Algoritmii genetici folosii n modelarea macroeconomic

1. Genetica- Generaliti
Genetica se ocup cu studiul genelor i studiaz modul de funcionare al acestora. Genele sunt modul n care organismele vii motenesc trsturi de la strmoii lor; de exemplu, copii de obicei arat ca prinii lor, deoarece ei au motenit genele prinilor. Genetica ncearc s identifice ce trsturi sunt motenite i s explice modul n care aceste caracteristici trec de la o generaie la alta. n genetic, o caracteristic a unei fiine vii este numit trstur. Unele trsturi sunt parte a aspectului fizic al unui organism, cum ar fi culoarea ochilor, nlimea sau greutatea unei persoane. Alte trsturi nu sunt uor de identificat i includ tipuri de snge sau rezistenta la boli. Modul n care genele noastre i mediul interacioneaz pentru a produce o trstur poate fi complicat. De exemplu, ansele ca cineva s moar de cancer sau de boli de inim par s depind att de genele lor ct i de stilul lor de via. Genele sunt realizate dintr-o molecul numit ADN, care este copiat i motenit de-a lungul generaiilor. ADN-ul este format din uniti simple, care se aliniaz ntr-o anumit ordine n aceast molecul. Ordinea acestor uniti deine informaie genetic, similar modului n care ordinea literelor de pe o pagin deine o informaie. Limbajul folosit de ADN se numete cod genetic care permite mainii genetice s citeasc informaiile din gene n seturi triplet de codoni. Aceste infromaii sunt instruciuni pentru construirea i operarea unui organism viu. Informaiile dintr-o anumit gen nu sunt ntotdeauna aceleai ntre un organism i altul, aa nct copii diferite ale unei gene nu pot da exact aceleai instruciuni. Fiecare form unic a unei gene este numit alela. De exemplu, o alel pentru gen pentru culoarea prului ar putea cere organismului s produc mult pigment, producnd pr negru, n timp ce o alel diferit a aceleiai gene ar putea da instruciuni eronate, care nu reuesc s produc orice pigment, oferind prul alb. Mutaiile sunt schimbri aleatoare de gene i pot crea noi alele. Mutaiile pot produce noi trsturi, de exemplu, mutaiile unei alele pentru pr negru pot produce o nou alela pentru pr alb. Apariia acestor noi trsturi este important n evoluie.

Genele sunt copiate de fiecare dat atunci cnd o celul se divide n dou celule noi. Procesul prin care ADN-ul este copiat se numete replicarea ADN-ului. Un proces similar este acela cnd un copil motenete genele de la prinii si, o copie a mamei este amestecat cu o copie a tatlui.

2. Ramurile geneticii1
Principalele ramuri ale geneticii sunt urmtoarele : Citogenetica, care studiaz structurile celulare cu rol genetic; Radiogenetica, studiaz efectele radiaiilor asupra bazei materiale a ereditii; Genetica molecular, studiaz ereditatea la nivel molecular, biochimic; Genetica populaiilor, studiaz structura genetic a organismelor vii, precum i factorii care modific structura populaiilor; Genetica ecologic, studiaz procesele de adaptare a populaiilor naturale la mediul lor de via; Genetica cantitativ, studiaz legitatea variabilitii caracterelor, prin aplicarea metodelor matematice la studiul variabilitii; Genetica uman, cu rol major n prevenirea, combaterea i tratarea bolilor ereditare la om.

2.1 Scurt istoric al geneticii

Genetica poate fi definit succint drept tiina ereditii i variabilitii organismelor. Noiunea de ereditate i are originea n latinescul hereditas2, care nseamn motenire. Primele observaii asupra ereditii au fost efectuate n antichitate, cu multe milenii nainte erei lui Christos, atunci cnd oamenii au reuit s creeze primele soiuri de plante i rase de animale. n mod empiric, ei observaser calea de transmitere la descendeni a caracterelor prinilor. nc dinainte de Christos erau cunoscute soiurile de orez obinute de ctre chinezi, rase de cini reprezentate de sculpturile egiptene, precum i diferite rase de porumbei, cai, oi, etc.

