Genetické algoritmy

Evoluční optimalizační metoda inspirovaná biologickou dědičností a přirozeným výběrem (Mendel, Darwin). Místo přímého hledání řešení pracuje s populací kandidátních řešení, která se postupně zlepšuje.

Základní pojmy

• Chromozom — kódované řešení (často binární řetězec, např. 1100)
• Gen — jednotlivý bit chromozomu
• Fitness funkce — účelová funkce hodnotící kvalitu řešení
• Populace — soubor chromozomů v jedné generaci

Cyklus algoritmu

1. Inicializace — vytvoření počáteční (náhodné) populace
2. Hodnocení — ohodnocení každého chromozomu fitness funkcí
3. Selekce — výběr lepších jedinců (lepší = větší šance přežít, ale i horší mohou zůstat pro diverzitu)
4. Křížení — kombinace dvou rodičů → potomci s vlastnostmi obou (pravděpodobnost ~0,9)
5. Mutace — náhodná změna bitu (0↔1), vzácná (~0,1), zabraňuje zamrznutí populace
6. Ukončení? — pokud ne, zpět na krok 2 (nová generace)

Parametry

• Velikost populace (~1000)
• Pravděpodobnost křížení (~0,9)
• Pravděpodobnost mutace (~0,1 nebo méně)
• Kritéria ukončení: max generací, max čas, populace se nemění

Binární kódování

Chromozom jako binární řetězec → převod na reálnou hodnotu: H_D = a₃·2³ + a₂·2² + a₁·2¹ + a₀·2⁰

Mapování na interval x_min, x_max umožňuje optimalizovat reálné parametry.

Dva typy úloh

• Přímá optimalizace — min nákladů, max zisku, min času, min odpadu
• Parametrická optimalizace modelu — nejlepší parametry funkce, nejlepší nastavení predikčního systému

Aplikace

Výhody a nevýhody

Výhody: nepotřebují derivace, pracují s diskrétními i spojitými problémy, zvládají mnoho lokálních extrémů, univerzálně použitelné.

Nevýhody: negarantují globální optimum, výpočetně náročné, výsledek závisí na nastavení parametrů.

Aplikace v řízení rizik (kurz IrmanK)

V kurzu Risk management používá prof. Rais GA jako validační nástroj pro klasické DCF výpočty NPV u dlouhodobých investičních projektů (investicni-rozhodovani-bot).

Případ BOT vodní elektrárny (260 mil USD, 19 let):

• GA běží ~100 tisíc generací populace investičních scénářů.
• Každý chromozom kóduje kombinaci provozních parametrů (cena, opex, diskont, výroba).
• Fitness funkce = NPV scénáře.
• Populace konverguje k Pareto-optimální množině scénářů.
• Výsledné NPV křivky se aproximují Gompertzovou nebo exponenciální křivkou.

Co GA přidává oproti klasické citlivostní analýze:

• Zachycuje interakce mezi parametry (není to one-at-a-time analýza).
• Identifikuje nelineární režimy (např. tipping point ceny po roce 12).
• Kombinuje s umělými neuronovými sítěmi (ANN klasifikace investic) pro klasifikaci investic.

Caveat: „Metody AI jsou asistenti, ne náhrada za originální tvůrčí myšlení manažera." GA validuje výpočet, ale strategická úvaha zůstává na člověku.

Propojení s dalšími tématy

• Neuronové sítě — GA mohou optimalizovat architekturu sítě
• Predikce — optimalizace predikčních modelů
• Fuzzy logika — GA mohou ladit parametry fuzzy systému
• investicni-rozhodovani-bot — GA pro validaci NPV (kurz IrmanK)
• expertni-systemy — GA jako AI metoda v risk managementu
• operacni-vyzkum — GA pro nelineární optimalizaci přesahující klasické LP

Kontrolní otázky ke zkoušce

1. Popište metodu a vysvětlete princip genetických algoritmů.
2. Popište realizaci a výpočet genetických algoritmů na počítači.
3. Jak lze využít genetických algoritmů v praxi?
4. Jaké jsou prvky reprodukce?
5. Co znamená proces selekce?
6. Co znamená proces mutace?
7. Jaká se volí velikost populace?

Pojmy k zapamatování

Genetické algoritmy, optimalizace, reprodukce, selekce, křížení, mutace, účelová funkce, omezující podmínky, parametry výpočtu.

Zdroje v kurzu IpmrK

• Genetické algoritmy — teorie
• Genetické algoritmy — využití
• Kniha — shrnutí kapitoly, kontrolní otázky, pojmy