Documente Academic
Documente Profesional
Documente Cultură
INTELIGEN
ARTIFICIAL
Laura Dioan
Sumar
A. Scurt introducere n Inteligena Artificial (IA)
C. Sisteme inteligente
Sisteme bazate pe reguli n medii certe
Sisteme bazate pe reguli n medii incerte (Bayes, factori de
certitudine, Fuzzy)
Sisteme care nva singure
Arbori de decizie
Reele neuronale artificiale
Maini cu suport vectorial
Algoritmi evolutivi
Sisteme hibride
Martie, 2013 Inteligen artificial - metode de cutare local 2
Sumar
Rezolvarea problemelor prin cutare
Simularea naturii
Cu ajutorul mainilor reelele neuronale artificiale
simuleaz mintea uman
maini de zbor, computere bazate pe ADN, computere cu
membrane
Cu ajutorul algoritmilor
algoritmii evolutivi simuleaz evoluia naturii
algoritmii inspirai de comportamentul de grup simuleaz
adaptarea colectiv i procesele sociale dintr-un colectiv (Particle
Swarm Optimisation)
algoritmii inspirai de furnici (Ant Colony Optimisation)
variaiei
supraproducia de descendeni
seleciei naturale
competiia (generaii constante ca dimensiune)
reproducerea
Schema general
Proiectare
Selecia prinilor
Gen(t) pentru perturbare ncruciare
Selecia pentru
supravieuire Mutaie
Gen(t+1)
Selecia pentru supravieuire
Genotip
Fenotip
Codare
(reprezentare)
Decodare
Liniar
Discret
Binar problema rucsacului
Ne-binar
ntreag
Oarecare procesarea imaginilor
Permutri problema comisului voiajor
Categorial problema colorrii hrilor
Continu (real) optimizri de funcii
Genotip 1 0 1 0 0 0 1 1
ir de bii
gen
Fenotip
Elemente de tip Boolean
Ex. Problema rucsacului obiectele alese pentru
umplerea rucsacului
Numere ntregi
Numere ntregi
Au fost alese obiectele 1, 3, 7 i 8
Numere ntregi
Numere ntregi
Genotip Fenotip
Numere reale ntr-un anumit
Interval (ex. [2.5, 20.5])
Genotip
ir de etichete dintr-o anumit mulime
Fenotip
Interpretarea etichetelor
Proprieti
dimensiune (de obicei) fix
diversitate
Nr de fitness-uri/fenotipuri/genotipuri diferite
Observaii
Reprezint unitatea de baz care evolueaz
populaia ntreag evolueaz, nu indivizii!!!
Stringuri binare
generarea de 0 i 1 cu probabilitatea 0.5
Permutri
generarea permutrii identice i efectuarea unor schimbri
Proprieti
Etapa cea mai costisitoare
Nu se re-evalueaz indivizii nemodificai
Tipologie:
Dup nr de obiective urmrite:
Uni-obiectiv
Multi-obiectiv fronturi Pareto
Dup direcia optimizrii
De maximizat
De minimizat
Dup gradul de exactitate
Exact
Euristic
Proprieti
lucreaz la nivel de populaie
se bazeaz doar pe fitnessul indivizilor (este independent de
reprezentare)
aiut la evadarea din optimele locale datorit naturii sale stocastice
n funcie de mecanism
Selecia pentru reproducere
Selecie proporional (bazat pe fitness)
Bazate pe ntreaga populaie
Selecie bazat pe ranguri
Selecie prin turnir ---- Bazat pe o parte din populaie
Selecia pentru supravieuire
Bazat pe vrst
Bazat pe calitate (fitness)
A A 1 1/10=0.1
B 5 5/10=0.5
C
B 4/10=0.4
C 4
Suma 10 1
Martie, 2013 Inteligen artificial - metode de cutare local 37
Algoritmi evolutivi algoritm
Proiectare selecia pt. reproducere
Selecie proporional (bazat pe fitness)
Avantaie
Algoritm simplu
Dezavantaie
Convergena prematur
