Genetické algoritmy. V průběhu výpočtu používají náhodné operace. Algoritmus není jednoznačný, může projít více cestami. Nezaručují nalezení řešení.

Prezentace na téma: "Genetické algoritmy. V průběhu výpočtu používají náhodné operace. Algoritmus není jednoznačný, může projít více cestami. Nezaručují nalezení řešení."— Transkript prezentace:

1 Genetické algoritmy

2

3 V průběhu výpočtu používají náhodné operace. Algoritmus není jednoznačný, může projít více cestami. Nezaručují nalezení řešení. Nezaručují přesnost nalezeného řešení Aproximativní × Stochastické Aproximativní algoritmy zaručují nalezení řešení po určitém počtu kroků a přesnost řešení po určitém počtu kroků.

4 Pokud známe (a můžeme použít) deterministický algoritmus pro řešení úlohy, pak je stochastický algoritmus nevhodný. Stochastické algoritmy jsou dobré všude tam, kde není nic lepšího. Modelové úlohy: TSP Batoh Tření, ráz, dvě tělesa

5 Stochastické algoritmy založené na simulaci evolučního procesu. Obecný přístup, který má velké množství modifikací. Mají dobré schopnosti prohledávání prostoru řešení. Paralelní algoritmy: v jednom okamžiku poskytuje systém několik možných řešení úlohy. výpočet každého řešení probíhá nezávisle výpočet buď sériově nebo paralelně spuštěný

6 Mohou být spuštěné z náhodných počátečních podmínek. Na počátku náhodně vygeneruje několik řešení – obyčejně velmi špatných. Každé řešení ohodnotí podle nějakých kritérií. Nejlepší řešení zkombinuje tak, aby mohlo vniknout ještě lepší řešení. Přidá několik náhodně vygenerovaných řešení. Všechny řešení znovu ohodnotí a kombinuje.

7

8 Chromozom – posloupnost znaků/čísel do které je zakódováno řešení Jedinec + Populace – řešení zadané úlohy Kódování – systém, který řešení úlohy zakóduje do chromozomu Fitness funkce – funkce, která každému jedinci přiřadí hodnocení Konvergence – proces přibližování se ke správnému řešení Křížení – operace, při které vzniká nový jedinec kombinací několika jiných Mutace – operace, při které vzniká nový jedinec náhodnou změnou jiného

9

10

11 Využití pro složité funkce více proměnných. Pro funkci jedné proměnné:

12

13

14 Je možné řešit úlohy jak numericky, tak analyticky. Stačí znát hodnotu kriteriální funkce v bodě Genetické algoritmy mají za určitých podmínek zaručenou konvergenci. GA najde řešení, ale nelze říct kdy.

15 Pokud GA najde řešení, pak se nemusí nutně jednat o řešení zadané úlohy. GA algoritmus řeší fitness funkci, nikoliv původní úlohu. Návrh fitness funkce je klíčový a nejtěžší. Pokud GA najde řešení zadané úlohy, je jeho přesnost nejistá. GA algoritmus se musí navrhnout vždy pro zadanou úlohu.

16 ::= | | ::= | | | ::= ::= | != | == | >= | <= ::= $a | $b | $result ::= 0 | 1| -1 ::= + | - | * | / ::= {} ::= if {} ::= =

17 Vstupní data: {(−3, 3); (43, 43); (3, 3); (123, 123); (−345, 345); (−8, 8); (−11, 11); (0, 0)} Kriteriální funkce: Prefix: <?php function absol($a) { $result = "no_value"; Sufix: return $result;} Body za: nastavení hodnoty, číselnou hodnotu, kladnou hodnotu, požadovanou hodnotuě

18

19

20