ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ

ವಿಕಿಪೀಡಿಯ ಇಂದ
ಇಲ್ಲಿಗೆ ಹೋಗು: ಸಂಚರಣೆ, ಹುಡುಕು

ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ ಅಥವಾ ಜೆನೆಟಿಕ್ ಆಲ್ಗಾರಿದಮ್ (GA) ಎಂಬುದೊಂದು ಹುಡುಕಾಟ ತಂತ್ರವಾಗಿದ್ದು, ಇದನ್ನು ಗಣನೆಯಲ್ಲಿ ಅತ್ಯುತ್ತಮೀಕರಣ ಮತ್ತು ಹುಡುಕಾಟ ಸಮಸ್ಯೆಗಳಿಗೆ ನಿರ್ಧಿಷ್ಟ ಅಥವಾ ಅಂದಾಜು ಪರಿಹಾರಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ಬಳಸಲಾಗುತ್ತದೆ. ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳನ್ನು ಜಾಗತೀಕ ಅನ್ವೇಷಣ ಸಹಾಯಶಾಸ್ತ್ರ ಎಂಬುದಾಗಿ ವಿಭಾಗ ಮಾಡಲಾಗಿದೆ. ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ವಿಕಾಸಾತ್ಮಕ ಕ್ರಮಾವಳಿಗಳ (EA) ಒಂದು ನಿರ್ಧಿಷ್ಟ ವರ್ಗವಾಗಿದ್ದು, ಅವು ಅನುವಂಶೀಯತೆ, ರೂಪಾಂತರ, ಆಯ್ಕೆ, ಮತ್ತು ಸೂತ್ರವಿನಿಮಯ ದಂತಹ ವಿಕಾಸಾತ್ಮಕ ಜೀವಶಾಸ್ತ್ರದಿಂದ ಸ್ಪೂರ್ತಿ ಪಡೆದ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತವೆ.

ಕಾರ್ಯವಿಧಾನ[ಬದಲಾಯಿಸಿ]

ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯನ್ನು ಕಂಪ್ಯೂಟರ್ ಅನುಕರಣದಲ್ಲಿ ಕಾರ್ಯಗತವಾಗಿಸಿದ್ದು, ಇದರಲ್ಲಿ ಅತ್ಯುತ್ತಮೀಕರಣ ಸಮಸ್ಯೆಯೊಂದರ ಅಭ್ಯರ್ಥಿ ಪರಿಹಾರಗಳ (ಬಿಡಿಗಳು, ಜೀವಿಗಳು, ಅಥವಾ ಫೀನೋಟೈಪ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಅಮೂರ್ತ ನಿರೂಪಣೆಗಳ (ಕ್ರೋಮೋಸೋಮ್‌ಗಳು ಅಥವಾ ಜೀನೋಮ್‌ಜೀನೋಟೈಪ್) ಒಂದು ಸಮೂಹವು (ಪಾಪ್ಯುಲೇಶನ್) ಉತ್ತಮವಾದ ಪರಿಹಾರದ ಕಡೆಗೆ ಕ್ರಮವಾಗಿ ಬೆಳೆಯುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಈ ಪರಿಹಾರಗಳನ್ನು ಬೈನರಿಯಲ್ಲಿ 0 ಗಳು ಮತ್ತು 1ಗಳ ಸರಣಿಯಾಗಿ ನಿರೂಪಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ಇದರ ಇತರ ಸಂಕೇತೀಕರಣಗಳೂ ಸಾಧ್ಯವಿವೆ. ವಿಕಸನವು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಹುಟ್ಟಿದ ಜೀವ ಸಂಕುಲದಲ್ಲಿ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಮತ್ತು ಅದರ ಅನೇಕ ಪೀಳಿಗೆಗಳಲ್ಲಿ ಮುಂದುವರೆಯುತ್ತಾ ಹೋಗುತ್ತದೆ. ಪ್ರತಿ ಪೀಳಿಗೆಯಲ್ಲೂ, ಸಮೂಹದಲ್ಲಿ ಪ್ರತಿ ವ್ಯಕ್ತಿಯ ಫಿಟ್‌ನೆಸ್ಸ್‌ನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ,ಪ್ರಸ್ತುತ ಸಮೂಹದಿಂದ ಗೊತ್ತು ಗುರಿಯಿಲ್ಲದೆ ಆಯ್ಕೆ ಮಾಡಿದ ಅನೇಕ ವ್ಯಕ್ತಿಗಳು (ಅವರ ಸುಸ್ಥಿತಿಯ ಆಧಾರದ ಮೇಲೆ),ಮತ್ತು ಬದಲಾಯಿದ(ಪುನರ್‌ಸಂಯೋಜನೆ ಮತ್ತು ಗೊತ್ತುಗುರಿಯಿಲ್ಲದೆ ಬದಲಾಯಿಸಲು ಸಾಧ್ಯವಿರುವ)ರೂಪದ ಹೊಸ ಸಮೂಹ. ಹೊಸ ಸಮೂಹ ಕ್ರಮಾವಳಿಯು ಮುಂದಿನ ಪುನರಾವರ್ತನೆಯಲ್ಲಿ ಪ್ರಯೋಜನಕ್ಕೆ ಬರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಯಾವಾಗ ಅತಿ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಪೀಳಿಗೆ ಸೃಷ್ಟಿಯಾದಾಗ, ಅಥವಾ ಸಮೂಹದಲ್ಲಿ ಫಿಟ್‌ನೆಸ್ ಮಟ್ಟ ತೃಪ್ತಿದಾಯಕವಾಗಿದ್ದಾಗ ಕ್ರಮಾವಳಿಗಳನ್ನು ಮುಕ್ತಾಯಗೊಳಿಸಲಾಗುತ್ತದೆ. ತೃಪ್ತಿಯಾಯಕ ಪರಿಹಾರಗಳು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಪೀಳಿಗೆನ್ನು ತಲುಪುವ ತನಕ ಅಥವಾ ತಲುಪಿದಾಗ ಕ್ರಮಾವಳಿಗಳು ಮುಕ್ತಾಯವಾಗುತ್ತವೆ.[ಬಯೋಇನ್‌ಫಾರ್‌ಮ್ಯಾಟಿಕ್ಸ್]],ಪಿಲೋಜೆನೆಟಿಕ್ಸ್,ಕಾಂಪುಟೇಷನಲ್ ಸೈನ್ಸ್,ಎಂಜಿನಿಯರಿಂಗ್,ಅರ್ಥಶಾಸ್ತ್ರ,ರಸಾಯನಶಾಸ್ತ್ರ,ಉತ್ಪಾದನೆ,ಗಣಿತ,ಭೌತಶಾಸ್ತ್ರ ಮತ್ತು ಇತರೆ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳನ್ನು ಕಾಣಬಹುದು. ವಿಶಿಷ್ಟ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗೆ ಅಗತ್ಯವಾದವುಗಳು:

  1. [[ಆನುವಂಶಿಕತೆ ಪರಿಹಾರ ಕ್ಷೇತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ|ಆನುವಂಶಿಕತೆ ಪರಿಹಾರ ಕ್ಷೇತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ]],
  2. ಫಿಟ್‌ನೆಸ್ ಫಂಕ್ಷನ್ ಪರಿಹಾರ ಕ್ಷೇತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.

ಈ ಪರಿಹಾರದ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರಾತಿನಿಧಿತ್ಯವು ಅರೆ ಆಫ್ ಬಿಟ್ಸ್ ಆಗಿರುತ್ತದೆ. ಅರೆಯ್ಸ್‌ನ ಇತರೆ ವಿಧಗಳು ಮತ್ತು ರಚನೆಗಳನ್ನು ಪ್ರಮುಖವಾಗಿ ಇದೆ ರೀತಿಯಲ್ಲಿ ಉಪಯೋಗಿಸಲಾಗುತ್ತದೆ. ಈ ಆನುವಂಶಿಕ ಪ್ರಾತಿನಿಧ್ಯಗಳು ಅನುಕೂಲವಾಗಿರುವುದಕ್ಕೆ ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು ,ಅದರ ಅಂಶಗಳು ಸರಳವಾದ ಕ್ರಮದಲ್ಲಿ ಇರುವುಕ್ಕೆ ಸ್ಥಿರ ಅಳತೆ ಕಾರಣ,ಸುಲಭವಾಗಿ ಕ್ರಾಸ್‌ಒವರ್ ಆಪರೇಷನ್‌ಗೆ ದಾರಿ ಮಾಡುತ್ತದೆ. ಅಸ್ಥಿರ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನೂ ಸಹ ಉಪಯೋಗಿಸಬಹುದು ಆದರೆ ಕ್ರಾಸ್‌ಒವರ್ ಪರಿಪಾಲಿಸುವುದು ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ ಸಂಕೀರ್ಣವಾದದ್ದು. ಜೆನಿಟಿಕ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನಲ್ಲಿ ಮರದ ಆಕಾರದಲ್ಲಿರುವ ಪ್ರಾತಿನಿಧಿಗಳನ್ನು ಸಂಶೊಧಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಎವಲ್ಯೂಷನರಿ ಪ್ರೊಗ್ರಾಮಿಂಗ್‌ನಲ್ಲಿ ರೇಖಾಚಿತ್ರ(ಗ್ರಾಫ್)ದ ಪ್ರಾತಿನಿಧ್ಯದ ಮೂಲಕ ಸಂಶೋಧಿಸಲಾಗುತ್ತದೆ.ಆನುವಂಶಿಕ ಪ್ರಾತಿನಿಧ್ಯದಲ್ಲಿ ಫಿಟ್‌ನೆಸ್‌ ಫಂಕ್ಷನ್‌‌ನ ಅರ್ಥವನ್ನು ವಿವರಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರತಿನಿಧಿಸಿದ ಪರಿಹಾರಗಳ ಗುಣಮಟ್ಟ ವನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ. ಫಿಟ್‌ನೆಸ್‌ ಫಂಕ್ಷನ್ ಸಮಸ್ಯೆಯ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ,ಒಬ್ಬ ಬೆನ್ನುಚೀಲದ ಸಮಸ್ಯೆ ಯಲ್ಲಿ ನಿಯಮಿತ ಸಾಮರ್ಥ್ಯದ ಬೆನ್ನು ಚೀಲದೊಳಗೆ ಹಾಕಬಹುದಾದ ವಸ್ತುಗಳ್ ಬೆಲೆಯನ್ನು ಜಾಸ್ತಿ ಮಾಡಲು ಬಯಸುತ್ತಾನೆ. ಪರಿಹಾರದ ಪ್ರತಿನಿಧಿತ್ಯವು ಅರೆ ಆಫ್ ಬಿಟ್ಸ್ ಕೂಡಾ ಆಗಿರಬಹುದು,ಇಲ್ಲಿ ಪ್ರತಿ ಬಿಟ್ ಕೂಡ ಬೇರೆ ಬೇರೆ ವಸ್ತುವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ,ಮತ್ತು ಬಿಟ್‌ನ ಮೌಲ್ಯವು (0 or 1)ಬೆನ್ನು ಚೀಲದಲ್ಲಿದೆಯೋ ಅಥವಾ ಇಲ್ಲವೋ ಎಂಬುದನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಈ ರೀತಿಯ ಎಲ್ಲ ಪ್ರಾತಿನಿದಿತ್ಯವು ಸರಿಯಾದುದಲ್ಲ,ಏಕೆಂದರೆ ವಸ್ತುಗಳ ಗಾತ್ರವು ಬೆನ್ನುಚೀಲದ ಸಮರ್ಥ್ಯವನ್ನು ಮೀರಿರಬಹುದು. ಪರಿಹಾರದ ಫಿಟ್‌ನೆಸ್ ‌ ಪ್ರತಿನಿಧಿತ್ವವು ಸರಿಯಾಗಿದ್ದರೆ ಬೆನ್ನುಚೀಲದಲ್ಲಿರುವ ಎಲ್ಲ ವಸ್ತುಗಳ ಮೌಲ್ಯದ ಮೊತ್ತ ಅಥವಾ ಅಲ್ಲದಿದ್ದರೆ, ೦. ಇನ್ನೂ ಕೆಲವು ಸಮಸ್ಯೆಗಳಲ್ಲಿ,ಇದು ಕ್ಲಿಷ್ಟವಾದದ್ದು ಅಥವಾ ಫಿಟ್‌ನೆಸ್ ಎಕ್ಸ್‌ಪ್ರೆಷನ್ ಸಮನಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲು ಅಸಾಧ್ಯ;ಈ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಪರಸ್ಪರ ಕಾರ್ಯ ನಡೆಸುವ (interactive)ಆನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ಉಪಯೋಗಿಸಲ್ಪಡುತ್ತವೆ.ಒಮ್ಮೆ ನಾವು ಆನುವಂಶಿಕ ಪ್ರತಿನಿಧಿತ್ವ ಮತ್ತು ಫಿಟ್‌ನೆಸ್ ಫಂಕ್ಷನ್ ವ್ಯಾಖ್ಯಾನಿಸಿದರೆ, GA ಯಾದೃಚ್ಛಿಕವಾಗಿ ಪರಿಹಾರ ಸಮೂಹವನ್ನು ಪ್ರಾರಂಭಿಸಲು ಮುಂದುವರೆದು, ಕೊನೆಗೆ ಪುನರಾವರ್ತಿತ ರೂಪಾಂತರದ ಉಪಯೋಗ,ಕ್ರಾಸ್‌ಒವರ್, ಇನ್‌ವರ್ಶನ್ ಮತ್ತು ಸೆಲೆಕ್ಷನ್ ಅಪರೇಟರ್ಸ್‌ಗಳ ಮೂಲಕ ಅಭಿವೃದ್ಧಿ ಗೊಳಿಸಲಾಗುತ್ತದೆ.

ಪ್ರಾರಂಭಿಕ ಹಂತ[ಬದಲಾಯಿಸಿ]

ಪ್ರಾರಂಭದ ಜನಸಂಖ್ಯೆಯನ್ನು ರೂಪಿಸಲು ಪ್ರಾರಂಭದಲ್ಲಿ ಬಹಳ ವ್ಯಕ್ತಿಗತ ಪರಿಹಾರಗಳು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಹುಟ್ಟಿಕೊಳ್ಳುತ್ತವೆ.ಜನಸಂಖ್ಯೆಯ ಪ್ರಮಾಣ ತೊಂದರೆಯ ಸ್ವರೂಪದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ, ಬಹಳ ನೂರಾರು ಅಥವಾ ಸಾವಿರಾರು ಸಾಧ್ಯತಾ ಪರಿಹಾರಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ, ಎಲ್ಲಾ ಸಾಧ್ಯತಾ ಪರಿಹಾರಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಒಳಗೊಂಡು(ಸ್ಥಳ ಶೋಧನ ) ಜನಸಂಖ್ಯೆಯನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಹುಟ್ಟಿಸಲಾಗುತ್ತದೆ.ಕೆಲವೊಮ್ಮೆ, ಎಲ್ಲಿ ತಕ್ಕಮಟ್ಟಿನ ಪರಿಹಾರ ಸಿಗುವ ಸಾಧ್ಯತೆ ಕಂಡುಬರುತ್ತದೆಯೋ ಅಂತಹ ಜಾಗದಲ್ಲಿ ಪರಿಹಾರದ ಬೀಜವನ್ನು "ಬಿತ್ತನೆ" ಮಾಡಬಹುದು.

ಆಯ್ಕೆ[ಬದಲಾಯಿಸಿ]

ಎಲ್ಲ ಅನುಕ್ರಮ ಪೀಳಿಗೆಯ ಸಮಯದಲ್ಲಿ, ಹೊಸ ಪೀಳಿಗೆಯ ವೃದ್ಧಿಗಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಜನಸಂಖ್ಯೆಯ ಪ್ರಮಾಣವನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ. ವ್ಯಕ್ತಿಗತ ಪರಿಹಾರಗಳನ್ನು ಫಿಟ್ ನೆಸ್-ಮೂಲದ ಪ್ರಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಆಯ್ಕೆ ಮಾಡಲಾಗುವುದು, ಅಲ್ಲಿ ಫಿಟ್ಟರ್ ಪರಿಹಾರಗಳು (ಫಿಟ್ ನೆಸ್ ಫಂಕ್ಷನ್ ನಿಂದ ಅಳತೆ ಮಾಡುವಂತೆ) ಅಧಿಕವಾಗುವ ಸಂಭವವಿರುವುದನ್ನು ಆರಿಸಲಾಗಿದೆ. ಕೆಲವು ಆಯ್ಕೆ ವಿಧಾನಗಳು ಪ್ರತಿ ಪರಿಹಾರಕ್ಕೆ ಬೆಲೆ ಕಟ್ಟುತ್ತವೆ ಮತ್ತು ಉತ್ತಮ ಪರಿಹಾರಗಳ ಆಯ್ಕೆಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತವೆ. ಬೇರೆ ವಿಧಾನಗಳು ಜನಸಂಖ್ಯೆಯ ಯಾದೃಚ್ಛಿಕ ಮಾದರಿಗೆ ಮಾತ್ರ ಬೆಲೆ ನಿರ್ಧರಿಸುತ್ತವೆ, ಈ ಪ್ರಕ್ರಿಯೆ ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.ಹೆಚ್ಚು ಕಾರ್ಯಗಳು ಅನಿರ್ದಿಷ್ಟವಾಗಿವೆ ಮತ್ತು ಚಿತ್ರಿಸಲಾಗಿದೆ ಆದ್ದರಿಂದ ಕಡಿಮೆ ಯೋಗ್ಯವಾದ ಪರಿಹಾರಗಳ ಸಣ್ಣ ಪ್ರಮಾಣವನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ವ್ಯಾಪಕವಾದ ಜನಸಂಖ್ಯೆಯ ವೈವಿಧ್ಯತೆಯನ್ನು ಉಳಿಸಲು ಮತ್ತು ಉತ್ತಮವಲ್ಲದ ಪರಿಹಾರಗಳ ಮೇಲೆ ಆತುರವಾಗಿ ಒಮ್ಮುಖವಾಗುವುದನ್ನು ತಡೆಗಟ್ಟಲು ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಜನಪ್ರಿಯ ಮತ್ತು ಸಮರ್ಪಕವಾಗಿ ಅಧ್ಯಯನ ನಡೆಸಿದ ಆಯ್ಕೆ ವಿಧಾನಗಳು ರೌಲೆಟ್ ಚಕ್ರ ಆಯ್ಕೆ ಮತ್ತು ಟೂರ್ನಮೆಂಟ್ ಆಯ್ಕೆ ವಿಧಾನಗಳಿಂದ ಕೂಡಿದೆ.

