Егоров Кирилл, гр. 3538

 

Генетические алгоритмы

 

Чураков Михаил, гр. 3539

Оглавление:

 

1. Введение. 2

1.1 Мягкие вычисления. 2

1.2 Эволюционные вычисления. 2

2. История. 3

2.1 Несколько открытий в биологии. 3

2.2 Ключевые работы.. 3

3. Классический ГА.. 4

3.1 Постановка задачи и функция приспособленности. 4

3.2 Принцип работы ГА.. 5

3.3 Алгоритм работы.. 5

3.4 Отбор. 6

3.5 Скрещивание. 7

3.6 Мутация. 7

3.7 Критерии останова. 7

4. Теория. 8

4.1 Шаблоны.. 8

4.2 Неявный параллелизм.. 9

4.3 Теорема шаблонов. 9

5. Настройка ГА.. 10

6. Различные модификации ГА.. 11

6.1 Кодирование. 11

6.2 Стратегии отбора. 12

6.3 Кроссовер. 12

6.4 Стратегии формирования нового поколения. 12

7. Некоторые модели ГА.. 13

7.1 Genitor (Whitley) 13

7.2 CHC (Eshelman) 13

7.3 Hybrid algorithm (Davis) 13

7.4 Island Models. 14

8. Факторы, создающие сложность для ГА.. 15

9. Выводы.. 16

10. Ссылки. 17

Введение

Генетический алгоритм — это алгоритм, который позволяет найти удовлетворительное решение к аналитически неразрешимым или сложнорешаемым проблемам через последовательный подбор и комбинирование искомых параметров с использованием механизмов, напоминающих биологическую эволюцию.

Мягкие вычисления

Термин "мягкие вычисления" (Soft computing techniques) был введен Лофти Заде (основоположником нечёткой логики) в 1994 году. Это понятие объединяет такие области как:

· нечёткая логика

· нейронные сети

· вероятностные рассуждения

· сети доверия

· эволюционные вычисления

Они дополняют друг друга и используются в различных комбинациях или самостоятельно для создания гибридных интеллектуальных систем.

Эволюционные вычисления

 

Генетические алгоритмы являются частью более общей группы методов, называемой эволюционными вычислениями, которые объединяют различные варианты использования эволюционных принципов для достижения поставленной цели.

Также в ней выделяют следующие направления:

· Эволюционные стратегии

o Метод оптимизации, основанный на идеях адаптации и эволюции. Степень мутации в данном случае меняется со временем – это приводит к, так называемой, самоадаптации.

· Генетическое программирование

o Применение эволюционного подхода к популяции программ.

· Эволюционное программирование

o Было впервые предложено Л.Дж. Фогелем в 1960 году 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.

Генетические алгоритмы применяются для решения следующих задач:

· Оптимизация функций

· Разнообразные задачи на графах (задача коммивояжера, раскраска, нахождение паросочетаний)

· Настройка и обучение искусственной нейронной сети

· Задачи компоновки

· Составление расписаний

· Игровые стратегии

· Аппроксимация функций

· Искусственная жизнь

· Биоинформатика

История

Несколько открытий в биологии

Подоплекой возникновения этих методов стали несколько открытий в биологии.

 

Сначала Чарльз Дарвин опубликовал в 1859 году свою знаменитую работу "Происхождение видов", где были провозглашены основные принципы эволюционной теории:

· Наследственность (потомки сохраняют свойства родителей)

· Изменчивость (потомки почти всегда не идентичны)

· Естественный отбор (выживают наиболее приспособленные).

Тем самым было показано, какие принципы приводят к эволюционному развитию флоры и фауны под влиянием окружающей среды. Однако вопрос о том, как генетическая информация передается от родителей потомкам, долгое время оставался открытым.

 

В 1944 году Эйвери, Маклеод и Маккарти опубликовали результаты своих исследований, доказывавших, что за наследственные процессы ответственна "кислота дезоксирибозного типа". Однако о том, как работает ДНК, стало известно позднее.

 

В 1953 году в номере журнала "Nature" вышла статья Уотсона и Крика, которые впервые предложили модель двухцепочной спирали ДНК.

 

Таким образом, стали известны все необходимые компоненты для реализации эволюционной модели.