EMILIA SEVERIN, CRENGUA ALBU ILEANA IOACHIM- GENETIC UMAN, Concepte si aplicatii practice

Wikipedia, enciclopedia liber

n secolul al XIX-lea o dat cu apariia aglomerrilor urbane, care necesitau cantiti mari de alimente i a dezvoltrii industriei, care avea nevoie de materii prime, se dezvolt substanial cunotinele despre ereditate, mai ales cele privind ameliorarea plantelor i animalelor. Au aprut astfel teoriile corpusculare ale ereditii, ce reluau concepia atomist a lui Democrit i susineau n esen c n fiecare organ, esut sau celul exist nite corpusculi care se acumuleaz n celulele sexuale i asigur transmiterea caracterelor la urmai. Dintre acestea citm: teoria paragenezei a lui Ch. Darwin, teoria plastidulelor a lui E. Haeckel, teoria micelara a lui K.W. Naegeli, etc. 3 Apogeul teoriilor corpusculare ale ereditii a fost reprezentat de teoria plasmei germinative a lui August Weismann care considera n esen c imediat ce oul sau zigotul ncepe s se divid are loc o separare a germenului sau a plasmei germinative de soma sau de corp. Transmiterea ereditar a caracterelor se realizeaz exclusiv de ctre plasm germinativ, care are o structur discontinu, fiind alctuit din "determinani". Acetia sunt nzestrai cu capacitatea de a transmite caracterele organismelor de la o generaie la alta. Dei teoriile corpusculare au caracter speculativ, deoarece corpusculii ereditari erau ipotetici, un aspect pozitiv al acestor teorii l constituie ncercarea de a gsi un suport material ereditii. Primele legi ale ereditii au fost descoperite n a doua jumtate a secolului al XIX-lea de ctre Gregor Mendel, considerat a fi unul din fondatorii geneticii ca tiina. Pe baza unor experiene de hibridare efectuate la plante pe timp de mai muli ani, el i elaboreaz propria teorie asupra existenei factorilor ereditari, care ulterior au fost numite gene i descoper primele legi ale ereditii. Acestea sunt Legea puritii gameilor i Legea segregrii independente a perechilor de caractere.

2.2 Genetic uman- Scurt istoric

Primele observaii asupra unor maladii i malformaii ereditare la om au fost fcute nc din antichitate de ctre Hippocrates (460-370 .e.n.), ntemeietorul medicinei, care a remarcat c unele marformaii au o frecven mult mai mare n unele familii.

Mircea Covic, Ionel Sandovici, Trandafir Angheloni, Structura i organizarea celular a ADN

n secolul XVIII-lea medicul P. Maupertius a nceput unele cercetri privind incidena familial pe baze statistice a unor malformaii cum este polidactilia, sau a unor maladii ereditare cum este albinismul4. n secolul al XIX-lea F. Galton a elaborat metoda studiului gamenilor monozigoi. Redescoperirea legilor lui Mendel la nceputul secolului XX a determinat avntul cercetrilor de genetic uman i au dus la descoperirea faptului c unele caractere ereditare se transmit dup tipul mendelian. O contribuie remarcabil la dezvoltarea cercetrilor de genetic uman a avut medicul englez A.E. Garrod, care a descoperit existena unor maladii metabolice ereditare. Dezvoltarea citogeneticii a dus, printre altele, i la studiul amnunit al cromozomilor umani. Astfel, n anul 1956 doi cercettori suedezi au publicat un articol n care artau c numrul cromozomilor n celulele umane este de 46, ca urmare a studiilor ntreprinse asupra a peste 265 de celule embrionare cultivate artificial. n anul 1958, odat cu descoperirea c fitohemaglutinina, o substan extras din fasole, este capabil s induc diviziunea leucocitelor, a devenit posibil cultura de snge periferic, metod rapid i foarte eficient de studiu a cromozomilor umani. n anul 1959, J.Lejeune, M.Gautier i R.Turpin au descoperit c sindromul Down, cunoscut nc din secolul XIX, este cauzat de trisomia 21. Din acest moment se poate spune c citogenetica uman a devenit o disciplin medical. Ulterior, o dat cu elaborarea metodelor de bandare cromozomial s-au fcut progrese importante n studiul cariotipului uman, n identitatea restructurrilor numerice i structurale ale cromozomilor, corelat cu diverse maladii ereditare i malformaii congenitale. Cercetrile de genetic uman au luat n ultima vreme amploare, astfel c s-a reuit identificarea a cca. 2500 de maladii ereditare, numr n continu cretere. S-au fcut progrese n elaborarea hrii genetice a omului, pn n prezent reuindu-se plasarea exact a ctorva sute de gene pe diferii cromozomi, precum i n studiul comparativ al cariotipului uman i a diferitelor specii de primate. Pentru elaborarea hrilor cromozomiale5 se folosesc urmtoarele metode:
4 5