ಸಂತಾನೋತ್ಪತ್ತಿ[ಬದಲಾಯಿಸಿ]

ಮುಂದಿನ ಹೆಜ್ಜೆಯು, ಎರಡನೇಯ ಪೀಳಿಗೆಯ ಸಮೂಹದ ಸೃಷ್ಟಿಗೆ ಪರಿಹಾರ ಅನುವಂಶಿಕ ಮುಂದುವರಿಕೆಗಳಿಂದ ಆಯ್ಕೆ ಮೂಲಕ ಕ್ರಾಸ್ ಒವರ್ : (ಪುನರ್‌ಸಂಯೋಜನೆ ಎಂದು ಕರೆಯುವರು), ಮತ್ತು ರೂಪಾಂತರಗೊಳಿಸುವುದು.ಪ್ರತಿಯೊಂದು ಹೊಸ ಪರಿಹಾರಕ್ಕೂ ಒಂದೊಂದು "ಮುಖ್ಯ" ಪರಿಹಾರವನ್ನು ಈ ಹಿಂದೆ ಆಯ್ಕೆ ಮಾಡಲಾದ ತಳಿಯ ಸರಣಿಗೆ ಜೋಡಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಹೊಸ ಮಗುವಿಗೆ ಹೊಸ ತಂದೆ ತಾಯಿಯರನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ,ಮತ್ತು ಈ ಕಾರ್ಯವಿಧಾನವು ಯೋಗ್ಯ ಪ್ರಮಾಣದ ಹೊಸ ಜನಸಂಖ್ಯೆ ಸೃಷ್ಟಿಯಾಗುವ ವರೆಗೂ ಮುಂದುವರೆಯುತ್ತದೆ. ಆದಾಗ್ಯೂ ಸಂತಾನೋತ್ಪತ್ತಿ ವಿಧಾನಗಳು "ಜೀವವಿಜ್ಞಾನದಿಂದ ಪ್ರೇರೆಪಿಸಲ್ಪಟ್ಟ" ಎರಡು ತಂದೆತಾಯಿಯರ ಆಧಾರದಿಂದ ಬಳಸಿಕೊಳ್ಳಲಾಗಿದೆ, ಎರಡಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ತಂದೆತಾಯಿಯರನ್ನು ಉತ್ತಮ ಸಂತಾನೋತ್ಪತ್ತಿಗೆ ಬಳಸಿಕೊಳ್ಳುವುದರಿಂದ ಒಳ್ಳೆಯ ಗುಣಮಟ್ಟದ ಕ್ರೊಮೋಸೋಮ್ ಪಡೆಯಬಹುದು ಎಂದು ಕೆಲವು ಸಂಶೋಧನೆಗಳು [೧][೨]ಸೂಚಿಸುತ್ತವೆ.

ಕೊನೆಯದಾಗಿ ಈ ಕ್ರಿಯೆಯು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಸಮೂಹವು ಮೊದಲಿನ ಪೀಳಿಗೆಯ ಕ್ರೊಮೋಸೋಮ್‌ಗಳಿಗಿಂತ ಭಿನ್ನ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ಈ ಕಾರ್ಯವಿಧಾನದ ಮೂಲಕ ಸಮೂಹದ ಸರಾಸರಿ ಫಿಟ್‌ನೆಸ್ ಹೆಚ್ಚುತ್ತದೆ, ಮೊದಲ ಪೀಳಿಗೆಯಿಂದ ತಳಿ ಮಾಡಲು ಉತ್ತಮ ಜೀವಿಗಳ ಜೊತೆಗೆ ಕಡಿಮೆ ಪ್ರಮಾಣದ ಫಿಟ್‌ನೆಸ್ ಪರಿಣಾಮಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿಕೊಳ್ಳಲಾಗಿದೆ,ಕಾರಣಗಳನ್ನು ಮೇಲೆ ಈಗಾಗಲೇ ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ.



ಮುಕ್ತಾಯ[ಬದಲಾಯಿಸಿ]

ಈ ಪೀಳಿಗೆಯ ಕಾರ್ಯವಿಧಾನ ಮತ್ತೊಮ್ಮೆ ಮುಕ್ತಾಯ ನಿಯಮ ತಲುಪುವವರೆಗೂ ಮುಂದುವರೆಯುತ್ತದೆ. ಸಾಮಾನ್ಯ ಮುಕ್ತಾಯ ನಿಯಮಗಳು:

  • ಪರಿಹಾರ ಕಂಡುಕೊಳ್ಳಲಾಗಿದೆ ಆದರೆ ಅದು ಅಷ್ಟು ತೃಪ್ತಿದಾಯಕವಾಗಿಲ್ಲ
  • ಸ್ಥಿರ ಸಂಖ್ಯೆಯ ಪೀಳಿಗೆ ತಲುಪುವವರೆಗೂ
  • ನಿಗದಿ ಮಾಡಿದ ಮುಂಗಡಪತ್ರ ತಲುಪುವವರೆಗೂ(ಸಮಯದ ಎಣಿಕೆ/ಹಣ)
  • ಉತ್ತಮ ಶ್ರೇಣಿಗಳ ಪರಿಣಾಮದ ಸುಸ್ಥಿತಿ ತಲುಪುವವರೆಗೂ ಅಥವಾ ಒಂದು ಮಟ್ಟಕ್ಕೆ ತಲುಪಿದಾಗ ಎಡಬಿಡದ ಪುನರಾವರ್ತನೆ ಇನ್ನೂ ಮುಂದೆ ಉತ್ತಮ ಪರಿಣಾಮವನ್ನು ಕೊಡುವುದಿಲ್ಲಾ.
  • ಮನುಷ್ಯನ ಕೈಯಿಂದ ಮಾಡಿದ ತನಿಖೆ
  • ಮೇಲಿನವುಗಳ ಸಂಯೋಗ

ಸರಳ ಪೀಳಿಗೆಯ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ ಗುಪ್ತ ಕ್ರಮಾಂಕ

  1. ಮೊದಲಿನ ವ್ಯಕ್ತಿಗತ ಸಮೂಹದ ಆಯ್ಕೆ
  2. ಆ ಸಮೂಹದ ಪ್ರತಿಯೊಬ್ಬನ ಫಿಟ್‌ನೆಸ್‌ನ ಮೌಲ್ಯಮಾಪನ
  3. ಪೀಳಿಗೆಯು ಮುಕ್ತಾಯವಾಗುವವರೆಗೂ ಮುಂದುವರೆಯುತ್ತದೆ(ನಿಗದಿತ ಸಮಯ,ಯೋಗ್ಯ ಫಿಟ್‌ನೆಸ್‌ನ ಸಾಧನೆ,ಇತರೆ).
    1. ಸಂತಾನೋತ್ಪತ್ತಿಗೆ ಉತ್ತಮ ಫಿಟ್‌ನೆಸ್‌ನಲ್ಲಿರುವ ವ್ಯಕ್ತಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು.
    2. ಮುಂದಿನ ಸಂತಾನಕ್ಕೆ ಜನ್ಮ ಕೊಡಲು ಕ್ರಾಸ್‌ಒವರ್ ಮತ್ತು ರೂಪಾಂತರ ಕ್ರಿಯೆಗಳಿಂದ ಹೊಸ ವ್ಯಕ್ತಿಗಳ ವಂಶಾವಳಿಗಳನ್ನು ಮಾಡಲಾಗುತ್ತದೆ.
    3. ಹೊಸ ವ್ಯಕ್ತಿಗಳ ಫಿಟ್‌ನೆಸ್‌ನ್ನು ವಯಕ್ತಿಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ.
    4. ಕಡಿಮೆ ಸದೃಡತೆಯನ್ನು ಹೊಂದಿರುವ ಜನಸಂಖ್ಯೆಯ ಬದಲಿಗೆ ಹೊಸ ವ್ಯಕ್ತಿಗಳ ಮರುಹೊಂದಾಣಿಕೆ

ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಹೈಪೊಥೆಸೀಸ್[ಬದಲಾಯಿಸಿ]

ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳನ್ನು ಅಳವಡಿಸಲು ಸರಳ, ಆದರೆ ಅವರ ನಡವಳಿಕೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟ. ಪ್ರತ್ಯೇಕವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟ ಯಾಕೆಂದರೆ ಈ ಕ್ರಮಾವಳಿಗಳು ಪದೆ ಪದೇ ಫಲಿಸಲು ಉತ್ಯುತ್ತಮ ಫಿ‍ಟ್‌ನೆಸ್ ಸೃಷ್ಟಿಸಲು, ವಾಸ್ತವಿಕವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳಲ ತೊಂದರೆಯುಂಟಾಗುತ್ತದೆ. ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಕಲ್ಪಿತ ಸಿದ್ದಾಂತವು ಒಳಗೊಂಡಿರುದೆನೇಂದರೆ (BBH):

  1. ರೂಪಾಂತರ ಮಾಡಿದ ಗುರುತಿಸಿದ ಮತ್ತು ಪುನರ್‌ಸಂಯೋಜಿಸಿದ ಅನ್ವೇಷಣ ಸಹಾಯಕ "ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್‌"ನ್ನು ವಿವರಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ: ಕೆಳ ಹಂತದ, ಕಡಿಮೆ ತೋರುವ-ಉದ್ದಳತೆಯ ಜೊತೆ ಸಾಮಾನ್ಯ ಸದೃಡತೆಯ ಜನರ ಹೋಲಿಕೆ.
  2. ಕಲ್ಪಿತ ಸಿದ್ದಾಂತವು ಅನ್ವೇಷಣ ಸಹಾಯಕದ ಮೂಲಕ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯು ಹೊಂದಿಕೆಯಿಂದ ಸೂಚ್ಯವಾಗಿ ಮತ್ತು ದಕ್ಷತೆಯಿಂದ ಕಾರ್ಯ ನಿರ್ವಹಿಸುತ್ತದೆ

ಗೋಲ್ಡ್‌ಬರ್ಗ್ ಅನ್ವೇಷಣ ಸಹಾಯಕಗಳನ್ನು ಈ ಕೆಳಗಿನಂತೆ ವಿವರಿಸುತ್ತಾನೆ:

ಕಡಿಮೆ ಎತ್ತರ, ಕೆಳಹಂತ ಮತ್ತು ಹೆಚ್ಚಿನ ಸದೃಡತೆಯ ಸ್ಕೆಮಾಟಾಗಳನ್ನು ಆರಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಅವುಗಳನ್ನು ಮರುಜೋಡಣೆ ಮತ್ತು ಮರುಮಾದರಿಕರಣ ಗೊಳಿಸುವ ಮೂಲಕ ಉತ್ತಮ ದೃಡತೆಯ ತಳಿಯ ನಿರ್ಮಾಣವನ್ನು ಮಾಡಲು ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಈ ಮೂಲಕ,ಈ ಪ್ರತ್ಯೇಕ ಸ್ಕೆಮಟಾ ಕೆಲಸಗಳಿಂದ ನಾವು ಸಂಕೀರ್ಣವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಿಕೊಳ್ಳಬಹುದು;ಬದಲಾಗಿ ಉತ್ತಮ ಕೆಲಸ ನಿರ್ವಹಣೆ ಹೆಚ್ಚಿಸುವ ಘಟನೆಗಳ ಸರಣಿಯಿಂದ ಪ್ರತಿ ಸಂಭಾವ್ಯ ಪ್ರಯತ್ನದ ಸಂಯೋಜನೆ,ನಾವು ಉತ್ತಮ ಸರಣಿಗಳ ರಚನೆಯಿಂದ ಗತಕಾಲದ ಮಾದರಿಯ ಉತ್ತಮ ಪರಿಣಾಮಗಳನ್ನು ಪಡೆಯಬಹುದು.
ಉದ್ದ ಮತ್ತು ಕೆಳಹಂತವನ್ನು ಗಮನದಲ್ಲಿರಿಸಿಕೊಂಡು ಉತ್ತಮ ಸುಸ್ಥಿತಿಯ ಸ್ಕೆಮಾಟಾ ನಿರ್ಮಿಸುವ ಮೂಲಕ ಆನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ಕೆಲಸದಲ್ಲಿ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತವೆ. ನಾವು ಈಗಾಗಲೇ ಅವುಗಳಿಗೆ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್ ಎಂಬ ವಿಶಿಷ್ಟ ಹೆಸರು ನೀಡಿದ್ದೇವೆ: ಹೇಗೆ ಮಗುವು ಮರದ ವಸ್ತುಗಳಿಂದ ಸರಳವಾದ ಬ್ಲಾಕ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆಯೋ ಹಾಗೆಯೇ ಆನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯಲ್ಲಿಯೂ ಕೂಡ ಸಮರ್ಥವಾದ ವಿವಿಧ ರೀತಿಯ ಕೆಳಹಂತದ, ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯದ ಸ್ಕೆಮಾಟಾ ಅಥವಾ ಬ್ಲಾಕ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗುತ್ತದೆ.

ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಕಲ್ಪಿತ ಸಿದ್ದಾಂತದ ವಿಮರ್ಶೆ[ಬದಲಾಯಿಸಿ]

ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್ ಕಲ್ಪಿತ ಸಿದ್ದಾಂತವು ಸೈದ್ದಾಂತಿಕ ಸಮರ್ಥನೆಗೆ ಆಧಾರದ ಕೊರತೆ ಇರುವುದರಿಂದ ತೀಕ್ಷ್ಣವಾದ ವಿಮರ್ಶೆಗೆ ಒಳಗಾಗಿದೆ,ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶದ ಪ್ರಚಾರವು ಈ ಕಲ್ಪಿತ ಸಿದ್ದಾಂತದ ಪ್ರಾಮಾಣಿಕತೆಯನ್ನು ಪ್ರಶ್ನಿಸುತ್ತದೆ. ಸೈದ್ಧಾಂತಿಕತೆಯ ಪ್ರಕಾರ, ಉದಾಹರಣೆಗೆ- ರೈಟ್‌ ಎಟ್‌ ಅಲ್‌ ಹೇಳುವ ಪ್ರಕಾರ

GA ಬಗ್ಗೆ ವಿವಿಧ ಹೇಳಿಕೆಗಳು ಇದ್ದು ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್ ಕಲ್ಪಿತ ಸಿದ್ದಾಂತ ದ ಹೆಸರಿನ ಅಧೀನದಲ್ಲಿ ಮಾಡಲಾಗಿದ್ದು,ಈಗಿನವರೆಗೂ ಸೈದ್ದಾಂತಿಕತೆಯಲ್ಲಿ ಯಾವುದೇ ಆಧಾರವಿಲ್ಲ.ಕೆಲವು ಘಟನೆಗಳಲ್ಲಿ,ಅಸಂಬದ್ಧವಾಗಿದೆ.[೩]

ಪ್ರಾಯೋಗಿಕವಾಗಿ ಇದನ್ನು ಗಮನಿಸುವಾಗ ಸೈಡ್‌ ಯುನಿಫಾರ್ಮ್‌ ಕ್ರಾಸ್‌ ಒವರ್ ಅನ್ನು ಒಂದು-ಅಂಶ ಮತ್ತು ಎರಡು-ಅಂಶದ ಕ್ರಾಸ್ ಒವರ್ ಆಗಿರುವುದನ್ನು ಸಿಸ್ವರ್ಡಾ ಅವರು ಮಾಡಿರುವ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಕಾಣಬಹುದಾಗಿದೆ.[೪] ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಕ್ಷೇಪಿಸಿ ಪೊಗೆಲ್ ಈ ರೀತಿ ಟೀಕಿಸುತ್ತಾರೆ

"ಸಾಮಾನ್ಯವಾಗಿ ಏಕರೀತಿಯ ಕ್ರಾಸ್‌ಒವರ್ ಟೂ-ಪಾಯಿಂಟ್ ಕ್ರಾಸ್‌ಒವರ್‌ಗಿಂತ ಹೆಚ್ಚಿನ ಪರಿಣಾಮವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ, ಒನ್-ಪಾಂಯಿಂಟ್ ಕ್ರಾಸ್‌ಒವರ್‌‌‍ಗಿಂತ ರೂಪಾಂತರಿಸಿದವು ಹೆಚ್ಚಿನ ಪರಿಣಾಮ ಉಂಟುಮಾಡುತ್ತವೆ".[೫] ಸಿಸ್ವರ್ಡಾ ಅವರ ಫಲಿತಾಂಶವು ಬಿಲ್ಡಿಂಗ್‌ ಬ್ಲಾಕ್‌ ಸಿದ್ಧಾಂತಕ್ಕೆ ವಿರೋಧವಾಗಿ ಕಂಡುಬರುತ್ತದೆ. ಏಕೆಂದರೆ ಇದು ಹೆಚ್ಚಾಗಿ ಕೆಳಹಂತದ ಸ್ಕೆಮಾಟಾ ಜೊತೆಗೆ ವಿರುದ್ಧವಾಗಿ ವರ್ತಿಸುತ್ತದೆ. ಹಾಗೆಯೇ ಎರಡು ಅಂಶಗಳ ಕ್ರಾಸ್‍ಒವರ್ ಕಡಿಮೆ ವಿರೋಧವನ್ನು ನೀಡುವಂತದ್ದಾಗಿದೆ.

ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್ ಕಲ್ಪಿತ ಸಿದ್ದಾಂತವು ಈ ತರಹದ ಸಮಸ್ಯೆ ತರುತ್ತವೆ,ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ಸಾಮರ್ಥ್ಯವು ಸದ್ಯಕ್ಕೆ ನಿಗೂಢವಾಗಿದೆ. ಇತ್ತಿಚೆಗೆ ಹೊಸದಾಗಿ ಜೆನರೇಟಿವ್ ಫಿಕ್ಸೆಷನ್ ಹೈಪೊಥಿಸೀಸ್ ಅನ್ನು ಮಂಡಿಸಲಾಗಿದೆ.[೬]

ಅಭಿಪ್ರಾಯಗಳು[ಬದಲಾಯಿಸಿ]

ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ಮೂಲಕ ಪರಿಹಾರಗಳನ್ನು ಉತ್ಪತ್ತಿ ಮಾಡುವುದರ ಬಗ್ಗೆ ಹಲವು ಸಾಮಾನ್ಯ ಅಭಿಪ್ರಾಯಗಳಿವೆ:

  • ಕಠಿಣ ಸಮಸ್ಯೆಗಳಿಗೆ ಮತ್ತೆ ಮತ್ತೆ ಹೊಂದಿಕೆ ಕಾರ್ಯ (ಫಿಟ್‌ನೆಸ್ ಫಂಕ್ಷನ್)ದ ಮೌಲ್ಯಾಂಕನ ಮಾಡುವುದೇ ಕೃತಕ ವಿಕಸನ ಕ್ರಮಾವಳಿಯನ್ನು ತಡೆಗಟ್ಟುವ ಮತ್ತು ಪರಿಮಿತಗೊಳಿಸುವ ಅಂಶ. ಜಟಿಲ, ಹೆಚ್ಚು ವಿಸ್ತಾರದ ಮತ್ತು ಮಲ್ಟಿಮೋಡಲ್‌ ಸಮಸ್ಯೆಗಳಿಗೆ ಪರಿಹಾರ ಕಂಡುಹಿಡಿಯಲು ಅನೇಕ ವೇಳೆ ಅಧಿಕ ವೆಚ್ಚದ ಹೊಂದಿಕೆ ಕಾರ್ಯ ಮೌಲ್ಯಾಂಕನಗಳು ಬೇಕಾಗುತ್ತವೆ. ಸಂರಚನಾತ್ಮಕ ಉತ್ತಮೀಕರಣದ ಸಮಸ್ಯೆಯಂತಹ ನಿಜ ಸಮಸ್ಯೆಗಳಿದ್ದಲ್ಲಿ, ಒಂದು ಮೌಲ್ಯಾಂಕನದ ಕಾರ್ಯ ಪೂರ್ಣಗೊಳ್ಳಲು ಹಲವು ಘಂಟೆಗಳಿಂದ ಹಲವು ದಿನಗಳೇ ಬೇಕಾಗುತ್ತದೆ. ಮಾದರಿ ಅತ್ಯುತ್ತಮೀಕರಣ ವಿಧಾನವು ಈ ರೀತಿಯ ಸಮಸ್ಯೆಗಳ ಜೊತೆ ವ್ಯವಹರಿಸುವುದಿಲ್ಲ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಖಚಿತವಾದ ಮೌಲ್ಯಾಂಕನವನ್ನು ಉಪಯೋಗಿಸದೆ, ಗಣನೆಗೆ ಸಮರ್ಥವಾದ ಅಂದಾಜು ಮಾಡಿದ ಫಿಟ್‌ನೆಸ್ಅನ್ನು ಉಪಯೋಗಿಸುವ ಅವಶ್ಯಕತೆ ಇರಬಹುದು. ನಿಜ ಜೀವನದ ಜಟಿಲ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬೇಕಾದಾಗ, ಅಂದಾಜಿನ ಮಾಡೆಲ್ಗಳ ಸಂಯೋಜನೆಯೇ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳನ್ನು ಸಮಂಜಸವಾಗಿ ಉಪಯೋಗಿಸಲು ಇರುವ ಆಶಾದಾಯಕ ವಿಧಾನಗಳಲ್ಲಿ ಒಂದಾಗಿರಬಹುದು.
  • ಉಳಿದ ಪರಿಹಾರಗಳಿಗೆ ಹೋಲಿಸಿದಾಗ ಮಾತ್ರ "ಉತ್ತಮ" ಎಂಬುದು ಬರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಪ್ರತಿಯೊಂದು ಸಮಸ್ಯೆಯಲ್ಲಿಯೂ ನಿಲ್ಲಿಸುವ ಮಾನದಂಡವು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ.
  • ಬಹಳಷ್ಟು ಸಮಸ್ಯೆಗಳಲ್ಲಿ, ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ಸಮಸ್ಯೆಯ ಜಾಗತಿಕ ಅನುಕೂಲದ ಬದಲಾಗಿ ನಿರಂಕುಶ ವಿಷಯಗಳ ಅಥವಾ ಪ್ರಾದೇಶಿಕ ಅನುಕೂಲದ ಕಡೆಗೆ ಒಮ್ಮುಖ ಪ್ರವೃತ್ತಿಯನ್ನು ಹೊಂದಿರಬಹುದು. ಇದರ ಅರ್ಥ ದೀರ್ಘಾವಧಿಯ ಫಿಟ್‌ನೆಸ್‌‍ ಗಳಿಕೆಗಾಗಿ ಅಲ್ಪಾವಧಿಯ ಫಿಟ್‌ನೆಸ್‌ಅನ್ನು ತ್ಯಾಗ ಮಾಡುವುದು "ಹೇಗೆ ಎಂಬುದರ ಅರಿವು" ಇದಕ್ಕೆ ಇಲ್ಲ. ಇದು ಸಂಭವಿಸುವ ಸಾಧ್ಯತೆ ಫಿಟ್ ನೆಸ್ ಭೂದೃಶ್ಯದ ಆಕಾರದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ: ಕೆಲವು ಸಮಸ್ಯೆಗಳು ಜಾಗತಿಕ ಅನುಕೂಲತೆಯ ಕಡೆಗೆ ಸುಲಭ ವೃದ್ಧಿಯನ್ನು ಒದಗಿಸಬಹುದು, ಉಳಿದವುಗಳು ಪ್ರಾದೇಶಿಕ ಪರಿಹಾರಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ಕಾರ್ಯವನ್ನು ಸುಲಭ ಮಾಡಬಹುದು. ನೋ ಫ್ರೀ ಲಂಚ್ ಸೂತ್ರವು[ಸಾಕ್ಷ್ಯಾಧಾರ ಬೇಕಾಗಿದೆ] ಈ ಸಮಸ್ಯೆಗೆ ಯಾವುದೇ ಸಾಮಾನ್ಯ ಪರಿಹಾರವಿಲ್ಲ ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಈ ಸಮಸ್ಯೆಯನ್ನು ವಿಭಿನ್ನ ಹೊಂದಿಕೆ ಕಾರ್ಯವನ್ನು ಉಪಯೋಗಿಸಿ ಪರಿಹರಿಸಬಹುದು, ಪರಿವರ್ತನೆಯ ಪ್ರಮಾಣವನ್ನು ಹೆಚ್ಚಿಸಿ, ಅಥವಾ ವಿಭಿನ್ನ ಪರಿಹಾರಗಳ ಪಟ್ಟಿಯನ್ನು ಸುಸ್ಥಿತಿಯಲ್ಲಿಡುವ ಆಯ್ಕೆ ಕಾರ್ಯವಿಧಾನವನ್ನು ಉಪಯೋಗಿಸುವುದರ ಮೂಲಕ. ವೈವಿಧ್ಯವನ್ನು ಕಾಪಾಡುವ ಸಾಮಾನ್ಯ ಕಾರ್ಯವಿಧಾನ "ಸ್ಥಳ ದಂಡ" ವನ್ನು ಹೇರುವುದು, ಇದರಲ್ಲಿ, ಸಾಕಷ್ಟು ಸಾಮ್ಯತೆ ಇರುವ ವ್ಯಕ್ತಿಗಳ ಯಾವುದೇ ಗುಂಪಿಗೆ ದಂಡ ಹೆಚ್ಚುತ್ತದೆ. ಇದು ಮುಂದಿನ ಪೀಳಿಗೆಯಲ್ಲಿ ಆ ಗುಂಪಿನ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಬೇರೆ (ಕಡಿಮೆ ಸಾಮ್ಯತೆ) ವ್ಯಕ್ತಿಗಳು ಪಟ್ಟಿಯಲ್ಲೇ ಉಳಿದುಕೊಳ್ಳಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತದೆ. ಆದರೂ, ಈ ಯುಕ್ತಿ, ಸಮಸ್ಯೆಯ ವಿಸ್ತಾರದ ಆಧಾರದ ಮೇಲೆ ಪರಿಣಾಮಕಾರಿಯಾಗದೆ ಹೋಗಬಹುದು. ವಿವಿಧತೆ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಬಹಳ ಮುಖ್ಯ, (ಮತ್ತು ಅನುವಂಶಿಕ ಪ್ರೊಗ್ರಾಮಿಂಗ್) ಏಕೆಂದರೆ ಏಕರೂಪದ ಪಟ್ಟಿಯು ಹೊಸ ಪರಿಹಾರಗಳನ್ನು ಹುಟ್ಟಿಸುವುದಿಲ್ಲ. ಪರಿವರ್ತನೆಯ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿರುವುದರಿಂದ ವಿಕಸನದ ರೀತಿಗಳು ಮತ್ತು ವಿಕಾಸಾತ್ಮಕ ಕಾರ್ಯಕ್ರಮಗಳಲ್ಲಿ ವಿವಿಧತೆಯ ಅವಶ್ಯಕತೆ ಇಲ್ಲ.
  • ಕ್ರಿಯಾಶೀಲ ಡೇಟಾ(ಮಾಹಿತಿ ಸಂಗ್ರಹ) ಗುಂಪುಗಳ ಮೇಲೆ ಕೆಲಸಮಾಡುವುದು ಕಷ್ಟ, ಜಿನೋಮ್‌ಗಳು ಪರಿಹಾರಗಳ ಕಡೆಗೆ ಬಹುಬೇಗ ಒಮ್ಮುಖವಾಗಲು(ಸೇರಲು) ಪ್ರಾರಂಭಿಸುತ್ತವೆ ಮತ್ತು ಇದು ಮುಂದಿನ ದಿನಗಳ ಡೇಟಾಗಳಿಗೆ ಮಾನ್ಯವಾಗದೇ ಹೋಗಬಹುದು. ಹೇಗಾದರೂ ಮಾಡಿ ಅನುವಂಶಿಕ ವಿವಿಧತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಮೂಲಕ ಮತ್ತು ಬೇಗ ಒಮ್ಮುಖವಾಗುವುದನ್ನು ತಡೆಯುವುದರ ಮೂಲಕ ಇದಕ್ಕೆ ಪರಿಹಾರೋಪಾಯ ಸೂಚಿಸಲು ಹಲವು ವಿಧಾನಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ. ಗುಣಮಟ್ಟ ಕುಸಿದಾಗ (ಟ್ರಿಗರ್ಡ್ ಹೈಪರ್‌ಮ್ಯುಟೆಶನ್ ಎನ್ನುವರು) ರೂಪಾಂತರ ಹೊಂದುವ ಸಂಭವನೀಯತೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದರ ಮೂಲಕ ಅಥವಾ ಕೆಲವೊಮ್ಮೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಹುಟ್ಟಿದ ಧಾತುಗಳನ್ನು ಜೀನ್ ಸಂಗ್ರಹಕ್ಕೆ (ರ್ಯಾಂಡಮ್‌ ಇಮಿಗ್ರಂಟ್ಸ್‌ ಎನ್ನುವರು) ಪೂರ್ತಿ ಹೊಸತನ್ನು ಪರಿಚಯಿಸುವುದರ ಮೂಲಕ. ಮತ್ತೆ, ವಿಕಸನದ ಯೋಜನೆಗಳು ಮತ್ತು ವಿಕಾಸಾತ್ಮಕ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು "ಕಾಮಾ ಸ್ಟ್ರ್ಯಾಟಜೀಸ್‌" ಎನ್ನುವ ಯೋಜನೆಯೊಂದಿಗೆ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. ಇದರಲ್ಲಿ ಮೂಲವನ್ನು ಕಾಪಿಡುವುದಿಲ್ಲ ಮತ್ತು ಹೊಸಮೂಲಗಳನ್ನು ಸಂತತಿಯಿಂದಲೇ ಆಯ್ಕೆಮಾಡಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.

ಕ್ರಿಯಾತ್ಮಕ ಸಮಸ್ಯೆಗಳಿಗೆ ಇದು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ.

  • ಫಿಟ್‌ನೆಸ್ ಅಳತೆಯು ಕೇವಲ ಸರಿ/ತಪ್ಪು (ನಿರ್ಧಾರದ ತೊಂದರೆಯಂತೆ) ಎಂಬ ಅಳತೆಯಾಗಿದ್ದಾಗ, ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ, ಅಲ್ಲಿ ಪರಿಹಾರದ ಮೇಲೆ ಒಮ್ಮುಖವಾಗಿರಲು ಯಾವುದೇ ದಾರಿ ಇಲ್ಲ (ಹತ್ತಲು ಬೆಟ್ಟವಿಲ್ಲ) ಈ ಪ್ರಸಂಗಗಳಲ್ಲಿ, ಯಾದೃಚ್ಛಿಕ ಶೋಧನೆಯು ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳಷ್ಟೇ ಬೇಗ ಪರಿಹಾರ ಕಂಡುಹಿಡಿಯಬಹುದು. ಹೀಗಿದ್ದರೂ, ಪರಿಸ್ಥಿತಿಯು ಬೇರೆ ಬೇರೆ ಫಲಿತಾಂಶಗಳನ್ನು ಕೊಡುತ್ತಾ (ಸಂಭಾವ್ಯ) ಮತ್ತೆ ಮತ್ತೆ ಯಶಸ್ಸು/ವೈಫಲ್ಯದ ಪ್ರಯೋಗಕ್ಕೆ ಅವಕಾಶ ಕೊಟ್ಟರೆ, ಆಗ ಯಶಸ್ಸು-ವೈಫಲ್ಯದ ಅನುಪಾತವು ಸರಿಯಾದ ಫಿಟ್‌ನೆಸ್‌ ಅಳತೆಯನ್ನು ಹೇಳುತ್ತದೆ.
  • ಆಯ್ಕೆಯು ಸ್ಪಷ್ಟವಾಗಿ ಒಂದು ಪ್ರಮುಖ[weasel words] ಅನುವಂಶಿಕ ಕಾರ್ಯವಿಧಾನ, ಆದರೆ ಕ್ರಾಸ್‌‍ಓವರ್ ಮತ್ತು ಪರಿವರ್ತನೆಗಳ ಪ್ರಾಮುಖ್ಯತೆಯ ಮೇಲೆ ಭಿನ್ನಾಭಿಪ್ರಾಯವಿದೆ. ಕೆಲವರು ವಾದಿಸುವುದೇನೆಂದರೆ,[who?] ಕ್ರಾಸ್‌‍ಒವರ್ ಹೆಚ್ಚು ಪ್ರಮುಖವಾದದ್ದು, ಸಾಮರ್ಥ್ಯವುಳ್ಳ ಪರಿಹಾರಗಳು ನಾಶವಾಗಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಲು ಮಾತ್ರ ಪರಿವರ್ತನೆ ಅವಶ್ಯಕ ಎಂದು. ಉಳಿದವರು ವಾದಿಸುವುದೇನೆಂದರೆ[who?] ಮೂಲತಃ ಪರಿವರ್ತನೆಯ ಮೂಲಕ ಕಂಡುಹಿಡಿದ ಹೊಸಕಲ್ಪನೆಗಳನ್ನು ವಿಸ್ತಾರವಾದ ಒಂದೇ ರೀತಿಯ ಪಟ್ಟಿಯಲ್ಲಿ ಕ್ರಾಸ್‌‍ಒವರ್ ಬೆಂಬಲಿಸುತ್ತದೆ, ಮತ್ತು ಒಂದೇ ರೀತಿ ಇಲ್ಲದ ಪಟ್ಟಿಯಲ್ಲಿ ಕ್ರಾಸ್‌‍ಒವರ್ ಹೆಚ್ಚು ಕಡಿಮೆ ಅತಿದೊಡ್ಡ ಪರಿವರ್ತನೆಗೆ ಸಮನಾಗಿರುತ್ತದೆ (ಇದು ವಿಪ್ಲವವಾಗುವ ಸಂಭವವಿದೆ). ಫೊಗೆಲ್(2006)ನಲ್ಲಿರುವ ಉಲ್ಲೇಖಗಳು ಪರಿವರ್ತನೆ ಆಧಾರಿತ ಶೋಧನೆಯ ಮಹತ್ವವನ್ನು ಅನುಮೋದಿಸುತ್ತವೆ, ಆದರೆ ಎಲ್ಲಾ ಸಮಸ್ಯೆಗಳಿಗೂ ನೋ ಫ್ರೀ ಲಂಚ್ ಸೂತ್ರವನ್ನೇ ಅನ್ವಯಿಸಲಾಗಿದೆ, ಚರ್ಚೆ ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗೆ ಸೀಮಿತವಾಗಿರದಿದ್ದರೆ ಈ ಅಭಿಪ್ರಾಯಗಳಿಗೆ ಯೋಗ್ಯತೆ[ಸಾಕ್ಷ್ಯಾಧಾರ ಬೇಕಾಗಿದೆ] ಇರುವುದಿಲ್ಲ.
  • ಈಗಿನ ಎಲ್ಲ ಯಂತ್ರ ಕಲಿಯುವ ಸಮಸ್ಯೆಗಳಂತೆ ಪರಿವರ್ತನೆ ಸಂಭವನೀಯತೆ, ಕ್ರಾಸ್‌‍ಒವರ್ ಸಂಭವನೀಯತೆ, ಪಟ್ಟಿಯ ಪ್ರಮಾಣ, ಈ ಸ್ಥಿರಾಂಶಗಳನ್ನು ಸರಿಹೊಂದಿಸಿ ಸಮಸ್ಯೆಯ ಲಕ್ಷಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಸೂಕ್ತ. ಅತಿ ಚಿಕ್ಕ ಪರಿವರ್ತನೆ ಪ್ರಮಾಣವು ಜೆನೆಟಿಕ್ ಡ್ರಿಫ್ಟ್ಗೆ ದಾರಿ ಮಾಡಿಕೊಡುತ್ತದೆ (ಇದು ನಾನ್‌-ಎರ್ಗೊಡಿಕ್‌ ರೀತಿಯದಾಗಿರುತ್ತದೆ) ಮರುಜೋಡಣೆಯ ಪ್ರಮಾಣ ಬಹಳ ಹೆಚ್ಚು ಇದ್ದರೆ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯ ಅಕಾಲಿಕ ಒಮ್ಮುಖವಾಗುವುದಕ್ಕೆ ದಾರಿ ಮಾಡಿ ಕೊಡಬಹುದು. ಪರಿವರ್ತನೆಯ ಪ್ರಮಾಣ ಅತ್ಯಂತ ಹೆಚ್ಚಿದ್ದಾಗ ಸಂಭಾವಿತ ಆಯ್ಕೆ ಇಲ್ಲದಿದ್ದರೆ ಒಳ್ಳೆಯ ಪರಿಹಾರಗಳು ನಷ್ಟವಾಗುವ ಸಾಧ್ಯತೆ ಇದೆ. ಆಯ್ಕೆಗೆ ಸಹಾಯ ಮಾಡಬಹುದಾದ ’ಮಾನದಂಡಗಳ ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ಪರಿಮಿತಿ’ ಸೈದ್ಧಾಂತಿಕವಾಗಿ[ಸಾಕ್ಷ್ಯಾಧಾರ ಬೇಕಾಗಿದೆ] ಇದೆ ಆದರೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಇಲ್ಲ.

