thumb|250px|right|Evolucija populacije slučajnih slika. Svaki kadar u animaciji je generacija koja prikazuje najbolju osobu u pogledu fitnesa sa genomom sastavljenim od nivoa sivih tonova svakog segmenta. Evolucija prati korake: 1. procena fitnesa, 2. rangiranje pojedinca i 3. uključitivanje gena sledećeg pojedinca sa najboljim fitnesom. Fitnes je razlika greške u odnodu na sliku Čarlsa Darvina
U računarskoj nauci, evoluciono računarstvo je porodica algoritama za globalnu optimizaciju inspirisana biološkom evolucijom, i podoblast veštačke inteligencije i mekog računarstva koja proučava ove algoritme. U tehničkom smislu, oni su populaciono zasnovana porodica rešavanja problema tipa pokušaja i grešaka sa metaheurističkim ili stohastičkim karakterom optimizacije.M.C. Campi and S. Garatti. The Exact Feasibility of Randomized Solutions of Uncertain Convex Programs. SIAM J. on Optimization, .
U evolucionom proračunu, početni skup rešenja kandidata se generiše i iterativno ažurira. Svaka nova generacija se proizvodi stohastičkim uklanjanjem manje željenih rešenja i uvođenjem malih nasumičnih promena kao i, u zavisnosti od metode, mešanjem roditeljskih informacija. U biološkoj terminologiji, populacija rešenja je podvrgnuta prirodnoj selekciji (ili veštačkoj selekciji), mutaciji i eventualno rekombinaciji. Kao rezultat, populacija će postepeno evoluirati kako bi se povećala fitnes, u ovom slučaju izabrane funkcije fitnesa algoritma.Wassersug, J. D., and R. J. Wassersug, 1986. Fitness fallacies. Natural History 3:34–37.
Evolucione tehnike računanja mogu da proizvedu visoko optimizovana rešenja u širokom spektru podešavanja problema, što ih čini popularnim u računarskoj nauci. Postoje mnoge varijante i proširenja, prilagođena specifičnijim porodicama problema i struktura podataka. Evoluciono računanje se takođe ponekad koristi u evolucionoj biologiji kao in silico eksperimentalna procedura za proučavanje uobičajenih aspekata opštih evolucionih procesa.
Reference
Literatura
Th. Bäck, D.B. Fogel, and Z. Michalewicz (Editors), Handbook of Evolutionary Computation. . W. Banzhaf, P. Nordin, R.E. Keller, and F.D. Francone. Genetic Programming — An Introduction. Morgan Kaufmann, 1998. S. Cagnoni, et al., Real-World Applications of Evolutionary Computing, Springer-Verlag Lecture Notes in Computer Science, Berlin, 2000.
K. A. De Jong, Evolutionary computation: a unified approach. MIT Press, Cambridge MA, 2006
A. E. Eiben and J.E. Smith, Introduction to Evolutionary Computing, Springer, First edition, 2003; Second edition, 2015 D. B. Fogel. Evolutionary Computation. Toward a New Philosophy of Machine Intelligence. IEEE Press, Piscataway, NJ, 1995. L. J. Fogel, A. J. Owens, and M. J. Walsh. Artificial Intelligence through Simulated Evolution. New York: John Wiley, 1966. D. E. Goldberg. Genetic algorithms in search, optimization and machine learning. Addison Wesley, 1989. J. H. Holland. Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor, 1975. P. Hingston, L. Barone, and Z. Michalewicz (Editors), Design by Evolution, Natural Computing Series, 2008, Springer, J. R. Koza. Genetic Programming: On the Programming of Computers by means of Natural Evolution. MIT Press, Massachusetts, 1992.
Z. Michalewicz, Genetic Algorithms + Data Structures – Evolution Programs, 1996, Springer,
H.-P. Schwefel. Numerical Optimization of Computer Models. John Wiley & Sons, New-York, 1981. 1995 – 2nd edition. D. Simon. . Wiley, 2013.
Spoljašnje veze Article in the Stanford Encyclopedia of Philosophy about Biological Information (English)
Категорија:Вештачка интелигенција Категорија:Еволуција