L’optimisation génétique est l’utilisation d’algorithmes de programmation pour trouver la meilleure solution à un problème. Cela trouve son origine dans les travaux de mathématiciens commençant dès les années 1950 qui ont pris des modèles qu’ils voyaient en biologie et les ont appliqués à des problèmes non linéaires difficiles à résoudre par des moyens conventionnels. L’idée est d’imiter la biologie, qui évolue au fil des générations pour créer la population la plus en forme possible. En programmation, il est possible de simuler ce processus pour trouver une solution créative à un problème.
Les problèmes non linéaires peuvent être difficiles pour les mathématiciens. Un exemple peut être vu dans le commerce des valeurs mobilières, où il peut y avoir un certain nombre de décisions possibles qui bifurquent rapidement pour créer un arbre de choix. Calculer indépendamment les probabilités associées à chaque choix prendrait beaucoup de temps. Le mathématicien peut également rater une solution optimale en omettant de combiner les choix possibles pour explorer de nouvelles permutations. L’optimisation génétique permet aux chercheurs d’effectuer des calculs de cette nature de manière plus efficace.
Le chercheur commence par un sujet d’intérêt, appelé population, qui peut être divisé en individus, parfois appelés créatures, organismes ou chromosomes. Ces termes, empruntés à la biologie, reflètent les origines de cette approche de la programmation. Un ordinateur peut commencer à exécuter une simulation avec la population, en sélectionnant des organismes individuels au sein d’une génération et en leur permettant de se mélanger pour créer une nouvelle génération. Ce processus peut être répété sur plusieurs générations pour combiner et recombiner les solutions possibles, en arrivant idéalement à l’option la plus adaptée aux conditions données.
Cela peut être extrêmement lourd en ressources. Les calculs utilisés en optimisation génétique nécessitent une puissance de calcul importante pour comparer et sélectionner rapidement un certain nombre d’options et de combinaisons simultanément. Les premières recherches sur l’optimisation génétique étaient parfois limitées par la puissance de traitement disponible, car les chercheurs pouvaient voir les applications potentielles, mais ne pouvaient pas exécuter des programmes complexes. À mesure que la puissance de l’ordinateur augmente, l’utilité de cette méthode augmente également, bien que des calculs volumineux et complexes puissent encore nécessiter un ordinateur hautement spécialisé.
Les chercheurs dans le domaine des mathématiques peuvent travailler avec l’optimisation génétique dans divers contextes. Le développement continu de nouvelles formules et approches illustre l’évolution des mathématiques à mesure que les gens découvrent de nouvelles façons d’envisager des problèmes complexes. Une optimisation génétique simple peut être vue à l’œuvre dans des paramètres tels que les logiciels pour les négociants en valeurs mobilières et la programmation pour les jeux et la réalité virtuelle où les programmeurs souhaitent que les utilisateurs aient une expérience plus naturelle.