36247

Генети́ческий алгори́тм

Доклад

Информатика, кибернетика и программирование

Некоторым обычно случайным образом создаётся множество генотипов начальной популяции. Таким образом можно выделить следующие этапы генетического алгоритма: Задать целевую функцию приспособленности для особей популяции Создать начальную популяцию Начало цикла Размножение скрещивание Мутирование Вычислить значение целевой функции для всех особей Формирование нового поколения селекция Если выполняются условия останова то конец цикла иначе начало цикла. Создание начальной популяции Перед первым шагом нужно...

Русский

2013-09-21

57.5 KB

1 чел.

Генети́ческий алгори́тмэвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений, с помощью которых решаются оптимизационные задачи с использованием методов естественной эволюции, таких как наследование , мутации ,отбор и кроссинговер . Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

Задача формализуется таким образом, чтобы её решение могло быть закодировано в виде вектора («генотипа») генов, где каждый ген может быть битом, числом или неким другим объектом. В классических реализациях ГА предполагается, что генотип имеет фиксированную длину. Однако существуют вариации ГА, свободные от этого ограничения.

Некоторым, обычно случайным, образом создаётся множество генотипов начальной популяции. Они оцениваются с использованием «функции приспособленности», в результате чего с каждым генотипом ассоциируется определённое значение («приспособленность»), которое определяет насколько хорошо фенотип, им описываемый, решает поставленную задачу.

При выборе «функции приспособленности» важно следить, чтобы её «рельеф» был «гладким».

Из полученного множества решений («поколения») с учётом значения «приспособленности» выбираются решения (обычно лучшие особи имеют большую вероятность быть выбранными), к которым применяются «генетические операторы» (в большинстве случаев «скрещивание» — crossover и «мутация» — mutation), результатом чего является получение новых решений. Для них также вычисляется значение приспособленности, и затем производится отбор («селекция») лучших решений в следующее поколение.

Этот набор действий повторяется итеративно, так моделируется «эволюционный процесс», продолжающийся несколько жизненных циклов (поколений), пока не будет выполнен критерий остановки алгоритма. Таким критерием может быть:

  •  нахождение глобального, либо субоптимального решения;
  •  исчерпание числа поколений, отпущенных на эволюцию;
  •  исчерпание времени, отпущенного на эволюцию.

Генетические алгоритмы служат, главным образом, для поиска решений в многомерных пространствах поиска.

Таким образом, можно выделить следующие этапы генетического алгоритма:

  1.  Задать целевую функцию (приспособленности) для особей популяции
  2.  Создать начальную популяцию
  •  (Начало цикла)
  1.  Размножение (скрещивание)
  2.  Мутирование
  3.  Вычислить значение целевой функции для всех особей
  4.  Формирование нового поколения (селекция)
  5.  Если выполняются условия останова, то (конец цикла), иначе (начало цикла).

Создание начальной популяции

Перед первым шагом нужно случайным образом создать начальную популяцию; даже если она окажется совершенно неконкурентоспособной, вероятно, что генетический алгоритм все равно достаточно быстро переведет ее в жизнеспособную популяцию. Таким образом, на первом шаге можно особенно не стараться сделать слишком уж приспособленных особей, достаточно, чтобы они соответствовали формату особей популяции, и на них можно было подсчитать функцию приспособленности (Fitness). Итогом первого шага является популяция H, состоящая из N особей.

Размножение (Скрещивание)

Размножение в генетических алгоритмах обычно половое — чтобы произвести потомка, нужны несколько родителей, обычно два.

Размножение в разных алгоритмах определяется по-разному — оно, конечно, зависит от представления данных. Главное требование к размножению — чтобы потомок или потомки имели возможность унаследовать черты обоих родителей, «смешав» их каким-либо способом.

Почему особи для размножения обычно выбираются из всей популяции H, а не из выживших на первом шаге элементов H0 (хотя последний вариант тоже имеет право на существование)? Дело в том, что главный бич многих генетических алгоритмов — недостаток разнообразия (diversity) в особях. Достаточно быстро выделяется один-единственный генотип, который представляет собой локальный максимум, а затем все элементы популяции проигрывают ему отбор, и вся популяция «забивается» копиями этой особи. Есть разные способы борьбы с таким нежелательным эффектом; один из них — выбор для размножения не самых приспособленных, но вообще всех особей.

Мутации

К мутациям относится все то же самое, что и к размножению: есть некоторая доля мутантов m, являющаяся параметром генетического алгоритма, и на шаге мутаций нужно выбрать mN особей, а затем изменить их в соответствии с заранее определёнными операциями мутации.

Отбор

На этапе отбора нужно из всей популяции выбрать определённую её долю, которая останется «в живых» на этом этапе эволюции. Есть разные способы проводить отбор. Вероятность выживания особи h должна зависеть от значения функции приспособленности Fitness(h). Сама доля выживших s обычно является параметром генетического алгоритма, и её просто задают заранее. По итогам отбора из N особей популяции H должны остаться sN особей, которые войдут в итоговую популяцию H'. Остальные особи погибают.