cromozomii foarte buni tind s domine populaia
Presiune de selecie foarte mic atunci cnd fintessurile indivizilor sunt foarte apropiate (la sfritul
rulrii)
Susceptibil de traspoziia funciei
Rezultatele reale ale unei astfel de selcii difer de distribuia probabilistic teoretic
Lucreaz cu ntreaga populaie
Soluii
scalarea fitnessului
Windowing
f(i) = f(i) - t , unde este un parametru care depinde de istoria recent a evoluiei
ex. este fitnessul celui mai slab individ din populaia curent (a t-a generaie)
Scalare de tip sigma (de tip Goldberg)
f(i) = max{f(i) (f c * f ), 0.0}, unde:
c este o constant (de obicei 2)
f - fitnessul mediu al populaei
f deviaia standard a fitnessului populaiei
Scalare prin normalizare
Se ncepe cu fitnessurile absolute (iniiale)
Se standardizeaz astfel nct Se aiusteaz fitnessurile a..:
ele s aparin [0,1]
cel mai bun fitness s fie cel mai mic (egal cu 0)
suma lor s fie 1
alt mecanism de selecie
Martie, 2013 Inteligen artificial - metode de cutare local 38
Algoritmi evolutivi algoritm
Proiectare selecia pt. reproducere
Selecia bazat pe ranguri SR
Ideea de baz
Se ordoneaz ntreaga populaie pe baza fitnessului
Crete puin complexitatea algoritmului, dar se poate
negliia aceast cretere comparativ cu timpul necesar
evalurii unui individ
Se acord ranguri fiecrui individ
Se calculeaz probabilitile de selecie pe baza
rangurilor
Cel mai slab individ are rangul 1
Cel mai bun individ are rangul
Concureni
Ctigtori
Avantaje
Nu implic lucrul cu ntrega populaie
Uor de implementant
Uor de controlat presiunea de selcie prin intermediul
parametrului k
Dezavantaje
Rezultatele reale ale unei astfel de selecii difer de distribuia
probabilistic teoretic (similar seleciei prin mecanismul ruletei)
Proprieti
lucreaz la nivel de individ
se bazeaz doar pe reprezentarea indivizilor (independent
de fitness)
Aiut la explorarea i exploatarea spaiului de cutare
Trebuie s produc indivizi valizi
Tipologie
n funcie de aritate
Aritate 1 operatori de mutaie
Aritate > 1 operatori de recombinare/ncruciare
Proprieti nainte
1 0 1 0 0 0 1 1 1 1 1 0 0 0 0 1
Mutaie slab
Ideea de baz
Schimbarea cu probabilitatea pm (rat de mutaie) a
unor gene n 0 sau 1
1 0/1
0 1/0
Ex. Un cromozom cu L = 8 gene, pm = 0.1
1 0 1 0 0 0 1 1 1 1 1 0 0 0 0 1
3 0 2 5 1 3 1 0 3 1 5 5 1 3 1 2
Mutaie creep
Ideea de baz
Valoarea unei gene este schimbat (cu probabilitatea pm)
prin adugarea unei valori (pozitiv sau negativ)
valoarea face parte dintr-o distribuie simetric fa
de zero
modificarea produs este fin (mic)
3 0 2 5 1 3 1 0 3 1 1 5 1 3 1 2
1 2 3 4 5 6 7 8 1 6 3 4 5 2 7 8
1 2 3 4 5 6 7 8 1 2 6 3 4 5 6 7
1 2 3 4 5 6 7 8 1 6 5 4 3 2 7 8
1 2 3 4 5 6 7 8 1 6 2 4 3 5 7 8
Mutaie k-opt
Ideea de baz
Se aleg 2 substringuri disjuncte i de lungime k
Se interchimb 2 elemente ale acestor substringuri
de gene
1 8 7 1 8 7
2 5 3 4 8 6 1 7
2 6 2 6
k=2
2 5 6 4 8 3 1 7
3 4 5 3 4 5
Mutaie uniform
Ideea de baz
gi este schimbat cu probabilitatea pm la o valoare
aleas aleator uniform din [LIi, LSi]
Mutaie neuniform
Ideea de baz
Valoarea unei gene este schimbat (cu probabilitatea pm)
prin adugarea unei valori (pozitiv sau negativ)
valoarea face parte dintr-o distribuie
