DG = x^2 + y^3 + 4*z^6 - 2*k^2 + 1/9*d^4 - 2*e^3 + 2*f^8

set1 = 1 2 3 3 5 6 7
set2 = 2 3 4 5 6 7 8
set3 = 1 3 4 5 5 5 5
set4 = 2 4 1 5 2 3 1

DG(set1) = 2
DG(set2) = 10
DG(set3) = 1
DG(set4) = 8

set1 = 1 2 3 3 5 6 7
set3 = 1 3 4 5 5 5 5

set5 = 1 2 3 3 5 5 5
set6 = 1 3 4 5 5 6 7

set7 = 3 2 3 3 5 6 7

set1 = ['molecularlab', '"algoritmi genetici"', '"pesce spada"', 'bioinformatica']
set2 = ['dalloliogm', 'domi84', "frittate"]
set3 = ['frittate', 'faccine', 'molecularlab', 'cromosomi']

Citazione:

---

Messaggio inserito da domi84

Quindi così facendo, l'algoritmo dovrebbe fare uno o più reincroci, finche non ottiene tipo:
setn = ['molecularlab', '"algoritmi genetici"', '"domi84"', 'dalloliogm']
che dovrebbe essere il migliore...

---

Citazione:

---

idem ovviamente con ac.nucleici/proteine!
Un'ultima cosa...cosa si intende per fitness?!

---

Citazione:

---

Messaggio inserito da chick80

Un bell'esempio di queste cose (mai bello come quello di dallolio però ) lo trovi nei lavori di Kenneth Stanley, ad es.:

---

Citazione:

---

Evolving Neural Networks Through Augmenting Topologies

---

Citazione:

---

Messaggio inserito da dallolio_gm

Ci provo...

Immagina di dover trovare il punto di minimo di una funzione con molte variabili:

DG = x^2 + y^3 + 4*z^6 - 2*k^2 + 1/9*d^4 - 2*e^3 + 2*f^8

Immagina che questa funzione abbia tante variabile da rendere impossibile l'utilizzo del metodo delle derivate parziali in tempi accettabili.

Per risolvere con gli algoritmi genetici, potresti prendere dei set di valori per le variabili della funzione (x, y, z, k, d, e, f) a caso:

set1 = 1 2 3 3 5 6 7
set2 = 2 3 4 5 6 7 8
set3 = 1 3 4 5 5 5 5
set4 = 2 4 1 5 2 3 1

Ognuno di questi set e' un 'cromosoma', e i valori delle variabili fungono da 'geni'.
Ora, ti calcoli i valori della funzione per ognuno dei precedenti 'set' di valori.

DG(set1) = 2
DG(set2) = 10
DG(set3) = 1
DG(set4) = 8

Dopodiche', prendi solo i due set che ti danno il valore piu' basso, il primo e il terzo:

set1 = 1 2 3 3 5 6 7
set3 = 1 3 4 5 5 5 5

Secondo le regole degli algoritmi genetici, puoi fare due tipi di operazioni:
la prima e' l'incrocio:

set5 = 1 2 3 3 5 5 5
set6 = 1 3 4 5 5 6 7

e la mutazione casuale (es. cambiamo la posizione 1 nel set1 da 1 a 3):

set7 = 3 2 3 3 5 6 7

A questo punto, sei nella seconda generazione della simulazione, e ti calcoli i valori corrispondenti ai set 1, 3, 5, 6 e 7.
Tra questi, scegli i due o tre set che danno punteggio migliore e ritorni a fare i passaggi di mutazione e crossing-over.



E' chiaro che con questa tecnica e' molto difficile beccare il punto di minimo esatto di una funzione... pero', prendendo ogni volta i valori piu' bassi, sperando di non bloccarsi in un punto di minimo locale, e sperando che la funzione sia concava intorno al punto di minimo (che per fortuna, nel caso della energia libera di una proteina, dovrebbe essere vero), dovresti riuscire a trovare un valore vicino al minimo, e in ogni caso, piu' basso della media.



Un altro esempio lo potresti fare con le parole che formano una query su google.

Immagina di voler trovare le parole chiave che ti permettano di trovare al primo colpo questo topic del forum su google.

Potresti partire da un set di cromosomi come questi:

set1 = ['molecularlab', '"algoritmi genetici"', '"pesce spada"', 'bioinformatica']
set2 = ['dalloliogm', 'domi84', "frittate"]
set3 = ['frittate', 'faccine', 'molecularlab', 'cromosomi']

E' piuttosto strana questa ultima cosa che ho scritto, ma spero che tu abbia capito..

---

Citazione:

---

Messaggio inserito da serbring

Son curioso di vederlo

Venendo al mio problema, sto facendo un fitting con un algoritmo genetico implementato in Matlab. Il problema di fondo è che l'algoritmo è molto lento nel convergere, mentre risulta molto veloce se i bounds sono confinati vicino alla soluzione. Che consiglio mi date per raggiungere più velocemente il punto di ottimo senza variare continuamente i bounds per trovare il valore ottimale per ogni caso? Spero che esista un buon consiglio per questo :)


Grazie

---