- •Міністерство освіти і науки україни
- •1. Асоціативні правила
- •Таблиця 1.1. Приклад набору транзакцій
- •Пошукасоціативних правил
- •2. Нейронні мережі
- •2.1. Основні поняття
- •2.2. Алгоритм зворотного поширення помилки
- •2.3. Алгоритм навчання rbf-мережі та її використання
- •Остання властивість й обумовила назву таких мереж.
- •2.4. Мережі зустрічного поширення
- •Таблиця 2.3. Початкові дані для навчання мзп
- •3. Метод групового врахування аргументів
- •Багаторядний метод групового врахування аргументів
- •Критерій балансу змінних
- •Таблиця 3.3. Вихідні дані для застосування критерію балансу змінних
- •4 Еволюційне моделювання та методи самоорганізації
- •4.1. Ретроспектива еволюційного моделювання
- •4.2. Генетичний алгоритм
- •4.3. Робота генетичного алгоритму
- •4.4. Елементний та функціональний базис генетичного алгоритму.
- •4.5. Еволюційні стратегії
- •4.6. Порівняльний аналіз еволюційних алгоритмів
- •4.7. Світові наукові школи еволюційного моделювання
4.2. Генетичний алгоритм
3 біології відомо, що генетичний код організму називається його генотипом, а фізична реалізація коду - фенотипом. Ці та інші визначення є базовими в термінології ГА, що не означає точного наслідування біологічних процесів, і лише в деякому наближенні ГА можна вважати їх моделлю. У біологічній хромосомі інформація закодована в ланцюжку ДНК, що складається з довгої послідовності чотирьох елементів: аденіну, цитозину, гуаніну та тиміну.
Початковий генетичний код організму записують, використовуючи чотири букви (A, C, G, T) алфавіту. B ГА хромосома представлена рядком, записаним в двохелементному алфавіті, що складається з нуля та одиниці.
До базових операторів ГА відносять кросовер (рекомбінації, кросинговер), мутацію та інверсію. 3 їх допомогою здійснюється домінуюче розмноження краще адаптованих до зовнішнього середовища індивідів, а також одержання індивідів з характеристиками, які були відсутні у індивідів попередніх поколінь. B оптимізаційних задачах, таким чином, реалізується наближення до оптимального розв'язку і виходу цільової функції з локальних екстремумів.
Генетичний алгоритм (ГА) є одним із методів знаходження екстремумів складних функцій. ГА – складова частина еволюційного моделювання як наукового напряму, що базується на принципах природного відбору за Ч. Дарвіном. ГА вперше був запропонований в 1975 році в Мічиганському університеті Джоном Холландом. Він отримав назву репродуктивний план Холланда і надалі активно використовувався як базовий алгоритм в еволюційних обчисленнях.
Подальший розвиток ГА, як власне і назву, отримав в роботах Девіда Голдберга (Goldberg D.E.) в лабораторії генетичних алгоритмів Іллінойського університету, Кеннета де Йонга (de Jong K.A.) в університеті Джорджа Мейсона, штат Вірджинія, США та їх учнів.
Розглянемо базовий ГА.
Крок 1. Ініціалізація початкового моменту часу t = 0.
Крок 2. Випадковим чином сформувати початкову популяцію, що складається з індивідів..
Крок 3. Обчислити пристосованість кожного індивіда ,та популяції в цілому, де- фітнес-функція (fitness-function). Значення цієї функції вказує на те, наскільки оптимальним є індивід, що описується даною хромосомою, для розв'язання задачі.
Крок 4. За певним принципом обрати індивіда з популяції.
Крок 5. За тим самим принципом обрати другого індивіда з популяції та з певною, наперед заданою ймовірністю (ймовірністю кросоверу) виконати операторкросоверу.
Крок 6. 3 ймовірністю 0,5 з відібрати одного індивіда.
Крок 7. 3 певною наперед заданою ймовірністю (ймовірністю мутації ) виконати оператор мутації.
Крок 8. 3 певною наперед заданою ймовірністю (ймовірністю інверсії ) виконати оператор інверсії.
Крок 9. Помістити отриману хромосому в популяцію .
Крок 10. Оцінити пристосованість нового індивіда у порівняні з іншими індивідами. Вилучити з популяції найгірш пристосовану особину .
Крок 11. Збільшити номер поточної епохи .
Крок 12. Якщо виконується умова зупинки (гранична кількість епох, збіжність популяції, граничне значення часу роботи алгоритму), то завершити роботу, інакше перейти на крок 3.