遺伝的アルゴリズム：進化を模倣する最適化・探索手法

基本概念と演算子

遺伝的アルゴリズムの中心には、染色体または遺伝子型と呼ばれる表現がある。表現には、ビット列、実数値ベクトル、構造化された符号化などがよく使われる。適応度関数は、各個体が問題をどの程度よく解いているかを評価する。新しい候補を生成する主な演算子は、以下のとおりである。

• 選択 — 適応度に基づき、再生産させる個体を選ぶ。トーナメント選択やルーレット選択などがある。
• 交叉 — 二つの親の一部を組み合わせて子を作る。たとえば一点交叉や一様交叉がある。
• 突然変異 — 新たな変動を導入するため、遺伝子をランダムに変更する。生物学上の突然変異に対応する概念である。
• 置換 — 次世代に生き残る個体を決定する。

遺伝的アルゴリズムには、子が親から形質を受け継ぐ遺伝に類似した考え方も組み込まれている。また、良好な性能のためには、個体群サイズ、突然変異率、選択圧といったパラメータを慎重に設定する必要がある。

動作の仕組み

1. 多様な候補解からなる集団を初期化する。
2. 各候補の適応度を評価する。
3. 適応度に基づく規則に従って親を選択する。
4. 交叉と突然変異を適用し、子個体を生成する。
5. 新たな集団を構成し、終了基準を満たすまで繰り返す。終了基準には、時間、世代数、目標適応度などがある。

歴史と発展

遺伝的アルゴリズムの体系的研究は1960年代から1970年代に始まり、とりわけジョン・ホランドなどの研究者によって発展した。その後、この分野は、同じ進化の比喩を共有する遺伝的プログラミング、進化戦略、差分進化をはじめとする多くの関連手法へと広がった。研究者は、異なる問題領域に適応させるため、多様な選択方式と遺伝的演算子を提案してきた。

応用と例

遺伝的アルゴリズムは、工学設計の最適化、スケジューリング、経路探索、機械学習モデルのパラメータ調整、記号回帰、芸術や音楽における創造的生成など、幅広い課題に適用される。探索空間が多峰性または不連続で、古典的な勾配ベースの手法が機能しない場合に特に有用である。実用的な導入では、領域固有の知識や局所探索と組み合わせられることが多い。

長所、限界、変種

長所には、大域的な探索能力、表現の柔軟性、ノイズを含む目的関数評価に対する頑健性がある。限界としては、計算コスト、複数回の実行を要する確率的な結果、パラメータ設定への感度が挙げられる。ミーム的アルゴリズムや遺伝的プログラミングなどの変種・ハイブリッド手法は、基本的な考え方を異なる問題構造に適応させるものである。

入門的な解説や技術的詳細については、最適化および進化計算に関する一般的な文献を参照できる。背景資料と実装は、実務者や研究者向けに広く提供されている。最適化に関する文献や概説は実践的な指針を示し、チュートリアル資料は表現や演算子の選び方を説明している。

関連する概念と資料：遺伝的アルゴリズム、自然選択、進化的アルゴリズム、遺伝、突然変異、交叉、コンピュータ科学、最適化。