Генетические алгоритмы применяются для решения следующих задач:

  1.  Оптимизация функций
  2.  Оптимизация запросов в базах данных
  3.  Разнообразные задачи на графах (задача коммивояжера, раскраска, нахождение паросочетаний)
  4.  Настройка и обучение искусственной нейронной сети
  5.  Задачи компоновки
  6.  Составление расписаний
  7.  Игровые стратегии
  8.  Теория приближений
  9.  Искусственная жизнь
  10.  Биоинформатика (фолдинг белков)
  11.  

Пример тривиальной реализации на C++

Поиск в одномерном пространстве, без скрещивания.

#include <algorithm>

#include <iostream>

#include <numeric>

#include <cstdlib>

#include <ctime>

 

 

int main()

{

   ::std::srand((unsigned int)::std::time(NULL));

   const size_t N = 1000;

   int a[N] = { 0 };

   for ( ; ; )

   {

       //мутация в случайную сторону каждого элемента:

       for ( size_t i = 0 ; i < N ; ++i )

           if ( ::std::rand() % 2 == 1 )

               a[i] += 1;

           else

               a[i] -= 1;

       //теперь выбираем лучших, отсортировав по возрастанию...

       ::std::sort(a, a+N);

       //... и тогда лучшие окажутся во второй половине массива.

       //скопируем лучших в первую половину, куда они оставили потомство, а первые умерли:

       ::std::copy(a+N/2, a+N,    a);

       //теперь посмотрим на среднее состояние популяции. Как видим, оно всё лучше и лучше.

       ::std::cout << ::std::accumulate(a, a+N, 0) / N << ::std::endl;


 

А также другие работы, которые могут Вас заинтересовать

50662. Измерение шумов и помех в телекоммуникационных системах 124 KB
  На выходе блока питания. На выходе блока усилителя. На выходе псофометра. Среднеквадратичное значение на выходе псофометра.
50663. Исследование цепей согласования выходного усилителя мощности 816 KB
  Цель работы Освоение методики расчета и настройки по приборам цепей согласования усилителя мощности УМ. Схема принципиальная электрическая Расчет колебательной системы Экспериментальная часть 3 6 9 12 15 18 21 24 27 17 16. При определенном значении достигают максимального значения которое соответствует критическому режиму работы транзистора. При настройке в резонанс достигается минимальное значение и максимальные значения и .
50664. Метод последовательного анализа при испытании на надежность 86.5 KB
  В качестве результатов испытаний приведены статистика отказов и графики зависимости отказов от времени: 1я реализация № отказа Время отказа 1 305 2 683 ИСПЫТАНИЕ ЗАВЕРШЕНО Граница браковки: 52. 1 Зависимость числа отказов от времени для 1 реализации 2я реализация № отказа Время отказа 1 311 2 377 3 693 ИСПЫТАНИЕ ЗАВЕРШЕНО Граница браковки: 52. 2 ...
50665. Релігія в світовому культурно-історичному просторі 103.5 KB
  Світові релігії в культурно-історичному просторі. Естетичні канони й етична програма буддизму. Етико-естетичні концепції християнства. Естетичний вимір Корану як священної книги ісламу. Особливості мусульманського мистецтва...
50666. Частотные модуляторы 195 KB
  Схема принципиальная электрическая ЧМ автогенератора с варикапом Схема принципиальная электрическая ЧМ автогенератора с реактивным транзистором Расчет Экспериментальная часть Выводы В ходе лабораторной работы были исследованы частотно-модулированные колебания в ЧМ автогенераторе с варикапом и реактивным транзистором. В схеме с варикапом видно что: Уходит значение центральной частоты.
50667. Исследование компенсационных стабилизаторов напряжения 831 KB
  Входное напряжение при номинальном рабочем режиме схемы: Выходное напряжение при номинальном рабочем режиме схемы: Увеличенное входное напряжение: Выходное напряжение при увеличенном входном напряжении: Измерение выходного сопротивления Выходное напряжение стабилизатора с нагрузкой...
50668. Изучение методов структурного резервирования 96.5 KB
  Возможные типы резервирования: Общее нагруженное резервирование. Поэлементное нагруженное резервирование. Общее резервирование замещением. Поэлементное резервирование замещением.
50670. Измерение коэффициента ошибок в цифровых каналах телекоммуникационных систем 186 KB
  Цель работы Ознакомление с приборами методами и схемами измерений коэффициента ошибок в цифровых каналах телекоммуникационных систем; методами оценки качества цифровой модуляции с использованием глазковых диаграмм и диаграмм рассеяния. Экспериментальная часть Измерение коэффициента ошибок на выходе канала передачи информации. Отношение сигнал шум 5 6 7 9 11 15 Число ошибок 54320 50290 56350 57420 35240 1 Общее число принятых бит 111700 106100 123800 148900 102800 466000 Коэффициент ошибок 0.