ವ್ಯತ್ಯಯಗಳು[ಬದಲಾಯಿಸಿ]

ಸಾಮಾನ್ಯವಾಗಿ ಕ್ರಮಾವಳಿಗಳು ಪ್ರತಿ ಕ್ರೊಮೊಸೋಮ್‌ಗಳು ಬಿಟ್ ಸರಣಿಗಳಾಗಿವೆ ಎಂದು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಹೆಚ್ಚಾಗಿ, ನ್ಯುಮರಿಕ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು ಪೂರ್ಣ ಸಂಖ್ಯೆಗಳಾಗಿರುತ್ತವೆ, ಹಾಗಿದ್ದಾಗ‍ ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ರಿಪ್ರೆಸೆಂಟೆಷನ್‌ಗಳನ್ನು ಉಪಯೋಗಿಸಲು ಸಾಧ್ಯ.

ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ಪ್ರಾತಿನಿಧ್ಯ ವಿಕಸನದ ಯೋಜನೆಗಳು ಮತ್ತು ವಿಕಾಸಾತ್ಮಕ ಕಾರ್ಯಕ್ರಮಗಳಿಗೆ ಸಾಮಾನ್ಯವಾಗಿದೆ. ವಾಸ್ತವಿಕ ಮೌಲ್ಯದ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ವಿಚಾರವನ್ನು ನಿವೇದಿಸಲಾಯಿತು ಆದರೆ ಇದು ನಿಜವಾಗಿ ತಪ್ಪು ಬಳಕೆ ಏಕೆಂದರೆ ಇದು ನಿಜವಾಗಿ 1970ರ ದಶಕದಲ್ಲಿ ಹಾಲೆಂಡ್ ಪ್ರಸ್ತಾಪಿಸಿದ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಥಿಯರಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುವುದಿಲ್ಲ. ಈ ಥಿಯರಿ ಬೆಂಬಲ ರಹಿತವಾಗಿಲ್ಲ, ಸೈದ್ಧಾಂತಿಕ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ (ಕೆಳಗೆ ನೋಡಿ). ಮೂಲ ಕ್ರಮಾವಳಿ ಬಿಟ್ ಲೆವೆಲ್‌‍ನಲ್ಲಿ ಕ್ರಾಸ್‌‍ಒವರ್ ಮತ್ತು ಮ್ಯುಟೆಶನ್ ಕಾರ್ಯ ನಿರ್ವಹಿಸುತ್ತದೆ. ಬೇರೆ ಭಿನ್ನತೆಗಳು ವರ್ಣತಂತುವನ್ನು ಸಂಖ್ಯೆಗಳ ಪಟ್ಟಿಯಂತೆ ಕಾಣುತ್ತವೆ, ಇವು ಆದೇಶ ನೀಡುವ ಟೇಬಲ್ಲಿಗೆ ಸೂಚಕಗಳು, ಸಂಬಂಧಿಸಿದ ಪಟ್ಟಿಯ ಮೂಲ, ಸಣ್ಣ ಚೂರುಗಳು, ವಸ್ತುಗಳು, ಅಥವಾ ಇತರೆ ಯಾವುದೇ ಕಾಲ್ಪನಿಕ ವಿಷಯ ಸಂಗ್ರಹದ ವಿನ್ಯಾಸ. ಕ್ರಾಸ್‌‍ಒವರ್ ಮತ್ತು ಮ್ಯುಟೆಶನ್‌ಗಳು ಡೇಟಾ ಭಾಗದ ಪರಿಮಿತಿಯ ವಿಷಯವಾಗಿ ಕಾರ್ಯ ನಿರ್ವಹಿಸುತ್ತವೆ. ಹೆಚ್ಚು ಡೇಟಾ ನಮೂನೆಗಳಿಗೆ, ನಿರ್ದಿಷ್ಟವಾದ ಬದಲಾವಣೆಯಾ ಕೆಲಸ ನಿರ್ವಹಿಸುವವರನ್ನು ನೇಮಿಸಬೇಕು. ವಿವಿಧ ವರ್ಣತಂತು ಡೇಟಾ ಪ್ರಕಾರಗಳು ವಿವಿಧ ನಿರ್ದಿಷ್ಟ ಪರಿಹಾರ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಚೆನ್ನಾಗಿ ಅಥವಾ ಕೆಟ್ಟದಾಗಿ ಕೆಲಸ ಮಾಡುವಂತೆ ತೋರುತ್ತದೆ.

ಪೂರ್ಣಾಂಕಗಳ ಬಿಟ್ ಸ್ಟ್ರಿಂಗ್ಸ್ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಉಪಯೋಗಿಸಿದಾಗ, ಕೆಲವೊಮ್ಮೆ ಗ್ರೇ ಕೋಡಿಂಗ್ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಈ ರೀತಿಯಲ್ಲಿ, ಪೂರ್ಣಾಂಕಗಳಲ್ಲಿ ಚಿಕ್ಕ ಬದಲಾವಣೆಗಳು ಮ್ಯುಟೆಶನ್ ಮತ್ತು ಕ್ರಾಸ್‌‍ಒವರ್ ಮೂಲಕ ಸುಲಭವಾಗಿ ಪ್ರಭಾವಿತಗೊಳ್ಳುತ್ತವೆ. ಹ್ಯಾಮಿಂಗ್ ವಾಲ್ಸ್‌‌ ನಲ್ಲಿ ಸಮಯದ ಮೊದಲೇ ಒಮ್ಮುಖವಾಗುವುದನ್ನು ತಡೆಯಲು ಸಹಾಯ ಮಾಡುವುದನ್ನು ಇದು ಕಂಡುಹಿಡಿದಿದೆ, ಇದರಲ್ಲಿ ಬಹಳ ಹೆಚ್ಚು ಏಕಕಾಲಿಕ ಮ್ಯುಟೆಶನ್‌‌‌ಗಳು (ಅಥವಾ ಕ್ರಾಸ್‌‍ಒವರ್ ಘಟನೆಗಳು) ವರ್ಣತಂತುವನ್ನು ಉತ್ತಮ ಪರಿಹಾರಕ್ಕೆ ಬದಲಾಯಿಸಲು ಇರಲೇ ಬೇಕು.

ಬೇರೆ ವಿಧಾನಗಳು ಬಿಟ್ ಸ್ಟ್ರಿಂಗ್ಸ್‌‌ನ ಬದಲಾಗಿ ನಿಜವಾದ ಬೆಲೆಯ ಸಂಖ್ಯೆಗಳ ಸರಣಿಯನ್ನು ವರ್ಣ ತಂತುಗಳನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಉಪಯೋಗಿಸುತ್ತವೆ. ಸೈದ್ಧಾಂತಿಕವಾಗಿ, ಚಿಕ್ಕ ಅಕ್ಷರಮಾಲೆ, ಉತ್ತಮ ಕಾರ್ಯ ನಿರ್ವಹಣೆ, ವಿಡಂಬನಾತ್ಮಕವಾಗಿ, ನಿಜ ಬೆಲೆಯ ವರ್ಣತಂತುಗಳನ್ನು ಉಪಯೋಗಿಸುವುದರಿಂದ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ.

ಹೊಸ ಜನಸಂಖ್ಯೆಯ ನಿರ್ಮಾಣದ ಸಾಮಾನ್ಯ ಕಾರ್ಯಾಚರಣೆಯ ಹೆಚ್ಚು ಯಶಸ್ವೀ (ಸ್ವಲ್ಪ) ಭಿನ್ನತೆ ಕೆಲವು ಜೀವಿಗಳನ್ನು ಈಗಿನ ಪೀಳಿಗೆಯಿಂದ ಮುಂದಿನ ಪೀಳಿಗೆಗೆ (ಬದಲಾಯಿಸದೆ) ತೆಗೆದುಕೊಂಡು ಹೋಗಲು ಅವಕಾಶ ಕೊಡುತ್ತದೆ. ಇದನ್ನು ಎಲಿಟಿಸ್ಟರ ಆಯ್ಕೆ ಎನ್ನುವರು.

ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ಸಮಕಾಲೀನ ಕಾರ್ಯಾಚರಣೆಗಳು ಎರಡು ಸ್ವಾದಗಳಲ್ಲಿ (ವಿಭಾಗಗಳು) ಬಂದಿವೆ. ಕೋರ್ಸ್ ಗ್ರೇನ್ಡ್ ಪ್ಯಾರಲಲ್ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ಎಲ್ಲಾ ಕಂಪ್ಯೂಟರ್ ನೋಡ್ಸ್ ಮತ್ತು ನೋಡ್ಸ್‌‍ಗಳ ಒಳಗೆ ವ್ಯಕ್ತಿಗಳ ಸ್ಥಳಾಂತರಗಳ ಮೇಲೆ ಜನಸಂಖ್ಯೆಯನ್ನು ಊಹಿಸುತ್ತವೆ. ಫೈನ್ ಗ್ರೇನ್ಡ್ ಪೆರಲಲ್ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ಎಲ್ಲಾ ಕಂಪ್ಯೂಟರ್‌‌‍ ಸಂಸ್ಕಾರಕ ನೋಡ್‌‌ಗಳ ಮೇಲೆ ವ್ಯಕ್ತಿಗಳನ್ನು ಊಹಿಸುತ್ತವೆ ಇದು ಆಯ್ಕೆ ಮತ್ತು ಸಂತಾನೋತ್ಪತ್ತಿಗೆ ಪಕ್ಕದ ವ್ಯಕ್ತಿಗಳ ಜೊತೆ ವ್ಯವಹರಿಸುತ್ತದೆ. ನೇರ ಆಪ್ಟಿಮೈಜೆಶನ್ ಸಮಸ್ಯೆಗಳಿಗೆ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳಂತೆ, ಸಮಯ-ಅವಲಂಬನೆ ಪರಿಚಯಿಸುವುದು ಅಥವಾ ಸದೃಢತೆಯ ಕಾರ್ಯದಲ್ಲಿ ತೊಂದರೆ ಮುಂತಾದ ಬೇರೆ ಭಿನ್ನತೆಗಳು ಕಂಡುಬರಬಹುದಾಗಿದೆ.

ಉಳಿದ ಆಪ್ಟಿಮೈಜೆಶನ್ ವಿಧಾನಗಳ ಜೊತೆ GAಯನ್ನು ಸಂಯೋಜಿಸಿದರೆ ಅದು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ಒಳ್ಳೆಯ ಜಾಗತಿಕ ಪರಿಹಾರಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದರಲ್ಲಿ GAಗಳು ಬಹಳ ಒಳ್ಳೆಯದು, ಆದರೆ ಹಿಂದಿನ ಕೆಲವು ಮ್ಯುಟೆಶನ್‌‌‌ಗಳಿಗೆ ಸಂಪೂರ್ಣ ಪರಿಹಾರ ಕಂಡುಹಿಡಿಯುವಲ್ಲಿ ಅಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿಲ್ಲ. ಬೇರೆ ಕಾರ್ಯವಿಧಾನಗಳು (ಸಿಂಪಲ್ ಹಿಲ್ ಕ್ಲೈಂಬಿಂಗ್ ನಂತಹ) ಸೀಮಿತ ಪ್ರದೇಶದಲ್ಲಿ ಸಂಪೂರ್ಣ ಪ್ರಶಸ್ತವಾದುದನ್ನು ಕಂಡುಹಿಡಿಯುವಲ್ಲಿ ಹೆಚ್ಚು ಸಮರ್ಥವಾಗಿವೆ. ಹಿಲ್ ಕ್ಲೈಂಬಿಂಗ್‌ನ ಸಾಮರ್ಥ್ಯದ ಕೊರತೆಯನ್ನು ಪರಿಹರಿಸುವಾಗ ಪರ್ಯಾಯವಾಗಿ GA ಮತ್ತು ಹಿಲ್ ಕ್ಲೈಂಬಿಂಗ್‌‌‍ಗಳು GAsಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.

ಇದರ ಅರ್ಥ ಅನುವಂಶಿಕ ಬದಲಾವಣೆಯ ನಿಯಮಗಳು ಸಹಜ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬೇರೆ ರೀತಿಯ ಅರ್ಥ ಹೊಂದಿರಬಹುದು. ಉದಾಹರಣೆಗೆ-ಲಭ್ಯವಾದ ಹಂತಗಳು ಕ್ರಮಬದ್ಧವಾಗಿರುತ್ತವೆ. ಈ ಹಂತವನ್ನು ದಾಟಿ ಮುಖ್ಯ ಡಿಎನ್‌ಎಗೆ ಕೆಲವು ಸಂಖ್ಯೆಯ ಹಂತಗಳನ್ನು ಪೋಷಕ ಡಿಎನ್‌ಎಯಿಂದ ನೀಡುವುದು ಮತ್ತು ಇತರೇ ಕೆಲವು ವಿಧಾನಗಳನ್ನು ಅನುಸರಿಸಲಾಗುತ್ತದೆ. ಇದು ವೆಕ್ಟರ್‌‍ಗಳನ್ನು ಸೇರಿಸಿದ ಹಾಗೆ, ಅದು ಫೆನೋಟಿಪಿಕ್ ಭೂಪ್ರದೇಶದಲ್ಲಿನ ತುದಿಯನ್ನು ಅನುಸರಿಸುವ ಹೆಚ್ಚು ಸಂಭವವಿರಬಹುದು. ಈ ರೀತಿ, ಕಾರ್ಯ ವಿಧಾನದ ಸಾಮರ್ಥ್ಯ ಬೃಹತ್ ಪರಿಮಾಣದ ಆದೇಶಗಳ ಮೂಲಕ ಹೆಚ್ಚಾಗಬಹುದು. ಹೆಚ್ಚಿನದಾಗಿ, ಇನ್ ವರ್ಶನ್ ಆಪರೇಟರ್ ನಿರಂತರ ಆರ್ಡರ್‌‌ನಲ್ಲಿ ಅಥವಾ ಅಸ್ತಿತ್ವಕ್ಕಾಗಿ ಅಥವಾ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಸಹಾಯವಾಗುವ ಇತರ ಯಾವುದೇ ಹೊಂದಿಕೆಯಾಗುವ ಆದೇಶದಲ್ಲಿ ಕಾಲಿರಿಸುವ ಅವಕಾಶ ಹೊಂದಿರುತ್ತಾರೆ. ನಿದರ್ಶನಕ್ಕಾಗಿ[೭] ಅಥವಾ ಪ್ರಯಾಣಿಸುತ್ತಿರುವ ಸೇಲ್ಸ್ ಮೆನ್‌‌ನ ತೊಂದರೆಯಲ್ಲಿನ ಉದಾಹರಣೆ

ಜನಸಂಖ್ಯಾ-ಆಧಾರಿತ ವೃದ್ಧಿಶೀಲ ಕಲಿಕೆ ಇದು ಒಂದು ಬದಲಾವಣೆ ಇಲ್ಲಿ ಜನಸಂಖ್ಯೆಯ ವ್ಯಕ್ತಿಗತ ಸದಸ್ಯರ ಬದಲಾಗಿ ಜನಸಂಖ್ಯೆಯನ್ನು ಸಮಗ್ರವಾಗಿ ವಿಕಸಿತಗೊಳಿಸಲಾಗುತ್ತದೆ.


