genetski algoritmi n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Genetski algoritmi PowerPoint Presentation
Download Presentation
Genetski algoritmi

Loading in 2 Seconds...

play fullscreen
1 / 18

Genetski algoritmi - PowerPoint PPT Presentation


  • 259 Views
  • Uploaded on

Genetski algoritmi. Pripremila: Petra Filipi. Evolucija u prirodi. Osnovna karakteristika evolucije u prirodi je prilagođavanje živih bića uvjetima u prirodi. Mehanizam odabira u prirodnom evolucijskom procesu čine okolina i uvjeti u prirodi.

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 'Genetski algoritmi' - osman


Download Now 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
genetski algoritmi
Genetski algoritmi

Pripremila:

Petra Filipi

evolucija u prirodi
Evolucija u prirodi
  • Osnovna karakteristika evolucije u prirodi je prilagođavanje živih bića uvjetima u prirodi.
  • Mehanizam odabira u prirodnom evolucijskom procesu čine okolina i uvjeti u prirodi.
  • Jedinka koja je najbolje prilagođena uvjetima i okolini ima najveću vjerojatnost preživljavanja i parenja pa tako i prenošenja svog genetskog materijala na svoje potomke.
proces evolucije kao motivacija za genetski algoritam
Proces evolucije kao motivacija za genetski algoritam
  • Inspirirana procesom evolucije, znanost je razvila računalnu paradigmu zvanu evolucijsko računarstvo koja oponašanjem prirodnih evolucijskih procesa pokušava riješiti razne procesorski zahtjevne računalne probleme.
  • Genetskialgoritmi koriste neke mehanizme inspirirane biološkom evolucijomkako bi pronašli što bolje rješenje određenog problema.
  • Potencijalna rješenja optimizacijskogproblema kojeg evolucijski algoritam pokušava riješiti igraju ulogu "jedinke" u "populaciji". Pritom se potencijalna rješenje (jedinke) međusobno kombiniraju i razvijaju na sličan način kao što to u prirodi čine biološke jedinke neke vrste.
genetski algoritam definicija
Genetski algoritam (definicija)
  • Genetski ili genetički algoritam (GA) je heuristička metoda optimiranja koja oponaša prirodni evolucijski proces te ga primjenjuje u traženju najoptimalnijeg rješenja zadanog problema.
  • GA koriste umjetne ‘kromosome’ koji opisuju skup svojstava objekata .Svaki kromosom sastoji se od niza gena.Geni su predstavljeni binarnim znamenkama 0 i 1.
slide5
Kako radi GA?

Pseudokod jednostavnog GA

Genetski_algoritam(Velicina_Populacije, t, pm, pc, M)

{

t = 0;

generiraj početnu populaciju potencijalnih rješenja P(0);

sve dok nije zadovoljen uvjet završetka evolucijskog procesa

{

t = t + 1;

selektiraj P'(t) iz P(t-1);

križaj jedinke iz P'(t) i djecu spremi P(t);

mutiraj jedinke P(t);

}

ispiši rješenje;

}

  • Stvori se inicijalna populacija, svaka jedinka s vlastitim genomom
  • Svaka jedinka ocjenjuje se posebnom funkcijom koja se zove funkcija cilja(dobrote)
  • Funkcija vraća vrijednost koja nam govori koliko je jedinka „sposobna”
  • Nakon što se svaka jedinka procijeni poredaju se po vrijednostima funkcije cilja i iz populacije izbacuju oni s najnižom vrijednosti
  • Genomi različitih jedinki se rekombiniraju, događaju se mutacije i tako se stvori sljedeća generacija
  • Jedinke se ponovno ocjenjuju funkcijom cilja i to se ponavlja dok se ne dobije optimalno rješenje
genetski operatori
Genetski operatori
  • Evaluacija:

-cilj je razlučiti dobra rješenja od loših

-na temelju svojstva jedinke može se odrediti koliko je ona dobro rješenje u odnosu na druge (dobrota) odnosno loša u odnosu na druge(kazna)

-važno je da funkcija evaluacije bude dobra da se ne bi izgubila dobra svojstva jedinke

slide8

Selekcija

-Odabiru se jedinke koje će sudjelovati u reprodukciji

-lošim jedinkama potrebno omogućiti minimalnu vjerojatnost razmnožavanja

-bolje jedinke trebaju imati veću mogućnost razmnožavanja

slide9

Križanje

-imitira prirodni proces križanja

-u njemu sudjeluju dvije jedinke populacije

-križanjem njihova genetskog materijala dobiva se jedna ili dvije nove jedinke

-postiže se konvergencija optimumu

-najjednostavniji način križanje s jednom točkom prekida

Izvodi se u dva koraka:

1) Parovi nizova znakova određuju se na slučajan način

2) Na slučajan način se odabire položaj k unutar nizova znakova i znakovi iz tog položaja iz oba niza znakova se međusobno zamjenjuju

slide10

Mutacija

-unarni operator koji mijenja neki dio gena u neku nasumično odabranu vrijednost

-može promijeniti jedno ili više svojstava jedinke

  • Mutacija ima sekundarnu ulogu u radu genetskih algoritama
  • Ona omogućuje da se izbjegne gubitak korisnog genetskog materijala (0 ili 1 na nekim lokacijama).
  • Mutacija se izvodi tako da se na slučajan način povremeno zamijene 0 u 1 (i obrnuto) na nekim mjestima niza znakova
  • Mutacija se izvodi dosta rijetko (~ 1 mutacija na 1.000 bitova)
na in funkcioniranja ga
Način funkcioniranja GA
  • GA rade s kodiranim varijablama

(a ne s varijablama u originalnom obliku)

  • GA pretražuju iz cijele populacije točaka
  • (a ne iz jedne točke)
  • GA koristi direktno funkciju cilja

(a ne njene derivacije i sl.)

  • GA koristi probabilistička pravila za prijelaz u slijedeći skup točaka (a ne deterministička pravila)
portretiranje osumnji enika new mexico state university
Portretiranje osumnjičenika (New Mexico State University)
  • „Novi pristup prepoznavanju osumnjičenih
  • GA generira 20 lica na ekran
  • Svjedok ocjenjuje sličnost svakog od tih lica sa

osumnjičenikom (na skali od 1-10)

  • GA na temelju tih ocjena generira novu generaciju lica sličnijih osumnjičeniku, itd.doksvjedok ne nađe da je neko lice dovoljno slično osumnjičeniku
  • Koriste se sljedeće crte lica: usta, kosa, oči, nos i brada
slide13

„Test sustava: svjedoci vide simuliranu

kriminalnu radnju

U ovom primjeru: svjedok je rekonstruirao lice 3 dana nakon simulirane kriminalne radnje

prednosti
Prednosti
  • „ GA su računarski jednostavni ali snažni algoritmi
  • „ GA se mogu koristiti i kod problema koji se zbog svojih značajki ne mogu rješavati tradicionalnim algoritmima optimizacije
  • GA postižu dobru ravnotežu

efikasnosti i efektnosti (tj. nalaženje pravih rješenja)

Puno mogućnosti nadogradnje i povećanja učinkovitosti !

Ponavljanje postupka rješavanja !

nedostaci
Nedostaci:
  • često potrebno prilagoditi problem ili
  • algoritam
  • velik utjecaj parametara
  • priroda rješenja je nepoznata
  • nema 100% učinkovitosti
  • sporost izvođenja
zaklju ak
Zaključak…
  • Genetski algoritmi predstavljaju jednostavan pristup složenim problemima pretrage velikog prostora. Korištenjem modela učenja i evolucije iz prirode omogućuju modeliranje željenih osobina sustava, te automatsko pronalaženje rješenja. Ostvareni rezultati, iako pokazuju zadovoljavajuća rješenja, ne osiguravaju uvijek nalaženje optimalnog rješenja.
primjer ga
Primjer GA:
  • Dostupna programska rješenja koja demonstriraju rad genetskih algoritama dostupna su u velikom broju. Jedno od njih je dostupno na adresi http://math.hws.edu/xJava/GA/,

koje ilustrira proces evolucije biljojeda u virtualnom svijetu.

hvala na pa nji za one koji ele znati vi e http www zemris fer hr golub ga ga html
HVALA NA PAŽNJI!Za one koji žele znati više…http://www.zemris.fer.hr/~golub/ga/ga.html