Nick Alger'in cevabı çok iyi, ama bir örnek metot olan Metropolis-Hastings metodu ile biraz daha matematiksel yapacağım.
Araştıracağım senaryo, bir nüfusa sahip olmanız. durumundan durumuna olasılığı olan bir mutasyon ve ayrıca koşulunu da koyarız . Aynı zamanda tüm ; Modelinizde sıfır zindelik varsa, bunu her yere küçük bir epsilon ekleyerek düzeltebilirsiniz.ijQ(i,j)Q(i,j)=Q(j,i)F(i)>0i
Biz bir geçiş kabul edecek için olasılığıyla:ij
min(1,F(j)F(i))
Başka bir deyişle, eğer daha uygunsa , her zaman alırız, ancak daha az uygunsa , olasılıkla alırız, aksi halde kabul edene kadar tekrar deneriz. mutasyon.jjF(j)F(i)
Şimdi keşfetmek istiyorum , biz geçiş olduğunu fiili olasılık için .P(i,j)ij
Açıkçası bu:
P(i,j)=Q(i,j)min(1,F(j)F(i))
Diyelim ki . Sonra = 1, ve böylece:F(j)≥F(i)min(1,F(j)F(i))
F(i)P(i,j)
=F(i)Q(i,j)min(1,F(j)F(i))
=F(i)Q(i,j)
=Q(j,i)min(1,F(i)F(j))F(j)
=F(j)P(j,i)
Argümanı geriye doğru çalıştırmak ve ayrıca önemsiz olduğu durumu incelemek, ve için bunu görebilirsin :i=jij
F(i)P(i,j)=F(j)P(j,i)
Bu birkaç nedenden dolayı dikkat çekicidir.
Geçiş olasılığı bağımsızdır . Elbette, çekicinin içine girmemiz biraz zaman alabilir ve bir mutasyonu kabul etmek biraz zaman alabilir. Bir kez yaptığımızda, geçiş olasılığı tamamen bağlıdır , değil .QFQ
Bütün üzerinden toplarsak verir:i
∑iF(i)P(i,j)=∑iF(j)P(j,i)
Açıkça toplamı gerekir Eğer üzerinden toplamı, tüm (olduğunu, bir durumdan üzerinden geçiş olasılıkları toplamı gerekir ), getirecek şekilde:P(j,i)1i1
F(j)=∑iF(i)P(i,j)
Başka bir deyişle, , yöntemin seçtiğini belirten (normalleştirilmemiş) olasılık yoğunluk işlevidir. Sadece tüm manzarayı keşfetme garantisi yoktur, bunu her bir devletin ne kadar “uygun” olduğu ile yaparsınız.F
Tabii ki, bu pek çoğundan sadece bir örnek; Aşağıda belirttiğim gibi, açıklaması çok kolay bir yöntem. Genellikle bir pdf keşfetmek için değil, bir ekstremum bulmak için bir GA kullanırsınız ve bu durumda koşulların bazılarını rahatlatabilir ve hala yüksek olasılıkla muhtemel yakınsama garantisi verebilirsiniz.