Применение алгоритмов, инспирированных природными явлениями, для решения задач оптимизации (Паша)
Генетический алгоритм (ГА) позволяет найти удовлетворительное решение аналитически неразрешимых или сложнорешаемых проблем через последовательный подбор и комбинирование искомых параметров с использованием механизмов, напоминающих биологическую эволюцию.
Генетические алгоритмы являются частью более общей группы методов, называемых эволюционными вычислениями, которые объединяют различные варианты использования эволюционных принципов для достижения поставленной цели. В группе эволюционных вычислений выделяют следующие направления: эволюционные стратегии, генетическое программирование, эволюционное программирование, обучаемые системы классификации.
Эволюционные стратегии – метод оптимизации, основанный на идеях адаптации и эволюции. Степень мутации в данном случае меняется со временем – это приводит к так называемой самоадаптации.
Генетическое программирование – применение эволюционного подхода к популяции программ.
Эволюционное программирование было впервые предложено Л. Дж. Фогелем в 190 г. для моделирования эволюции как процесса обучения с целью создания искусственного интеллекта. Он использовал конечные автоматы, предсказывающие символы в цифровых последовательностях, которые, эволюционируя, становились более приспособленными к решению поставленной задачи.
Обучаемые системы классификации – это обучаемые системы, сопоставляющие выходные результаты входным данным. Внутри они используют генетические алгоритмы при поиске новых правил этого отображения.
Все алгоритмы оптимизации могут быть разделены на 2 класса: детерминированные и вероятностные. Первые чаще всего используются при наличии ясной связи между характеристиками вероятных решений и их полезностью для решаемой задачи. Если эта связь не так очевидна или слишком сложна, или размерность поискового пространства очень велика, используются вероятностные алгоритмы.
Метод ветвей и границ является вариацией полного перебора с отсевом подмножеств решений, заведомо не содержащих оптимальных. Область допустимых решений рекурсивно разбивается на подобласти, образующие дерево поиска, и бесперспективные подобласти отбрасываются.
Поиск в пространстве состояний - это поиск успешных конфигураций (состояний), где конечной целью является нахождение целевого состояния с желаемыми параметрами. Отличительной особенностью этого метода является то, что ветви графа, описывающего пространство состояний, генерируются (и отбрасываются) динамически, по мере их исследования.
Алгоритмы Монте-Карло - это вероятностные алгоритмы с детерминированным временем работы, чей результат, однако, с определенной долей вероятности может быть неверным. Они основываются на повторяющемся случайном семплировании. Наиболее простой пример такого алгоритма - это алгоритм прямого поиска, итеративно перемещающийся в поисковом пространстве от решения к решению.
Важным классом вероятностных алгоритмов Монте-Карло являются эволюционные вычисления. Они включают в себя алгоритмы, основанные на итеративно изменяющемся наборе кандидатов в решения (популяции). )то множество методов оптимизации является подклассом мягких вычислений (алгоритмов, используемых для получения неточных решений вычислительно сложных задач), а также входит в область искусственного интеллекта.
Эволюционные алгоритмы можно разбить на несколько групп:
- генетические алгоритмы работают с пространствами поиска, состоящими из битовых строк;
- эволюционные стратегии исследуют
пространство вещественных векторов
;
- генетическое программирование включает в себя эволюционные алгоритмы, автоматически создающие и улучшающие программы, выполняющие целевую задачу;
- обучаемые системы классификации сопоставляют выходные результаты входным данным. Внутри они используют генетические алгоритмы для поиска новых правил для этого отображения;
- эволюционное программирование является эволюционным подходом, который рассматривает экземпляры генома как различные виды, а не различные особи.
Меметические алгоритмы являются модификацией эволюционных алгоритмов с самостоятельным улучшением каждой особи при помощи проблемно-специфичных операторов. Гармонический поиск - это вариация генетического алгоритма, при которой каждая переменная подстраивается под другие так, чтобы получить общую «гармонию» (глобальный оптимум).
Алгоритмы роевого интеллекта имитируют коллективное поведение децентрализованных самоорганизующихся природных систем. Муравьиный алгоритм предназначен для решения задач поиска маршрутов на графе за полиномиальное время. Он использует модель поведения муравьев, которые ищут путь от колонии до источника питания. Метод роя частиц имитирует поведение стаи птиц или косяка рыб. Когда такие группы ищут пищу, каждая особь («частица») действует относительно независимо, имея некоторую степень свободы и случайности поведения. Однако, когда особь найдет источник пищи, она известит об этом других особей в стае, и они последуют за ней.
Алгоритм подъёма - это, в некотором смысле, эволюционный алгоритм с единственной особыо в популяции. Он использует лучшую из полученных особей для создания единственного потомка. Если этот потомок более успешен, чем родительская особь, он ее заменяет и повторяет цикл воспроизводства. В противном случае цикл повторяется со старой особью. Поиск с запретами расширяет алгоритм подъёма, запрещая возврат в уже использованные возможные решения. Такой подход, с одной стороны, уменьшает шанс «застревания» алгоритма в локальном оптимуме, а с другой - усложняет алгоритм и может привести к отказу от очень приспособленных особей. Для решения последней задачи может вводиться дополнительное правило, исключающее отдельные решения из списка запрещённых.
Алгоритм имитации отжига использует модель отжига металлов, при котором в металле уже сформировалась кристаллическая решётка, однако атомы всё еще могут перейти из одной ячейки в другую с некоторой вероятностью. Эта вероятность понижается с уменьшением температуры; кроме того, атом может перейти только в состояние с меньшим уровнем энергии - таким образом, полученная кристаллическая решетка имеет наименьший уровень энергии. Метод стохастического туннелирования семплирует целевую функцию случайными «прыжками» от текущего лучшего решения.