Генетические алгоритмы Лекция 7 Эволюция каждый биологический

Генетические алгоритмы Лекция 7

Эволюция каждый биологический вид целенаправленно развивается и изменяется для того, чтобы наилучшим образом приспособиться к окружающей среде

Эволюция процесс оптимизации всех живых организмов Защитная окраска Иглы Сложнейшая нервная система

Естественный отбор основной механизм эволюции более приспособленные особи имеют больше возможностей: - выживание, - размножение. больше потомства

Генетическая информация потомки наследуют от родителей основные их качества будут относительно хорошо приспособленными

механизмы генетического наследования в природе нуклеотиды четырех типов: информацию несет порядок следования нуклеотидов Молекула ДНК

Генетический код индивидуума очень длинная строка символов, где используются всего 4 буквы молекула ДНК, окруженная оболочкой хромосома

Ген цвет глаз, наследственные болезни, тип волос и т. д. аллели различные значения гена

Кроссовер (cross-over, скрещивание) слияние двух родительских половых клеток ДНК потомка

Мутация преобразование хромосомы, которое случайно изменяет одну или несколько ее позиций (генов) Измененные гены передаются потомку и придают ему новые свойства радиоактивность или другие влияния

Мутация ПОЛЕЗНЫ Наиболее распространенный вид мутаций - случайное изменение только одного из генов хромосомы

Генети ческий алгори тм эвристический алгоритм поиска для решения задач оптимизации и моделирования путем - последовательного подбора, даёт достаточно хорошее решение - комбинирования, в большинстве случаев - вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию evolutionary computation использование оператора «скрещивания»

Джон Холланд 1975 г. «Адаптация в естественных и искусственных системах» - основополагающий труд в этой области исследований

Действие генетического алгоритма моделирование генетического наследования Хромосома Вектор (последовательность) из нулей и единиц. Каждая позиция (бит) называется геном. Индивидуум = Генетический код Набор хромосом = вариант решения задачи. Кроссовер Мутация Операция, при которой две хромосомы обмениваются своими частями. Cлучайное изменение одной или нескольких позиций в хромосоме.

Кроссинговер Одноточечный кроссинговер два генотипа потомков

Модель эволюционного процесса генерируем случайную популяцию Создать начальную популяцию – определить базовый набор характеристик

Жизненный цикл популяции - это несколько случайных скрещиваний (посредством кроссовера) и мутаций, в результате которых к популяции добавляется какое-то количество новых индивидуумов Отбор процесс формирования новой популяции из старой, после чего старая популяция погибает

Критерий отбора Задать целевую функцию (приспособленности) для особей популяции Почему одна особь лучше другой? взрывчатое вещество вкус

Связь с принципами естественного отбора Приспособленность индивидуума Значение целевой функции на этом индивидууме. Выживание наиболее приспособленных Популяция следующего поколения формируется в соответствии с целевой функцией. Чем приспособленнее индивидуум, тем больше вероятность его участия в кроссовере, т. е. размножении. вероятность участия индивидуума в скрещивании = k * его приспособленность стратегия элитизма несколько лучших индивидуумов переходят в следующее поколение без изменений, не участвуя в кроссовере и отборе

Процесс каждое следующее поколение будет в среднем лучше предыдущего приспособленность индивидуумов перестает заметно увеличиваться Решение задачи оптимизации: наилучший из найденных индивидуумов

Диофантово уравнение a+2 b+3 c+4 d=30 Применение ГА a, b, c и d - некоторые положительные целые искомое решение (a, b, c, d)

Метод грубой силы? очевидно, 1 <= a, b, c, d <= 30 - более 'осмысленный' перебор не перебираем все подряд случайно выбранные решения - > лучшие

Решение выберем 5 случайных решений: Хромосома 1 2 3 4 5 (a, b, c, d) (1, 28, 15, 3) (14, 9, 2, 4) (13, 5, 7, 3) (23, 8, 16, 19) (9, 13, 5, 2) 1 -е поколение хромосом и их содержимое генотип имеет фиксированную длину (классическая теория)

Коэффициенты выживаемости Хромосома 1 2 3 4 5 Коэффициент выживаемости |114 -30|=84 |54 -30|=24 |56 -30|=26 |163 -30|=133 |58 -30|=28

Подходящие значения 1/84 + 1/26 + 1/133 + 1/28 = 0. 135266 сумма обратных значений коэффициентов Хромосома 1 2 3 4 5 Подходящесть (1/84)/0. 135266 = 8. 80% (1/24)/0. 135266 = 30. 8% (1/26)/0. 135266 = 28. 4% (1/133)/0. 135266 = 5. 56% (1/28)/0. 135266 = 26. 4% вероятность оказаться родителем ПОЧЕМУ БЕРЕМ ВСЕ?

