Alternativy k evolučním optimalizačním algoritmům Porovnání genetických algoritmů a některých tradičních stochastických optimalizačních přístupů David Štefka Vedoucí práce: Ing. RNDr. Martin Holeňa, CSc.
Druhy optimalizačních problémů Modelová optimalizace - matematický model → analytická funkce - mnoho volání účelové funkce - snadný výpočet gradientu (analyticky/numericky) Technická optimalizace - účelová fce: fyzikální měření, simulace… - dlouhá doba vyhodnocení účelové fce, finančně náročné V této práci se zabýváme technickou optimalizací
Rozdělení optimalizace Deterministické algoritmy Stochastické algoritmy Jen funkční hodnota Technická Modelová Využití derivacíModelová
Deterministické algoritmy Většinou používají derivace →lokální Pro technickou optimalizaci nejsou vhodné Např. metoda největšího spádu, sdružených gradientů,…
Stochastické algoritmy Náhodné rozhodování během výpočtu Některé hledají globální extrém Zástupci: stochastický horolezecký algoritmus nebo simulované žíhání Nejpoužívanější – genetické algoritmy
Účel této práce Porovnat tradiční stochastické algoritmy s algoritmy genetickými: Čistě náhodné prohledávání (PRS) Stochastický horolezecký algoritmus (LOCAL) Simulované žíhání (SA) Genetický algoritmus (GA)
Implementace a testování Implementace v prostředí MATLAB Testování na analytických funkcích Testování na funkcích aproximovaných pomocí neuronových sítí (data z praxe) Využití paralelismu úlohy (několik vyhodnocení účelové funkce současně - sdružené volání účelové funkce)
Neuronové sítě MLP1MLP2 MLP3RBF1
Výsledky testování Nejvhodnější je SA (globální a univerzální) Pro velmi malý počet volání účelové funkce může být lepší LOCAL nebo GA PRS je v praxi nepoužitelné
Dotazy