Manual Biologie - Lecii Clasa a IX-a Manual Biologie - Lecii Clasa a XII-a

Metode citogenetice, prin care se coreleaz prezena diverselor gene cu diferite restructurri cromozomiale (deleii, duplicaii, inversii, translocaii) sau cu aneuploidii;

Hibridarea celular care se bazeaz pe eliminarea difereniat a cromozomilor umani din celulele hibride i corelarea prezenei genelor cu anumii cromozomi neeliminai. Prin iradiere se pot produce rupturi ale cromozomilor umani neeliminai, astfel c genele se pot plasa chiar pe anumite segmente ale unui cromozom;

Hibridarea molecular a unui anumit tip de ARN marcat cu izotopi, cu o anumit regiune cromozomial. Prin micro-autoradiografie este apoi posibil identificarea poziiei genei care determin sinteza ARN-m, pe baz de complementaritate.

De asemenea, s-a elaborat o metod rapid i foarte eficient de determinare a sexului genetic, prin testul cromatinei sexuale, iar dezvoltarea geneticii medicale a permis punerea pe baze tiinifice a consultaiilor genetice. Deoarece n prezent se admite c circa 12% din populaie este constituit din indivizi cu maladii genetice sau parial genetice, problema profilaxiei maladiilor ereditare, precum i a prognozei apariiei lor are o importan deosebit. Ca urmare au aprut i s-au extins clinicile de boli ereditare, precum i centrele de sfaturi genetice, care permit stabilirea unui diagnostic corect al maladiilor ereditare, detectarea purttorilor etc.

3. Algoritmii genetici 3.1 Scurt istoric

Cele mai reprezentative lucrri privind algoritmii genetici: 1859 Charles Darwin - Originea speciilor" - "selecia natural 1865 Gregor Mendel - "Experiments on Plant Hybridization" fundamenteaz Teoria genetic a transmiterii caracterelor n lumea vie 1942 Julian Huxley - "Evolution: The Modern Synthesis 1960 I. Rechenberg I. Rechenberg - "Evolutions Strategie Evolutions Strategie introduce ideea de calcul evolutiv. introduce ideea de calcul evolutiv 1975 John Hollands -"Adaptation n Natural and Artifficial Systems dezvolt i 5

aplic ideile lui Rechenberg 1992 John Koza - Genetic Programming lucrare de referin n prezent calculul evolutiv este aplicat n numeroase domenii de activitate pentru rezolvarea problemelor de optimizare i nu numai.

3.2 Generaliti
Algoritmii genetici fac parte din categoria algoritmilor de calcul evoluionist i sunt inspirai de teoria lui Darwin asupra evoluiei. Ideea calcului evoluionist a fost introdus n 1960 de I. Rechenberg n lucrarea intitulat Evolution strategies.6 Algoritmii genetici se refer la un model introdus i analizat de J. Holland n 1975 i sunt proceduri adaptive care gsesc soluia problemei pe baza unui mecanism de selecie natural i evoluie genetic. Algortimul este des folosit pentru probleme n care gsirea soluiei optime nu este uoar sau cel puin ineficient datorit caracteristicilor cutrii probabilistice. Algoritmii genetici codific o soluie posibil la o problem specific ntr-o singur structur de date numit cromozom i aplic operatori genetici la aceste structuri astfel nct s menin informaiile critice. Algoritmii genetici pornesc de la o mulime iniial de soluii (de obicei aleas aleator) numit n literatur populaie. n aceast populaie fiecare individ este numit cromozom i reprezint o soluie posibil a problemei. n aproape toate cazurile cromozomul este un ir de simboluri (de obicei reprezentat ca un ir de bii). Aceti cromozomi evolueaz pe durata iteraiilor succesive numite generaii. n fiecare generaie, cromozomii sunt evaluai utiliznd msuri de potrivire (fitness).
6

Michalewicsz Z., Genetic Algorithms + Data Structrures = Evolution Programs, Second Extended Edition,

