خوارزمية الميمات

وصف بابلو موسكاتو الخوارزمية الميمية على النحو التالي: " الخوارزميات الميمية هي مزيج بين بحث عالمي قائم على السكان وبحث محلي استدلالي يقوم به كل فرد. ... يمكن أن تكون آليات البحث المحلي هي الوصول إلى الحل الأمثل المحلي أو التحسين (فيما يتعلق بدالة التكلفة الموضوعية) حتى مستوى محدد مسبقًا. " ويؤكد: " أنا لا أقيد الخوارزمية الميمية بالتمثيل الجيني. " ^{[ 1 ] : 19-20.} على الرغم من أن هذا التعريف الأصلي للخوارزمية الميمية يشمل خصائص التطور الثقافي (في شكل تحسين محلي) في دورة البحث، إلا أنه قد لا يُعتبر نظامًا متطورًا حقيقيًا وفقًا للداروينية الشاملة ، نظرًا لغياب جميع المبادئ الأساسية للوراثة/الانتقال الميمي، والتنوع، والانتقاء. وهذا يفسر سبب إثارة مصطلح الخوارزمية الميمية للانتقادات والجدل بين الباحثين عند تقديمه لأول مرة. ^{[ 1 ]} يتوافق الكود الزائف التالي مع هذا التعريف العام للخوارزمية الميمية:

الشفرة الزائفة

إجراء خوارزمية الميمات : التهيئة: توليد مجموعة أولية، وتقييم الأفراد، وتعيين قيمة جودة لكل منهم؛ طالما لم يتم استيفاء شروط التوقف، قم بتطوير مجموعة جديدة باستخدام عوامل البحث العشوائي. قم بتقييم جميع الأفراد في المجموعة وتعيين قيمة جودة لكل منهم. اختر مجموعة فرعية من الأفراد.${\displaystyle \Omega _{il}}$، والتي ينبغي أن تخضع لإجراءات التحسين الفردية. لكل فرد في${\displaystyle \Omega _{il}}$قم بإجراء التعلم الفردي باستخدام الميمات ذات التكرار أو الاحتمالية${\displaystyle f_{il}}$بكثافة​${\displaystyle t_{il}}$. تابع التعلم اللاماركي أو البالدويني. نهاية لنهاية بينما

يعني التعلم اللاماركي في هذا السياق تحديث الكروموسوم وفقًا للحل المُحسَّن الذي توصلت إليه خطوة التعلم الفردية، بينما يُبقي التعلم البالدويني الكروموسوم دون تغيير ويستخدم فقط اللياقة المُحسَّنة . يترك هذا الكود الزائف الباب مفتوحًا لتحديد الخطوات التي تعتمد على لياقة الأفراد وتلك التي لا تعتمد عليها. ويكمن التساؤل في تطور المجموعة الجديدة واختيار${\displaystyle \Omega _{il}}$.

بما أن معظم تطبيقات MA تعتمد على EAs، فإن الشفرة الزائفة لممثل مطابق للجيل الأول يتم تقديمها هنا أيضًا، وفقًا لكراسنوجور: ^{[ 10 ]}

الشفرة الزائفة

إجراء خوارزمية ميمية تعتمد على تهيئة خوارزمية التطور :${\displaystyle t=0}$; // تهيئة عداد الأجيال قم بتوليد مجموعة سكانية أولية عشوائياً${\displaystyle P(t)}$؛ احسب اللياقة${\displaystyle f(p)\ \ \forall p\in P(t)}$في حال عدم استيفاء شروط التوقف ، يتم الاختيار وفقًا لما يلي :${\displaystyle f(p)}$اختر مجموعة فرعية من${\displaystyle P(t)}$وخزّنه في${\displaystyle M(t)}$النسل : إعادة تركيب الأفراد وتحورهم${\displaystyle p\in M(t)}$وخزّنها في${\displaystyle M'(t)}$التعلم : التحسين${\displaystyle p'}$عن طريق البحث المحلي أو الاستدلالي${\displaystyle \forall p'\in M'(t)}$التقييم : حساب اللياقة${\displaystyle f(p')\ \ \forall p'\in M'(t)}$إذا كان التعلم لاماركيًا، فقم بتحديث كروموسوم${\displaystyle p'}$وفقًا للتحسين${\displaystyle \forall p'\in M'(t)}$جيل جديد : توليد${\displaystyle P(t+1)}$عن طريق اختيار بعض الأفراد من${\displaystyle P(t)}$و${\displaystyle M'(t)}$؛${\displaystyle t=t+1}$; // زيادة عداد الجيل end while إرجاع أفضل فرد${\displaystyle p\in P(t-1)}$ونتيجة لذلك؛

توجد بعض البدائل لهذا المخطط المالي. على سبيل المثال:

• قد تتحسن حالة جميع أو بعض الأفراد الأوائل بفضل الميم (الميمات).
• قد يتم تحسين الآباء محلياً بدلاً من النسل.
• بدلاً من جميع النسل، قد تخضع نسبة مختارة عشوائياً أو نسبة تعتمد على اللياقة لتحسين موضعي. ويتطلب هذا الأخير تقييم النسل في${\displaystyle M'(t)}$قبل خطوة التعلم .

