ŠTA JE GENETIKA?
Genetika
(grčki
γεννώ
- geno, znači dati rod, roditi) je nauka koja proučava gene,
naslednost i varijaciju između organizama. Reč genetika je prvi put upotrebljena
kada je Engleski naučnik
Vilijam Bejtson
poslao pismo
Adamu Sedviku
, 18-og
aprila 1905. u kojem je opisao nauku koja za cilj ima proučavanje procesa
nasleđivanja i varijacije između organizama.
Ljudi su koristili genetiku još u preistorijskom dobu za pripitomljavanje divljih
životinja i gajenje biljaka. U modernim eksperimentima, genetičari svakodnevno
pronalaze nove načine za izučavanje funkcije gena, kao što je analiza genetskih
interakcija. U samom organizmu, genetske informacije se nalaze u hromozomima,
koji su predstavljeni hemijskim strukturama kao što je DNK molekul.
Geni su šifre koje nose informacije neophodne za sintezu sekvenci amino
kiselina koje se ispoljavaju u proteinima, koji na kraju igraju važnu ulogu u
građi fenotipa organizma.
GENETSKI ALGORITAM
Genetski ili genetički algoritam (GA) je heuristička metoda optimizacije koja
imitira prirodni evolucioni proces. Evolucija je proces pretraživanja prostora
rešenja. Živa bića se tokom evolucije prilagođavaju uslovima u prirodi, tj. životnoj
okolini. Analogija evolucije kao prirodnog procesa i genetskog algoritma kao
metode optimizacije, ogleda se u procesu selekcije i genetskim operatorima.
Mehanizam odabira nad nekom vrstom živih bića u evolucijskom procesu čine
okolina i uslovi u prirodi. U genetskim algoritmima ključ selekcije je funkcija cilja,
koja na odgovarajući način predstavlja problem koji se rešava. Slično kao što su
okolina i uslovi u prirodi ključ selekcije nad nekom vrstom živih bića, tako je i
funkcija cilja ključ selekcije nad populacijom rešenja u genetskom algoritmu.
Naime, u prirodi jedinka koja je najbolje prilagođena uslovima i okolini u kojoj živi
ima najveću verovatnoću preživljavanja i parenja, a time i prenošenja svojeg
2
što za rezultat neke metode možemo sa sigurnošću reći da je postignut lokalni
ekstrem unutar željene preciznosti. Za rezultat rada genetskog algoritma,
međutim, nismo u mogućnosti sa stopostotnom verovatnoćom reći da li
predstavlja globalni ili samo lokalni optimum, te da li je isti određen sa željenom
preciznošću. Koliko god se performanse stohastičkih metoda poboljšavale, one
nikada neće moći da daju nijedan rezultat sa apsolutnom sigurnošću. Sigurnost
dobijenih rezultata značajno se povećava postupkom ponavljanja procesa
rešavanja, što kod klasičnih metoda nema smisla. Od kada su genetski algoritmi
nastali, velika se pažnja poklanja istraživanjima vezanim za povećanje
delotvornosti izvođenja.
Sve tehnike evolucijskog računarstva simuliraju evoluciju korištenjem procesa
selekcije
,
mutacije
i
reprodukcije
.
Pre pokretanja genetskog algoritma, moraju se definisati dve stvari: način na koji
će se prikazivati rešenja i funkcija cilja.
Genetski algoritmi koriste ‘hromozome’ koji opisuju skup osobina objekata. Svaki
hromozom sastoji se od niza gena. Geni su predstavljeni binarnim oznakama 0 i 1.
Mogu se koristiti i složenije strukture poput matrica i stabala. Glavna prednost
takvog prikaza rešenja je što se njegovi delovi zbog fiksne veličine mogu lako
poravnati i uskladiti što omuguje jednostavnu operaciju ukrštanja. Ukoliko se
koriste nizovi, ali se tada ukrštanje komplikuje.
Genetski algoritmi predstavljaju niz koraka za prelaz od sadašnje do sledeće
populacije hromozoma. Izbor hromozoma za prelazak u sledeću generaciju temelji
se na funkciji prilagođenosti hromozoma (fitness function). Ova funkcija se može
nazvati i funkcija cilja. Ona meri kvalitet pojedinog rešenja i zavisi od problema
koji se rešava.
4
