Prírodou inšpirované algoritmy

Fault Tolerance Problem

V dynamickom prostredí alebo v kritických aplikáciách sa vyžaduje, aby systém vykazoval určitú spoľahlivosť - nesprával sa chybne. Tradičný prístup k riešeniu FTP je zdvojenie kritických komponentov, ktorý je drahý.

Evolúcia môže v sebe zahŕňať schopnosť fungovať za prítomnosti chýb. Zvážme, ako sa príroda stavia k tomuto problému.

Predstavme si jedno indivíduum v populácii. Ako úspešný jedinec (vysokej vhodnosti) prenáša svoju genetickú informáciu do celej populácie v nasledujúcich generáciach. S každou generáciou prichádza aj mutácia. Ak je jedinec náchylný k mutáciám (jeho priemerná vhodnosť v schéme značne poklesne s malou mutáciou), potom jeho genetická informácia zahynie. Ale ak nie je náchylný k mutáciám jeho genetická informácia sa predáva v málo zmenenej podobe ďalej (buď zhoršenej alebo zlepšenej). Taktiež môžeme predpokladať, že ak sú rodičia mutáciam odolní, tak aj ich potomok bude z veľkej miery mutáciam odolný.

FTP môžeme špecifikovať ako časť funkcie vhodnosti v evolučnom procese. V tomto prípade FTP je výlučne časť požadovaného správania. Pri každom určovaní vhodnosti môžme otestovať jedinca, či sa vyvíja správnym smerom. Po otestovaní celej populácie vieme chyby, ktoré tolerujú jedincov vynechať, aby nezahlcovali novú generáciu.

Nakoniec, evolúcia môže pokračovať ako opravná procedúra, ak sa objaví stála chyba. Dizajn algoritmu automaticky kompenzuje správanie chybnej časti populácie. Táto idea je možná len pri on-line (intristic) designe. Uskutočniteľné je to preto, že aj chybovosť je vlastnosťou evolučného procesu. Populácia má väčšiu toleranciu k novo vzniknutým chybám ako jeden jedinec, pretože je rozmanitejšia.

Prakticky môžeme využiť napríklad EHW systém, ktorý pracuje ako záložný systém pre logický obvod komparátorov. Ak hlavný systém počas behu zlyhá, EHW systém sa neho preberie riadenie. Dôležitým záverom z toho je real-time genetické učenie.