ಸಮಸ್ಯೆಯ ಪ್ರಭಾವಗಳು[ಬದಲಾಯಿಸಿ]

ಆನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳಿಂದ ಕೆಲವು ಸಮಸ್ಯೆಗಳು ನಿರ್ದಿಷ್ಟವಾಗಿ ಪರಿಹಾರಕ್ಕೆ ಸೂಕ್ತವಾದಂತೆ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ,ಇದರಲ್ಲಿ ಟೈಮ್‌ಟೇಬಲಿಂಗ್ ಮತ್ತು ಷೆಡ್ಯೂಲಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನ ಒಳಗೊಂಡಿದೆ ಮತ್ತು ಬಹಳ ಷೆಡ್ಯೂಲಿಂಗ್ ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ಯಾಕೇಜ್‌ಗಳು ಕೂಡ GAsನಿಂದ ಆಧಾರವಾಗಿದೆ. ಇಂಜಿನೀಯರಿಂಗ್ ಕ್ಷೇತ್ರದಲ್ಲೂ ಕೂಡ GA ಅನ್ವಯಿಸುತ್ತದೆ. ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ಜಾಗತಿಕ ಸಮಸ್ಯೆಗಳಿಗೆ ಸಮನಾಗಿ ಆಗಾಗ ಅತ್ಯುತ್ತಮವಾಗಿ ಪರಿಹಾರ ಸಂಪರ್ಕಿಸುತ್ತದೆ.

ಹೆಬ್ಬೆರಳಿನ ಆನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು ಸಾಮಾನ್ಯ ನಿಯಮ ಸಮಸ್ಯೆಯ ಡೊಮೆನ್‌ನಲ್ಲಿ ಉಪಯೋಗವಾಗುತ್ತವೆ ಇದರಲ್ಲಿ ಕ್ರಾಸ್‌ಒವರ್ ಒಂದು ಸಂಕೀರ್ಣ ಫಿಟ್‌ನೆಸ್ ಆಗುತ್ತದೆ ಸ್ಥಳೀಯ ಆಪ್ಟಿಮದಿಂದ ದೂರ ಇರಿಸುವುವ್ದಕ್ಕೆ ರಚಿಸಲಾಗುತ್ತದೆ ಸಂಪ್ರದಾಯಿಕ ಹಿಲ್ ಕ್ಲೈಂಬಿಗ್‌ಗೆ ಕ್ರಮಾವಳಿ ಅಂಟಿಕೊಂಡಿರುತ್ತದೆ

ಇತಿಹಾಸ[ಬದಲಾಯಿಸಿ]

ನಿಲ್ಸ್‌ ಆಲ್ಲ್‌ ಬ್ಯಾರಿಸೆಲ್ಲಿಯ ಕಾರ್ಯಗಳೊಂದಿಗೆ 1954ರಷ್ಟು ಮುಂಚೆಯೇ ವಿಕಾಸದ ಕಂಪ್ಯೂಟರ್‌ ಸಿಮ್ಯುಲೇಷನ್‌ ಪ್ರಾರಂಭವಾಯಿತು, ಈತನು ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್‌ ಫಾರ್‌ ಅಡ್ವಾನ್ಸ್‌‌ಡ್‌‍ಸ್ಟಡಿ, ಪ್ರಿನ್ಸ್‌ಟನ್‌,ನ್ಯೂ ಜರ್ಸಿಯಲ್ಲಿ ಕಂಪ್ಯೂಟರ್‌ ಅನ್ನು ಬಳಸುತ್ತಿದ್ದರು.[೮][೯] 1954ರ ಇವರ ಪ್ರಕಟನೆಯನ್ನು ವ್ಯಾಪಕವಾಗಿ ಗಮನಸಿಲಿಲ್ಲ. 1957ರಲ್ಲಿ ಮೊದಲ್ಗೊಂಡು,[೧೦] ಆಸ್ಟ್ರೇಲಿಯಾದ ಆನುವಂಶಕಾರ/ಜೆನೆಟಿಸಿಸ್ಟ್‌ ಅಲೆಕ್ಸ್‌ ಫ್ರೇಸರ್‌, ಒಂದು ಅಳತೆಯ ಪ್ರವೃತ್ತಿಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಬಹುಲೋಕಸ್‌ಗಳನ್ನೊಳಗೊಂಡ ಜೀವಿಗಳ ಕೃತಕ ಆಯ್ಕೆಯ (ಆರ್ಟಿಫಿಷಿಯಲ್‌ ಸೆಲೆಕ್ಷನ್‌) ಬಗೆಗೆ ಪತ್ರಿಕೆಗಳ ಸರಣಿಯನ್ನೇ ಪ್ರಕಟಿಸಿದರು. ಈ ಪ್ರಾರಂಭಗಳಿಂದ ಜೈವಿಕ ತಜ್ಞರು ವಿಕಾಸದ ಕಂಪ್ಯೂಟರ್‌ ಸಿಮ್ಯುಲೇಷನ್‌ ಮಾಡುವುದು 1960ರ ವೇಳೆಗೆ ಹೆಚ್ಚು ಸಾಮಾನ್ಯವಾಯಿತು, ಮತ್ತು ಫ್ರೇಸರ್‌ ಮತ್ತು ಬರ್ನೆಲ್‌ (1970)[೧೧] ಮತ್ತು ಕ್ರೊಸ್ಬಿ (1973)[೧೨] ವಿಧಾನಗಳನ್ನು ಪುಸ್ತಕಗಳಲ್ಲಿ ವಿವರಿಸಿದರು. ಫ್ರೇಸರ್‌ನ ಸಿಮ್ಯುಲೇಷನ್‌ಗಳಲ್ಲಿ ಆಧುನಿಕ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯ ಎಲ್ಲ ಅಗತ್ಯ ತತ್ತ್ವಗಳೂ ಇದ್ದವು. ಅದರ ಜೊತೆಗೆ, 1960ರಲ್ಲಿ ಹ್ಯಾನ್ಸ್‌ ಬ್ರೆಮೆರ್‌ಮನ್ನ್‌ ಆಪ್ಟಿಮೈಜೇಷನ್‌ ತೊಂದರೆಗಳು, ಮರುಜೋಡಣೆಗೆ ಒಳಪಡುವುದು, ಪರಿವರ್ತನೆ, ಮತ್ತು ಆಯ್ಕೆಗಳಿಗೆ ಅನೇಕ ಪರಿಹಾರಗಳನ್ನು ಒಳಗೊಂಡ ಪತ್ರಿಕೆಗಳ ಸರಣಿಯನ್ನು ಪ್ರಕಟಿಸಿದರು. ಬ್ರೆಮೆರ್‌ಮನ್ನ್‌ನ ಸಂಶೋಧನೆಯು ಆಧುನಿಕ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯ ತತ್ತ್ವಗಳನ್ನೂ ಒಳಗೊಂಡಿದ್ದವು. ಇತರ ಪ್ರಮುಖ ಪ್ರವರ್ತಕರೆಂದರೆ ರಿಚರ್ಡ್‌ ಫ್ರೈಡ್‌ಬರ್ಗ್‌, ಜ್ಯಾರ್ಜ್‌ ಫ್ರೈಡ್‌ಮನ್‌, ಮತ್ತು ಮೈಕೇಲ್‌ ಕೊನ್‌ರ್ಯಾಡ್‌. ಹಲವು ಮೊದಮೊದಲ ಪತ್ರಿಕೆಗಳನ್ನು ಫೋಗೆಲ್‌ (1998) ಮರುಮುದ್ರಿಸಿದರು.[೧೩]

ಬ್ಯಾರಿಸೆಲ್ಲಿ 1963ರಲ್ಲಿ ವರದಿ ಮಾಡಿದ ಕೃತಿಯಲ್ಲಿ, ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಒಂದು ಸಣ್ಣ ಆಟವಾಡಲು ಸಾಮರ್ಥ್ಯದ ವಿಕಸನವನ್ನು ಸಿಮ್ಯುಲೇಟ್‌ ಮಾಡಿದ್ದರೂ ಕೂಡ,[೧೪] 1960 ಮತ್ತು 1970ರ ಆರಂಭದಲ್ಲಿ ಕೃತಕ ವಿಕಾಸ ಎನ್ನುವುದು ಇಂಗೋ ರೆಚೆನ್‌ಬರ್ಗ್‌ ಮತ್ತು ಹನ್ಸ್‌-ಪಾಲ್‌ ಶ್ವೆಫೆಲ್‌ರವರ ಕೆಲಸದಿಂದ ಆಪ್ಟಿಮೈಜೇಷನ್‌ ವಿಧಾನವಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಗಮನ ಸೆಳೆಯಿತು - ರೆಚೆನ್‌ಬರ್ಗ್‌ನ ತಂಡವು ವಿಕಸನದ ರೀತಿಗಳ ಸಹಾಯದಿಂದ ಹಲವು ಸಂಕೀರ್ಣ ಎಂಜಿನಿಯರಿಂಗ್‌ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹಾರ ಮಾಡಬಲ್ಲವರಾಗಿದ್ದರು.[೧೫][೧೬][೧೭][೧೮] ಮತ್ತೊಂದು ಮಾರ್ಗವೆಂದರೆ ಲಾರೆನ್ಸ್‌ ಜೆ. ಫೋಗೆಲ್‌ರವರ ವಿಕಸನದ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ ತಂತ್ರ, ಇದನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಉತ್ಪತ್ತಿಮಾಡುವುದಕ್ಕಾಗಿ ಪ್ರಸ್ತಾಪಿಸಲಾಗಿತ್ತು. ವಿಕಸನದ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ ಮೂಲತಃ ಪರಿಸರಗಳನ್ನು ಊಹಿಸಲು ಪರಿಮಿತ ಸ್ಥಿತಿಯಲ್ಲಿರುವ ಯಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಿತ್ತು, ಮತ್ತು ಊಹೆಯ ಹಿಂದಿನ ತರ್ಕಗಳನ್ನು ಆಪ್ಟಿಮೈಜ್‌ ಮಾಡಲು ವ್ಯತ್ಯಯ ಮತ್ತು ಆಯ್ಕೆಗಳನ್ನು ಬಳಸುತ್ತಿತ್ತು . ’ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ’ ಎಂಬುದು ನಿರ್ದಿಷ್ಟವಾಗಿ ಜನಪ್ರಿಯವಾದದ್ದು 1970ರ ಆರಂಭದಲ್ಲಿ ಜಾನ್‌ ಹೋಲ್ಯಾಂಡ್‌ರವರು ಮಾಡಿದ ಕೆಲಸಗಳಿಂದ, ಮತ್ತು ವಿಶೇಷವಾಗಿ ಆತನ ಪುಸ್ತಕ ಅಡಾಪ್ಟೇಷನ್‌ ಇನ್‌ ನ್ಯಾಚುರಲ್‌ ಅಂಡ್‌ ಆರ್ಟಿಫಿಷಿಯಲ್‌ ಸಿಸ್ಟಮ್ಸ್‌ (1975). ಹೋಲ್ಯಾಂಡ್‌ ಮತ್ತು ಆತನ ವಿದ್ಯಾರ್ಥಿಗಳು ಮಿಚಿಗನ್‌ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ನಡೆಸಿದ ಸೆಲ್ಯುಲರ್‌ ಆಟೋಮೇಟಾದ ಅಧ್ಯಯನದೊಂದಿಗೆ ಆತನ ಕೆಲಸವು ಪಾರಂಭಗೊಂಡಿತು. [[ಹೋಲ್ಯಾಂಡ್‌ ಅವರು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಗುಣಮಟ್ಟವನ್ನು ಊಹಿಸುವುದಕ್ಕಾಗಿ ಹೋಲ್ಯಾಂಡ್‌ನ ಸ್ಕೀಮ ಸೂತ್ರ ಎಂದೇ ಪ್ರಸಿದ್ಧವಾದ ಒಂದು ವಿದ್ಯುಕ್ತವಾದ ಚೌಕಟ್ಟನ್ನು ಪರಿಚಯಿಸಿದರು]]. 1980ರ ದಶಕದಲ್ಲಿ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ಮೇಲೆ ಪಿಟ್ಸ್‌ಬರ್ಗ್‌, ಪೆನ್ನಿಸಿಲ್‌ವೇನಿಯಾದಲ್ಲಿ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ಮೇಲೆ ಮೊಟ್ಟಮೊದಲ ಅಂತಾರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನವನ್ನು ಆಯೋಜಿಸಿದ್ದಾಗ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳ ಮೇಲಿನ ಸಂಶೋಧನೆಗಳು ಕೇವಲ ಪುಸ್ತಕದ ತತ್ವಗಳಾಗಿಯೇ ಉಳಿದಿದ್ದವು.

ಶೈಕ್ಷಣಿಕ ಆಸಕ್ತಿ ಬೆಳೆಯುತ್ತಿದ್ದಂತೆ, ಡೆಸ್ಕ್‌ಟಾಪ್‌‌ ಕಂಪ್ಯೂಟರ್‌ನ ಸಾಧ್ಯತೆಗಳಲ್ಲಾದ ನಾಟಕೀಯ ಬೆಳವಣಿಗೆಯಿಂದ ಹೊಸ ತಂತ್ರವನ್ನು ಕಾರ್ಯರೂಪಕ್ಕೆ ತರುವುದು ಸಾಧ್ಯವಾಯಿತು. 1980ರ ದಶಕದ ಅಂತ್ಯದಲ್ಲಿ, ಜೆನೆರಲ್‌ ಎಲೆಕ್ಟ್ರಿಕ್‌ ಸಂಸ್ಥೆಯು ವಿಶ್ವದ ಮೊದಲ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯ ಉತ್ಪತ್ತಿಯನ್ನು ಮಾರಾಟ ಮಾಡಲು ಪ್ರಾರಂಭಿಸಿತು, ಅದೊಂದು ಔದ್ಯೋಗಿಕ ಪ್ರಕ್ರಿಯೆಗಳಿಗಾಗಿ ರಚಿಸಿದ ಮೇನ್‌-ಫ್ರೇಮ್‌ ಆಧಾರಿತ ಉಪಕರಣ ಪೆಟ್ಟಿಗೆ. 1989ರಲ್ಲಿ, ಆಕ್ಸ್‌‌‌ಸೈಲ್ಸ್ ಇನ್‌ಕಾರ್ಪೋರೇಷನ್‌ ವಿಶ್ವದ ಎರಡನೇ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯ ಉತ್ಪತ್ತಿ ಮತ್ತು ಡೆಸ್ಕ್‌ಟಾಪ್‌ ಕಂಪ್ಯೂಟರ್‌ಗಾಗಿ ಮಾಡಿದ ಮೊದಲ ಉತ್ಪತ್ತಿ ಎವಾಲ್ವರ್‌ ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿತು. ದಿ ನ್ಯೂ ಯಾರ್ಕ್‌ ಟೈಮ್ಸ್‌ನ ತಂತ್ರಜ್ಞಾನ ಬರಹಗಾರ ಜಾನ್‌ ಮಾರ್ಕ್‌ಆಫ್‌ 1990ರಲ್ಲಿ ಎವಾಲ್ವರ್‌ ಬಗೆಗೆ ಬರೆದ[೧೯].

