Next: Učení RBF sítí pomocí
Up: Genetický algoritmus
Previous: Genetický algoritmus
  Obsah
Algoritmus 5.1.1:
Vstup: pravděpodobnost mutace , pravděpodobnost křížení , počet
jedinců v populaci , kritérium ukončení výpočtu
Výstup: řešení daného problému
- 1. Start
- : Vytvoř počáteční populaci jedinců
.
- 2. Výpočet účelové funkce
- : Ke každému jedinci spočti odpovídající
hodnotu účelové funkce.
- 3. Test
- : Je-li maximum účelové funkce v dané populaci dostatečně velké,
skonči a vrať řešení odpovídající jedinci s maximální hodnotou účelové
funkce.
- 4. Nová populace
- :
Vytvoř prázdnou populaci a opakuj následující postup, dokud
populace nebude obsahovat jedinců.
- i) Selekce
- : Vyber dva jedince z populace v závislosti
na jejich účelové funkci.
- ii) Křížení
- : S pravděpodobností vytvoř dva nové jedince
aplikací operace křížení na vybrané jedince. Pokud nedojde
ke křížení, noví jedinci jsou kopií vybraných jedinců.
- iii) Mutace
- : Na každého z nových jedinců aplikuj
s pravděpodobností operaci mutace.
- iv) Vložení
- : Vlož nové jedince do populace .
- 5. Nová generace
- :
Přejdi k bodu 2.
Chceme-li aplikovat algoritmus 5.1.1 na nějakou konkrétní úlohu, musíme
určit
- způsob zakódování potencionálního řešení do řetězce bitů resp. čísel,
znaků.
- způsob vytváření počáteční populace.
- účelovou funkci
- genetické operátory (popis realizace operátorů nad řetězci kódu)
- parametry genetického algoritmu (velikost populace, pravděpodobnosti
operátorů)
Genetické algoritmy se používají typicky v případech, kdy parametrický prostor
je příliš velký pro úplné prohledávání a proto se spokojíme s přibližným
řešením. Jeho síla spočívá v tzv. implicitním paralelismu, kdy populace
jedinců paralelně prochází parametrický prostor a navzájem se ovlivňuje a
modifikuje. Populace jedinců tak najde řešení rychleji, než kdyby prostor
prohledávali izolovaně. Rychlost učení však vždy závisí na konkrétní aplikaci.
Next: Učení RBF sítí pomocí
Up: Genetický algoritmus
Previous: Genetický algoritmus
  Obsah
Petra Kudova
2001-04-19