Genetický algoritmus udržuje populaci kandidátních řešení. Výběr upřednostňuje lepší skóre, křížení kombinuje části a mutace vytváří další varianty.

Nepotřebuje derivaci, ale potřebuje mnoho vyhodnocení a rozumné kódování. Umí opustit některá lokální optima; globální optimum v konečném běhu nezaručuje.

Chromozom může být bitový řetězec, vektor hodnot, permutace nebo strom. Povolené operátory musí zachovat význam a přípustnost řešení.

Počáteční populace může kombinovat náhodné i známé dobré kandidáty. Větší populace přináší více rozmanitosti za cenu času a paměti.

Fitness je účelové hodnocení kandidáta, nikoli přirozená pravda o jeho kvalitě. Záleží na tom, zda maximalizujeme užitek nebo minimalizujeme cenu.

Při Boltzmannově výběru vyšší teplota zplošťuje rozdělení, nižší soustředí výběr na nejlepší. Pro numerickou stabilitu lze od všech fitness odečíst jejich maximum.

Bitová mutace převrátí vybraný bit. Záměna dvou pozic nebo obrácení úseku má jiný účinek a může lépe odpovídat kódování.

Pravděpodobnost 1/d na bit vede k jednomu změněnému bitu v průměru, nikoli v každém potomkovi. Běh ukončujeme podle rozpočtu a stagnace; stagnace nedokazuje optimum.

Původní přednáška uvádí molekulární hodiny a genetickou variabilitu jako biologickou motivaci. Tyto populační a časové odhady nejsou parametry optimalizačního algoritmu.

Pro výpočetní metodu stačí definovat reprezentaci, dědičnost a operátory. Dobová biologická čísla nepřebíráme jako nově ověřená tvrzení.

Místo parametrů hledáme program nebo výrazový strom. Křížení zaměňuje kompatibilní podstromy, mutace mění uzly nebo strukturu.

Syntaktická správnost sama nezaručuje bezpečné vyhodnocení. Potřebujeme například ošetřit dělení nulou a penalizovat neúčelný růst stromů.

Chromozom může obsahovat značku shluku každého objektu nebo souřadnice reprezentantů. Permutace jmen shluků představuje stejné rozdělení, a proto vytváří redundanci.

Sloučení a rozštěpení shluků jsou účelové operátory. U reprezentantů lze křížit celé středy a mutovat jejich souřadnice. Cílová funkce má odpovídat zvolené vzdálenosti.

Lokální skóre hodnotí vlastnosti oblasti; kompatibilita hodnotí, zda spolu sousední interpretace dávají smysl. Fitness pak skládá lokální a vztahové informace.

Takové skóre nemusí být normalizovaná pravděpodobnost. Nelze jej automaticky číst jako procentní jistotu správnosti celé segmentace.

Nejdříve vytvoříme primární oblasti a jejich graf sousednosti. Chromozom určí interpretaci oblastí. Pro každou hypotézu aktualizujeme vztahy a vypočteme fitness.

Po výběru, křížení a mutaci hodnotíme novou generaci. Nejlepší nalezená interpretace závisí na připravených oblastech, pravidlech i rozpočtu; algoritmus neopraví chybějící základní informaci.

Jednička znamená použitý příznak a nula vyřazený. Fitness může spojit validační výkon s penalizací počtu nebo ceny příznaků.

Hledání opakovaně zkouší mnoho masek. Finální výkon proto hodnotíme na vnějším testu; interní vítězné skóre je ovlivněné výběrem.

Podklad porovnává příznaky 2D/3D SCAR na sadách BarkNet, BarkTex a dalších texturových datech. Uvádí například 23 tříd BarkNet a tabulky precision a sensitivity jednotlivých druhů.

Jde o převzaté výsledky historického výzkumu, ne o nový experiment GRAFIT. Přesné dílčí tabulky a protokoly jsou v odkázaném PDF a článku Remeš–Haindl (2019). Rozdílné sady ani verze protokolu neslučujeme do jednoho pořadí.

V hračkové úloze maximalizujeme počet jedniček. Řetězec 10110 má fitness 3. Převrácení druhého bitu dává 11110 s fitness 4, převrácení prvního bitu však 00110 s fitness 2. Mutace tedy nemusí zlepšovat.

Neprezentujte jeden úspěšný běh jako záruku. Ukázka bitového operátoru níže není implementace celého genetického algoritmu.

Zlepšuje každá mutace fitness?

Chromozom kóduje kandidátní řešení. Fitness vyjadřuje jeho kvalitu podle konkrétního zadání. Kódování musí umožnit smysluplné vyhodnocení a buď zachovávat přípustnost, nebo mít pravidla oprav či penalizací.

Selekce preferuje určité rodiče. Křížení kombinuje jejich informace, mutace zavádí další změny. Jejich účinek závisí na reprezentaci; výměna bitů není univerzálně smysluplná pro libovolnou úlohu.

Silný selekční tlak může rychle zlepšit fitness a současně ztratit rozmanitost. Slabý tlak či velmi silné mutace mohou postup zpomalit. Elitismus uchová nejlepší jedince, ale sám neřeší předčasnou konvergenci.

Jde o stochastickou heuristiku. Uvádíme rozpočet vyhodnocení, opakování, náhodná semena a variabilitu výsledků. Nejlepší nalezené řešení není bez dalšího důkaz globálního optima.

Autor původních podkladů: Michal Haindl, FIT ČVUT / ÚTIA AV ČR, 2023–2024. Český tematický přepis, vysázení a didaktické doplňky: GRAFIT, 2026.

Tato verze slučuje postupná odhalení a vysvětluje témata vlastními větami. Není doslovnou reprodukcí každé původní tabulky ani náhradou aktuálních organizačních pokynů. Zdrojové PDF zůstává beze změny; žádný původní snímek zde není vložen jako obrázek.