Documente Academic
Documente Profesional
Documente Cultură
Copiii vor lupta pentru supravieuire cu indivizii existeni n actuala populaie. Cei mai buni
vor avea anse mai mari de a ctiga competiia.
Procesul se repet de un numr convenabil de ori. Dac nu se folosesc mecanisme
speciale, populaia tinde s conin tot mai multe copii ale individului mai bine adaptat.
2) Codificare
De obicei codificarea este binar.
Codificarea asigur proiecia din spaiul de cutare S ntr-un alt spaiu, S*, n care vor
aciona operatorii genetici.
Un individ din populaie = un ir de caractere permise de alfabetul utilizat.
n cazul codrii binare alfabetul este {0,1}.
Lanul (irul) de caractere prin care este codificat un individ se numete cromozom.
Poziia (un caracter) din lan se numete gen sau locus.
Valorile permise pentru fiecare gen sunt referite prin alele (de exemplu, la alfabetul
binar alelele sunt 0 i 1).
Genotipul precizeaz structura lanului cromozomial i valorile tuturor genelor componente
(o caracteristic a individului n spaiul S*).
Fenotipul caracterizeaz comportamentul pe care-l are individul pe baza genotipului
su. Fenotipul ofer cromozomului o semnificaie n spaiul S, decodificnd informaiile incluse n
genotip.
3) Operatori genetici
Operatorul ncruciare (crossover - limba englez)
Este un operator binar: doi prin doi copii -- interschimbnd poriuni
din lanurile cromozomiale.
Operatorul mutaie:
Este un operator unar: se vor modifica valorile corespunztoare unor gene aleator
selectate din structura unui cromozom. De exemplu, la codificarea binar mutaia schimb
o gen cu valoarea 0 n alela sa 1 i o gen cu valoarea 1 n alela sa 0.
Operatorii genetici acioneaz dup reguli stochastice, n raport cu probabilitatea
de apariie care le-a fost atribuit:
reproducere) sunt afectai de ncruciare (unii vor genera copii, alii nu);
alegerea punctelor de rupere ale lanurilor cromozomiale i selecia
genelor care vor suferi operaia de mutaie nu sunt procese deterministe.
comparaie
peformanelor
individului
cu
performanelor
conine este de o mai bun calitate dect al celorlali indivizi din populaie.
5) Eventuale probleme
ncurajnd n mod excesiv indivizii superiori s supravieuiasc, se
direcioneaz procesul de cutare spre zone restrnse din spaiul S*, situate n
vecintatea indivizilor mai buni. Viteza de convergen a algoritmului va fi foarte
bun, dar rezultatul poate reprezenta doar un optim local, nu global.
Se poate ntmpla ca n populaie s existe indivizi cu performane actuale
slabe. Opernd puine modificri n structura lor genetic, este posibil ca indivizii
rezultai s fie mai buni dect actualii lideri din populaie.
Pentru a evita blocarea algoritmului ntr-un optim local trebuie pstrat un bun
echilibru ntre viteza de convergena a algoritmului i meninerea unui grad de
diversitate adecvat n populaie. La acest echilibru contribuie n mod esenial
procesul de selecie a prinilor i apoi de inserie a copiilor.
6) Condiii de stop
Deoarece
algoritmul
funcioneaz
nesupervizat
i folosete
procedee
continue.
Dac
indivizii
Cuantumul maxim permis pentru diferena dintre doi indivizi nu este uor de
stabilit. Acest parametru se seteaz mult mai greu dect numrul maxim de
generaii permis.
Codificarea are aici un rol deosebit de important, deoarece pot exista indivizi
cu mici diferene la nivelul genotipului, dar cu mari diferene la nivelul
fenotipului i invers.
7) Proprieti ale algoritmilor genetici
Cteva caracteristici deosebesc n mod esenial algoritmii genetici de alte
metode de optimizare:
suplimentare
algoritmii genetici opereaz, de regul, pe o codificare a setului de parametri
(o excepie este reprezentat de cazul codrii n virgul mobil a variabilelor
de decizie)
obiectiv.
Ei
se
ncadreaz
categoria
metodelor
slabe
de
cutare/optimizare, adic a acelor metode care solicit puine cunotinte despre problema de
rezolvat. Cunotinele suplimentare, dac exist, pot fi integrate n algoritm. Algoritmii
genetici se pot aplica i pentru optimizarea unor funcii care nu sunt derivabile. Nici mcar
condiia de continuitate a funciei obiectiv nu este solicitat. - un grad mare de
universalitate.
Algoritmii genetici sunt metode eficiente de optimizare. Rezultate convenabile
au fost raportate pentru optimizri genetice complexe: optimizri neliniare mutimodale,
multiobiectiv, optimizri cu restricii neliniare, pentru spaii largi de cutare i numr mare
de variabile de decizie. Soluia oferit este acceptabil de apropiat de cea de optim global.
Algoritmii genetici sunt uor de implementat. Sunt uor de reconfigurat dac formularea
problemei se modific. Algoritmii pot fi uor paralelizai.
9) Limitrile algoritmilor genetici
Algoritmii genetici sunt (foarte) mari consumatori de timp. Perfomanele algoritmilor
genetici sunt dependente de modul n care sunt setai parametrii acestuia: probabilitatea
de aciune a operatorilor genetici, dimensiunea populaiei, numrul de generaii permis, rata
de selecie a indivilor pentru reproducere, etc.
Performanele algoritmului sunt dependente i de calitatea generatorului de numere
aleatoare.