sebatlh skrev:Men är det inte självlärande system det pratas om?
Neurala nätvärk å hela den biten.
Man har ett *nånting* som ger utdata.
Sen gör man lite permutationer på det där *nånting*.
Utdatan blir olika bra och den bästa varianten av det där *nånting* får gå vidare till nästa iteration.
Åsså håller man på så tills man är nöjd.
Lite som evolution funkar där bara de bäst lämpade överlever.
Eller?
Men för att det ska fungera så måste man veta vad man är ute efter.
Sen kan jag tänka mig att det kan vara problem att inte fastna i lokala maximan, att spänna upp hela (åtminstone den bra biten) lösningsmängden.
Nej det är varken neurala nätverk eller självlärande system (även om man kan addera självlärande komponenter) men det senare du skriver är korrekt precis som Peter har nämnt.
Det svåraste är att matematiskt formulera vad man vill. Och vilken prioritering olika saker ska ha. Det är busenkelt att få till en rak frekvensgång men samtidigt vill man kanske inte att känsligheten ska ligga på 62dB, filtret ska bestå av 38 komponenter och att inimpedansen dippar ner mot 0.03 ohm. Jag har kommit en bit här men saknar fortfarande vissa beskrivningar av målen rent matematiskt.
Jag funderade ett slag på om jag skulle ta tag i detta igen och utveckla pK med metoden men det hanns inte med. Det gick så snabbt, som flikkan sa. Men det hindrar inte att jag med utgångspunkt i pK-elementen gör en variant i framtiden. En muterad pK kan man säga om man vill vara lite fyndig.
GA är lite mer tolerant mot att hamna i lokala maximum än vissa andra metoder beroende på att man åtminstone initialt söker slumpmässigt fördelat över hela definitionsmängden.
Det är faktiskt rätt intressant att följa med när datorn räknar och se hur det blir bättre och bättre. Man lär sig rätt snabbt vad man ska pilla på för att det ska gå snabbare för att nå målet. Exempelvis mutationsgraden. I början vill man ha en rätt hög mutationsgrad. Det ger nämligen snabbare resultat när man är längre i från optimum men ju närmare man kommer det tilltänkta slutvärdet så måste mutationsgraden dras ner. Man kan likna det i den verkliga världen där rätt okomplexa individer som virus kan ha rätt hög mutationsgrad medan komplexare individer som människor måste ha i princip obefintlig mutationsgrad. Exempelvis.