Содержание
- 2. Idea algorytmów ewolucyjnych Przyjmujemy początkową populację osobników żyjących w danym środowisku Za pomocą odpowiednio zdefiniowanej funkcji
- 3. Problemy optymalizacji a algorytmy ewolucyjne Metody poszukiwania optymalnych rozwiązań: Analityczne – rozwiązanie układu równań Przeglądowe –
- 4. Problemy optymalizacji a algorytmy ewolucyjne Metody ewolucyjne różnią się od klasycznych następującymi cechami: Nie przetwarzają bezpośrednio
- 5. Algorytmy ewolucyjne - definicje
- 6. Operatory genetyczne Krzyżowanie Wybieramy pulę rodzicielską i kojarzymy chromosomy w pary Losujemy pozycję genu (locus) w
- 7. Operatory genetyczne Krzyżowanie jednopunktowe - przykład
- 8. Operatory genetyczne Krzyżowanie wielopunktowe Wybierane są dwa lub więcej punkty krzyżowania chromosomów Usprawnia proces krzyżowania w
- 9. Operatory genetyczne Krzyżowanie wielopunktowe dla czterech punktów krzyżowania Wylosowano następujące miejsca krzyżowania: 1, 4, 6 i
- 10. Operatory genetyczne Mutacja Zmienia wartość wybranego losowo genu w chromosomie na przeciwny (1 na 0, 0
- 11. Operatory genetyczne Inwersja Działa na pojedynczym chromosomie, zmieniając kolejność alleli między dwoma losowo wybranymi pozycjami chromosomu.
- 12. Klasyczny algorytm genetyczny
- 13. Klasyczny algorytm genetyczny 1. Inicjacja, czyli utworzenie populacji początkowej, polega na losowym wyborze żądanej liczby chromosomów
- 14. Klasyczny algorytm genetyczny 2. Ocena przystosowania chromosomów – obliczenie wartości funkcji przystosowania dla każdego z chromosomów.
- 15. Klasyczny algorytm genetyczny 3. Sprawdzenie warunku zatrzymania. Warunek zatrzymania to może być określona wartość błędu, sytuacja
- 16. Klasyczny algorytm genetyczny 4. Selekcja chromosomów polega na wybraniu (na podstawie wartości funkcji przystosowania), tych chromosomów,
- 17. Klasyczny algorytm genetyczny 5. Utworzenie nowej populacji rodzicielskiej po zastosowaniu operatorów krzyżowania i mutacji.
- 18. Klasyczny algorytm genetyczny 6. Wyprowadzenie najlepszego chromosomu. Po spełnieniu warunku zatrzymania należy wyprowadzić najlepszy chromosom czyli
- 19. Metody selekcji Metoda koła ruletki Selekcja dokonuje się, poprzez wybór chromosomów, którym na kole (koło ruletki)
- 20. Metody selekcji Metoda koła ruletki Wielkość sektorów na kole ruletki przydzielane są według następujących wzorów:
- 21. Metody selekcji Metoda koła ruletki – przykład chromosom fenotyp funkcja przystosowania wielkość procentowa sektora
- 22. Metody selekcji Selekcja rankingowa Osobniki populacji są ustawiane kolejno w zależności od wartości ich funkcji przystosowania.
- 23. Metody selekcji Selekcja turniejowa Dzieli się osobniki na grupy a następnie z każdej grupy wybiera się
- 24. Algorytm genetyczny – przykład 1 Szukanie maksimum funkcji y=2x+1 dla x∈[0,31] x – parametr zadania. Zbiór
- 25. Algorytm genetyczny – przykład 1 Losujemy populację początkową W wyniku losowania otrzymujemy: co odpowiada fenotypom: ch1=[00110]
- 26. Algorytm genetyczny – przykład 1 2. Obliczamy funkcję przystosowania F(ch1)=2•ch1*+1=13 F(ch2)=11 F(ch3)=27 F(ch4)=43 F(ch5)=53 F(ch6)=37 F(ch7)=17
- 27. Algorytm genetyczny – przykład 1 3. Selekcja chromosomów – koło ruletki Na podstawie wzorów: obliczamy wycinki
- 28. Algorytm genetyczny – przykład 1 3. Selekcja chromosomów – koło ruletki Za pomocą koła ruletki losujemy
- 29. Algorytm genetyczny – przykład 1 4. Operacje genetyczne Załóżmy, że wylosowano prawdopodobieństwo mutacji pm=0,2 i prawdopodobieństwo
- 30. Algorytm genetyczny – przykład 1 4. Operacje genetyczne - krzyżowanie Uzyskane wyniki: Pierwsza para rodziców (lk=3)
- 31. Algorytm genetyczny – przykład 1 4. Operacje genetyczne - krzyżowanie Po operacji krzyżowania otrzymujemy następującą populację
- 32. Algorytm genetyczny – przykład 1 4. Operacje genetyczne - mutacja Dla każdego osobnika po krzyżowaniu losujemy
- 33. Algorytm genetyczny – przykład 1 4. Operacje genetyczne – mutacja Mutacji podlegają te osobniki, dla których
- 34. Algorytm genetyczny – przykład 1 4. Operacje genetyczne - mutacja Po operacji mutacji otrzymujemy następującą populację
- 35. Algorytm genetyczny – przykład 1 5. Obliczamy funkcje przystosowania dla nowej populacji F(ch1)=2•ch1*+1=35 F(ch2)=37 F(ch3)=9 F(ch4)=39
- 36. Strategie ewolucyjne Tak jak algorytmy genetyczne operują na populacjach potencjalnych rozwiązań i korzystają z zasad selekcji
- 37. Strategia ewolucyjna (1+1) Przetwarzany jest jeden chromosom bazowy x, którego wartość początkowa jest ustalana losowo W
- 38. Strategia ewolucyjna (μ+λ) Algorytm rozpoczyna się od wylosowania początkowej populacji rodzicielskiej P składającej się z μ
- 40. Скачать презентацию