Documente Academic
Documente Profesional
Documente Cultură
Gabriel
Master de Aprofudare. Anul I. Secția Cibernetică și Economie Cantitativă.
Lucrarea de față propune o altă rezolvare a problemelor apărute într-o economie în plină
dezvoltare a complexității sale. Pe măsură ce științele se dezvoltă și omul pătrunde tot mai adânc
în înțelegerea tuturor misterelor care ne înconjoară, la fel și instrumentele de analiză trebuiesc
dezvoltate. Următoarea analiză se referă la un nou tip de întreprindere, care nu mai este o unitate
de sine stătătoare, ci este un sistem adaptativ complex, asemenea unuia natural, a cărui rezolvare
și înțelegere nu se poate face decât cu niște algoritmi naturali, algoritmi genetici.
Introducere.
Un algoritm genetic trebuie să aibă definite următoarele elemente pentru rezolvarea unei
probleme:
o reprezentare (genotip) ale soluțiilor candidat;
o procedură de inițializare (creare) a unei populații inițiale de soluții candidat;
o funcție de evaluare (funcție fitness) care joacă rolul mediului și care este
utilizată pentru a măsura calitatea soluțiilor în termeni de potrivire/ acomodare;
o schemă de selecție (înlocuirea generațiilor);
operatorii genetici( mutația, încrucișarea...);
parametrii numerici.
Reprezentarea clasică în algoritmii genetici este cea binară: fiecare soluție candidat
(cromozom) este reprezentat ca un șir de biți, fiecare bit constituind o genă. Algoritmii genetici
au evoluat ei înșiși, setul reprezentărilor extinzându-se la numere întregi și reale, permutări,
arbori, repezentări bi- și multidimensionale. Pentru orice reprezentare, alta decât cea binară, nu
există rezultate teoretice care să explice aplicațiile spectaculoase ale algoritmilor genetici la
probleme de optimizare dificile.
Procedura de inițializare este una aleatoare. Există și abordări în care soluțiile inițiale
sunt obținute cu o euristică și apoi supuse evoșuției cu un algoritm genetic.
Funcția fitness se obține plecând de la funcția matematică de optimizat. Complexitatea
funcție dde evaluare poate crește complexitatea intrisec polinomială a algoritmului genetic.
Selecția este un element comun mai multor tehnici de optimizare. Selecția în algoritmi
genetici este una probabilistă. Esențial este caracterul neextinctiv: și cel mai slab (ca fitness)
individ are șansa nenulă de supraviețuire. În acest mod informația locală (un număr redus de biți)
aparținând unui individ cu fitness slab poate fi transmisă în generațiile următoare pentru a se
regăsi în final în structura soluției optime. Au fost propuse și studiate numeroase tipuri de
selecție: scheme bazate direct pe valorile fitness, scheme bazate pe rangul în ierarhie, selecția
proporțională, sistem turneu etc.
Operatorii genetici de bază, încrucișarea și mutația, apar în forme diverse fiind necesară
în prealabil adaptarea lor la problemă prin încorporarea proprietăților/informației specifice
problemei de rezolvat.
Încrucișarea clasică este cea cu tăiere într-un singur punct și interschimbarea
segmentelor celor doi cromozomi implicați.
x1 x2 x3 |x4 x5 x6 x7 x1 x2 x3|y4 y5 y6 y7
y1 y2 y3 |y4 y5 y6 y7 y1 y2 y3|x4 x5 x6 x7
În literatura au apărut însă și încrucișări cu doua sau mai multe puncte fixe, încrucișarea
uniformă, cu mai mulți părinți, încrucișări specifice pentru permutări, grafuri/arbori sau alte
reprezentări multidimensionale.
Operatorul clasic de mutație neagă valoarea unei gene (bit) alese aleatoriu.
x1 x2 x3x4 x5 x6 x7 x1 x2 x3 x4 ̅ 5 x6 x7
În proiectarea unui algoritm genetic trebuiescluate decizii și în ceea ce privește valorile
unor parametrii precum dimensiunea populației, rata (probabilitatea de aplicare) mutația și
încrucișării și stabilirea unei condiții de oprire a algoritmului.În afara unor considerații generale
(de exemplu, rata de mutație crescută la începutul vieții populației și scăzutăspre sfârșit, cu
evoluția complementară a ratei) încrucișării) găsirea valorilor optime ale parametrilor unui
algoritm genetic, ține deocamdată mai mult de empirism decâtde studiul teoretic abstract.
