Documente Academic
Documente Profesional
Documente Cultură
Student:
Tomulescu Ionut
Profesor:
Prof.dr.ing Serbencu Adrian
Cuprins
Capitolul 1: Introducere
Capitolul 2: Algoritmi genetici
2.1 Introducere. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Explicaie baz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Codificare. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Crossover. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Mutatie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Capitolul 3: Problema Calatoriile Salesman
3.1 Introducere. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Diferite forme de problema. . . . . . . . . . . . . . . . . . . . . .
3.3 Metode de rezolvare a TSP. . . . . . . . . . . . . . . . . . . . . . . .
Capitolul 4: Algoritmi genetici ca metod de soluionare a cltoriei
Salesman
4.1 Introducere. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Compararea metodelor. . . . . . . . . . . . . . . . . . . . . . . . . .
Capitolul 5: Concluzia
1. Introducere
2
Ca aplicaii practice, algoritmii genetici sunt cel mai adesea utiliza i n rezolvarea
problemelor de optimizare, planificare ori cutare. Condi ia esen ial pentru
succesul unei aplicaii cu ageni inteligeni este ca problema de rezolvat s nu cear
obinerea soluiei optime, ci s fie suficient i o solu ie apropiat de optim.
n problema comis-voiajor dorim a gsi un tur pentru toate nodurile ntr-un
grafic ponderat, astfel nct greutatea total sa fie redus la minimum.
Muli operatori de crossover i mutaii diferite au fost concepute pentru
problema comis-voiajor i fiecare dau rezultate diferite.
Algoritmii genetici sunt o tehnica relativ noua de optimizare, care poate fi
aplicata la diferite probleme, inclusiv cele care sunt NP-hard. Tehnica asigur o
soluie optim, cu toate acestea, de obicei, d aproximri bune ntr-o cantitate
rezonabil de timp. Acest lucru, prin urmare, este un algoritm bun pentru a ncerca
pe problema comis-voiajor, una dintre cele mai renumite probleme NP-dure.
Algoritmi genetici se bazeaz vag pe evolu ia natural i prin a folosi tehnica
"supravieuirea celui mai adaptat ", n cazul n care cele mai bune solu ii sunt
variate pn cnd vom obine un rezultat bun.
2.1 Introducere
Algoritmii genetici sunt tehnici de optimizare bazat pe o evolu ie natural. Ei
includ supravieuirea celui mai adaptat ntr-un algoritm de cutare, care ofer o
metod de cutare ce nu are nevoie de a explora fiecare solu ie posibil pentru a
obine un rezultat bun. Algoritmii genetici se bazeaz pe un proces natural de
evoluie.
Procedeul algoritm genetic const din urmtoarele etape:
Codare
Evaluarea
Crossover
Mutaia
Decoding
O codificare adecvata este gasirea solu iei la problema noastr, astfel nct fiecare
soluie are o codificare unic i codificarea este sub form de ir.
Populaia iniial este apoi selectat, de obicei la ntmplare.De asemenea, au fost
propuse tehnici folosind euristica Fitness a fiecrui individ
n populaie si apoi calculat ct de bine se potrivete probabilitatea individului.
Acest fitness este folosit pentru a gsi probabilitatea individului de legtur.
Dac un individ are o probabilitate mare (ceea ce indic faptul c este semnificativ
mai aproape optimului dect restul producerii lor). Crossover este n cazul n care
cele dou persoane sunt recombinate pentru a crea noi persoane care sunt copiate n
noua generaie.
Unele persoane sunt alese aleator pentru a suferi mutatii si apoi o muta ie
punctiform. Caracterul din poziia corespunztoare a irului este
schimbat. Odat ce se face acest lucru, o nou generaie a fost format, iar procesul
se repet pn cand criteriul de oprire a fost atins. n acest moment individul
care este cel mai apropiat de optim este decodat iar procesul este complet.
2.2 Explicaie baz
Algoritmii genetici variaz de la a fi foarte simplu pana la a fi destul de dificil de
ai ntelege. nainte de a continua o explicaie de baz a algoritmilor genetici este
necesar a nelege modul de lucru. Vom folosi urmtoarea problem pe parcursul
acestei seciuni.
Vrem s maximizeze f = -2x funcia 2+ 4x - 5 pe numerele ntregi din mulimea
{0,1, ..., 15}.
Prin calcul sau brute force vedem c f este maximizat atunci cnd
X=1
2.3 Codificare
Procesul de codare este adesea cel mai dificil aspect al rezolvarii unei probleme
folosind algoritmi genetici. Aplicarea lor la o anumit problem este de multe ori
greu de realizat,deoarece cu greu se poate gsi o reprezentare corespunztoare a
soluiei care va fi ulterior uor de utilizat n procesul de trecere. Amintii-v c
pentru codificare avem nevoie de multe solu ii posibile pentru a crea o
populaie. Modul tradiional de a reprezinta o solutie este cu un ir de
zero-uri.
Cu toate acestea algoritmi genetici nu sunt limitati la acest sistem de codare dar
pentru moment vom folosi o reprezentare ir binar.
Luai n considerare problema definit mai sus. Solutiile noastre sunt, evident, doar
posibile numere, asa reprezentarea este pur i simplu o forma binar a fiecrui
numr. De exemplu, reprezentrile binare ale lui 12 i 7 sunt 1100 i respectiv 0111.
Reinei c am adugat un zero la nceputul irului 0111, chiar dac aceasta nu are
nici un sens adevrat. Am fcut acest lucru, astfel nct toate numerele din
mulimea {0, ..., 15} au aceeai lungime.
Aceste siruri de caractere sunt numite cromozomi i fiecare element (sau bi i) din
ir se numete gen.
