Praktick vyu it genetick ch algoritm
Sponsored Links
This presentation is the property of its rightful owner.
1 / 35

Praktické využití genetických algoritmů PowerPoint PPT Presentation


  • 79 Views
  • Uploaded on
  • Presentation posted in: General

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.

Download Presentation

Praktické využití genetických algoritmů

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


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


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


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 


Proč genetické algoritmy selhávají?

  • Klamné problémy (deceptive problems)

  • f(x) definovaná dle grafu:

  • g(x1,..,x25)=

  • f(x1)+..+f(x25)


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)


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.


Proč genetické algoritmy selhávají?

  • Použití nevhodné fitness funkce

    • počet konfliktů vs. rozdílný význam (dopad) konfliktů


Proč genetické algoritmy selhávají?

  • Použití nevhodné fitness funkce

    • počet konfliktů vs. rozdílný význam (dopad) konfliktů


Proč genetické algoritmy selhávají?

  • Použití nevhodného operátoru


Proč genetické algoritmy selhávají?

  • Použití nevhodného operátoru


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 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)


Optimalizační úlohy

  • Hledání volného extrému (free optimization problem)

  • Hledání vázaného extrému (constraint optimization problem)

  • Hledání řešení splňujícího omezující podmínky (constraint satisfaction problem)


Evoluční algoritmy a úlohy s omezujícími podmínkami

Úlohy s omezujícími podmínkami


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 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 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 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


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


  • 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


    Hybridní genetické algoritmy

    Reprezentace individuí

    Generování počáteční populace, interpretace individuí

    Reprodukční operátory


    Genetické algoritmy a hybridní genetické algoritmy

    • „.. hybridní genetický algoritmus začíná tam, kde tradiční algoritmus končí ...“

      • tradiční algoritmus?

        • „tradiční“ genetický algoritmus?

        • „tradiční“ (dosud používaný) algoritmus?


    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


    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


    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


    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, ...


    Hybridní genetické algoritmy v širším smyslu

    Kulturní algoritmy


    Hybridní genetické algoritmy v širším smyslu

    Koevoluce


    Hybridní genetické algoritmy v širším smyslu

    Interaktivní evoluce


    Interaktivní evoluce

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


    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]]]“


    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


  • Login