Documente Academic
Documente Profesional
Documente Cultură
Populaţia
Reprezentarea desemnează:
codificare/decodificare
structura de date utilizată pentru definirea spaţiul genotipurilor
Exemplu de reprezentare prin permutări
D
D
D
D
D
D
D
D
Exemplu de reprezentare. Situația fenotip=genotip
𝑓 :[3 , 10]→ ℝ
𝑓 ( 𝑥 ) =𝑥 3 ∙ 𝑠𝑖𝑛 ( )
𝑥
3
+ 𝑥 3 ∙𝑐𝑜𝑠 ( 2 ∗ 𝑥 ) − 𝑥 ∙ 𝑠𝑖𝑛 (3 ∙ 𝑥 )+ 𝑥 ∙𝑐𝑜𝑠 (𝑥 )
Deci cel de-al -lea număr, este unic determinat de valoarea ( sunt fixate),
poate fi reprezentat binar utilizând reprezentarea binară a lui n pe m biți.
a b
reprezentarea binară a lui 6421
Calitate
IV. Componentele EA. Populaţia
Populația – multiset de genotipuri - unitate de evoluție
Individ = static, nu evoluează, nu se adaptează
Populația = dinamică, evoluează, se adaptează
( √ )
𝑛
∑ 𝑥 2𝑖
( )
𝑛
1
∙ ∑ 𝑐𝑜𝑠 ( 2 ∙ 𝜋 ∙ 𝑥 𝑖 ) +20 +𝑒
𝑖 =1
𝑓 ( 𝑥 ) =− 20 ∙ 𝑒𝑥𝑝 − 0.2 ∙ − 𝑒𝑥𝑝
𝑛 𝑛 𝑖 =1
Individ aleator
𝑛=2 , 𝑓 :[−2, 2] × [−2, 2] → ℝ
Spațiul soluțiilor:
IV. Componentele EA. Populaţia
𝑓 :[ − 2, 2] → ℝ
𝑓 ( 𝑥 ) =𝑥 3 − 𝑠𝑖𝑛 ( )
𝑥
3
𝑥
+3 ∙ 𝑠𝑖𝑛 ( 7 ∗ 𝑥 +0.2 ) +2 ∙ 𝑐𝑜𝑠( − 0.4)+1
5
2 2
𝑓 : ℝ → ℝ , 𝑥 ∈ ℝ , 𝑥=( 𝑥 1 , 𝑥2 ) Populație
aleatoare
𝑓 ( 𝑥 ) =10 − 𝑥12 − 𝑥 2
2
Spațiul soluțiilor:
IV. Componentele EA. Populaţia
𝑛 𝑛
𝑓 : ℝ → ℝ , 𝑥 ∈ℝ
( √ )
𝑛
∑ 𝑥 2𝑖
( )
𝑛
1
𝑥 ) =− 20 ∙ 𝑒𝑥𝑝 − 0.2 ∙ 𝑖 =1
− 𝑒𝑥𝑝 ∙ ∑ 𝑐𝑜𝑠 ( 2 ∙ 𝜋 ∙ 𝑥 𝑖 ) +20 +𝑒
𝑛 𝑛 𝑖 =1
( √ )
𝑛
∑ 𝑥 2𝑖
( )
𝑛
1
𝑓 ( 𝑥 ) =− 20 ∙ 𝑒𝑥𝑝 − 0.2 ∙ 𝑖 =1
− 𝑒𝑥𝑝 ∙ ∑ 𝑐𝑜𝑠 ( 2 ∙ 𝜋 ∙ 𝑥 𝑖 ) +20 +𝑒
𝑛 𝑛 𝑖 =1
Spațiul soluțiilor:
Evoluție populație:
ES, minimizare funcția
Ackley
IV. Componentele EA. Populaţia
Populația
Inițială
Populația (generația) curentă
Populația (bazinul) de părinți → selectată din generația curentă
Populația progeniturilor → generată din bazinul de părinți
Populația (generația) următoare → selectată din generația curentă și
indivizii noi
Populația inițială
Se construiește alegînd aleator (distribuție uniformă) indivizi din spațiul
fenotipurilor și realizînd conversia în spațiu genotipurilor
V. Componentele EA. Selecţia părinţilor
Rolul: de a distinge între indivizii populaţiei pe baza calităţii acestora
Recombinarea este stochastică: alegerea acelor părţi ale părinţilor care vor
fi combinate şi tipul de recombinare sunt bazate pe extrageri aleatoare.
Exemple:
Funcţie de decizie este bazată exclusiv pe funcţia de evaluare
Funcţie de decizie este bazată exclusiv pe factorul vârstă
Decizia este luată funcție și de vârstă și de calitate
VIII. Componentele EA. Iniţializarea. Condiţia de
terminare
Iniţializarea: crearea populaţiei iniţiale este realizată în general prin
generare aleatoare de fenotipuri şi apoi obţinerea multisetului de genotipuri
asociat.
Condiţia de terminare:
Exemple
Modificarea, pe rând, a câte unui bit din reprezentare (ex. Rucsac 0-1)
Adunarea/scăderea unui „pas” (ex. optimizare funcție)
Transpoziții (ex. regine)
Reprezentare binară:
P = (2, 7, 5, 1, 4, 6, 3)
Reprezentare ca numere reale:
(7, 2, 5, 1, 4, 6, 3)
,
(5, 7, 2, 1, 4, 6, 3)
(1, 7, 5, 2, 4, 6, 3)
,
…
Vecini → …
(2, 7, 5, 1, 4, 3, 6)
XI. Algoritmul Hillclimbing: alegere vecini
Funcții de mai multe variabile
Reprezentare binară
este reprezentat pe biți, prin concatenarea
reprezentărilor pe biți pentru 0.8000 0.8000
0.8000 0.9000
Modifică un bit 0.8000 1.0000
0.8000 1.1000
Modifică un bit din reprezentarea fiecărei0.8000 1.2000
0.9000 0.8000
componente (toate combinațiile) 0.9000 0.9000
0.9000 1.0000
0.9000 1.1000
0.9000 1.2000
Reprezentare cu numere reale 1.0000 0.8000
1.0000 0.9000
este reprezentat prin secvența de numere reale 1.0000 1.1000
1.0000 1.2000
Modifică o singură componentă k: , 1.1000 0.8000
1.1000 0.9000
Modifică toate componentele k (toate combinațiile):
1.1000 1.0000
1.1000 1.1000
, , , 1.1000 1.2000
1.2000 0.8000
1.2000 0.9000
1.2000 1.0000
1.2000 1.1000
1.2000 1.2000
XI. Algoritmul Hillclimbing. Schema generală
– funcția de maximizat
t=0
MAX – nr. puncte de start
repetă
local=fals
alege
local aleator
– blocat în maximunlocal?
punct curent
(adevărat vc
/ fals)
evaluează vc
V –repetă
vector cu puncte finale
consideră punctele din vecinătatea lui vc
v – celalege
mai bunpunctul vn cu cea mai mare valoare a funcției
punct obținut
dacă f(vc)<f(vn)
atunci vc=vn
t – contor puncte
altfel local=adevărat
până când local == adevărat
t=t+1
V(t)=vc
până când t == MAX
-3
-4
-2
-1.5
-2
-1
Punct inițial,
-0.5 -1
-1.5
0 -0.5
generat 0.5
1 0.5
0
1
aleator 1.5
2 2
1.5
Referințe curs
Referințe
Manual
capitolul 2