N(, ) (Gaussian) cu = 0
Cauchy (x0, )
Laplace (, b)
i readus la [LIi, LSi] (dac este necesar) clamping
Proprieti
Descendentul trebuie s moteneasc ceva de la fiecare dintre prini
Alegerea informailor care se amestec este aleatoare
Operator de exploatare a spaiilor deja descoperite
Descendenii pot s fie mai buni, la fel de buni sau mai slabi dect prinii lor
Efectele sale se reduc pe msur ce cutarea converge
1 0 1 0 0 0 1 1 1 0 1 1 0 1 0 1
0 0 1 1 0 1 0 1 1 0 1 0 0 0 1 1
Reprezentare cu permutri
ncruciare prin ordonare (versiunea 1 i versiunea 2)
ncruciare transformat parial (Partially Mapped Crossover)
ncruciare ciclic
ncruciare bazat pe legturi (muchii)
Reprezentare real
Discret
Intermediar (aritmetic)
Aritmetic singular
Aritmetic simpl
Aritmetic complet
Geometric
ncruciare amestecat
ncruciare binar simulat
Reprezentare cu arbori
ncruciare de sub-arbori ntr-un curs viitor
ncruciare uniform
Ideea de baz
Fiecare gen a unui descendent provine dintr-un printe ales
aleator i uniform:
Pentru fiecare gen n parte se genereaz un numr aleator r care respect legea
uniform
Dac numrul generat r < probabilitatea p (de obicei p=0.5), c1 va lua gena
respectiv din p1 i c2 va lua gena respectiv din p2,
Altfel c1 va lua gena respectiv din p2 i c2 va lua gena respectiv din p1
p=0.5 1 0 1 0 0 0 1 1 0 0 1 1 0 0 0 1
0 0 1 1 0 1 0 0 1 0 1 0 0 1 1 0
10*r 8 6 3 2 6 4 7 2
Martie, 2013 Inteligen artificial - metode de cutare local 63
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 64
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7 4 5 6 7 3
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 65
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7 4 5 6 7 3
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 66
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7 2 4 5 6 7 3
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 67
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7 2 4 5 6 7 3
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 68
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7 2 8 4 5 6 7 3
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 69
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7 2 8 1 4 5 6 7 3
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 70
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
Din 2 cromozomi prini 1 4 1 4
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni 8 5 5
8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L 7 6
2 3
ncruciare ordonat 1 4
Ideea de baz
Descendenii pstreaz ordinea de apariie a genelor 8 5
prinilor
7 6
Se alege un substring de gene din primul printe p1
1 2 3 4 5 6 7 8
4 5 6 7 2 8 1 4 5 6 7 3
7 2 6 8 1 5 4 3
Martie, 2013 Inteligen artificial - metode de cutare local 71
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
4 3 7 8 2 6 5 1
Martie, 2013 Inteligen artificial - metode de cutare local 72
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
4 3 7 8 2 6 5 1
Martie, 2013 Inteligen artificial - metode de cutare local 73
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
2 3 2 3
1 4 1 4
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
5 5
se obin 2 descendeni 8 8