Главный бич многих генетических алгоритмов НЕДОСТАТОК РАЗНООБРАЗИЯ выбор не самых приспособленных, но вообще всех особей РАЗНЫЕ ШАНСЫ НА РАЗМНОЖЕНИЕ Локальный максимум

Выбор 5 -и пар родителей 10000 -сторонняя игральная кость на 880 сторонах отмечена хромосома 1, на 3080 - хромосома 2, на 2640 - хромосома 3, на 556 - хромосома 4, на 2640 - хромосома 5 кидаем кость два раза и выбираем выпавшие хромосомы рулетка

Выпавшие хромосомы Хромосома отца 3 5 3 2 5 Хромосома матери 1 2 5 5 3 Симуляция выбора родителей

Кроссовер Хромосома-отец Хромосома-мать a 1 | b 1, c 1, d 1 a 2 | b 2, c 2, d 2 a 1, b 1 | c 1, d 1 a 2, b 2 | c 2, d 2 a 1, b 1, c 1 | d 1 a 2, b 2, c 2 | d 2 Хромосома-потомок a 1, b 2, c 2, d 2 or a 2, b 1, c 1, d 1 a 1, b 1, c 2, d 2 or a 2, b 2, c 1, d 1 a 1, b 1, c 1, d 2 or a 2, b 2, c 2, d 1 - расположение разделителя может быть абсолютно произвольным, - отец или мать могут быть слева от черты

Кроссовер для задачи Хромосома-отец (13 | 5, 7, 3) (9, 13 | 5, 2) (13, 5, 7 | 3) (14 | 9, 2, 4) (13, 5 | 7, 3) Хромосома-мать (1 | 28, 15, 3) (14, 9 | 2, 4) (9, 13, 5 | 2) (9 | 13, 5, 2) (9, 13 | 5, 2) Хромосома-потомок (13, 28, 15, 3) (9, 13, 2, 4) (13, 5, 7, 2) (14, 13, 5, 2) (13, 5, 5, 2)

Коэффициенты выживаемости потомков a+2 b+3 c+4 d=30 Хромосома-потомок (13, 28, 15, 3) (9, 13, 2, 4) (13, 5, 7, 2) (14, 13, 5, 2) (13, 5, 5, 2) Коэффициент выживаемости |126 -30|=96 |57 -30|=27 |57 -30|=22 |63 -30|=33 |46 -30|=16 Средний коэф. выживаемости (fitness) = 38. 8 (у родителей = 59. 4)

Мутация случайное целое от 1 до 30 Хромосома-потомок (13, 28, 15, 3) (9, 13, 2, 4) (13, 5, 7, 2) (14, 13, 5, 2) (13, 5, 5, 2)

Остановка расчета хромосома (коэффициент выживаемости = 0) - нахождение глобального, либо субоптимального решения; - исчерпание числа поколений, отпущенных на эволюцию; - исчерпание времени, отпущенного на эволюцию. большая популяция 5 -> 50 сходятся к желаемому уровню более быстро и стабильно

Потребности в вычислительной мощности Размер популяции -> затраты ресурсов

Главная трудность Естественные системы хаотичные ? ? ? Деятельность человека целенаправленная максимально быстрое выполнение при минимальных затратах

Категории моделирования эволюции для задач функциональной оптимизации + легко могут быть описаны небиологическим языком на практике неэффективны - имеют сложное и интересное поведение будущее

Применение ГА - научные проблемы, - технические проблемы • автоматы, • сети сортировки проектирование нейронных сетей управление роботами моделировании развития в разных предметных областях

Популярное применение ГА оптимизация многопараметрических функций проектирование самолетов настраивание параметров алгоритмов приемлемый метод для поиска "приемлемых" значений Одновременная манипуляция многими параметрами!

Популярное применение ГА Составление расписаний Игровые стратегии

КАЧЕСТВО ПОЛИЦЕЙСКИХ ФОТОРОБОТОВ не помнят внешность подозреваемого, обязательно вспомнят лицо, если увидят его снова Самое похожее Качество х 2 раза Самое непохожее

Эффективность ГА эффективная процедурой поиска § метод кодирования решений, § операторов, § настраивания параметров, § отдельных критериев успеха.