ಸಂಬಂಧಿತ ತಂತ್ರಗಳು[ಬದಲಾಯಿಸಿ]

  • ಇರುವೆ ವಸಾಹತು ಆಪ್ಟಿಮೈಜೇಷನ್‌ ಹಲವು ಇರುವೆಗಳನ್ನು (ಅಥವಾ ಮಧ್ಯವರ್ತಿಗಳನ್ನು) ಬಳಸಿಕೊಂಡು ಪರಿಹಾರ ಪ್ರದೇಶವನ್ನು ಹಾದುಹೋಗುತ್ತದೆ ಅಥವಾ ಹತ್ತಿರದ ಉಪಯುಕ್ತ ಪ್ರದೇಶಗಳನ್ನು ಕಂಡಿಹಿಡಿಯುತ್ತದೆ. ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ ಮತ್ತು ಸ್ಥಳೀಯ ಹುಡುಕಾಟದ ಇತರೆ ರೂಪಗಳಿಗಿಂತ ಕೆಳಮಟ್ಟದ್ದಾದರೂ, ಯಾವ ತೊಂದರೆಗಳಲ್ಲಿ ಜಾಗತಿಕ ಅಥವಾ ಆಧುನಿಕ ದೃಷ್ಟಿಕೋನವು ಸಿಗುವುದಿಲ್ಲವೋ, ಹಾಗಾಗಿ ಬೇರೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗುವುದಿಲ್ಲವೋ ಆಗ ಇವುಗಳು ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಲು ಸಮರ್ಥವಾಗುತ್ತವೆ.[ಸಾಕ್ಷ್ಯಾಧಾರ ಬೇಕಾಗಿದೆ]
  • ವಿಕಸನ ಪರಿಸರ ವಿಜ್ಞಾನದಿಂದ ಮತ್ತು ವಿಶೇಷವಾಗಿ ಬ್ಯಾಕ್ಟೀರಿಯ ಹೊಂದಾಣಿಕೆಯಿಂದ ಉತ್ತೇಜಿತಗೊಂಡದ್ದು ಬ್ಯಾಕ್ಟೀರಿಯ ಕ್ರಮಾವಳಿ. ವಿಕಸನ ಪರಿಸರ ವಿಜ್ಞಾನ ಎಂಬುದು ಪ್ರಾಣಿಗಳು ಹೇಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯುವುದಕ್ಕೋಸ್ಕರ ಅವುಗಳ ಪರಿಸರದ ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಮಾಡುವ ಪ್ರಾಣಿಗಳ ಅಧ್ಯಯನ. ಇದರ ಮೂಲ ತತ್ವ ಏನೆಂದರೆ, ಒಂದು ವೈವಿಧ್ಯಮಯ ಪರಿಸರದಲ್ಲಿ ಸಂಪೂರ್ಣ ವಾತಾವರಣಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುವ ಒಂದು ಪ್ರಾಣಿ ಸಿಗುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ ನೀವು ಗಣತಿಯ ಮೇಲೆ ಕಾರಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕು. ಸಂಕೀರ್ಣ ಸ್ಥಿತಿಯ ತೊಂದರೆಗಳು (ಮೊಬೈಲ್‌ ಫೋನ್‌ಗಳಿಗೆ ಆಂಟೆನಾಗಳು, ನಗರ ಯೋಜನೆ ಮುಂತಾದವು) ಅಥವಾ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮೊದಲಾದ ತೊಂದರೆಗಳಿಗೆ ಬ್ಯಾಕ್ಟೀರಿಯ ಕ್ರಮಾವಳಿಗಳು ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳಿಗಿಂತ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಿದೆ .[೨೦]
  • ಕ್ರಾಸ್‌-ಎಂಟ್ರೊಪಿ ವಿಧಾನ ಕ್ರಾಸ್‌ ಎಂಟ್ರೊಪಿ ವಿಧಾನವು ಕ್ಯಾಂಡಿಡೇಟ್ಸ್‌ ಪರಿಹಾರವನ್ನು ಸ್ಥಿರರಾಶೀಕೃತ ಸಂಭವನೀಯತೆ ಹಂಚಿಕೆಯ ಮೂಲಕ ಉತ್ಪತ್ತಿ ಮಾಡುತ್ತದೆ. ಕ್ರಾಸ್‌ ಎಂಟ್ರೊಪಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದರ ಮೂಲಕ ಸ್ಥಿರರಾಶಿಯನ್ನು ಆಧುನೀಕರಣಗೊಳಿಸಲಾಗುತ್ತದೆ, ಇದರಿಂದ ಮುಂದಿನ ಆವೃತ್ತಿಯಲ್ಲಿ ಇದಕ್ಕಿಂತ ಉತ್ತಮ ಉದಾಹರಣೆಗಳು ಸಿಗುತ್ತವೆ.
  • ಸಾಂಸ್ಕೃತಿಕ ಕ್ರಮಾವಳಿಯು ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಯಂಥದ್ದೇ ಗಣತಿ ಅವಯವವನ್ನು ಹೊಂದಿದೆ, ಮತ್ತು ಅದರೊಂದಿಗೆ ನಂಬಿಕೆ ಪ್ರದೇಶ (ಬಿಲೀಫ್‌ ಸ್ಪೇಸ್‌) ಎನ್ನುವ ಬೌದ್ಧಿಕ ಅವಯವವನ್ನೂ ಹೊಂದಿದೆ.
  • ವಿಕಸನದ ರೀತಿಗಳು (ನೋಡಿ - ರೆಚೆನ್‌ಬರ್ಗ್‌, 1994) ಪರಿವರ್ತನೆ ಮತ್ತು ಮಧ್ಯಂತರ ಮತ್ತು ವಿಶಿಷ್ಟ ಮರುಜೋಡಣೆಯಿಂದ ಏಕವ್ಯಕ್ತಿಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ವಿಕಸನದ ರೀತಿಗಳ ಕ್ರಮಾವಳಿಯನ್ನು ನಿಜಮೌಲ್ಯದ ನೆಲದಲ್ಲಿಯೇ ತೊಂದರೆಗಳನ್ನು ಪರಿಹರಿಸುವುದಕ್ಕಾಗಿ ರಚಿಸಲಾಗಿದೆ. ಅವುಗಳು ಹುಡುಕಾಟದ ಸ್ಥಿರರಾಶಿಗಳನ್ನು ಹೊಂದಿಸಿ, ನಿಯಂತ್ರಿಸಲು ಸ್ವಯಂ‌-ಹೊಂದಾಣಿಕೆಯನ್ನು ಬಳಸುತ್ತವೆ.
  • ವಿಕಸನದ ಪ್ರೊಗ್ರಾಮಿಂಗ್‌‍ ಪರಿವರ್ತನೆ ಮತ್ತು ಆಯ್ಕೆ ಮತ್ತು ಸ್ವಚ್ಛಂದ ಪ್ರತಿನಿಧಿತ್ವಗಳೊಂದಿಗೆ ಪರಿಹಾರಗಳ ಸಮೂಹವನ್ನೇ ಹೊಂದಿರುತ್ತವೆ. ಅವು ಸ್ಥಿರರಾಶಿಗಳನ್ನು ಹೊಂದಿಸುವುದಕ್ಕಾಗಿ ಸ್ವಯಂ‌-ಹೊಂದಾಣಿಕೆಯನ್ನು ಬಳಸುತ್ತವೆ, ಮತ್ತು ಬಹುಮೂಲದ ಮಾಹಿತಿಯನ್ನು ಜೋಡಿಸುವಂತಹ ವ್ಯತ್ಯಯ ಕ್ರಿಯೆಗಳನ್ನು ಒಳಗೊಳ್ಳಬಲ್ಲುದು.
  • ಹೊರಗಿನ ಆಪ್ಟಿಮೈಸೆಷನ್ (EO)ವಿಭಿನ್ನವಾದ GAs, ಈ ಅಭ್ಯರ್ಥಿ ಪರಿಹಾರ ಸಮೂಹದ ಜೊತೆಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, EO ಕ್ರಮವಾಗಿ ಒಂದು ಪರಿಹಾರ ಮತ್ತು ಸ್ಥಳೀಯ ಕೆಟ್ಟ ಅಂಶವಾಗಿ ಬದಲಾವಣೆ ಮಾಡುತ್ತದೆ. ಇದಕಾಗಿ ಅಗತ್ಯವಾಗಿ ಸೂಕ್ತವಾದ ಪ್ರತಿನಿಧಿತ್ವದ ಆಯ್ಕೆಯಾದರೆ ಈ ಗುಣಮಟ್ಟ ಅಳತೆ ಕೊಡಲು ("ಫಿಟ್‌ನೆಸ್") ವ್ಯಕ್ತಿಗತ ಪರಿಹಾರಕ್ಕೆ ಅವಯವಗಳ ಅನುಮತಿ ಕೊಡಬೇಕು. ಕ್ರಮಾವಳಿಗಳ ಹಿಂದಿರುವ ಈ ಕಾಯುವಿಕೆಯ ಸಿದ್ಧಾಂತವು ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಅವಯವಗಳನ್ನು ತೆಗೆದು ಹಾಕುವ ಮೂಲಕ ತತ್‍ಕ್ಷಣದ ಅಭಿವೃದ್ದಿಪಡಿಸಿ ಅವುಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆರಿಸಿ ಅವಯವಗಳನ್ನು ಬದಲಿಯಾಗಿ ಮಾಡಬೇಕು. ಇದು ’ಜಿಎ’ಯಲ್ಲಿ ನಿರ್ಧಿಷ್ಟವಾಗಿ ಕೆಲವು ಒಳ್ಳೆಯ ಪರಿಹಾರಗಳನ್ನು ಕೆಲವು ಅತ್ಯುತ್ತಮ ಪರಿಹಾರಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ನಿಟ್ಟಿನಲ್ಲಿ ಕೆಲವು ಋಣಾತ್ಮಕ ಅಂಶಗಳೊಂದಿಗೆ ಕಂಡುಕೊಳ್ಳಲಾಗಿದೆ.
  • ಗಾಸಿಯನ್ ಅಳವಡಿಕೆ (ಸಹಜ ಅಥವಾ ನೈಸರ್ಗಿಕ ಅಳವಡಿಕೆ, GAಗಳ ಜೊತೆ ಆಗುವ ಗೊಂದಲವನ್ನು ತಪ್ಪಿಸಲು NAಗಳನ್ನು ಸಂಕ್ಷೇಪಿಸಲಾಗಿದೆ) ಇದು ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಸಿಸ್ಟಂ ನ ಉತ್ಪಾದಕತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಉದ್ದೇಶ ಹೊಂದಿದೆ.

ಇದನ್ನು ಸಾಮಾನ್ಯ ಪೆರಾಮೆಟ್ರಿಕ್ ಆಪ್ತಿಮೈಸೆಶನ್ ಗೆ ಸಹ ಉಪಯೋಗಿಸಲಾಗುತ್ತದೆ. ಇದು ಎಲ್ಲ ಗಾಸಿಯನ್ ವಿತರಣೆಗಳು ಮತ್ತು ಎಲ್ಲ ಪ್ರದೇಶಗಳ ಸ್ವೀಕಾರಕ್ಕೆ ಸಮಂಜಸವಾದ ಕೆಲವು ಸಿದ್ಧಾಂತಗಳ ಮೇಲಿದೆ.

NAಗಳ ಸಾಮರ್ಥ್ಯವು ಮಾಹಿತಿ ಸಿದ್ಧಾಂತ ಮತ್ತು ಕೆಲವು ಸಾಮರ್ಥ್ಯದ ಸಿದ್ಧಾಂತಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಮಾಹಿತಿಯನ್ನು, ಮಾಹಿತಿ ಪಡೆಯಲು ಬೇಕಾಗುವ ಕೆಲಸದಿಂದ ಭಾಗಿಸಿ ಇದರ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿರೂಪಿಸಬಹುದು.[೨೧] ಏಕೆಂದರೆ NA ವೈಯಕ್ತಿಕ ಫಿಟ್ ನೆಸ್ ನ ಬದಲಾಗಿ ಸರಾಸರಿ ಫಿಟ್ ನೆಸ್ ನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಕಣಿವೆಗಳ ಮಧ್ಯ ಶಿಖರಗಳು ಮಾಯವಾಗುವಂತೆ ಭೂಪ್ರದೇಶ ಸಮತಟ್ಟಾಗುತ್ತದೆ.

ಆದ್ದರಿಂದ ಫಿಟ್ ನೆಸ್ ಭೂಪ್ರದೇಶದಲ್ಲಿ ಪ್ರಾದೇಶಿಕ ಪರ್ವತ ಶಿಖರವನ್ನು ತಪ್ಪಿಸಲು ಇದು ಕೆಲವು "ಮಹತ್ವಾಕಾಂಕ್ಷೆ" ಗಳನ್ನು ಹೊಂದಿದೆ. NA ಕೂಡ ಸಂಶೋಧನೆಯಲ್ಲಿ ಹೆಚ್ಚಿನ ಬೆಳವಣಿಗೆಗೆ ಖಚಿತವಾದ ದಶಮಾನ ಪದ್ದತಿಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಮೂಲಕ ಸಾಧನೆ ಮಾಡಬಹುದು. ಇದು ಕಾಯಿಲೆಗಳ ಕುರಿತಾದ ಒಂದು ಹಂತದ ಮಾಹಿತಿಯನ್ನು ಗೌಸಿಯನ್‌ ಪ್ರಕಾರ ಕಡಿಮೆ ಸದೃಡತೆಯನ್ನು ಹಾಗೇ ಉಳಿಸಿಕೊಂಡು ಮಾಹಿತಿಯನ್ನು ಹೆಚ್ಚು ಕಲೆ ಹಾಕುವಂತೆ ಮಾಡುತ್ತದೆ.

  • ಅನುವಂಶಿಕ ಪ್ರೊಗ್ರ್ಯಾಮಿಂಗ್‌ ಎನ್ನುವುದು ಜಾನ್‌ ಕೋಜರವರು ಜನಪ್ರಿಯಗೊಳಿಸಿದ ತಂತ್ರಕ್ಕೆ ಸಂಬಂಧಪಟ್ಟುದಾಗಿದೆ, ಇದರಲ್ಲಿ ಕಾರ್ಯ ಸ್ಥಿರರಾಶಿಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಕಂಪ್ಯೂಟರ್‌ ಪ್ರೋಗ್ರಾಮ್‌ಗಳನ್ನು ಆಪ್ಟಿಮೈಜ್‌ ಮಾಡಲಾಗುತ್ತದೆ. ಅಡಾಪ್ಟೇಷನ್‌ಗಾಗಿ ಕಂಪ್ಯೂಟರ್‌ ಪ್ರೋಗ್ಯಾಮ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವಾಗ, ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಪಟ್ಟಿ ವಿನ್ಯಾಸಕ್ಕೆ ಬದಲಾಗಿ, ವೃಕ್ಷ-ಆಧಾರಿತ ಆಂತರಿಕ ದತ್ತಾಂಶ ವಿನ್ಯಾಸಗಳನ್ನು ಅನುವಂಶಿಕ ಪ್ರೊಗ್ರ್ಯಾಮಿಂಗ್‌ ಬಳಸುತ್ತದೆ.
  • ವ್ಯಕ್ತಿಗತ ವಿಷಯದಿಂದ ಬದಲಾಯಿಸಿ ಗುಂಪು ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು (GGA) GA ವಿಕಸನದಲ್ಲಿ GA ಮಾದರಿಯಾಗಿ ಗುಂಪುಗಳು ಅಥವಾ ಉಪ-ವರ್ಗದ ವಿಷಯಗಳ ಮೇಲೆ ಕೇಂದ್ರಿಕರಿಸಲಾಯಿತು.[೨೨] ಈ ಹಿಂದೆ GA ವಿಕಸನದ ಯೋಜನೆಯು ಇಮ್ಯಾನ್ಯುಯಲ್ ಫಲ್ಕೆನರರ್‌ರ ಮೂಲಕ ಪ್ರಸ್ತಾಪಿಸಲ್ಪಟ್ಟಿದೆ. ಇದು ಕೆಲವು ಸಂಕೀರ್ಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹಾರ ಮಾಡುವುದು. a.k.a ಸಮಸ್ಯೆಗಳಾದ ಸಮೂಹಗೊಳಿಸುವಿಕೆ (clustering) ಅಥವಾ ವಿಭಜನೆ (partitioning) ಸಮಸ್ಯೆಯು ಒಂದು ಗುಂಪು ವಸ್ತುಗಳನ್ನು ತಕ್ಕಮಟ್ಟಿಗಿನ ಕ್ರಮದ ಮೂಲಕ ಒಡೆಯಲಾಗುವುದು. ಇದನ್ನು ಜೀನ್ಸ್‌ಗಳಿಗೆ ಸಮನಾಗುವಂತೆ ಮಾಡುವ ಮೂಲಕ ಹೆಚ್ಚು ಉತ್ತಮವಾಗಿ ಸಾಧಿಸಬಹುದು. ಈ ತರಹದ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಬಿನ್ ಪ್ಯಾಕಿಂಗ್ ,ರೇಖೆಯ ಸಮತೋಲನ,ಸಮೂಹ w.r.t.ಅಂತರ ಅಂದಾಜು, ಸಮಾನ ಫೈಲ್ಸ್,ಇತ್ಯಾದಿ ಒಳಗೊಂಡಿದೆ.ಈ ಸಾಂಪ್ರದಾಯಿಕ GAs ಕಡಿಮೆ ಪ್ರದರ್ಶನ ತೋರಿವೆ. ಜೀನ್ಸ್‌ಗೆ ಸಮಾನವಾಗಿ ಸಾಮಾನ್ಯವಾಗಿ ಇರುವ ಗುಂಪುಗಳ ಎತ್ತರ ಮತ್ತು ವಿಶೇಷ ಜೆನೆಟಿಕ್ ಚಾಲಕಗಳು ಇಡೀ ಗುಂಪು ಐಟಮ್‌ಗಳನ್ನು ಹಾಳು ಮಾಡುತ್ತವೆ. ಬಿನ್‌ ಪ್ಯಾಕೆಜಿಂಗ್‌ನಲ್ಲಿ GGAಯನ್ನು ಹೈಬ್ರಿಡೈಸ್‌ ಮಾಡಲು ’ಡಾಮಿನೆನ್ಸ್‌ ಕ್ರೈಟೀರಿಯನ್‌ ಆಫ್‌ ಮಾರ್ಟೆಲ್ಲೊ ಅಂಡ್‌ ಟೋತ್‌ ಈವರೆಗಿನ ಅತ್ಯುತ್ತಮವಾದ ತಂತ್ರವಾಗಿದೆ.
  • ಹಾರ್ಮೊನಿ ಹುಡುಕಾಟ ಎನ್ನುವುದು ಉತ್ತಮೀಕರಣದ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಕಂಡುಬರುವ ಸಂಗೀತಗಾರರ ನಡವಳಿಕೆಗಳನ್ನು ಅನುಕರಿಸುವ ಒಂದು ಕ್ರಮಾವಳಿ.
  • ಸಂವಹನಾತ್ಮಕ ವಿಕಸನದ ಕ್ರಮಾವಳಿಗಳೆಂದರೆ ಮಾನವ ಮೌಲ್ಯಮಾಪನವನ್ನು ಬಳಸುವ ವಿಕಸನ ಕ್ರಮಾವಳಿಗಳು. ಕಂಪ್ಯೂಟೇಷನಲ್‌ ಫಿಟ್‌ನೆಸ್‌ ಫಂಕ್ಷನ್‌ ಅನ್ನು ರಚಿಸಲಾಗದ ಸಂದರ್ಭಗಳಲ್ಲಿ ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಚಿತ್ರಗಳನ್ನು ಸೃಷ್ಟಿಸುವುದು, ಸಂಗೀತ, ಕಲಾತ್ಮಕ ವಿನ್ಯಾಸಗಳು ಮತ್ತು ಬಳಕೆದಾರನ ಅಭಿರುಚಿಗೆ ಹೊಂದುವ ರೂಪಗಳು.
  • ಮೆಮೆಟಿಕ್‌‍ ಕ್ರಮಾವಳಿ, ಇದನ್ನು ಹೈಬ್ರಿಡ್‌ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ ಎಂದೂ ಕರೆಯುತ್ತಾರೆ. ಇದು ಹೋಲಿಕೆಯಲ್ಲಿ ಹೊಸ ವಿಕಸನ ವಿಧಾನ, ಇದರಲ್ಲಿ ಸ್ಥಳೀಯ ಹುಡುಕಾಟವನ್ನು ವಿಕಸನದ ಚಕ್ರಕ್ಕೆ ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಮೆಮೆಟಿಕ್‌ ಕ್ರಮಾವಳಿಯ ಪರಿಕಲ್ಪನೆಯು ಮೆಮೆಗಳಿಂದ ಬರುತ್ತದೆ, ಇದು ವಂಶಾವಳಿಗಳಂತಲ್ಲದೇ ತನ್ನನ್ನು ತಾನು ಹೊಂದಿಸಿಕೊಳ್ಳಬಹುದು. ಕೆಲವು ಸಮಸ್ಯಾತ್ಮಕ ಪ್ರದೇಶಗಳಲ್ಲಿ ಇವು ಸಾಂಪ್ರದಾಯಿಕ ವಿಕಸನ ಕ್ರಮಾವಳಿಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಮರ್ಥವೆಂದು ಸಾಬೀತಾಗಿದೆ.