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL), 7 6
7 6
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
2 3
Ideea de baz
Se alege un substring de gene din primul printe p1 8 5
1 2 3 4 5 6 7 8
4 5 6 7 1 3 2 4 5 6 7 8
4 3 7 8 2 6 5 1
Martie, 2013 Inteligen artificial - metode de cutare local 74
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
ncruciare ciclic
Ideea de baz
1. iniial k = 1
2. Se formeaz un ciclu
Se adaug n ciclu gena de pe poziia k din p1 (gk1)
Se consider gena de pe poziia k din p2 (gk2)
Se alege gena din p1 cu valoarea egal cu gk2 (gr1) i se include n ciclu
Se consider gena de pe poziia r din p2 (gr2)
Se repet paii anteriori pn cnd se ajunge la gena de pe poziia k din p1
3. Se copiaz genele din ciclu n d1 (respectnd poziiiile pe care apar n p1)
4. Se incrementeaz k i se formeaz un nou ciclu dar cu genele din p2
5. Se copiaz genele din ciclu n d1 (respectnd poziiiile pe care apar n p2)
6. Se repet paii 2-5 pn cnd k = L
k=1 1 2 3 4 5 6 7 8 9
1 4 8 9
9 3 7 8 2 6 5 1 4
Martie, 2013 Inteligen artificial - metode de cutare local 75
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
ncruciare ciclic
Ideea de baz
1. iniial k = 1
2. Se formeaz un ciclu
Se adaug n ciclu gena de pe poziia k din p1 (gk1)
Se consider gena de pe poziia k din p2 (gk2)
Se alege gena din p1 cu valoarea egal cu gk2 (gr1) i se include n ciclu
Se consider gena de pe poziia r din p2 (gr2)
Se repet paii anteriori pn cnd se ajunge la gena de pe poziia k din p1
3. Se copiaz genele din ciclu n d1 (respectnd poziiiile pe care apar n p1)
4. Se incrementeaz k i se formeaz un nou ciclu dar cu genele din p2
5. Se copiaz genele din ciclu n d1 (respectnd poziiiile pe care apar n p2)
6. Se repet paii 2-5 pn cnd k = L
k=2 1 2 3 4 5 6 7 8 9
1 3 7 4 2 5 8 9
9 3 7 8 2 6 5 1 4
Martie, 2013 Inteligen artificial - metode de cutare local 76
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
ncruciare ciclic
Ideea de baz
1. iniial k = 1
2. Se formeaz un ciclu
Se adaug n ciclu gena de pe poziia k din p1 (gk1)
Se consider gena de pe poziia k din p2 (gk2)
Se alege gena din p1 cu valoarea egal cu gk2 (gr1) i se include n ciclu
Se consider gena de pe poziia r din p2 (gr2)
Se repet paii anteriori pn cnd se ajunge la gena de pe poziia k din p1
3. Se copiaz genele din ciclu n d1 (respectnd poziiiile pe care apar n p1)
4. Se incrementeaz k i se formeaz un nou ciclu dar cu genele din p2
5. Se copiaz genele din ciclu n d1 (respectnd poziiiile pe care apar n p2)
6. Se repet paii 2-5 pn cnd k = L
k=3 1 2 3 4 5 6 7 8 9
1 3 7 4 2 6 5 8 9
9 3 7 8 2 6 5 1 4
Martie, 2013 Inteligen artificial - metode de cutare local 77
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. permutare)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
ncruciare discret
Ideea de baz
Fiecare gen a unui descendent este luat (cu aceeai
probabilitate, p = 0.5) dintr-unul din prini
Similar ncrucirii uniforme de la reprezentarea binar/ntreag
Nu se modific valorile efective ale genelor (nu se creeaz
informaie nou)
0.3 -1.5 3.2 2.4 -1.1 0.6 2.0 -1.7 -2.1 1.3 3.2 2.4 1.1 0.6 1.0 -1.7
p=0.5
-2.1 1.3 0.2 -1.4 1.1 -0.3 1.0 1.7 0.3 -1.5 0.2 -1.4 -1.1 -0.3 2.0 1.7