2.4 Crossover
Crossover poate fi o procedur destul de simpl. n exemplul nostru, se foloseste
cel mai simplu caz de ncruciare, alegem la ntmplare doi cromozomi pentru
incrucisare si alegem aleator un punct de crossover, i apoi trecem toate genele
dupa acel punct.
Pentru exemplu, folosind cromozomii: v1= 0111
v2= 1,100
am putea alege la ntmplare punctul de crossover a doua gena dup:
v1= 01 | 11
v2= 11 | 00
Comutarea genele dup punctul de crossover-ar da:
v1= 0100 = 4
v2= 1111 = 15
Avem acum doi noi cromozomi care ar fi mutat n popula ii urmtoare , numit
generaia urmtoare. Nu orice cromozom este utilizat n legtur. Funcia de
evaluare d fiecrui cromozomul un "scor", care este folosit pentru a decide
probabilitatea de a fi cromozom de ncruciat.
2.5 Mutatie
Mutaiile sunt folosite astfel nct s nu fie prins ntr-o optim local. Din cauza
dezordinei procesului vom avea ocazional cromozomi in apropiere de un localnic
optim dar nici unul nu aproape de optimul global. Prin urmare, n apropiere de
cromozomul optim local va fi ales pentru crossover deoarece acesta va avea o mai
bun sansa de fitness i nu vor mai fi foarte puine anse de a gsi optimul global.
Deci mutaia este un mod complet aleator de a ajunge la solu ii posibile care nu ar
putea fi altfel gasite.
Mutatie este realizat dup ncruciare prin alegerea la ntmplare a unui cromozom
n noua generaie a evolua, apoi alegem la ntmplare un punct de a evolua i
schimbam acel punct.
3.1 Introducere
Ideea problemei comis-voiajorului (TSP) este de a gsi un tur de un anumit numr
de orae, care viziteaz fiecare ora exact o dat i se ntorc n ora .
Lungimea acestui tur este redus la minim.Prima instan a problemei comisvoiajorului a fost data de Euler n 1759 a crui problem a fost s se mute un
cavaler pentru fiecare pozitie pe o tabl de ah exact o dat.
Problema standard sau simetric comis-voiajorului poate afirma automat dup cum
urmeaz:
Avnd n vedere un grafic ponderat G = (V, E) n cazul n care greutatea C la
marginea dintre nodurile i i j este o valoare non-negativ, gsi tur de toate nodurile
care au minim costul total.
n prezent, singura metod cunoscut garantat pentru a rezolva optim problema
vanzator de orice dimensiune, este de a enumera fiecare posibil tur i cutarea
turneului cu cel mai mic cost cu o schimbare.
Fiecare turneu are posibil o permutare de 123 ... n, unde n este numrul de orae,
astfel nct prin urmare, numrul de tururi este n !. Cnd n devine mare, devine
imposibil de a gsi costul de fiecare turneu n timp polinomial.
Multe metode diferite de optimizare au fost folosite pentru a ncerca s rezolve
TSP.
3.2 Diferite forme de problema
Exist mai multe variante diferite ale problemei comis-voiajorului. n primul rnd
cea mai scurt cale este problema hamiltonian.
Dac avem un grafic n care fiecare margine are o greutate i dou noduri vS
i vT sunt date trebuie s gsim pe termen scurt o cale Est Hamiltonian de la vS
la vT.
Dac adugm o margine de vT la vS i da -M greutate n cazul n care M este mare
i pozitiv, turul nostru TSP optim ntotdeauna va duce la aceasta margine
(deoarece va reduce costurile de tur) i, prin urmare va rezolva problema
Hamiltonian.
Asimetric Problema comis-voiajorului, este atunci cnd costul cltoriei
din orasul I la ora J nu este la fel ca si costul de ora i la costul de oras j. Aceasta
poate fi rezolvat n acelai mod ca i standard TSP dac vom aplica anumite
greuti de margine care s se asigure c exist un ciclu hamiltonian n grafic.
Problema timpului vnztor ambulant dependent este aceea i ca standard
cltoresc problem vanzator, excepia fiind perioade de timp. Costul c IJT este
costul de cltorie de la nodul i la nodul j n timp perioada t.
3.3 Metode de rezolvare a TSP
Homaifar prevede c o abordare care ar gsi cu siguran optima
Capitolul 4:
Algoritmi genetici ca metod de soluionare a cltoriei Salesman
4.1 Introducere
Diferitele forme de codare, de crossover i muta ie care le-am vazut pana acum
pot fi combinate pentru a da diveri algoritmi genetici care pot fi utilizate pentru a
rezolva problema vanzator.
Evident, unele rutine de crossover poate fi utilizat numai cu o anumit form de
codificare aa c nu avem prea multi algoritmi genetic diferiti pentru a explora. De
asemenea, doar anumite metode au fost ncercate, a a c se va uita doar la astea.
n cele din urm, vom pstra n vedere faptul c aceste programe au fost testate pe
diferite probleme i, prin urmare, va fi dificil de a le compara unul altul.
Concluzia
Algoritmii genetici par a gsi soluii bune pentru problema vanzator de cltorie,
cu toate acestea, depinde foarte mult de modul n care problema este codificata i
cu trei ci se folosesc metode de mutatie.
n general, se pare c algoritmi genetici s-au dovedit adecvati pentru rezolvarea
problem vanzator de calatorie. Pn acum, algoritmi genetici nu au gsit o mai
bun soluie la problema comis-voiajor dect ce este deja cunoscut, dar multe dintre
cele mai bune soluii deja cunoscute s-au gsit printr-o metod de algoritm genetic
de asemenea,.
Se pare c cea mai mare problem cu algoritmi genetici conceput pentru
problema comis-voiajor este faptul c este dificil s se men in structura din
cromozomii ORL i termina cu un tur legal n cromozomii copilului .
10