Факторы, создающие сложность для ГА

Свойства функций приспособленности, создающие сложность для ГА.

· Многоэкстремальность: создается множество ложных аттракторов. Пример — функция Растригина:

На картинке изображен график функции Растригина с одним аргументом.

· Обманчивость (deception): функция построена так, что шаблоны малого порядка уводят популяцию к локальному экстремуму.

Пример: пусть строка состоит из 10-ти четырехбитных подстрок. Пусть равно количеству единиц в i -той подстроке. Зададим функцию g (u) следующей таблицей:

u
g (u)

и пусть функция приспособленности равна сумме g( ) по всем i = 1..10:

• 

· Изолированность («поиск иголки в стоге сена»): функция не предоставляет никакой информации, подсказывающей, в какой области искать максимум. Лишь случайное попадание особи в глобальный экстремум может решить задачу.

· Дополнительный шум (noise): значения приспособленности шаблонов сильно разбросаны, поэтому часто даже хорошие гиперплоскости малого порядка не проходят отбор, что замедляет поиск решения.

Выводы

 

· Генетические алгоритмы являются универсальным методом оптимизации многопараметрических функций, что позволяет решать широкий спектр задач.

· Генетические алгоритмы имеют множество модификаций и сильно зависят от параметров. Зачастую небольшое изменение одного из них может привести к неожиданному улучшению результата.

· Следует помнить, что применение ГА полезно лишь в тех случаях, когда для данной задачи нет подходящего специального алгоритма решения.

Ссылки

 

1. Авторский сайт Ю. Цоя (http://www.qai.narod.ru/).
2. Исаев С.А. Популярно о генетических алгоритмах (http://algolist.manual.ru/ai/ga/ga1.php).
3. http://www.gotai.net/ - сайт по ИИ.
4. http://neuronet.alo.ru/
5. http://www.neuroproject.ru/ – сайт компании, которая занимается разработкой программного обеспечения с использованием генетических алгоритмов и нейронных сетей.
6. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А., Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности, Харьков, ОСНОВА, 1997. – 112с.
7. Holland J. H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence.— London: Bradford book edition, 1994 —211 p.
8. De Jong K.A. An analysis of the behavior of a class of genetic adaptive systems. Unpublished PhD thesis. University of Michigan, Ann Arbor, 1975. (Also University Microfilms No. 76-9381).
9. De Jong K.A., Spears W.M. An Analysis of the Interacting Roles of Population Size and Crossover // Proceedings of the International Workshop «Parallel Problems Solving from Nature» (PPSN’90), 1990.
10. De Jong K.A., Spears W.M. A formal analysis of the role of multi-point crossover in genetic algorithms. // Annals of Mathematics and Artificial Intelligence, no. 5(1), 1992.
11. Darrel Whitley "A Genetic Algorithm Tutorial", 1993.
12. Darrel Whitley, A Genetic Algorithm Tutorial, Statistics and Computing (4), 1994.
13. Darrel Whitley, An Overview of Evolutionary Algorithms: Practical Issues and Common Pitfalls, Journal of Information and Software Technology, 2001.
14. Mitchell M. An Introduction to Genetic Algorithms. Cambridge, MA: The MIT Press, 1996.
15. K. Deb, S. Agrawal, Understanding Interactions Among Genetic Algorithm Parameters, 1998.
16. Robin Biesbroek "Genetic Algorithm Tutorial. 4.1 Mathematical foundations", 1999.
17. Soraya Rana "Examining the Role of Local Optima and Schema Processing in Genetic Search", 1999.
18. David E. Goldberg, Kumara Sastry "A Practical Schema Theorem for Genetic Algorithm Design and Tuning", 2001.
19. Koza, John R. Genetic programming: on the programming of computers by means of natural selection, A Bradford book, The MIT Press, London, 1992.