Exemplu.
Se poate observa forma cosinusoidală a graficului care trece foarte repede prin diferite
zone de maxim și minim local. O altă caracteristică importantă a funcție este că pe măsură ce
traversează domeniul de definiție, nu trece prin zone de maxim sau minim, extremele atingându-
se doar în puncte. De aceea, deteminarea profitului maxim este o muncă de precizie, pentru că o
eroare destul de mică poate trece întreprinderea spre zona falimentară, în care costurile sunt mai
mari decât venitul.
În continuare vor fi descrise elementele algortimului genetic care rezolvă problema.
Reprezentarea unui cromozom (soluție candidat) se realizează sub forma unui vector
binar al cărui lungime depinde de precizia cerută. Domeniul variabilei are lungimea 3;
restricția de precizie implică o divizare a intervalului [ ] în subintervale de lungime
egală. Această înseamnă că sunt necesari 22 de biți pentru reprezentare :
.
Decodificarea unui șir binar într-un număr real din intervalul [ ] este realizată în doi
pași: convertirea șirului din baza în baza și determinarea numărului real corespunzător:
1. ( ... ) ∑
2. ( ( 1))
De exemplu, cromozomii:
( )
( )
( )
corespund valorilor numerice:
Prima întrebare care se pune văzând acest algoritm se referă la utilitatea sau inutilitatea
aplicării sale. Întreprinderea nu mai este o simplă parte a economiei unei, ci este un organ care
ajută la crearea sistemului economic. Algoritmii vechi de analiză au în ei o anumită rigididate,
care îi face să nu se muleze bine pe acest fel de probleme. Algoritmii clasici se bazează pe
aproximări, iar soluția găsită vine după multe și multe aplicări ale aceleiași metode. Mai mult
decât atât căutarea soluției prin intemediul algoritmilor clasici se bazează uneori pe intuiție, pe
capacitatea de a percepe dinainte o zonă apropiată soluției. Toate aceste lucruri făcându-se
pentru probleme simple, uneori.
Sistemul introduce complexitate. Se poate vedea foarte ușor prin funcția de profit
prezentată anterior. Algoritmii clasici ar fi fost foarte greu de aplicat pe o asemenea funcție
oscilantă. Cel mai mare avantaj al aplicării algoritmilor genetici este că se știe dinainte spațiul în
care se află soluția. Căutarea ei se face printre soluții posibile, soluții candidat. În afara acestora
nu există o altă soluție mai bună. Și astfel spațiul de căutare s-a redus dramatic.
Se poate spune că complexitatea este mai complexă decât s-ar fi crezut și prin intermediul
acestor noi tehnici de analiză, realitatea începe să capete alt înțeles. Cele mai bune tehnici, în
majoritatea cazurilor, provin din natură, în care s-a adunat experiența și evoluția. Lucrurile nu
mai trebuiesc privite drept după modelul clasic, nimic nu este perfect, nimic nu evoluează singur,
ci numai în cadrul unui sistem, indiferent la ce nivel s-a situa el.
În economie, ideea de model implică existența unor factori ascunși, fără de care modelul nu ar
mai exista. Cel mai bun răspuns matematic care se poate da la acestă problemă implică un model
stohastic, ce poate crea o imagine greșită sau poate fi deperte de adevăr. Algortimii genetici
îmbină într-ul fel rigiditatea metodelor de analiză matematică cu cele de analiză stohastică.
Un alt atu al unei asemenea rezolvări este că structura ce trebuie respectată nu este una
deloc complicată și nu implică artificii sau instrumente de calcul ajutătoare.
Așa cum a fost afirmat anterior problema prezentată nu este una complicată, dar
îndeajuns de bună pentru a crea o ideea asurpa capacităților ce calcul al algoritmilor genetici.
Bibliografie
Prof. Dr. Scarlat Emil, Conf. Dr. Mitruț Dorin - ”Curs Bazele Ciberneticii Economice”,
- ”Sistemul Adaptativ Complex”
http://asecib.ase.ro/BCIB/CAPITOLUL-2.pdf
- ”Apariția și Dezvoltarea Ciberneticii.
Obiectul și Metodele Ciberneticii Economice”
http://asecib.ase.ro/BCIB/CAPITOLUL-1.pdf
Prof. Dr. Luchian Henri, Prep. Drd. Breabăn Mihaela - ”Curs Algoritmi Genetici”