1999

Pentru crearea urmtoarei populaii, cei mai buni cromozomi din populaia (generaia) curent sunt selectai i noii cromozomi sunt formai folosind unul dintre cei trei operatori genetici eseniali: selecia, crossover, i mutaia. Selecia asigur c anumii cromozomi din generaia curent sunt copiai n acord cu valoarea funciei lor de potrivire n noua generaie, ceea ce nseamn c cromozomii cu o importan mare au o probabilitate mare s contribuie la crearea unei noi generaii. Crossover este un alt operator genetic care reprezint procesul prin care pe baza a doi cromozomi din populaia curent sunt formai doi cromozomi pentru populaia urmtoare. Mutaia este procesul prin care un cromozom din populaia curent este modificat i salvat n noua populaie.

3.3 Beneficiile folosirii algoritmilor genetici7

7

conceptul de algoritm genetic este uor de neles modularitatea lor este avantajoas n programarea aplicaiilor sunt capabili de optimizare multi-obiectiv se comport bine n medii zgomotoase ofer ntotdeauna un rspuns, care este tot mai bun cu trecerea timpului de calcul au structur paralel, favorabil programrii distribuite realizeaz creterea vitezei de gsire i a preciziei soluiei soluiile deja gsite sunt uor de valorificat
Goldberg D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison- Wesley,

Reading, MA, 1989

3.4 Domenii de aplicare a algoritmilor genetici8

optimizarea oricrei probleme tehnica reglrii automate: conducerea rachetelor, curgerea fluidelor prin

conducte, reducerea vibraiilor proiectare: plantarea capsulelor circuitelor semiconductoare pe suprafaa

cartelei, reele de comunicaie, proiectarea filtrelor de semnal planificare: alocarea resurselor, manufacturarea produselor, stabilirea

traiectoriei roboilor nvare: antrenamentul RNA, sisteme de clasificare gsirea celei mai bune mutri n: ah, go, poker energetic: repartizarea optim a sarcinii ntre centralele electrice, optimizarea licitaiilor din piaa de energie

3.5 Structura algoritmilor genetici

Se vor stabili urmatoarele ipoteze: cromozomii utilizati au lungime constanta; populatia (generatia) P(t+1) de la momentul t+1 se obtine retinand toti descendentii populatiei P(t) si stergand ulterior cromozomii populatiei precedente (P(t));
8

Oltean M., Proiectarea si implementarea algoritmilor, Computer Libris Agora, Cluj-Napoca, 2000.

numarul cromozomilor este constant.

Etapele algoritmului: Pasul 1: t<- 0 Pasul 2: Se initializeaza aleator populatia P(t) Pasul 3: Se evalueaza cromozomii populatiei P(t). In acest scop se utilizeaza o functie de performanta ce depinde de problema. Pasul 4: Cat timp nu este indeplinita conditia de terminare se executa pasii urmatori: a. Se selecteaza cromozomii din P(t) care vor contribui la formarea noii generatii. Fie P1 multimea cromozomilor selectati (P1 reprezinta o populatie intermediara) b. Se aplica cromozomilor din P1 operatorii genetici. Cei mai utilizati sunt operatorii de mutatie si incrucisare. In functie de problema se pot alege si alti operatori (inversiune, reordonare, operatori speciali). Fie P2 populatia astfel obtinuta (descendentii populatiei P(t)). Se sterg din P1 parintii descendentilor obisnuiti. Cromozomii ramasi in P1 sunt inclusi in populatia P2. Se construieste noua generatie, astfel: P(t+1)<-P2; se sterg toti cromozomii din P(t); se executa atribuirea t<-t+1; se evalueaza P(t).

Conditia de terminare se refera, de regula, la atingerea numarului de generatii specificate. Daca numarul maxim de generatii este N, atunci conditia de oprire este t>N. Se admite rezultatul algoritmului este dat de cel mai promitator individ din ultima generatie. In realitate, nimic nu ne garanteaza ca un individ mai performant nu a fost obtinut intr-o generatie anterioara. 9

De aceea, este normal ca la fiecare pas (la fiecare generatie t) sa retinem cel mai promitator individ care a fost generat pana atunci. Acest proces se numeste elitism.