ರಿಯಾಕ್ಟಿವ್ ಸರ್ಚ್ ಆಪ್ಟಿಮೈಜೆಶನ್ (RSO) ಸಬ್ ಸಿಂಬಾಲಿಕ್ ಮಷಿನ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯವಿಧಾನಗಳ ಏಕೀಕರಣ ಜಟಿಲ ಆಪ್ಟಿಮೈಜೆಶನ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಹುಡುಕಾಟಕ್ಕೆ ಅನುವಾಗುವಂತೆ ವಾದಿಸುತ್ತದೆ. ರಿಯಾಕ್ಟಿವ್ ಪದ ವಿಮರ್ಶಾತ್ಮಕ ಪೆರಾಮೀಟರ್ ನ್ನು ಸ್ವಯಂ ನಿಯಂತ್ರಿಸುನ ಸಲುವಾಗಿ ಆಂತರಿಕ ನೇರ ಪ್ರತಿಕ್ರಿಯೆಯ ಮೇಲೆ ಹುಡುಕಾಟದ ಸಮಯದಲ್ಲಿ ಸಂದರ್ಭಗಳಿಗೆ ಸಿದ್ಧವಾದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ರಿಯಾಕ್ಟಿವ್ ಸರ್ಚ್ ಗೆ ಸೇರಿದ ಆಸಕ್ತಿಯ ವಿಧಾನಗಳು ಮಷಿನ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರ, ನಿರ್ದಿಷ್ಟವಾಗಿ ರಿಇನ್ ಫೋರ್ಸ್ ಮೆಂಟ್ ಲರ್ನಿಂಗ್, ಎಕ್ಟಿವ್ ಅಥವಾ ಕ್ವೆರಿ ಲರ್ನಿಂಗ್, ನ್ಯುರಲ್ ನೆಟ್ ವರ್ಕ್ಸ್, ಮತ್ತು ಮೆಟಾ-ಹೆರಿಸ್ಟಿಕ್ಸ್.

  • ಸಿಮ್ಯುಲೆಟೆಡ್ ಅನೀಲಿಂಗ್ ಸಂಬಂಧವಿರುವ ಜಾಗತಿಕ ಆಪ್ಟಿಮೈಜೆಶನ್ ಕಾರ್ಯವಿಧಾನ ಇದು ವ್ಯಕ್ತಿಗತ ಪರಿಹಾರಗಳ ಮೇಲೆ ಯಾದೃಚ್ಛಿಕ ಮ್ಯುಟೆಶನ್ ಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದರ ಮೂಲಕ ಕ್ರಮಿಸುತ್ತದೆ.

ಫಿಟ್ ನೆಸ್ ನ್ನು ಹೆಚ್ಚಿಸುವ ಮ್ಯುಟೆಶನ್ ಯಾವಾಗಲೂ ಸ್ವೀಕರಿಸಲಾಗುತ್ತದೆ. ಫಿಟ್ ನೆಸ್ ನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತಿರುವ ಮ್ಯುಟೆಶನ್ ನ್ನು ಸ್ವೀಕರಿಸಲಾಗಿದೆ ಕಡಿಮೆಯಾಗುತ್ತಿರುವ ಉಷ್ಣತೆಯ ಪ್ರಮಾಣ ಮತ್ತು ಫಿಟ್ ನೆಸ್ ನಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳ ಮೇಲೆ ಸಂಭವನೀಯವಾಗಿ ಆಧಾರಿತವಾಗಿದೆ. SA ಮಾತಿನಲ್ಲಿ ಒಬ್ಬ ವ್ಯಕ್ತಿ,ಹೆಚ್ಚಿನ ಫಿಟ್‌ನೆಸ್‍ಗೆ ಬದಲಾಗಿ ಕಡಿಮೆ ಶಕ್ತಿ ಹುಡುಕುತ್ತಾನೆ. ಪರಸ್ಪರ ಮ್ಯುಟೆಶನ್ ನ ಅಧಿಕ ಪ್ರಮಾಣ ಮತ್ತು ಕೊಟ್ಟ ಸಮಯದಲ್ಲಿ ಇದನ್ನು ಕಡಿಮೆ ಮಾಡುವುದರ ಮೂಲಕ ಸ್ಟಾಂಡರ್ಡ್ GA ಕ್ರಮಾವಳಿಯಲ್ಲಿ ಸಹ SAನ್ನು ಉಪಯೋಗಿಸಲು ಸಾಧ್ಯ.


  • ತಬು ಸರ್ಚ್(TS) ಮತ್ತು ಸಿಮ್ಯುಲೆಟೆಡ್ ಅನೀಲಿಂಗ್ ಒಂದೇ ರೀತಿಯದಾಗಿವೆ ಇವುಗಳಲ್ಲಿ ವ್ಯಕ್ತಿಗತ ಪರಿಹಾರದ ಮ್ಯುಟೆಶನ್ ನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂಲಕ ಪರಿಹಾರದ ಸ್ಥಳಕ್ಕೆ ಸಾಗುತ್ತವೆ.

ಸಿಮ್ಯುಲೆಟೆಡ್ ಅನೀಲಿಂಗ್ ಒಂದೇ ಒಂದು ಪರಿಹಾರವನ್ನು ವಿಕಾಸಗೊಳಿಸುತ್ತದೆ, ತಬು ಸರ್ಚ್ ಬಹಳ ಪರಿಹಾರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಅವು ಉತ್ಪಾದಿಸಿದ ಕಡಿಮೆ ಶಕ್ತಿಯ ಜೊತೆ ಪರಿಹಾರಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ. ಆವೃತ್ತಿಯನ್ನು ಕಡಿಮೆಗೊಳಿಸಲು ಮತ್ತು ಪರಿಹಾರ ಸ್ಥಳದ ಮೂಲಕ ಹೆಚ್ಚಿನ ಪ್ರಯತ್ನವನ್ನು ಹುರಿದುಂಬಿಸಲು, ತಬು ಸರ್ಚ್ ಭಾಗಶಃ ಅಥವಾ ಪೂರ್ಣ ಪರಿಹಾರಗಳನ್ನು ಸುಸ್ಥಿತಿಯಲ್ಲಿಟ್ಟುಕೊಂಡಿದೆ.

ಇದು ತಬು ಪಟ್ಟಿಯ ಅಂಶಗಳನ್ನು ಹೊಂದಿರುವ ಪರಿಹಾರಗಳ ಕಡೆ ಚಲಿಸುವುದನ್ನು ನಿಷೇಧಿಸಿದೆ, ಇದು ಪರಿಹಾರ ಸ್ಥಳಕ್ಕೆ ಕ್ರಮಿಸುವ ಪರಿಹಾರದಂತೆ ಆಧುನೀಕರಿಸುತ್ತದೆ.

ಅಳವಡಿಕೆಗಳು[ಬದಲಾಯಿಸಿ]

ಆಕರಗಳು[ಬದಲಾಯಿಸಿ]

  1. ಐಬೆನ್,ಎ. ಇ. ಯೆಟ್ ಆಲ್ (1994). "ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ ವಿತ್ ಮಲ್ಟಿ-ಪೇರೆಂಟ್ ರಿಕಾಂಬಿನೇಷನ್". PPSN III:ವಿಕಸನಾತ್ಮಕ ಗಣನೆಯ ಕುರಿತ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನ ಕಾರ್ಯಕಲಾಪಗಳು. ಪ್ರಕೃತಿಯ ಸಮಾಂತರ ಸಮಸ್ಯೆಗಳನ್ನು ಬಗೆ ಹರಿಸುವ ಮೂರನೇ ಸಮ್ಮೇಳನ:78-87. ISBN 3-540-58484-6.
  2. ಟಿಂಗ್, ಚಾನ್-ಕಾಂಗ್ (2005). "ಅಲ್ಪ ಒಮ್ಮುಖ ಸಮಯದ ಮೇಲಿನ ಆಯ್ಕೆ ಇಲ್ಲದ ಬಹು-ಪಿತೃ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿಗಳು". ಕೃತಕ ಜೀವನದಲ್ಲಿನ ಪ್ರಗತಿಗಳು : 403-412. ISBN 978-3-540-28848-0.
  3. Wright, A.H.; et al. (2003). "Implicit Parallelism". "Proceedings of the Genetic and Evolutionary Computation Conference". 
  4. Syswerda, G. (1989). "Uniform crossover in genetic algorithms". In J. D. Schaffer. "Proceedings of the Third International Conference on Genetic Algorithms". Morgan Kaufmann. 
  5. Fogel, David B. (2000). Evolutionary Computation: Towards a New Philosophy of Machine Intelligence. New York: IEEE Press. p. 140. 
  6. Burjorjee, Keki M. (2009). Generative Fixation: A Unified Explanation for the Adaptive Capacity of Simple Recombinative Genetic Algorithms (PhD thesis). 
  7. ಇವೊಲ್ಯುಷನ್ -ಇನ್-ಎ-ನಟ್‌ಶೆಲ್
  8. Barricelli, Nils Aall (1954). "Esempi numerici di processi di evoluzione". Methodos: 45–68. 
  9. Barricelli, Nils Aall (1957). "Symbiogenetic evolution processes realized by artificial methods". Methodos: 143–182. 
  10. Fraser, Alex (1957). "Simulation of genetic systems by automatic digital computers. I. Introduction". Aust. J. Biol. Sci. 10: 484–491. 
  11. Fraser, Alex; Donald Burnell (1970). Computer Models in Genetics. New York: McGraw-Hill. 
  12. Crosby, Jack L. (1973). Computer Simulation in Genetics. London: John Wiley & Sons. 
  13. Fogel, David B. (editor) (1998). Evolutionary Computation: The Fossil Record. New York: IEEE Press. 
  14. Barricelli, Nils Aall (1963). "Numerical testing of evolution theories. Part II. Preliminary tests of performance, symbiogenesis and terrestrial life". Acta Biotheoretica (16): 99–126. 
  15. Rechenberg, Ingo (1973). Evolutionsstrategie. Stuttgart: Holzmann-Froboog. 
  16. Schwefel, Hans-Paul (1974). Numerische Optimierung von Computer-Modellen (PhD thesis). 
  17. Schwefel, Hans-Paul (1977). Numerische Optimierung von Computor-Modellen mittels der Evolutionsstrategie : mit einer vergleichenden Einführung in die Hill-Climbing- und Zufallsstrategie. Basel; Stuttgart: Birkhäuser. ISBN 3764308761. 
  18. Schwefel, Hans-Paul (1981). Numerical optimization of computer models (Translation of 1977 Numerische Optimierung von Computor-Modellen mittels der Evolutionsstrategie. Chichester ; New York: Wiley. ISBN 0471099880. 
  19. Markoff, John (1989). "What's the Best Answer? It's Survival of the Fittest". New York Times. Retrieved 2009-08-09. 
  20. Baudry, Benoit; Franck Fleurey, Jean-Marc Jézéquel, and Yves Le Traon (March/April 2005). "Automatic Test Case Optimization: A Bacteriologic Algorithm" (PDF). IEEE Software (IEEE Computer Society) 22: 76–82. doi:10.1109/MS.2005.30. Retrieved 2009-08-09.  Check date values in: |date= (help)
  21. Kjellström, G. (December 1991). "On the Efficiency of Gaussian Adaptation". Journal of Optimization Theory and Applications 71 (3): 589–597. doi:10.1007/BF00941405. 
  22. Falkenauer, Emanuel (1997). Genetic Algorithms and Grouping Problems. Chichester, England: John Wiley & Sons Ltd. ISBN 978-0-471-97150-4. 
  23. Gondro C, Kinghorn BP (2007). "A simple genetic algorithm for multiple sequence alignment". Genetics and Molecular Research 6: 964–982. PMID 18058716. 
  24. van Batenburg FH, Gultyaev AP, Pleij CW (1995). "An APL-programmed genetic algorithm for the prediction of RNA secondary structure". Journal of Theoretical Biology 174: 269–280. doi:10.1006/jtbi.1995.0098. PMID 7545258. 
  25. Notredame C, Higgins DG (1995). "SAGA a Genetic Algorithm for Multiple Sequence Alignment". Nulceic Acids Research 174: 1515. PMID 8628686. 
  26. ಸೆಡ್ರಿಕ್ ನೊಟ್ರೆಡೇಮ್ ಹೋಮ್ ಪೇಜ್
  27. Hill T, Lundgren A, Fredriksson R, Schiöth HB (2005). "Genetic algorithm for large-scale maximum parsimony phylogenetic analysis of proteins". Biochimica et Biophysica Acta 1725: 19–29. PMID 15990235. 
  28. ಜೊಚಿಮ್ ಡೆ ಜುಟರ್
  29. ಎಲ್, ವೈ., ಯೆಟ್ ಆಲ್. (2004). CಆಟೊCSD ಏವ್ಯಾಲುಯೇಷನರಿ ಸರ್ಚ್ ಆ‍ಯ್೦ಡ್ ಆಪ್ಟಿಮೈಜೇಷನ್ ಏನೇಬಲ್ಡ್ ಕಂಪ್ಯೂಟರ್ ಆಟೊಮೇಟೆಡ್ ಕಂಟ್ರೋಲ್ ಸಿಸ್ಟಮ್ ಡಿಸೈನ್. ಇಂಟರ‍್ನ್ಯಾಷನಲ್ ಜರ್ನಲ್ ಆಫ್ ಆಟೊಮೇಷನ್ ಆ‍ಯ್೦ಡ್ ಕಂಪ್ಯೂಟಿಂಗ್, 1(1). pp.76-88. ISSN 1751-8520, http://eprints.gla.ac.uk/3818/
  30. ಎನ್‌ಜಿ, ಕೆ.ಸಿ., ಸ್ವಿಚಿಂಗ್ ಕಂಟ್ರೋಲ್ ಸಿಸ್ಟಮ್ಸ್ ಆ‍ಯ್೦ಡ್ ದೇರ್ ಡಿಸೈನ್ ಆಟೊಮೇಷನ್ ವಿಯಾ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್, ಪಿಹೆಚ್‌ಡಿ ಮಹಾಪ್ರಬಂಧ, ಗ್ಲಾಸ್ಗೊ ವಿಶ್ವವಿದ್ಯಾಲಯ, 1995.
  31. ಎಲ್, ವೈ., ಯೆಟ್ ಆಲ್. (1996). ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ ಆಟೊಮೇಟೆಡ್ ಅಪ್ರೊಚ್ ಟು ಡಿಸೈನ್ ಆಫ್ ಸ್ಲೈಡಿಂಗ್ ಮೋಡ್ ಕಂಟ್ರೋಲ್ ಸಿಸ್ಟಮ್ಸ್, ಇಂಟ್ ಜೆ ಕಂಟ್ರೋಲ್, 63(4), 721-739.
  32. ಸಿಂಬಾಯೊಟಿಕ್‍ಸ್ಪೇರ್ - ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಸಾಫ್ಟ್‌ವೇರ್ ಸಿಸ್ಟಮ್ಸ್ ಗ್ರೂಫ್, ಬೊಸ್ಟನ್‌ನ ಮಸ್ಸಾಚುಸೆಟ್ ವಿಶ್ವವಿದ್ಯಾಲಯ
  33. To CC, Vohradsky J (2007). "A parallel genetic algorithm for single class pattern classification and its application for gene expression profiling in Streptomyces coelicolor". BMC Genomics 8: 49. doi:10.1186/1471-2164-8-49. PMID 17298664. 
  34. ಹಿಟೊಶಿ ಇಬಾ, ಸುಮಿಟಕ ಅಕಿಬ, ಟೆಟ್‌ಸುಯಾ ಹಿಗುಚಿ, ಟೈಸುಕೆ ಸಾಟೊ : BUGS: ಎ ಬಗ್-ಬೇಸ್ಡ್ ಸರ್ಚ್ ಸ್ಟ್ರಾಟೆಜಿ ಯೂಸಿಂಗ್ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ PPSN 1992:
  35. ಇಬ್ರಾಹಿಂ, ಡಬ್ಲ್ಯೂ. ಆ‍ಯ್೦ಡ್ ಅಮೆರ್ , ಹೆಚ್.:ಆ‍ಯ್‌ನ್ ಅಡಾಪ್ಟೇಟಿವ್ ಜೆನೆಟಿಕ್ ಅಲ್ಗರಿದಮ್ ಫಾರ್ ವಿಎಲ್‌ಸಿಐ ಟೆಸ್ಟ್ ವೆಕ್ಟರ್ ಸೆಲೆಕ್ಷನ್
  36. Bagchi Tapan P (1999). "Multiobjective Scheduling by Genetic Algorithms".  Text " Kluwer Academic. ISBN 0-7923-8561-6" ignored (help); Unknown parameter |book= ignored (help)
  37. ಕಲಿಕಾ ಜಾಲದ ಮಾನದಂಡಗಳು ಮತ್ತು ವಾಸ್ತುಶಿಲ್ಪಕ್ಕೆ ನರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಜಾಲಗಳನ್ನು ಪುನರಾವರ್ತನೆಯಾಗುವಲ್ಲಿ ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ ಅನ್ವಯವಾಗುತ್ತವೆ
  38. Wang S, Wang Y, Du W, Sun F, Wang X, Zhou C, Liang Y (2007). "A multi-approaches-guided genetic algorithm with application to operon prediction". Artificial Intelligence in Medicine 41: 151–159. doi:10.1016/j.artmed.2007.07.010. PMID 17869072. 
  39. ಬಿಬಿಸಿ ನ್ಯೂಸ್| ಎಂಟರ‍್ಟೈನ್‌ಮೆಂಟ್ | ಟು ದಿ ಬೀಟ್ ಆಫ್ ದಿ ಬೈಟ್
  40. ಜಾಂಗ್, ಜೆ., ಲೊ, ಡಬ್ಲ್ಯೂ.ಎಲ್., ಮತ್ತು ಚಂಗ್, ಹೆಚ್., " ಸೆಡೊಕೊಏವಲ್ಯುಷನರಿ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ ಫಾರ್ ಪವರ್ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸರ್ಕುಟ್ಸ್ ಆಪ್ಟಿಮೈಜೇಷನ್", IEEE ಟ್ರಾನ್ಸ್ ಸಿಸ್ಟಮ್ಸ್, ಮ್ಯಾನ್ ಆ‍ಯ್೦ಡ್ ಸೈಬರ್‌ನೆಟಿಕ್ಸ್ , ಭಾಗ ಸಿ., ಸಂಪುಟ.36,ಸಂಖ್ಯೆ.4, ಜುಲೈ 2006, pp.590-598.
  41. Willett P (1995). "Genetic algorithms in molecular recognition and design". Trends in Biotechnology 13: 516–521. doi:10.1016/S0167-7799(00)89015-0. PMID 8595137. 
  42. ಬಿಸ್‌ನೆಟ್/ಇ - ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಸಾಫ್ಟ್‌ವೇರ್ ಸಿಸ್ಟಮ್ಸ್ ಸಮೂಹ, ಬೊಸ್ಟನ್‌ನ ಮಸ್ಸಾಚುಸೆಟ್ ವಿಶ್ವವಿದ್ಯಾಲಯ
  43. ನಿಯಂತ್ರಣ ಮತ್ತು ದೋಷ ಸೈರಣೆಗಾಗಿ ಅತ್ಯುತ್ತಮವಾದ ರೂಪುರೇಖೆಯ ಕರಣ ಸಾಮರ್ಥ್ಯ ಘಟಕಗಳು ಎಲೆಕ್ಟ್ರೊ-ಮ್ಯಾನೆಟಿಕ್ ಸಸ್ಪೆನ್ಷನ್, ಪಿಹೆಚ್‌ಡಿ ಮಹಾಪ್ರಬಂಧ 2009ಗೆ ಅನ್ವಯವಾಗುತ್ತದೆ.