يُشار إلى خوارزميات التحسين الميمي متعددة الميمات ^{[ 11 ]} ، والتحسين الميمي الفائق ^{[ 12 ] [ 13 ]} ، والتحسين الميمي اللاماركي الفائق ^{[ 2 ] [ 3 ]،} باعتبارها خوارزميات تحسين ميمي من الجيل الثاني، والتي تُظهر مبادئ نقل الميمات واختيارها في تصميمها. في خوارزميات التحسين الميمي متعددة الميمات، تُشفّر المادة الميمية كجزء من النمط الجيني . بعد ذلك، تُستخدم الميم المُفكّكة لكل فرد/ كروموسوم لإجراء تحسين محلي. ثم تُنقل المادة الميمية من خلال آلية وراثية بسيطة من الآباء إلى الأبناء. من ناحية أخرى، في خوارزميات التحسين الميمي الفائق والتحسين الميمي اللاماركي الفائق، تتنافس مجموعة الميمات المرشحة، بناءً على جدارتها السابقة في توليد تحسينات محلية من خلال آلية مكافأة، لتحديد الميم الذي سيتم اختياره للمضي قدمًا في التحسينات المحلية المستقبلية. الميمات ذات المكافأة الأعلى لديها فرصة أكبر للاستمرار في الاستخدام. لمزيد من المعلومات حول خوارزميات التحسين الميمي من الجيل الثاني؛ أي، فيما يتعلق بتحليل الخوارزميات الذي يأخذ في الاعتبار أساليب التعلم الفردية المتعددة داخل النظام التطوري، يُرجى الرجوع إلى ^{[ 14 ] .}

يمكن اعتبار التطور المشترك ^{[ 15 ]} وخوارزميات المحاكاة ذاتية التوليد ^{[ 16 ]} بمثابة الجيل الثالث من خوارزميات المحاكاة، حيث تم مراعاة جميع المبادئ الثلاثة التي تُحقق تعريفات النظام التطوري الأساسي. وعلى عكس الجيل الثاني من خوارزميات المحاكاة الذي يفترض معرفة الميمات المستخدمة مسبقًا، يستخدم الجيل الثالث منها بحثًا محليًا قائمًا على القواعد لتكملة الحلول المرشحة داخل النظام التطوري، وبالتالي رصد السمات أو الأنماط المتكررة بانتظام في فضاء المشكلة.

في سياق التحسين المستمر، يتخذ التعلم الفردي شكل طرق استدلالية محلية أو طرق تعداد دقيقة تقليدية. ^{[ 19 ]} تشمل أمثلة استراتيجيات التعلم الفردي تسلق التلال ، وطريقة سيمبلكس، وطريقة نيوتن/شبه نيوتن، وطرق النقاط الداخلية ، وطريقة التدرج المترافق ، والبحث الخطي، وغيرها من الطرق الاستدلالية المحلية. تجدر الإشارة إلى أن معظم طرق التعلم الفردي الشائعة حتمية.

في المقابل، في مجال التحسين التوافقي، توجد عادةً أساليب تعلم فردية على شكل خوارزميات استدلالية (قد تكون حتمية أو عشوائية) مصممة خصيصًا لمشكلة محددة. تشمل الإجراءات والمخططات الاستدلالية النموذجية تبادل الجينات k، وتبادل الحواف، والتحسين الأول، وغيرها الكثير.

من أولى المسائل المتعلقة بتصميم الخوارزميات الميمية تحديدُ عدد مرات تطبيق التعلم الفردي، أي معدل تكرار التعلم الفردي. في إحدى الدراسات ^{[ 17 ]} ، تم بحث تأثير معدل تكرار التعلم الفردي على أداء البحث عن الخوارزميات الميمية، حيث تم دراسة تكوينات مختلفة لمعدل تكرار التعلم الفردي في مراحل مختلفة من البحث. في المقابل، أظهرت دراسة أخرى ^{[ 20 ]} أنه قد يكون من المفيد تطبيق التعلم الفردي على كل فرد إذا كان التعقيد الحسابي للتعلم الفردي منخفضًا نسبيًا.

فيما يتعلق بمسألة اختيار الأفراد المناسبين من بين مجموعة الخوارزميات التطورية الذين ينبغي إخضاعهم للتعلم الفردي، دُرست استراتيجيات قائمة على اللياقة وأخرى قائمة على التوزيع لتكييف احتمالية تطبيق التعلم الفردي على مجموعة الكروموسومات في مسائل البحث البارامتري المستمر، حيث وسّع لاند ^{[ 21 ]} نطاق العمل ليشمل مسائل التحسين التوافقي . وقدّم بامبا وآخرون تقنية التسخين المحاكي لدمج التعلم الفردي المُعَلم بشكل منهجي في الخوارزميات التطورية لتحقيق أعلى جودة للحل. ^{[ 22 ]}

كثافة التعلم الفردي،${\displaystyle t_{il}}$، هو مقدار الميزانية الحسابية المخصصة لتكرار التعلم الفردي؛ أي الحد الأقصى للميزانية الحسابية المسموح بها للتعلم الفردي لإنفاقها على تحسين حل واحد.

يُحدد ما إذا كان التحسن المُكتشف يعتمد فقط على تحسين اللياقة (التعلم البالدويني) أم على تكيف الفرد تبعًا لذلك (التعلم اللاماركي). في حالة الخوارزميات التطورية، يعني هذا تعديل النمط الجيني. وقد نُوقشت هذه المسألة بشكلٍ مثير للجدل في الأدبيات العلمية منذ تسعينيات القرن الماضي، حيث أشارت إلى أن حالة الاستخدام المحددة تلعب دورًا رئيسيًا. ^{[ 23 ] [ 24 ] [ 25 ]} ويكمن جوهر هذا النقاش في أن تكيف الجينوم قد يُعزز التقارب المُبكر . ويمكن التخفيف من هذا الخطر بفعالية من خلال تدابير أخرى لتحقيق توازن أفضل بين البحث الشامل والبحث العميق، مثل استخدام مجموعات سكانية مُهيكلة . ^{[ 3 ]}