντιμετώπιση καταστάσεων, που εξελίσσεται. Οι Πολιτισμικοί Αλγόριθμοι είναι επέκταση των ΓΑ και περιλαμβάνουν ένα χώρο μνήμης (belief space) όπου αποθηκεύεται η αποκτώμενη εμπειρία στην επίλυση του προβλήματος, η οποία είναι διαθέσιμη στα άτομα του πληθυσμού και μπορεί να επιταχύνει την αναζήτηση του βέλτιστου. Τεχνητή Ζωή (Artificial Life) Ο όρος αυτός περιλαμβάνει μία σειρά μεθόδων που χρησιμοποιούν εξελικτικούς αλγορίθμους για την μοντελοποίηση και κατανόηση της εξέλιξης των πραγματικών βιολογικών συστημάτων. Μακροσκοπικό επίπεδο : Εξέλιξη και συμπεριφορά πληθυσμών Ατομικό Επίπεδο : Εξέλιξη και λειτουργία βιολογικών μηχανισμών

Βελτιστοποίηση προβλημάτων με συνεχείς παραμέτρους (Continuous Variable Problems) Βελτιστοποίηση συνδυαστικών προβλημάτων (Combinatorial Problems) Μοντελοποίηση και αναγνώριση συστημάτων (System modeling and identification) Χρονικός Προγραμματισμός και Έλεγχος Συστημάτων (Planning, Scheduling and Control) Σχεδίαση (Engineering Design) Συστήματα Κανόνων (Rule-Based Systems) Προσαρμοζόμενα Συστήματα (Adaptive Systems) Αυτο-προσαρμοζόμενο υλικό (self-adaptive hardware) Παραγωγή Αλγορίθμων και Δομών Εξόρυξη Δεδομένων (Data Mining) Machine Learning Προσομοίωση Ζωής (Artificial Life)

Βελτιστοποίηση Μαθηματικών Συναρτήσεων με ή χωρίς περιορισμούς Επίλυση Προβλημάτων των Συστημάτων Ισχύος (Economic Dispatch, Unit Commitment) Επίλυση Προβλημάτων Κοπής και Συσκευασίας (Cutting and Packing) Επίλυση προβλημάτων σχεδιασμού γραμμής παραγωγής (Job Shop Scheduling) Επίλυση προβλημάτων σχεδιασμού και δρομολόγησης (routing and scheduling) Επίλυση προβλημάτων χρονοδιαγράμματος (Time-Tabling problems) Εφαρμογή ως αλγόριθμος εκπαίδευσης σε Τεχνητά Νευρωνικά Δίκτυα Επίλυση προβλημάτων αναγνώρισης προτύπων (Pattern recognition) Επίλυση προβλημάτων βέλτιστης τοπολογίας δικτύων (επικοινωνίας, συγκοινωνίας, ύδρευσης, διανομής αερίου κ.λ.π.) Επίλυση προβλημάτων στην σχεδίαση κυκλωμάτων πολύ υψηλής κλίμακας ολοκλήρωσης (VLSI)

Επίλυση προβλημάτων κατανομής αγαθών (Resource scheduling) π.χ. κατανομή χρόνου CPU σε έναν Η/Υ με πολυδιεργασία (multi-tasking) Εφαρμογή στην βιομηχανική σχεδίαση (π.χ. σχεδίαση αεροδυναμικού σχήματος αεροσκαφών) και στην σχεδίαση ελεγκτών (Controllers). Εφαρμογή στην σχεδίαση και βελτιστοποίηση Συστημάτων Ασαφούς Λογικής (Fuzzy Logic Systems) Εφαρμογή στην Ρομποτική (Εύρεση βέλτιστης τροχιάς βραχίονα, εύρεση βέλτιστων μονοπατιών κίνησης κ.λ.π.) Εφαρμογή στην εύρεση βέλτιστων τοπολογιών σε Εξελισσόμενο Υλικό Εκμάθηση τρόπου παιξίματος παιγνιδιών (game-playing) Αναγνώριση και ταξινόμηση προτύπων εικόνας (Image pattern recognition and classification) Εφαρμογή στην Ρομποτική (Εκμάθηση τρόπου κίνησης σε χώρους με εμπόδια κ.λ.π.) Εφαρμογή στη ψηφιακή επεξεργασία εικόνας (Ανάκτηση και ανακατασκευή εικόνων κ.λ.π.)

Πλεονεκτήματα Κανένας περιορισμός για το πρόβλημα και το είδος του χώρου λύσεων. Είναι γενικά εφαρμόσιμοι. Δυνατότητα παράλληλης εξερεύνησης πολλών υπο-περιοχών του χώρου λύσεων (Exploration) αλλά και διεξοδική εξερεύνηση περιοχών υψηλής ποιότητας (Exploitation). Χαμηλό κόστος ανάπτυξης και εφαρμογής. Εύκολα ενσωματώνουν και άλλες μεθόδους. Μπορούν να δεχθούν λύσεις προτεινόμενες από τον χρήστη. Παρέχουν πλήθος εναλλακτικών λύσεων Μειονεκτήματα Δεν εγγυώνται βέλτιστες λύσεις σε πεπερασμένο χρόνο. Αδύναμη θεωρητική βάση (Schema Theorem) Χρειάζονται ρύθμιση παραμέτρων για βέλτιστη απόδοση. Απαιτούν σημαντικό υπολογιστικό χρόνο

Οι Klockgether and Schwefel πραγματοποίησαν το 1970 στο κέντρο έρευνας της AEG, ένα πείραμα βελτιστοποίησης ακροφυσίου για μετατροπή καυτού νερού σε ατμό με (1+1) ES. Δυνατότητα μεταβολής της διατομής με 400 δακτυλίδια (10 36 διαφορετικές λύσεις). Επιλύθηκε σε 14 ημέρες μετά από 300 γενιές λύσεων. Αρχική Σχεδίαση Ενεργ.Απόδοση 55% Λύση του Γενετικού Αλγόριθμου Ενεργ.Απόδοση 79%

Το 1964 ο Ingo Rechenberg πραγματοποίησε ένα πείραμα με αλγόριθμο (1+1)ES για την βελτιστοποίηση αεροτομής για ελάχιστη αντίσταση. Το πλήθος των λύσεων είναι 345x10 6. Επιλύθηκε σε 350 γενιές. Η ποιότητα των λύσεων μετριόταν σε πραγματική αεροσήραγγα.

Βέλτιστη τοποθέτηση πατρόν σε επιφάνεια υλικού. Πρόβλημα με περιορισμούς (επικαλύψεις). 10 36 διαφορετικές λύσεις. Επιλύεται σε 1 λεπτό μετά από 50 γενιές λύσεων. Τυχαία κατανομή Λύση του Γενετικού Αλγόριθμου

Βέλτιστη έναυση και σβέση θερμικών μονάδων παραγωγής ενέργειας (Unit Commitment). Πρόβλημα με περιορισμούς. 10 72 διαφορετικές λύσεις. Επιλύεται σε 5 λεπτά μετά από 500 γενιές λύσεων. Ωρες : 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Μονάδα 1 Μονάδα 2 Μονάδα 3 Μονάδα 4 Μονάδα 5 Μονάδα 6 Μονάδα 7 Μονάδα 8 Μονάδα 9 Μονάδα 10