4. Aplicaii Modelul pnzei de pianjen

Arifovic (1994) folosete alogritmul genetic pentru a modela adaptarea deciziilor de producie ale firmelor in modelul pnza de pianjen. Modelul are un echilibru unic al ateptrilor raionale. Abilitatea nvrii i stablilitatea acestui echilibru au fost investigate folosind un numr de algoritmi adaptivi diferii precum i simularea acestora n experimente cu subieci umani. Astfel, rezultatele adaptrii algoritmului genetic pot fi comparate cu comportamentul altor algoritmi de nvare i evaluate n raport cu dovezi experimentale. Algoritmul genetic este un algortim stochastic de cutare bazat pe mecanismul de selecie natural. Acesta funcioneaz cu o populaie de iruri de caractere binare (cromozomi) care reprezint soluii posibile la problema de cutare. Fiecare ir binar are o valoare fitness ce reprezint o msur a performanei ntr-un mediu dat. O populaie de iruri binare este actualizat prin reproducere, ncruciare i mutaie. Reproducerea copiaz irurile binare n aa fel nct, n timp, irurile binare cu valori fitness mai mari primesc un numr mai mare de copii. ncruciarea reprezint schimbul aleator de pri ale irurilor binare, n timp ce mutaia schimb aleator valorile poziiiilor biilor. O caracteristic importanta a AG care contribuie la eficineta sa este paralelismul implicit, o procesare paralela a unui numar mare de scheme. O schema este un sablon 10

de similitudine ce descrie un subset de siruri cu similaritati la anumite pozitii ale sirului. Acestea sunt descrise de un alphabet ternar, {0,1,*}, unde 0 si 1 sunt considerate biti specifici si * este un simbol nu-mi pasa. Teorema schemei lui Holland afima ca numarul de scheme cu fitness peste medie creste exponential in timp. Mai mult, Holland (1975) a demosntrat ca operatia de reproduceresi incrucisare pe generatii successive provoaca solutii candidate sa creasca in populatie cu aproximativ o rata optimala. Optimalitatea este definita prin vizualizarea strategiei de cautare cau set de probleme bandit multiarmati, pentru care strategia optima este cunoscuta. Intr-o problema bandit multiarmat, agentul trebuie sa aleaga fiecare perioda dintre cele n alternative cu castiguri asteptate constante, care sunt necunostucte apriori. n model se consider n firme active pe o pia competitiv, tranzacionnd un singur bun perisabil (nestocabil). Datorit ntrzierii n producie, cantitile din bunul respectiv oferite de firme pe pia depind de nivelul ateptat al preului. Costul produciei destinate vnzrii n cadrul firmei i la momentul t este dat de relaia:

C i ,t = x q i , t +
unde

1 y qi2,t , x > 0, y > 0, 2

(2.1)

q i ,t

este cantitatea produs pentru vnzarea la momentul t, iar x i y sunt

parametri. Profitul firmei i la momentul t este atunci:

i , t = p t q i ,t C i ,t
unde

(2.2)

pt

reprezint preul bunului respectiv la momentul t.

Cantitatea optim ce poate fi produs de firma i la momentul t se obine din condiia de ordinul nti:

11

 i ,t =0 q i ,t
de unde avem:
1 e p i ,t x y

(2.3)

q i ,t =

(2.4)

unde

p i ,t

reprezint preul ateptat de firma i la momentul t.

Cererea de produs pe piaa respectiv este dat de o funcie invers a cererii:

n

p t = A B q i ,t
i =1

(2.5)

unde A i B sunt parametri pozitivi dai. Cnd piaa ajunge la echilibru, deci oferit pe pia,
e e pi ,t = pt = pt , cantitatea cerut i

q i ,t = q

i preul

* pt = p

sunt, n acest caz, constante.

Dac firmele au ateptri perfecte (naive) privind preul (deci preul perioadei urmtoare se ateapt s fie egal cu cel al perioadei curente), modelul are o soluie care converge ctre un pre i o cantitate stabile i unice atunci cnd
B y <1

i diverge cnd

B y >1 .

Pentru aplicarea AG la acest model s-a considerat c regulile de decizie ale firmelor sunt reprezentate prin stringuri binare. O firm i,
i = 1, n

ia o decizie

privind producia sa la momentul t utiliznd un string binar de lungime finit l, scris n alfabetul {0,1} . Un string binar este mai nti decodificat i transformat ntr-un numr ntreg pozitiv i apoi normalizat pentru a obine o cantitate

12

qi ,t [ 0, q max ] ,

unde

q max este

cantitatea maxim pe care o firm o poate

produce. Cantitatea

q i ,t

reprezint decizia de producie a firmei i la momentul t.

Odat ce cantitile

q i ,t

ce le vor produce firmele sunt determinate, se

poate determina preul de golire a pieei,

pt

utiliznd relaia (6.2) Acest pre

este utilizat apoi pentru a determina profitul firmelor la momentul t, utiliznd relaia (6.5). O anumit valoare a profitului firmei i reprezint fitnessul firmei i n urma aplicrii deciziei respective. Populaia de reguli de decizie este apoi actualizat pentru a crea o nou populaie ce va fi utilizat la momentul t+1. Exist dou variante ale acestui model. Prima utilizeaz doar operaiile de selecie, ncruciare i mutaie. A doua variant utilizeaz doar o nou operaie genetic, pe lng cele trei menionate anterior, i anume operaia de alegere. Aceast operaie testeaz noii indivizi (cromozomi) nainte ca ei s devin membri ai noii populaii. Se calculeaz un fitness potenial pornind de la preul ultimei perioade pentru fiecare individ. Apoi, doi prini i doi indivizi noi aprui sunt ordonai pe baza valorii funciei de fitness calculate, de la cea mai mare valoare la cea mai mic valoare, primii doi indivizi fiind acceptai ca membri ai noii populaii de reguli decizionale. n cazul unei egaliti a valorii fitnessului ntre un printe i un urma, se alege ca un urma s devin membru al noii populaii. Prin aplicarea operaiilor genetice pe membrii unei populaii de reguli de decizie la momentul t, rezult o nou populaie de reguli care va fi utilizat la momentul t +1 . Populaia de la momentul iniial, t = 0 este generat aleator i operaiile genetice se aplic iterativ pn la un moment T. Procesul iterativ de mai sus poate fi interpretat economic n modul urmtor. Reproducerea lucreaz ca o imitaie a indivizilor de succes. Stringurile binare ale acestor indivizi (firme) au valori ale fitnessului mari i sunt copiate de 13

i ,t

al

alte firme. Stringurile cu valori ale fitnessului mai mici, care reprezint decizii de a produce mai puin i cu un profit sczut, gsesc puini imitatori (sau deloc) n urmtoarea generaie. ncruciarea i mutaia sunt utilizate pentru a genera noi idei privind modul de a produce mai mult i de a oferi spre vnzare pe pia produsul, recombinnd experienele decizionale existente i genernd altele noi. Dac se include i operaia de alegere, interpretarea de mai sus se modific n sensul c, n fiecare perioad, firmele genereaz noi decizii de producie utiliznd operatorii genetici. Se compar valorile fitnessului acestor noi poteniali membri ai populaiei de reguli decizionale cu vechea populaie, n condiiile de pia observate n perioada anterioar. Dac noile idei aprute sunt mai bune dect cele anterioare atunci ele sunt implementate n cadrul firmelor. Utilizarea AG n aceste condiii determin firmele individuale s nvee n timp s adopte decizii care duc la creterea profiturilor. Acestea nu sunt, eventual maximizate n cazul tuturor firmelor, dar ele adopt decizii de producie care le conduc treptat ctre un profit mai mare. Simulrile efectuate au artat c pentru valori diferite ale parametrilor (numr diferit de firme, valori diferite ale coeficienilor a, b, A i B .a.) se obin att soluii stabile ct i instabile. Arifovic a dezvoltat un AG cu o populaie multipl, n care fiecare firm este nzestrat cu o ntreag populaie de stringuri. Putem considera c aceast populaie reprezint reguli de decizie admisibile din cadrul crora fiecare firm alege, la un moment de timp dat, o decizie privind cel mai bun comportament ntr-un mediu dat. n fiecare moment de timp, doar un string este selectat, acesta determinnd n continuare comportamentul agentului (firmei). Probabilitatea de alegere a unui anumit string este proporional cu performanele sale n condiii predefinite. Dei o firm alege doar un string dintr-o ntreag mulime, se evalueaz ex post toate deciziile alternative. Deci, n contextul modelului prezentat anterior, la fiecare moment de timp t, o firm alege un string binar dintr-o mulime i utilizeaz apoi acest string pentru a-i actualiza decizia de producie. Odat ce preul de golire a pieei este calculat, firma 14

utilizeaz acel pre pentru a determina profiturile pe care fiecare string din mulimea sa de reguli decizionale le-ar aduce pentru nivelul preului respectiv. Aceste profituri determin valorile fitness ale stringului binar respectiv. Odat valorile fitness calculate, se aplic operatorii genetici n cadrul fiecrei populaii de stringuri binare, asociate firmelor individuale. Se observ c, prin aceast modificare a modelului, se obine un cadru general mai variat, ceea ce duce la idei mai diversificate privind deciziile referitoare la cantitatea de produs ce va fi oferit pe pia. Chiar dac acest cadru devine mai complex, efortul de calcul este identic cu cel anterior, unde se aplica AG unei singure populaii de reguli de decizie. Aplicarea operaiei de alegerea asigur convergena ctre echilibru a soluiei modelului. Cnd apare convergena, toate stringurile binare, din toate populaiile de reguli de decizie asociate firmelor, se decodific n cantiti. Fr aceast operaie de alegere, simulrile ar conduce la fluctuaii mari care nu se reduc n timp. Astfel, s-a artat c n modelul de nvare individual a firmelor, acestea trebuie s utilizeze operaii mai sofisticate (de exemplu operaia de alegere) pentru a se realiza convergena ctre un echilibru. Acest echilibru poate fi ns stabil sau instabil, depinznd de valorile pe care le iau constantele date ale modelului.

15

5. Concluzii
Dou ntrebri apar frecvent n ceea ce privete punerea n aplicare a algoritmilor evolutivi, in particular, algoritmi genetici, n modelarea economic. Prima este problema de interpretare a nvrii la nivelul populaiei i a doua este cea legat de interpretare i motivaia pentru utilizarea operatorului de ncruciare. De exemplu, Fudenberg i Levine (1998) observ c aplicaiile AG tind s presupun c o populaie ntreag de juctori mai degrab implementeaz un AG dect implementarea unui AG a fiecrui juctor, i c aceast implementare pune probleme modului de a motiva i de a interpreta acest tip de nvare, n special n ceea ce privete informaiile necesare pentru aplicarea ncrucirii. Ei sugereaz, n schimb, c agenii individuali ar putea implementa AG. Aceste modele au fost folosite ca modele de nvare social n care o populaie ntreag evolueaz prin imitaie, schimb de idei, si experimentare. Cu toate acestea, aceti algoritmi pot fi de asemenea folosii ca modele ale nvrii individuale, n cazul n care are loc evoluia pe un set de convingeri competiionale ale unor ageni individuali. La nivel macroecoomic pare plauzibil faptul c nvarea are loc, n timp, la nivelul conomiei, adic, agenii observ deciziile fiecruia i imit acei ageni care au auvt succes. Noiunile de imitare a firmelor sau investitorilor de succes au fost n literatura economic de-a lungul timpului. nvarea social reprezint 16

modelarea explicit a acestor noiuni. Pe de alt parte, dac obiectivul cercetrii este examinarea interaciunilor strategice n cadrul jocului teoretic, atunci nvarea individual ar putea fi o paradigm mai adecvat.

Bibliografie

Beasley D., Bull D.R. and Martin R. R., An Overview of Genetic Algorithms, Part1, Foundations, University Computing, Vol. 15, No. 4, pp. 170-181, 1993

Dumitrescu D., Algoritmi genetici si strategii evolutive Aplicatii in inteligenta artificiala si in domenii conexe, Editura Albastra, Cluj Napoca, 2000

Garey M. R. and Johnson D. S., Computers Intractability: A Guide to NPcompleteness, W.H. Freeman and Company, New York , 1978

17

Goldberg D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison- Wesley, Reading, MA, 1989

Koza J.R., Genetic Programming, MIT Press, Cambridge, MA, 1992

Michalewicsz Z., Genetic Algorithms + Data Structrures = Evolution Programs, Second Extended Edition, 1999

Oltean M., Proiectarea si implementarea algoritmilor, Computer Libris Agora, ClujNapoca, 2000. Emilia Severin, Crenguta Albu, Ileana Ioachim, Genetica umana, Concepte si aplicatii practice Wikipedia, enciclopedia liber Mircea Covic, Ionel Sandovici, Trandafir Angheloni, Structura i organizarea celular a AND Manual Biologie - Lecii Clasa a IX-a, Clasa a XII-a

18