praktick vyu it genetick ch algoritm
Download
Skip this Video
Download Presentation
Praktické využití genetických algoritmů

Loading in 2 Seconds...

play fullscreen
1 / 35

Praktické využití genetických algoritmů - PowerPoint PPT Presentation


  • 100 Views
  • Uploaded on

Praktické využití genetických algoritmů. Proč GA selhávají? Kdy použít GA? Úlohy s omez. podmínkami Práce s omez. podmínkami Hybridní gen. algoritmy. Proč genetické algoritmy selhávají?. Důvody Neopodstatněné použití Nevhodný typ problému Pochybení při aplikaci genetického algoritmu.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Praktické využití genetických algoritmů' - munin


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
praktick vyu it genetick ch algoritm
Praktické využití genetických algoritmů
  • Proč GA selhávají?
  • Kdy použít GA?
  • Úlohy s omez. podmínkami
  • Práce s omez. podmínkami
  • Hybridní gen. algoritmy
pro genetick algoritmy selh vaj
Proč genetické algoritmy selhávají?
  • Důvody
    • Neopodstatněné použití
    • Nevhodný typ problému
    • Pochybení při aplikaci genetického algoritmu
pro genetick algoritmy selh vaj1
Proč genetické algoritmy selhávají?
  • 1. Neopodstatněné použití (nesprávná motivace)
  • Oblast GA je stále velice mladá a populární
  • Přílišná popularizace a snaha o jednoduchost vede k demonstraci funkce na co nejjednodušších úlohách
  • Vzniká potřeba „jít s dobou“
  • Jsou univerzální a všestranně použitelné, ale to neznamená, že nahradí vše, co zde bylo dosud
pro genetick algoritmy selh vaj2
Proč genetické algoritmy selhávají?
  • 2. Nevhodný typ problému
  • Klamné problémy (deceptive problems)
    • Izolované optimální řešení obklopené průměrnými
    • Nadprůměrní jedinci tak „vedou GA“ úplně jinam
    • Problém je klamný, pokud průměrná fitness všech schémat neobsahujících jako instanci globální optimum je větší než průměrná fitness všech schémat, která tuto instanci obsahují 
pro genetick algoritmy selh vaj3
Proč genetické algoritmy selhávají?
  • Klamné problémy (deceptive problems)
  • f(x) definovaná dle grafu:
  • g(x1,..,x25)=
  • f(x1)+..+f(x25)
pro genetick algoritmy selh vaj4
Proč genetické algoritmy selhávají?
  • 3. Pochybení při aplikaci
    • Použití nesprávné reprezentace (redundance)
    • Použití nevhodné fitness funkce (nedostatečný nebo přílišný selekční tlak)
    • Použití nevhodných genetických operátorů (namísto kombinování vhodných vlastností individuí dochází k jejich rozbíjení)
pro genetick algoritmy selh vaj5
Proč genetické algoritmy selhávají?
  • Použití nesprávné reprezentace

Mnoho individuí reprezentuje stejné řešení

    • (yellow,yellow,blue,black)
    • (blue, blue, yellow, black)
    • (yellow,yellow, black, blue) etc.
pro genetick algoritmy selh vaj6
Proč genetické algoritmy selhávají?
  • Použití nevhodné fitness funkce
    • počet konfliktů vs. rozdílný význam (dopad) konfliktů
pro genetick algoritmy selh vaj7
Proč genetické algoritmy selhávají?
  • Použití nevhodné fitness funkce
    • počet konfliktů vs. rozdílný význam (dopad) konfliktů
pro genetick algoritmy selh vaj8
Proč genetické algoritmy selhávají?
  • Použití nevhodného operátoru
pro genetick algoritmy selh vaj9
Proč genetické algoritmy selhávají?
  • Použití nevhodného operátoru
kdy je vhodn genetick algoritmus pou t
Kdy je vhodné genetický algoritmus použít?
  • Neexistuje rigorózní odpověď, ale určité indicie přece jen existují
    • Prohledávaný prostor je velký
    • Tento prostor není vyhlazený ani unimodální
    • Struktura prostoru je komplikovaná
    • Není třeba najít optimum globální, ale stačí „přijatelné řešení v přijatelném čase“
kdy nen vhodn pou t genetick algoritmus
Kdy není vhodné použít genetický algoritmus?
  • Prohledávaný prostor lze (vzhledem k jeho velikosti) snadno prohledat
  • V hladkém a unimodálním prostoru velmi snadno zvítězí horolezecký algoritmus
  • K vyřešení problému je nutné najít globální optimum
  • Problém není vhodný svým charakterem pro použití genetického algoritmu (klamný problém)
optimaliza n lohy
Optimalizační úlohy
  • Hledání volného extrému (free optimization problem)
  • Hledání vázaného extrému (constraint optimization problem)
  • Hledání řešení splňujícího omezující podmínky (constraint satisfaction problem)
metody pr ce s omezuj c mi podm nkami
Metody práce s omezujícími podmínkami
  • Penalizace nepřípustných individuí
  • Příliš malá penalizace – nepřípustná individua profitují z porušování podmínek
  • Příliš velká penalizace – příliš potlačí vliv nepřípustných individuí a jakékoliv přípustné potom bude mít v populaci velký vliv
  • Není snadné správně zvolit (velikost a struktura přípustné množiny, charakter účelové funkce, ..)
metody pr ce s omezuj c mi podm nkami1
Metody práce s omezujícími podmínkami
  • Opravné algoritmy a speciální operátory
  • Opravný algoritmus
    • Může být velmi obtížné jej navrhnout, měl by být lokální (jinak to bude náhodné hledání)
  • Speciální operátory
    • Musíme mít počáteční populaci plnou přípustných individuí
    • Není snadné navrhnout
metody pr ce s omezuj c mi podm nkami2
Metody práce s omezujícími podmínkami
  • Dekodéry
  • Chromosom není chápán jako zakódované řešení, ale jako informace, z níž lze přípustné řešení zkonstruovat
    • Musíme mít efektivní algoritmus, který dekódování realizuje
    • Lokálnost – malá změna individua vyvolá malou změnu dekódovaného řešení
metody pr ce s omezuj c mi podm nkami3
Metody práce s omezujícími podmínkami

