Xreferat.com » Рефераты по математике » Непрерывные генетические алгоритмы

Непрерывные генетические алгоритмы

кроссовер моделирует принципы работы двоичного оператора скрещивания.

SBX кроссовер был получен следующим способом. У двоичного кроссовера было обнаружено важное свойство – среднее значение функции приспособленности оставалось неизменным у родителей и их потомков, полученных путем скрещивания. Затем автором было введено понятие силы поиска кроссовера (search power). Это количественная величина, характеризующая распределение вероятностей появления любого потомка от двух произвольных родителей. Первоначально была рассчитана сила поиска для одноточечного двоичного кроссовера, а затем был разработан вещественный SBX кроссовер с такой же силой поиска. В нем сила поиска характеризуется распределением вероятностей случайной величины Непрерывные генетические алгоритмы:

Непрерывные генетические алгоритмы

Для генерации потомков используется следующий алгоритм, использующий выражение для Непрерывные генетические алгоритмы. Создаются два потомка Непрерывные генетические алгоритмы, Непрерывные генетические алгоритмы, где Непрерывные генетические алгоритмы, Непрерывные генетические алгоритмы– число, полученное по формуле:

Непрерывные генетические алгоритмы

В формуле Непрерывные генетические алгоритмы – случайное число, распределенное по равномерному закону, Непрерывные генетические алгоритмы – параметр кроссовера.

На рисунке приведена геометрическая интерпретация работы SBX кроссовера при скрещивании двух хромосом, соответствующих вещественным числам 2 и 5. Видно, как параметр n влияет на конечный результат: увеличение n влечет за собой увеличение вероятности появления потомка в окрестности родителя и наоборот.

Непрерывные генетические алгоритмы

Эксперименты автора SBX кроссовера показали, что он во многих случаях эффективнее BLX, хотя, очевидно, что не существует ни одного кроссовера, эффективного во всех случаях. Исследования показывают, что использование нескольких различных операторов кроссовера позволяет уменьшить вероятность преждевременной сходимости, т.е. улучшить эффективность алгоритма оптимизации в целом. Для этого могут использоваться специальные стратегии, изменяющие вероятность применения отдельного эволюционного оператора в зависимости от его «успешности», или использование гибридных кроссоверов, которых в настоящее время насчитывается несколько десятков. В любом случае, если перед Вами стоит задача оптимизации в непрерывных пространствах, и Вы планируете применить эволюционные техники, то следует сделать выбор в пользу непрерывного генетического алгоритма.

4. Заключение

За последние годы объёмы экономической информации возросли в несколько раз, и это является дополнительным стимулом для многих учёных, работающих в области анализа данных, теории информации и теории алгоритмов, заниматься генетическими алгоритмами.

Очевидно, этим объясняется появление статей по данной теме и на русском языке (на других языках уже опубликовано 9000 работ). Правда, стоит отметить, что пока многие публикации частично (в большей или меньшей степени) повторяют друг друга и может создаться ложное представление о том, что теория генетических алгоритмов и, в частности, такая её часть, как непрерывные генетические алгоритмы, – тема узкая и исчерпываемая двадцатью страницами данной работы. На самом же деле есть не только теория, но и практика генетических алгоритмов. В настоящее время известно о существовании более пятисот программных продуктов, в том или ином виде использующих генетические алгоритмы для решения оптимизационных и прогностических задача.

Также стоит отметить, что талантливые программисты создали популярную игру, базирующуюся на наработках теории генетических алгоритмов, которая называется «Амёбы: Борьба видов» (amebas). Суть игры заключается в том, что каждый игрок «выращивает» на своём компьютере колонию амёб. Каждая амёба имеет свой генотип и ведёт борьбу за выживание. В каждом поколении в ходе сражений часть из них остаётся в проигрыше и не получает возможности размножаться. По ходу развития (с каждым следующим поколением) амёбы накапливают в себе всё больше и больше генетической информации. Раз в некоторое время проводятся Интернет-турниры, на которые каждый игрок выставляет свою лучшую амёбу. В игре учитываются разные возможности скрещивания, возможность направить отбор в том или ином направлении, регулировка количества и силы мутаций и прочие настройки.

В заключение можно сказать, что мои прогнозы развития генетических алгоритмов являются очень оптимистичными по двум причинам:

С повышением вычислительной мощности ЭВМ (не исключено, что после перехода на квантовые или молекулярные компьютеры) станет возможным моделировать при помощи генетических алгоритмов всё более и более сложные ситуации.

Не исключено, что учёные, работающие в области классической теории алгоритмов, найдут решение одной из NP-полных задач, и тогда окажутся решаемыми все алгоритмы, относящиеся к сложности NP.

Список литературы

«АНАЛИТИЧЕСКИЕ ТЕХНОЛОГИИ для прогнозирования и анализа данных», 2005. «НейроПроект»

gotai

basegroup

ru.

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: