Analiza comparativa a algoritmilor de optimizare multicriteriala

(OM) vs algoritmi genetici (AG)

Introducere

Un algoritm reprezint un set de instruciuni destinate pentru a efectua o
sarcin specific, avnd n vedere o stare iniial, care se va termina ntr-o stare
final definit. Eficiena n aplicare a algoritmului depinde de viteza de lucru,
marime, consumul de resurse.
Gndirea algoritmic reprezint cel mai important instrument pentru
rezolvarea unei probleme construit pe baza unor instruciuni dar mai ales pentru
construirea i nelegerea algoritmilor:
- Capacitatea de a analiza problema.
- Capacitatea de a specifica cu precizie problema.
- Abilitatea de a gsi instruciunile de baz pentru problema dat.
- Capacitatea de a construi un algoritm corect pentru buna funcionare a
instruciunilor problemei.
- Abilitatea de a gndi toate posibilitile normale si speciale ale
problemei.
- Capacitatea de a mbunti eficiena unui algoritm.
Optimizarea reprezint un process care const n analizarea multiplelor
posibiliti de rezolvare a unei probleme iar obiectivele sale sunt gsirea soluiilor
optime ale problemei .
n urma optimizrii, un algoritm ar trebui s ntruneasc o serie de
caracteristici:
- Finitudine proprietatea algoritmului de a stabili datele de ieire.
- Generalitate proprietatea algoritmului de furniza o soluie indiferent
de problema impus.
- Corectitudinea proprietatea algoritmului de a procesa informaiile
astfel nct rezultatele s fie furnizate n mod corect, n conformitate
cu datele de intrare.
- Claritatea proprietatea algoritmului de a fi concis descrierea
operaiilor, fr abateri de la modul optim de funcionare.
Astfel, pentru gsirea soluiei n rezolvarea unei probleme, necesit mai nti
nelegerea problemei,iar apoi descrierea pas cu pas a soluiei, cu alte cuvinte
gsirea unui algoritm optim respectivei probleme.


Algoritmi de optimizare multicriteriala(OM)

Optimizarea multicriterial reprezint un proces prin care se realizeaz
optimizarea a dou sau mai multe obiective. Acest tip de optimizare trebuie s ia n
considerare configurarea optima a mai multor parametrii.
n cazul algoritmilor de optimizare multicriterial problem prezint nu doar
o singur soluie ci o multitudine, de aceea nu toate soluiile au scopul de a acoperi
toate obiectivele impuse, ci mai degrab soluii ale problemelor care au ca obiectiv
o optimizare continual a optimizrilor restului de soluii n aa fel nct, prin
continuarea optimizrii obiectivelor, sau cel puin unul dintre acestea, cele
precedente vor avea pierderi datorate calitii rezultatelor. Prin gsirea unei astfel
de soluii, se poate defini un algoritm de optimizare multicriterial.
Optimizarea global se definete ca un proces prin care este stabilit minimul
sau maximul dintr-un spaiu sau dintr-un domeniu.
Un exemplu de optimizare global este cel al unei funcii R R D f
n
_ : ,
| = D , exist D x e dac < ) (x f , atunci putem spune c x este maxim global dac
pentru x
'
i ) ( ) (
'
x f x f = .



Oprimizare Pareto:

Spunem c o soluie optim este de tip Pareto atunci cnd ntr-un spaiu
definit, din mulimea tuturor soluiilor care aparin acestui spaiu, niciuna nu este
superioar acesteia. Astfel prin identificarea acestui spaiu al mulimii soluiilor n
care se identific i o anume soluie Pareto, defapt se identific o soluie final,
definitorie.
n cazul n care mulimea Pareto optimal este foarte mare avnd o infinitate
de soluii, se reduc acele soluiidup anumite criterii: dac o mulime depete un
numr foarte mare de soluii atunci aceasta va fi eliminat, dac mulimea Pareto
extern depete spaiul mulimii soluiilor atunci toate soluiile Pareto (cele
catalogate ca find finale) vor fi clasificate n acelai mod, ceea ce va duce la o
ncetinire a proceselor de rulare. Soluia imediat a aceste probleme nu este de a
reduce dimensiunea mulimii Pareto, ci de creare a unui subspaiu cu aceleai
caracteristici, n care se vor stoca soluiile identificate din mulimea original.
Exemple de ali algoritmi multicriteriali: MOGA-Multi-Objective Genetic
Algorithm, VEGA-Vector Evaluated Genetic Algorithm, .NSGA-Non-
determinated Sorting Algorithm.
Puncte tari / puncte slabe:
- Fac parte din categoria algoritmilor relative simpli.
- Nu au o utilizare complex.
- Prezint un timp mic de rulare.
- Utilizarea inadecvat duce la erori frecvente



Algoritmi genetici (AG)

Algoritmii genetici sunt algoritmi la baza crora stau principiile geneticii i
ale seleciei naturale. Prin selecie natural doar specia care este capabil s se
adapteze poate s supravieuiasc. Acest proces, n timp duce la o evoluie a specie
supravieuitoare i la dispariia celei inadaptate.
Algoritmii genetici sunt eficieni pentru optimizri la nivel mondial, dar
necest ca utilizatorul s defineasc mai muli parametri.
n cazul n care aceti parametrii sunt definii corespunztor, eficiena de cutare
scade semnificativ. Cu toate acestea, exist reguli care nu sunt clare pentru
definirea acestor algoritmi, fapt ce duce la o dificultate considerabil din partea
utilizatorilor. Un algoritm bun nu ar trebui s ofere complexitate n utilizare.
Metoda de optimizare global nu utilizeaz informaie diferit, dei n unele
cazuri este mai lent fa de optimizarea altor algoritmi mai inferiori celor genetici.
Soluia dat de algoritmul genetic nu este ntotdeauna i optimul global al
problemei rezolvate, ns aceasta se apropie mult de soluia dorit, n cazul
problemelor complicate, putem fi mulumii de gsirea unei soluii bune, ct mai
apropiat de optimul global.
Rezolvarea problemei se realizeaz printr-un proces de optimizare a
soluiilor potrivite. Astfel orice algoritm genetic poate fi adaptat instruciunilor
impuse de orice problem.
Un exemplu cel mai frecvent n aria algoritmilor genetici este cel al
cromozomilor. Fiecare cromozom prezint anumite caracteristici specific numite
gene. n orice proces care const n optimizare, raportul dintre cutarea global i
cea local este condiionat prin prisma exploatrii spaiului soluiilor, ceea ce
devine o condiie obligatorie.
Un exemplu de utilizare a algoritmilor genetici este cel al cromozomilor n
funcie de populaie: la un moment initial t=0 se iniializeaz P(t), se evolueaz
starea cromozomilor n funcie de populaia P(t), se repeat algoritmul.
mparirea populaiei n diferite partiii prezint un important factor n
procesul de cutare. Coevoluia partiiilor prin convergena prilor duce la soluii
optiale ale problemei.
Pentru o reprezentare definitorie, putem ncrucia n mod convex pentru un
timp diferit de t=0 i o alegere aditiv a mutaiei considernd c fiecare variabil
sufer o perturbaie normal.
n mod automat descendenii i nlocuiesc prinii n noua generaie.
Condiia de oprire a algoritmului poate fi data de atingerea unui numr maxim de
generaii.


Optimizare Pareto:

Optimizarea Pareto n sensul algoritmilor genetici este mbogit prin
etichetarea cromozomilor la fiecare generaie. Toi indivizii care sunt catalogai ca
fiind nedominani sunt eliminai din populaie. Din populaia rmas se vor alege
ali indivizi nedominani, procesul se termin n momentul n care toi indivizii
primesc o etichet.
n acest caz, submulimile de soluii nedominante reprezint o partiie a
populaiei. Fiecare submulime corespunde unei partajri a performanelor care
intervin n selecia cromozomilor.

Puncte tari / puncte slabe:
- Se pot adapta cu uurin pe mulajul problemei.
- Uurina n optimizarea unei soluii.
- Timp mare de rulare.
- Necesit declararea multor parametrii.



Modaliti de implementare


Implementarea algoritmilor genetici:
- Reprezentarea cromozomilor ca un spaiu bine determinat al soluiilor.
- Generarea populaiei iniiale.
- Optimizarea criteriului partiiei.
- Selecia.
- Recombinarea.
- Mutaia partiiilor.
- Etichetarea indivizilor.
- Rezultate.

Implementarea algoritmilor de optimizare multicriterial:
- Metoda a posteriori.
- Metoda a priori.
- Metoda hybrid.



Studiu de caz: OM vs AG



Folosind conceptul de minim sau de maxim optim, algoritmii genetici
pe baza optimizrii multicriteriale se dovedete faptul c se genereaz mai multe
compromisuri din punct de vedere al abordrii soluiilor. n majoritatea
problemelor, obiectivele trebuie s fie ndeplinite simultan.
Soluia dat de algoritmul genetic nu este ntotdeauna i optimul global al
problemei, ns aceasta se apropie de soluia dorit, n cazul problemelor
complicate putem fi mulumii i cu gsirea unei singure soluii optime, mai
apropiat de optimul global.
Spre deosebire de algoritmii de optimizare multicriterial, algoritmii genetici
prezint o nelegere mai grea din partea utilizatorilor, au un timp mare de rulare
deoarece ntreagul proces se difereniaz de cel al OM-ului prin optimizarea
soluiilor pn la gsirea celei potrivite.
Dac pentru AG importana algoritmului o reprezint gsirea cromozomului
optim, pentru OM importana este reprezentat de eficiena i complexitatea
algoritmului de cutare.
Cu toate acestea, algoritmii genetici au un dezavantaj, i nu sunt chiar cea
mai bun soluie de a rezolva orice problem. Spre exemplu, metodele uzuale au
fost optimizate pentru a gsi foarte repede soluia unei funcii analitice convexe de
cteva variabile. n acest timp, algoritmii genetici sunt depii cu mult la vitez, ei
nc fiind n faza de analiz a costului populaiei iniiale.
n concluzie, la fel ca i AG, optimizarea multicriterial prezint capacitatea
de a reprezenta concepte probabilistice, vagi, din limbajul natural.


Concluzii

Prin analizarea celor dou concept putem spune c au o importan major n
dezvoltarea inteligenei artificiale chiar dac cele dou prezint att avantaje ct i
dezavantaje, avnd fiecare puncte tari / puncte slabe.
Algoritmii bazai pe optimizare multicriterial sunt uor de implementat,
avnd eficien crescut doar n cazul sistemelor cu complexitate sczut.
Algoritmii genetici sunt mai greu de neles din partea utilizatorilor, dar sunt foarte
uor de adaptat oricrui tip de problem.
Trebuie acordat o atenie sporit optimizrii algoritmilor i nelegerii
acestora, deoarece orice sistem informatic, orice automatizare se identific implicit
cu viitorul .

Bibliografie

1. Randy L. Haupt, Sue Ellen Haupt Practical Genetic Algorithms
2. R.L. Keeney and H. Raiffa - Decisions with multiple objectives
3. Matthias Ehrgott: Multicriteria Optimization

Prezentare prezi :
http://prezi.com/yuuy1jhactmd/?utm_campaign=share&utm_medium=copy