Penalizace nepřípustných individuí

= přímé prohledávání celého prostoru S

Opravné algoritmy a speciální operátory

= přímé prohledávání množiny

přípustných řešení F  S

Dekodéry

= nepřímé prohledávání množiny

přípustných řešení F  S

evolu n algoritmy a lohy s omezuj c mi podm nkami1
Evoluční algoritmy a úlohy s omezujícími podmínkami

Úlohy s omezujícími podmínkami

  • splňování omezujících podmínek
      • problém splňování logických formulí
      • problém N dam
  • hledání vázaného extrému
      • seskupovací problém
      • problém obchodního cestujícího
evolu n algoritmy a lohy s omezuj c mi podm nkami2
Evoluční algoritmy a úlohy s omezujícími podmínkami

Hybridní genetické algoritmy

  • GA jsou univerzální, robustní, ale téměř nikdy nejsou nejlepšími algoritmy pro daný problém
  • Nevyužívají znalostí o konkrétním problému
  • Cesta ke zvýšení efektivnost vede přes využívání vhodných částí „tradičních“ algoritmů a jejich zahrnutí do algoritmu genetického = hybridizace
hybridn genetick algoritmy
Hybridní genetické algoritmy

Reprezentace individuí

Generování počáteční populace, interpretace individuí

Reprodukční operátory

genetick algoritmy a hybridn genetick algoritmy
Genetické algoritmy a hybridní genetické algoritmy
  • „.. hybridní genetický algoritmus začíná tam, kde tradiční algoritmus končí ...“
    • tradiční algoritmus?
      • „tradiční“ genetický algoritmus?
      • „tradiční“ (dosud používaný) algoritmus?
tradi n genetick algoritmy
Tradiční genetické algoritmy
  • binární kódování, pevná délka chromosomů, ruletový mechanismus selekce, základní genetické operátory
  • existující teoretické zdůvodnění funkce (věta o schématech)
  • dosud poměrně intenzivně studovány
  • v praktických aplikacích se téměř nevyskytují
tradi n algoritmy
Tradiční algoritmy
  • Pro konkrétní problém obvykle existuje „tradiční“ (obvykle používaný) algoritmus, který nevede k optimálnímu řešení, ale dává přijatelné řešení
  • Uživatel tento algoritmus obvykle zná a rozumí mu
tradi n algoritmy1
Tradiční algoritmy

Jeho využitím dle Davise [1991]

  • Získáme důvěru uživatele
  • Získáme naději, že vhodným využitím expertízy v tomto algoritmu obsaženém získáme algoritmus hybridní, který bude lepší než algoritmus původní
hybridn genetick algoritmy v ir m smyslu
Hybridní genetické algoritmy v širším smyslu
  • Hybridní genetické algoritmy nevznikají jen využitím znalostí o tradičních metodách
  • Synergie hlavních směrů soft computingu
  • Využívání dalších poznatků genetiky, adaptace a organizace společenstev živých tvorů, začlenění ekologických interakcí, ...
interaktivn evoluce
Interaktivní evoluce

Kopičová, A.: Aplikace genetických algoritmů. Interaktivní evoluce. Diplomová práce. FIM UHK 2009.

interaktivn evoluce1
Interaktivní evoluce

Kopičová, A.: Aplikace genetických algoritmů. Interaktivní evoluce. Diplomová práce. FIM UHK 2009.

  • Grafická interpretace prvních tří iterací, při nichž jsou vytvářena slova ke zpracování želví grafikou (při použití konstanty α = 31°):
  • - „F+F[-F]“
  • - „F+F[-F]+F+F[-F][-F+F[-F]]“
  • - „F+F[-F]+F+F[-F][-F+F[-F]]+F+F[-F]+F+F[-F][-F+F[-F]][-F+F[-F]+F+F[-F] [-F+F[-F]]]“
hybridn genetick algoritmy v ir m smyslu4
Hybridní genetické algoritmy v širším smyslu

„Jest vznešenost v tomto názoru na život s jeho několika mohutnostmi, jež byly původně vdechnuty Stvořitelem v málo tvarů aneb jen v jeden; a že, co tato oběžnice pokračovala kroužíc dle pevných zákonů všeobecné tíže, z tak prostého počátku vyvinulo a vyvíjí se nekonečně těch nejkrásnějších a nejpodivuhodnějších tvarů.“

Charles Darwin

ad