home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1993 #3 / NN_1993_3.iso / spool / comp / ai / genetic / 169 < prev    next >
Encoding:
Internet Message Format  |  1993-01-24  |  3.2 KB
  1. Path: sparky!uunet!zaphod.mps.ohio-state.edu!magnus.acs.ohio-state.edu!cis.ohio-state.edu!neuron.cis.ohio-state.edu!pja
  2. From: pja@neuron.cis.ohio-state.edu (Peter J Angeline)
  3. Newsgroups: comp.ai.genetic
  4. Subject: Re: Genetic algorithm question
  5. Date: 23 Jan 1993 13:20:43 -0500
  6. Organization: Ohio State Computer Science
  7. Lines: 48
  8. Sender: pja@cis.ohio-state.edu
  9. Message-ID: <PJA.93Jan23132039@neuron.cis.ohio-state.edu>
  10. References: <1993Jan22.213851.8114@wuecl.wustl.edu>
  11. Reply-To: pja@cis.ohio-state.edu
  12. NNTP-Posting-Host: neuron.cis.ohio-state.edu
  13. In-reply-to: liu@rodin.wustl.edu's message of Fri, 22 Jan 1993 21:38:51 GMT
  14.  
  15. In article <1993Jan22.213851.8114@wuecl.wustl.edu> liu@rodin.wustl.edu (Liu Ann Pheng) writes:
  16.  
  17.    Greetings!  I have a question for the net readers:
  18.  
  19.    What is the relationship (as well as main differences, if any) between
  20.    genetic algorithm and evolutionary programming?  
  21.  
  22.    Thanks,
  23.    Liu, Ann Pheng
  24.  
  25. Genetic algorithms (GA) and Evolutionary Programming (EP) (ala L. Fogel and D.
  26. Fogel) are similar in that they both use analogies to evolution to do problem
  27. solving search. They differ on about every other aspect.  The most import
  28. difference is the LEVEL of evolution they choose to make the analogy.  In GAs,
  29. the level is that of genetics, i.e. evolution is modeled as a process that
  30. alters a genetic code which is translated into a phenotype that is evaluated.
  31. Evolution in GA occurs via _genetic operators_, i.e. crossover, inversion,
  32. point mutation.  In EP, the manipulation is done directly on the phenotype
  33. rather than on a description that is converted into the phenotype.  EP uses a
  34. mutation operator that takes the population member and alters it so that is
  35. still reasonably similar.  This is a higher level model of evolution and
  36. potentially less flexible but more exploitable.
  37.  
  38. This can be seen best by an example.  Consider how each would evolve neural
  39. networks. In a standard GA, a fixed-length string would be used with an
  40. interpretation function to convert it to a neural network for evaluation.
  41. Manipulation is done on the string making how the network is represented in the
  42. string, i.e. how the interpretation function converts the string, a real
  43. concern for GAs. In EP, the network itself is the member of the population and
  44. is manipulated directly to create offspring. Mutation would alter the weight
  45. values directly by adding a small random amount to it.  Other manipulations
  46. would alter connections in the network.  I have intentionaly chosen an example
  47. that benefits EP here to show its advantage over GA since it is the lesser
  48. known of the two, but there are many tasks where the flexibility of a GA's
  49. operators makes it the proper choice. 
  50.  
  51. There are other differences which are mainly due to the traditional support
  52. mechanisms used with these techniques in practice (e.g. a determinsitic
  53. selection method for EP and a probabilistic one for GA), but the essential
  54. difference is their level of analogy to evolution.
  55.  
  56. -pete angeline
  57.  
  58. -- 
  59. -------------------------------------------------------------------------------
  60. Peter J. Angeline            ! Laboratory for AI Research (LAIR)
  61. Graduate Research Assistant  ! THE Ohio State University, Columbus, Ohio 43210
  62. ARPA: pja@cis.ohio-state.edu ! "Nature is more ingenious than we are."
  63.