10*r 8 6 3 2 6 4 7 2
Martie, 2013 Inteligen artificial - metode de cutare local 79
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. real)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
Tipologie
ncruciare aritmetic singular
ncruciare aritmetic simpl
ncruciare aritmetic complet
Martie, 2013 Inteligen artificial - metode de cutare local 80
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. real)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obin 2 descendeni
c1 =(g1,g2,...,gL) i c2 =(g1,g2,...,gL),
unde gi1,gi2, gi, gi [LIi, LSi], pt. i=1,2,...,L
0.6*0.3+(1-0.6)*(-2.1)=-0.66
(1-0.6)*0.3+0.6*(-2.1)=-1.14
[LI,LS] = [-2.5, +3]
= 0.6
0.3 -1.5 3.2 2.4 -1.1 0.6 2.0 -1.7 -0.66 4.3 2.0 0.48 -0.22 0.24 1.6 -0.34
-2.1 1.3 0.2 -1.4 1.1 -0.3 1.0 1.7 -1.14 0.18 1.4 0.12 0.22 0.06 1.4 0.34
ncruciare geometric
Ideea de baz
Fiecare gen a unui descendent reprezint produsul genelor
prinilor, fiecare cu un anumit exponent , respectiv 1- (unde
numr real pozitiv subunitar)
gi= (gi1) (gi2)1-
gi= (gi1)1- (gi2) 0.30.7+2.11-0.7=1.68
0.31-0.7+2.10.7=2.38
[LI,LS] = [-2.5, +3]
= 0.7 0.3 1.5 3.2 2.4 1.1 0.6 2.0 1.7 1.68 2.41 2.87 2.95 2.10 1.40 2.62 2.62
2.1 1.3 0.2 1.4 1.1 0.3 1.0 1.7 2.38 2.33 1.74 2.57 2.10 1.29 2.23 2.62
Martie, 2013 Inteligen artificial - metode de cutare local 84
Algoritmi evolutivi algoritm
Proiectare recombinarea (reprez. real)
Din 2 cromozomi prini
p1=(g11,g21,...,gL1) i p2=(g12,g22,...,gL2)
se obine 1 descendent
c1 =(g1,g2,...,gL),
unde gi1,gi2, gi [LIi, LSi], pt. i=1,2,...,L
Min 0.3 1.3 0.2 1.4 1.1 0.3 1.0 1.7 Min-Ia -0.26 1.16 -1.90 0.70 1.10 0.09 0.30 1.70
Max 2.1 1.5 3.2 2.4 1.1 0.6 2.0 1.7 Max+Ia 2.66 1.50 3.20 2.40 1.10 0.60 2.00 1.70
I 0.8 0.2 3.0 1.0 0 0.3 1.0 0.0
ncruciarea
Operator exploatativ, realiznd un mare salt ntr-o regiune undeva ntre regiunile asociate prinilor
Efectele exploatative se reduc pe msur ce AE converge
Operator binar (n-ar) care poate combina informaia din 2 (sau mai muli) prini
Operator care nu schimb frecvena valorilor din cromozomi la nivelul ntregii populaii
Mutaia
Operator explorativ, realiznd mici diversiuni aleatoare, rmnnd n regiunea apropiat printelui
Evadarea din optimele locale
C. Sisteme inteligente
Sisteme bazate pe reguli n medii certe
Sisteme bazate pe reguli n medii incerte (Bayes, factori de
certitudine, Fuzzy)
Sisteme care nva singure
Arbori de decizie
Reele neuronale artificiale
Maini cu suport vectorial
Algoritmi evolutivi
Sisteme hibride
Martie, 2013 Inteligen artificial - metode de cutare local 96
Cursul urmtor
Materiale de citit i legturi utile
capitolul 14 din C. Groan, A. Abraham, Intelligent
Systems: A Modern Approach, Springer, 2011
C. Sisteme inteligente
Sisteme bazate pe reguli n medii certe
Sisteme bazate pe reguli n medii incerte (Bayes, factori de
certitudine, Fuzzy)
Sisteme care nva singure
Arbori de decizie
Reele neuronale artificiale
Maini cu suport vectorial
Algoritmi evolutivi
Sisteme hibride
Martie, 2013 Inteligen artificial - metode de cutare local 99
Cursul urmtor
Materiale de citit i legturi utile
capitolul 14 din C. Groan, A. Abraham,
Intelligent Systems: A Modern Approach,
Springer, 2011