Genetische Optimierung ist die Verwendung von Programmieralgorithmen, um die beste Lösung für ein Problem zu finden. Dies hat seinen Ursprung in der Arbeit von Mathematikern ab den 1950er Jahren, die Modelle, die sie in der Biologie sahen, auf nichtlineare Probleme anwandten, die mit konventionellen Mitteln schwer zu lösen waren. Die Idee ist, die Biologie nachzuahmen, die sich im Laufe der Generationen entwickelt, um die fitteste Population zu schaffen. In der Programmierung ist es möglich, diesen Prozess zu simulieren, um eine kreative Lösung für ein Problem zu finden.
Nichtlineare Probleme können für Mathematiker eine Herausforderung darstellen. Ein Beispiel ist der Wertpapierhandel, wo es eine Reihe von möglichen Entscheidungen geben kann, die sich schnell zu einem Baum von Auswahlmöglichkeiten verzweigen. Die mit jeder Auswahl verbundenen Wahrscheinlichkeiten unabhängig zu berechnen, wäre sehr zeitaufwendig. Der Mathematiker könnte auch eine optimale Lösung verpassen, indem er mögliche Wahlmöglichkeiten nicht kombiniert, um neue Permutationen zu erforschen. Durch die genetische Optimierung können Forscher solche Berechnungen effizienter durchführen.
Der Forscher beginnt mit einem interessierenden Thema, einer sogenannten „Population“, die in Individuen unterteilt werden kann, die manchmal als Kreaturen, Organismen oder Chromosomen bekannt sind. Diese aus der Biologie entlehnten Begriffe spiegeln die Ursprünge dieses Programmieransatzes wider. Ein Computer kann eine Simulation mit der Population starten, einzelne Organismen innerhalb einer Generation auswählen und ihnen erlauben, sich zu vermischen, um eine neue Generation zu schaffen. Dieser Prozess kann über mehrere Generationen wiederholt werden, um mögliche Lösungen zu kombinieren und neu zu kombinieren, um im Idealfall die am besten geeignete Option für die gegebenen Bedingungen zu finden.
Dies kann sehr ressourcenintensiv sein. Die Berechnungen bei der genetischen Optimierung erfordern erhebliche Rechenleistung, um schnell mehrere Optionen und Kombinationen gleichzeitig zu vergleichen und auszuwählen. Frühe Forschungen zur genetischen Optimierung waren manchmal durch die verfügbare Rechenleistung begrenzt, da die Forscher die potenziellen Anwendungen erkennen, aber keine komplexen Programme ausführen konnten. Mit zunehmender Computerleistung nimmt auch der Nutzen dieser Methode zu, obwohl große und komplexe Berechnungen immer noch einen hochspezialisierten Computer erfordern können.
Forschende auf dem Gebiet der Mathematik können in verschiedenen Settings mit genetischer Optimierung arbeiten. Die ständige Entwicklung neuer Formeln und Ansätze veranschaulicht die Entwicklungen in der Mathematik, da die Menschen neue Wege zur Betrachtung komplexer Probleme lernen. Einige einfache genetische Optimierungen können in Umgebungen wie Software für Wertpapierhändler und Programmierung für Spiele und virtuelle Realität bei der Arbeit beobachtet werden, in denen die Programmierer den Benutzern eine natürlichere Erfahrung bieten möchten.