Содержание
- 2. Історія Історія еволюційного моделювання або еволюційних обчислень почалася з робіт Дж. Холланда, Л. Фогеля, А.Овена та
- 4. Принципи розвитку виду Спадковість (здатність організмів передавати свої ознаки потомству) Мінливість (забезпечує генетичну різноманітність популяції і
- 5. Основні поняття Ген - структурна и функціональна одиниця спадковості, що контролює розвиток певної ознаки чи властивості.
- 6. Генетичний алгоритм в біології приблизно працює так. Маємо двох батьків: Колір очей: карий Колір волосся: чорний
- 7. Наочна генетика)))
- 8. Міждисциплінарний підхід Біологія Математика Генетичний алгоритм
- 9. При розв’язанні задачі із застосуванням ЕОМ необхідно : обрати спосіб представлення розв’язку (необхідно розробити таку структуру,
- 10. Общая схема алгоритма Пусть имеем комбинаторную задачу оптимизации: Начальная популяция ‑ набор допустимых решений исходной задачи
- 11. Задача про ранець
- 12. Задача про ранець
- 13. Вхідні дані до задачі Потрібно скласти ранець в похід так, щоб він мав вагу не більше
- 14. Початкова популяція (початкові варіанти пакування ранця) Функція придатності
- 15. Початкова популяція
- 16. Вибір батьків
- 17. Схрещування (кросовер) Характеристики нащадка
- 18. Оновлення популяції
- 19. Поточний рекордний розв’язок
- 20. Схема простого генетичного алгоритму
- 21. Генерація нащадків Природне середовище Статеве (генетичний матеріал двох батьків використовується при створенні нащадка) Безстатеве (клонування, при
- 22. Оператори вибору батьків Маємо популяцію Спосіб 1. Панміксія
- 23. Оператори вибору батьків Маємо популяцію Спосіб 2. Турнірний відбір
- 24. Способи вибору батьків Маємо популяцію Спосіб 2. Турнірний відбір
- 25. Оператори вибору батьків Панміксія Турнір Інбридинг (першого батька відбирають випадковим чином, а другий батько є
- 26. Оператори вибору батьків 1 в якості відстані береться різниця значень цільової функції 2 як відстань береться
- 27. Відстань Хемінга Хемінгова відстань між хромосомою 1010001 і хромосомами популяції
- 28. Оператори створення (генерації) особин Призначення: створювати нащадків на основі схрещування батьків Назви: оператор схрещування оператор кросинговеру
- 29. Оператор рекомбінації(схрещування) Бінарна рекомбінація(кросинговер) Два батька: Одноточковий кросинговер ↑ : Розрізняють такі види кросинговеру: Одноточковий кросинговер.
- 30. Оператор рекомбінації(схрещування) Бінарна рекомбінація(кросинговер) Два батька: Двоточковий кросинговер: Два нащадки: Точки кросинговеру можуть: бути постійними; обиратися
- 31. Оператор рекомбінації(схрещування) Дискретна рекомбінація Два батька: Класична дискретна рекомбінація: Отримані діти:
- 32. Оператор рекомбінації(схрещування) Дискретная рекомбинация (Репликация) Родитель1 Родитель2 Репликация. Оператор наиболее близок к природному явлению, которое в
- 33. Оператор рекомбинации (Репликация) Родитель1 Родитель2 Пусть - значения генов родителей 1 и 2 соответственно ( );
- 34. Оператор рекомбинации (Репликация) Родитель1 Родитель2 Потомок
- 35. Оператор рекомбинации Універсальний оператор кросинговеру Популярний при розв’язанні задач теорії розкладів. Замість використання точок розрізу (точок
- 36. Мутація Служить для: “Вибивання” популяції з локального екстремуму Запобігання передчасної збіжності Прискорення пошуку оптимального розв’язку З’являються
- 37. Мутація Випадок використання бітового кодування генів та хромосом Одноточковий оператор мутації
- 38. Мутація Випадок використання бітового кодування генів та хромосом Двохточковий оператор мутації
- 39. Мутація Позиційний оператор мутації Ген, що відповідає другій точці мутації, розміщується в позицію перед геном, якій
- 40. Інверсія Гени, що розміщені між цими точками, інвертуються Випадково обираються дві точки інверсії
- 41. Мутація Спосіб 1: де - деяка константа, - випадкове число. Дискретний випадок Наприклад, = 5, =
- 42. Мутація Дискретный случай Способ 2 Пусть - значения генов родителей 1 и 2 соответственно ( );
- 43. Реанімація
- 44. Відбір особин в нову популяцію Батьки Нащадки (задача на мінімум)
- 45. Нова популяція: Відбір особин в нову популяцію (задача на мінімум)
- 46. Способи відбору особин в нову популяцію Елітарний відбір (серед всіх елементів популяції і нащадків вибираються N
- 47. Простий приклад застосування генетичного алгоритму
- 48. Знайти глобальний мінімум функції на МДР: Формування начальної популяції: оберемо випадковим чином кілька чисел на відрізку
- 49. Тепер приступимо до процесу розмноження (рекомбінація) : спробуємо на основі вихідної популяції створити нову. Процес створення
- 50. Наступним кроком у роботі генетичного алгоритму є мутації Нехай імовірність мутації дорівнює 0,3. Тепер маємо такі
- 51. Тепер з чотирьох особин-батьків і чотирьох отриманих особин-нащадків необхідно сформувати нову популяцію.
- 52. У результаті отримаємо нове покоління, яке представлене на рисунку.
- 53. Переваги і недоліки генетичного алгоритму проблематично знайти точний глобальний оптимум; генетичний алгоритм неефективно застосовувати у разі
- 54. Переваги і недоліки генетичного алгоритму стійкий до потрапляння в локальні оптимуми; придатний для вирішення великомасштабних задач
- 55. Про ефективність ГА
- 56. Приклади застосування Проектування автомобіля (Designing the Car) Ролік http://boxcar2d.com/ Опис алгоритму http://boxcar2d.com/about.html Генерація дизайнерських ідей за
- 58. Скачать презентацию