Слайд 2
![Схемы - Стринги схемы (schema) Холланд множества хромосом, которые обладают](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-1.jpg)
Схемы - Стринги
схемы (schema)
Холланд
множества хромосом, которые обладают некоторыми общими свойствами, то есть в
каком- то смысле подобны друг другу
{0, 1, *}, где * означает неопределенное значение
схема (0*0001) – стринги {000001, 010001}
схема (*0110*) – стринги {00100, 101100, 001101, 101101}
Слайд 3
![Схемы - Стринги Для количественной оценки вводятся две характеристики: порядок](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-2.jpg)
Схемы - Стринги
Для количественной оценки вводятся две характеристики:
порядок схемы O(H) - число
фиксированных позиций (не равных *).
схема H= 0*1*** - порядок O(H)= 2.
определенная длина L(H)– это расстояние между первой и последней определенной (не равной *) позицией.
Схема H = 0111*1** , L(H)= 6 – 1 = 5.
Схема H = 0**** , L(H)= 1 – 1 = 0.
Слайд 4
![Теоремы ГА Влияние репродукции Схемы "растут" как отношение среднего значения](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-3.jpg)
Теоремы ГА
Влияние репродукции
Схемы "растут" как отношение среднего значения фитнесс-функции схемы к среднему значению фитнесс-функциипопуляции.
Схема со значением фитнесс-функции выше средней
в популяции имеет больше возможностей для копирования и наоборот.
Правило репродукции Холланда : "схема со значением фитнесс-функции выше среднего живёт и размножается, а со значением фитнесс-функции ниже среднего умирает".
Слайд 5
![Теоремы ГА Влияние кроссинговера Число схем в новой популяции зависит](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-4.jpg)
Теоремы ГА
Влияние кроссинговера
Число схем в новой популяции зависит от двух факторов:
значение фитнесс-функции схемы выше или
ниже значения Целевой Функции популяции;
схема имеет "длинную" или короткую" (определенную длину).
Схемы со значением Целевой Функции выше средней и с короткой длиной имеют возможность экспоненциального роста в новой популяции.
Слайд 6
![Фундаментальная теорема ГА Влияние мутации Теорема. Схемы малого порядка, малой](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-5.jpg)
Фундаментальная теорема ГА
Влияние мутации
Теорема. Схемы малого порядка, малой определенной длины и со значением фитнесс-функции выше
средней формируют растущее по показательному закону число своих представителей в последующих поколениях генетического алгоритма.
Слайд 7
![гипотеза о строительных блоках Гипотеза. Генетический алгоритм стремится достичь близкого](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-6.jpg)
гипотеза о строительных блоках
Гипотеза. Генетический алгоритм стремится достичь близкого к оптимальному
результата за счет комбинирования хорошихсхем (со значением фитнесс-функции выше средней, малого порядка и определенной длины).
Слайд 8
![Параметры генетических алгоритмов мощность популяции N, структура представления решения, вид](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-7.jpg)
Параметры генетических алгоритмов
мощность популяции N,
структура представления решения,
вид генетических операторов кроссинговера
и мутации,
вероятности кроссинговера и мутации
Слайд 9
![мощность популяции N большое – много вариантов для начала работы](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-8.jpg)
мощность популяции
N большое – много вариантов для начала работы
N большое – высокая
вычислительная сложность, опасность преждевременной сходимости
N=[30,200]
Слайд 10
![Виды операторов](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-9.jpg)
Слайд 11
![Вероятность скрещивания и мутации способность сходиться к оптимуму (локальному или](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-10.jpg)
Вероятность скрещивания и мутации
способность сходиться к оптимуму (локальному или глобальному) после
нахождения области, содержащей этот оптимум;
способность находить новые области в пространстве решений в поисках глобального оптимума.
Увеличение значений вероятностей ведет к расширению пространства поиска.
Pc=[0.5, 1]
Pm=[0.001, 0.05]
Слайд 12
![Преимущества генетических алгоритмов Концептуальная простота Широкая применимость Менее жесткие требования](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-11.jpg)
Преимущества генетических алгоритмов
Концептуальная простота
Широкая применимость
Менее жесткие требования при решении реальных задач
Потенциальное
использование априорных знаний и гибридизация с другими методами
Параллелизм
Устойчивость к динамическим изменениям
Способность к самоорганизации
Решение проблем, для которых отсутствует опыт решений
Слайд 13
![Недостатки генетических алгоритмов Конфигурация ГА для решения сложных реальных задач](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-12.jpg)
Недостатки генетических алгоритмов
Конфигурация ГА для решения сложных реальных задач не очевидна.
Кодирование.
Определение фитнесс-функции.
Проблема выбора параметров ГА.
Нет эффективных критериев окончания работа алгоритма.
ГА не могут использовать информацию о градиентах, что уменьшает их эффективность для классических задач.
ГА не эффективны для гладких унимодальных функций.
ГА не эффективны при поиске локальных экстремумов.
ГА требуют достаточно больших вычислительных ресурсов.
Склонны к преждевременной сходимости к локальным экстремумам.
Слайд 14
![No Free Lunch теорема Существует ли некоторый лучший эволюционный алгоритм,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/232254/slide-13.jpg)
No Free Lunch теорема
Существует ли некоторый лучший эволюционный алгоритм, который дает всегда
лучшие результаты при решении всевозможных проблем?
1996
Сумма условных вероятностей посещения в пространстве решений каждой точки одинакова для множества всевозможных целевых функций независимо от используемого алгоритма.
Не существует лучшего алгоритма (эволюционного или любого другого) для решения всех проблем.