ಗ್ರಂಥಸೂಚಿ[ಬದಲಾಯಿಸಿ]

  • ಬಂಜಾಫ್, ವೂಫ್‌ಗ್ಯಾಂಗ್; ನಾರ್ಡಿನ್, ಪೀಟರ್; ಕೆಲ್ಲರ್, ರಾಬರ್ಟ್; ಫ್ರಾಂಕೊನ್, ಫ್ರಾಂಕ್ (1998) ಜೆನೆಟಿಕ್ ಪ್ರೊಗ್ರಾಮಿಂಗ್ - ಆ‍ಯ್‌ನ್ ಇಂಟ್ರುಡಕ್ಷನ್ , ಮೊರ್ಗಾನ್ ಕೌಫ್‌ಮನ್, ಸ್ಯಾನ್ ಫ್ರಾನ್ಸಿಸ್ಕೋ, ಸಿಎ.
  • Bies, Robert R; Muldoon, Matthew F; Pollock, Bruce G; Manuck, Steven; Smith, Gwenn and Sale, Mark E (2006). "A Genetic Algorithm-Based, Hybrid Machine Learning Approach to Model Selection". Journal of Pharmacokinetics and Pharmacodynamics (Netherlands: Springer): 196–221. 
  • Cha, Sung-Hyuk; Tappert, Charles C (2009). "A Genetic Algorithm for Constructing Compact Binary Decision Trees". Journal of Pattern Recognition Research 4 (1): 1–13. 
  • Fraser, Alex S. (1957). "Simulation of Genetic Systems by Automatic Digital Computers. I. Introduction". Australian Journal of Biological Sciences 10: 484–491. 
  • ಗೋಲ್ಡ್‌ಬರ್ಗ್, ಡೇವಿಡ್ ಇ (1989), ಜೆನೆಟಿಕ್ ಅಲ್ಗಾರಿದಮ್ ಇನ್ ಸರ್ಚ್, ಆಪ್ಟಿಮಿಸೇಷನ್ ಆ‍ಯ್೦ಡ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್, ಕ್ಲುವರ್ ಅಕಾಡೆಮಿಕ್ ಪಬ್ಲಿಷರ್ಸ್, ಬೊಸ್ಟನ್, ಎಮ್‌ಎ
  • ಗೋಲ್ಡ್‌ಬರ್ಗ್, ಡೇವಿಡ್ ಇ (2002), ದಿ ಡಿಸೈನ್ ಆಫ್ ಇನ್ನೊವೇಷನ್: ಲೆಸನ್ಸ್ ಫ್ರಮ್ ಆ‍ಯ್೦ಡ್ ಫಾರ್ ಕಾಂಪಿಟೆಂಟ್ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್, ಆಡಿಸನ್-ವೆಸ್ಲಿ, ರೀಡಿಂಗ್,ಎಮ್‌ಎ
  • ಫೊಗೆಲ್, ಡೇವಿಡ್ ಬಿ (2006), ಇವೊಲ್ಯುಷನರಿ ಕಂಪ್ಯೂಟೇಷನ್: ಟುವರ್ಡ್ ನ್ಯೂ ಫಿಲಾಸಫಿ ಆಫ್ ಮೆಷಿನ್ ಇಂಟೆಲಿಜೆನ್ಸ್, IEEE ಪ್ರೆಸ್, ಪಿಸ್ಕಾಟವೇ, ಎನ್‌ಜೆ. ಮೂರನೇ ಆವೃತ್ತಿ
  • ಹೊಲಂಡ್, ಜಾನ್ ಹೆಚ್ (1975), ಅಡಾಪ್ಟೇಷನ್ಸ್ ಇನ್ ನ್ಯಾಚುರಲ್ ಆ‍ಯ್೦ಡ್ ಆರ್ಟಿಫಿಷಿಯಲ್ ಸಿಸ್ಟಮ್ಸ್ , ಯೂನಿವರ್ಸಿಟಿ ಆಫ್ ಮಿಚಿಗಾನ್ ಪ್ರೆಸ್, ಆ‍ಯ್‌ನ್ ಆರ್ಬರ್
  • ಕೊಜಾ, ಜಾನ್ (1992), ಜೆನೆಟಿಕ್ ಪ್ರೊಗ್ರಾಮಿಂಗ್: ಆನ್ ದಿ ಪ್ರೊಗ್ರಾಮಿಂಗ್ ಆಫ್ ಕಂಪ್ಯೂಟರ್ಸ್ ಬೈ ಮೀನ್ಸ್ ಆಫ್ ನ್ಯಾಚುರಲ್ ಸೆಲೆಕ್ಷನ್ , MIT ಪ್ರೆಸ್. ISBN 0-262-11170-5
  • ಮೈಕಲ್‌ವಿಜ್, ಜೀಗ್ನೆಫ್ (1999), ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್+ಡೇಟಾ ಸ್ಟ್ರಕ್ಚರ್ಸ್= ಇವ್ಯಾಲುಯೇಷನ್ ಪ್ರೊಗ್ರಾಂಸ್ , ಸ್ಪ್ರಿಂಗರ್-ವರ್ಲ್ಯಾಗ್.
  • ಮಿಟ್ಚೆಲ್, ಮೆಲಾನಿ, (1996), ಆ‍ಯ್‌ನ್ ಇಂಟ್ರುಡಕ್ಷನ್ ಟು ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ , MIT ಪ್ರೆಸ್, ಕೇಂಬ್ರಿಡ್ಜ್, ಎಂಎ.
  • Poli, R., Langdon, W. B., McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com, freely available from the internet. ISBN 978-1-4092-0073-4. 
  • ರಿಚೆಂನ್ಬರ್ಗ್, ಇಂಗೋ (1994): ಇವಾಲ್ಯುಷನ್‌ ಸ್ಟ್ರಾಟೇಜಿ '94, ಸ್ಟಟ್‌ಗಾಟ್: ಫ್ರೊಮನ್-ಹೊಲ್ಜ್‌ಬೂಗ್.
  • ಶಿಮಿಟ್, ಲೊಥರ್ ಎಂ; ನೆಹ್ನವಿ, ಕ್ರಿಸ್ಟೊಫರ್ ಎಲ್; ಫುಜಿ, ರಾಬರ್ಟ್ ಹೆಚ್(1998), ಲಿನಿಯರ್ ಅನಾಲಿಸಿಸ್ ಆಫ್ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ , ಥಿಯರಿಟಿಕಲ್ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ 208: 111-148
  • ಶಿಮಿಟ್, ಲೊಥರ್ ಎಂ(2001), ಥಿಯರಿ ಆಫ್ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ , ಥಿಯಾರೆಟಿಕಲ್ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ 259: 1-61
  • ಶಿಮಿಟ್, ಲೊಥರ್ ಎಂ (2004), ಥಿಯರಿ ಆಫ್ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ಸ್ II: ಮಾಡೆಲ್ಸ್ ಫಾರ್ ಜೆನೆಟಿಕ್ ಆಫರೇಟರ್ಸ್ ಓವರ್ ದಿ ಸ್ಟ್ರಿಂಗ್-ಟೆನ್ಸರ್ ರೆಪ್ರೆಸೆಂಟೇಷನ್ ಆಫ್ ಪಾಪುಲೇಷನ್ಸ್ ಆ‍ಯ್೦ಡ್ ಕನ್ವರ್ಜೆನ್ಸ್ ಟು ಗ್ಲೋಬಲ್ ಆಪ್ಟಿಮಾ ಫಾರ್ ಅರ್ಬಿಟರಿ ಫಿಟ್‌ನೆಸ್ ಫಂಕ್ಷನ್ ಅಂಡರ್ ಸ್ಕಾಲಿಂಗ್ , ಥಿಯರಿಟಿಕಲ್ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ 310: 181-231
  • ಶ್ವಾಫೆಲ್,ಹ್ಯಾನ್ಸ್-ಪಾಲ್ (1974): ನ್ಯುಮರಿಸ್ಚೆ ಆಪ್ಟಿಮಿಯರಂಗ್ ವನ್ ಕಂಪ್ಯೂಟರ್-ಮಾಡೆಲನ್ (ಪಿಹೆಚ್‌ಡಿ ಮಹಾಪ್ರಬಂಧ). ಬರ್ಕೌಸರ್‌ರಿಂದ ಮರುಮುದ್ರಣಗೊಂಡಿದೆ (1977).
  • ವೋಸ್, ಮೈಕೆಲ್ ಡಿ (1999), ದಿ ಸಿಂಪಲ್ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್: ಫೌಂಡೇಷನ್ಸ್ ಆ‍ಯ್೦ಡ್ ಥಿಯರಿ , MIT ಪ್ರೆಸ್, ಕೇಂಬ್ರಿಡ್ಜ್, ಎಂಎ.
  • ವೈಟ್ಲೀ, ಡಿ. (1994). ಎ ಜೆನೆಟಿಕ್ ಆಲ್ಗರಿದಮ್ ಟುಟೋರಿಯಲ್ . ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕ್ಸ್ ಆ‍ಯ್೦ಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ 4, 65–85.
  • ಹಿಂಗ್‌ಸ್ಟನ್,ಫಿಲಿಪ್ ಎಫ್.; ಬ್ಯಾರೊನ್,ಲುಯಿಗಿ ಸಿ .; ಮೈಕೆಲ್‌ವಿಜ್, ಜೀಗ್ನ್ಯಾಫ್ (2008) ಡಿಸೈನ್ ಬೈ ಇವಾಲ್ಯುಷನ್: ಡ್ವಾನ್ಸಸ್ ಇನ್ ಇವಾಲ್ಯುಷನರಿ ಡಿಸೈನ್:297
  • ಐಬೆನ್,ಗೊಸ್ಟನ್ ಇ.; ಸ್ಮಿತ್, ಜೇಮ್ಸ್ ಇ. (2003) ಇಂಟ್ರುಡಕ್ಷನ್ ಟು ಇವ್ಯಾಲ್ಯುಷನರಿ ಕಂಪ್ಯೂಟಿಂಗ್

ಹೊರಗಿನ ಕೊಂಡಿಗಳು[ಬದಲಾಯಿಸಿ]

ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಪರಿಕಲ್ಪನೆಯ ಬದಲೀಕರಣ[ಬದಲಾಯಿಸಿ]

ಸಂಪನ್ಮೂಲಗಳು[ಬದಲಾಯಿಸಿ]

  • DigitalBiology.NETಸಂಪನ್ಮೂಲಗಳಿಗಾಗಿ ವರ್ಟಿಕಲ್ ಸರ್ಚ್ ಇಂಜಿನ್
  • ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ ಸೂಚ್ಯಂಕಜೆನೆಟಿಕ್ ಪ್ರೊಗ್ರಾಮಿಂಗ್ ನೋಟ್‌ಬುಕ್ ತಾಣವು ಅನುವಂಶಿಕ ಕ್ರಮಾವಳಿ ಕ್ಷೇತ್ರದಲ್ಲಿ ವೆಬ್ ಪುಟಗಳಿಗೆ ರಚನೆಯಾದ ಸಂಪನ್ಮೂಲ ಅಂಶಕವನ್ನು ಒದಗಿಸುತ್ತದೆ

ಬೋಧನೆಗಳು[ಬದಲಾಯಿಸಿ]

  • [http://userweb.elec.gla.ac.uk/y/yunli/ga_demo/ ಆನ್‌ಲೈನ್ ಪ್ರಭಾವಕಾರಿ ಜಿಎ ಪ್ರದರ್ಶಕವು ಜಿಎ ಕಾರ್ಯಗಳು ಹೇಗಿವೆ ಎಂಬುದನ್ನು ಅಭ್ಯಸಿಸುತ್ತದೆ ಅಥವಾ ಕಲಿಯುತ್ತದೆ.

] ಗುಂಪು, ಬದಲಾವಣೆಯ ಜನಸಂಖ್ಯಾ ಗಾತ್ರ, ಮಿತಿಮೀರಿದ ದರ, ವ್ಯತ್ಯಯ ದರ ಮತ್ತು ಆಯ್ಕೆಯ ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆ ಮತ್ತು ಸೇರಿಕೆಯಾದ ನಿರ್ಬಂಧಗಳಲ್ಲಿ ಜಾಗತಿಕ ಒಮ್ಮುಖವಾಗುವುದನ್ನು ಹಂತ ಹಂತವಾಗಿ ಅಥವಾ ವೀಕ್ಷಿಸುವ ಮೂಲಕ ಕಲಿಯುವುದು