Генетические алгоритмы используются в сложных задачах оптимизации "когда обычный порошок не справляется". Идея позаимствована из теории эволюции: мы имеем несколько наборов переменных, значения которых некоторым случайным образом изменяются и подставляются в оптимизируемую функцию (функция приспособленности). Наборы (хромосомы), обеспечивающие наилучший результат, скрещиваются друг с другом, мутируют и дают новое поколение решений. От шага к шагу качество решений увеличивается, а результат - всё лучше. В конечном итоге достигается некий оптимальный результат - глобальный или локальный оптимум.
Некто ryan создал
забавную игрушку где ГА используются для создания оптимальной формы "автомобиля". Игрок задает размер популяци, стратегию скрещивания и некоторые другие параметры а также может вмешиваться в естественный отбор машин. Задача - вывести машину которая пройдет весь трек за минимальное время :)
Невозможно оторваться от зрелища как беспомощные уроды переворачивающиеся вверх тормашками или застревающие через секунду после старта на глазах превращаются в вездеходы которым нипочем ни горы ни пропасти.
Трассы однако довольно сложные, ни одну (кроме speedway) моим машинам осилить не удалось пока.
на speedway лучший результат 15 секунд, добивался его несколькими типами машин (одноколесными и двухколесными) подозреваю что это предел. Счет на default трассе - более 600.