Documente Academic
Documente Profesional
Documente Cultură
Programare evolutivă
și algoritmi genetici
Calcul evolutiv (EC)
Suport de natură biologică
Domeniu al informaticii inspirat din procesul evoluției naturale
Evoluția naturală rezolvare tip experiment-eroare / generare-testare
Căutare genetică / evolutivă (Turing, 1948)
Programare evolutivă (Fogel, Owens, Walsh, ‘60) Calcul evolutiv
• Programare evolutivă
Algoritmi genetici (Holland, ‘60)
• Algoritmi genetici și Programare genetică
Strategii evolutive (Rechenberg, Schwefel, ‘60) • Strategii evolutive
Programare genetică (Koza, ‘90) • Inteligența roiului
Inteligența roiului (swarm intelligence) (‘90 ->)
https://humanorigins.si.edu/evidence/human-family-tree
Mediu cu resurse limitate
Smithsonian institute
Reproducere, ocazional mutații
Șiruri din
alfabet
Vectori
de
Algoritmi finit
numere genetici
reale
Inteligența Strategii
roiului Algoritmi evolutive Vectori
de
Mașini cu evolutivi numere
reale
stări
finite
Programare Programare
evolutivă genetică
Arbori
Calcul evolutiv
Evoluție (a populației)
Fenotip (axele x, y) -> evaluare, calitate (axa z)
Avans spre zone mai „înalte” (calitate mai bună)
Probleme unimodale / multimodale
Inactivitate genetică, concentrare în puncte de maxim local
10
-5
-10
30
25
20
20
15
10 10
5
0 0
Tipuri de probleme
Clasificare,de
Probleme două clase
optimizare
{
−∧1
Se cunosc: , 𝑥 ∈𝐶
model, 1 ieșire dorite
date de
h ( 𝑥 )= determinate:
Trebuie ¿ 1, 𝑥 ∈ 𝐶datele
2 de intrare
Exemple:0problema
,𝑖𝑛𝑑𝑒𝑐𝑖𝑠 comis-voiajorului, planificarea activităților, problema celor N regine
Probleme de simulare
Se cunosc: date de intrare, model
Trebuie determinate: date de ieșire
Exemplu: întrebări „ce se întîmplă dacă?” („what-if”), economia evolutivă
Schema generală a unui EA
Mulțime candidați
Evaluează candidații
, repetă de la pasul anterior pînă la obținerea unui individ suficient de bun sau atingerea unei
limite de calcul
Schema generală a unui EA
Factor stocastic
Alegere populație inițială
Selecție părinți: șanse proporționale cu calitatea
Recombinare
▪ Alegere indivizi și perechi (tupluri) de părinți pentru recombinare, probabilitate
▪ Alegere secvențe de material genetic interschimbat
Mutație
▪ Alegere indivizi și gene, probabilitate
▪ Alegere noi valori (alele)
Forma generală a unui EA
Pas 3. Repetă
3.1. Selectează părinți
3.2. Recombină perechi (sau n-tupluri) de părinți => progenituri
3.3. Aplică mutații asupra progeniturilor => noi candidați
3.4. Evaluează* noii candidați
3.5. Selectează indivizii pentru generația următoare
3.6.
Pînă cînd este satisfăcută condiția de terminare
probabilitate de recombinare pr
Exemplu
probabilitate de mutație pm
Condiție de terminare
Număr maxim de generații permise
▪ sau
Calitatea populației nu se mai îmbunătățește semnificativ
Exemplu
Fie
dim=1000, pr =0,5, pm=0,1, 75 generații
Exemplu
Referințe
Referințe:
Manual, capitolul 1
?? ?
?
Spor la învăţat!