Poniższa tabela przedstawia dostępne opcje programu.
Użytkownik na samym początku powinien zdecydować, jakiego typu genotypu użyje w symulacji. Istnieją dwie możliwe opcje: genotyp haploidalny lub genotyp diploidalny. Różnica między nimi polega na tym, że genotyp haploidalny składa się z pojedynczych chromosomów, podczas gdy genotyp diploidalny zbudowany jest z par chromosomów.
Kolejnym ważnym parametrem ustawianym w symulacji jest funkcja przystosowania. Funkcja przystosowania jest podstawową miarą siły chromosomu, która ma wystąpić w następnym pokoleniu. Można spróbować skalować funkcję przystosowania według liniowych lub innych dostępnych reguł (zestawionych w tabeli poniżej). Kiedy problem do rozwiązania jest bardziej skomplikowany i wiąże się z wszelkiego rodzaju ograniczeniami, algorytmy genetyczne również mogą sobie z nim poradzić. Odbywa się to poprzez funkcję kary. Stanowi karę, która jest dodawana/odejmowana od funkcji celu w przypadku naruszenia któregokolwiek z ograniczeń.
Mając wygenerowaną populację i obliczone współczynniki przystosowania dla każdego chromosomu w populacji, można wybrać grupę rodziców następnego pokolenia. Mechanizm selekcji opiera się na jednej głównej zasadzie: im lepsze przystosowanie, tym większa reprodukcja (więcej dzieci). Zatem reprodukcję w populacji uważa się za proces losowy oparty na funkcji przystosowania. W symulacji użytkownik może wybrać mechanizm selekcji spośród metod selekcji wymienionych w tabeli.
W modelach haploidalnych para chromosomów to para rodziców wymieniająca informacje genetyczne w procesie krzyżowania, podczas gdy w modelach diploidalnych proces gametogenezy wykorzystuje mechanizm krzyżowania do wymiany informacji genetycznej między gametami. Pomimo tej niewielkiej różnicy pomiędzy modelami haploidalnymi i diploidalnymi w obu przypadkach wymagane jest znalezienie punktu lub punktów przecięcia (w modelach z krzyżowaniami wielokrotnymi) na dwóch chromosomach rodzicielskich przy założonym prawdopodobieństwie skrzyżowania.
W symulacji algorytmów genetycznych informację genetyczną można również modyfikować poprzez mutacje. Są to zdarzenia losowe i zachodzą z założonym prawdopodobieństwem mutacji. Co więcej, jeśli chromosomy mają więcej niż jeden gen, lokalizacja alleli na chromosomie może nie być stała. Można to zmienić w procesie zwanym rekonfiguracją genetyczną. Ma to na celu zwiększenie zmienności genetycznej nowo utworzonej populacji. Poniższa tabela przedstawia główne typy rekonfiguracji genetycznych, które można wykorzystać w symulacjach.
Problemy wieloparametryczne reprezentowane są za pomocą funkcji wektorowych i w takich przypadkach należy zastosować podejście Pareto. Program Optfinder - Genetic Algorithms pozwala na rozwiązywanie problemów wieloparametrycznych.
GENOTYP | |
haploidalny | |
diploidalny | |
METODA KODOWANIA | |
binarna | |
inna | |
FUNKCJA PRZYSTOSOWANIA ZE SKALOWANIEM | |
liniowym | |
potęgowym | |
σ - obcinającym | |
METODA SELEKCJI | |
wybór losowy z powtórzeniami (metoda ruletki) | |
zmodyfikowana ruletka | |
wybór deterministyczny | |
wybór losowy wg reszt z powtórzeniami (typ I, metoda ruletki) | |
wybór losowy wg reszt bez powtórzeń (typ II, metoda Bernoulliego) | |
turnieje losowe (metoda rang Wetzela) | |
MODEL DIPLOIDALNY Z DOMINOWANIEM | |
model-trialleliczny (Hollstien-Holland) | |
GENETYCZNE REKONFIGURACJE | |
liniowa inwersja | |
liniowo-boczna inwersja | |
PMX (partially matched crossover) | |
OX (order crossover) | |
CX (cykle crossover) | |
FUNKCJA WSPÓŁUDZIAŁÓW | |
na poziomie fenotypu | |
na poziomie genotypu | |
jako funkcja potęgowa | |
MODELE DE JONGA | |
od R1 do R6 |