Introducere Programare Evolutiva si Algoritmi Genetici
Proiect: Programare evolutiva si algoritmi genetici
Programare Evolutiva si Algoritmi Genetici Subiecte de Proiect
Partea a II-A Algoritmi Genetici
Partea a III-A Algoritmi Genetici
a
Full description
Algoritmi elementari
Full description
Full description
Cursuri Algoritmi in informatica, acest curs este pentru studii superioare.Full description
esercizi algoritmi
dobra stvar...
Algoritmi genetici în rezolvarea problemelor de programare matematică Algoritmii genetici (AG), introduşi de J. Holland în 1975, fac parte dintr-o serie de metode moderne de căutare, care abordează cu succes probleme de optimizare complexe. Sunt bazaţi pe paradigma biologică a evoluţiei vieţii, pe „mecanica selecţiei naturale şi a geneticii, rezultând algoritmi în care este implicat şi flerul inovator al căutării umane”. AG operează cu o populaţie iniţială – corespunde, de exemplu, valorilor numerice ale unei anumite variabile (unui anumit element programabil). Dimensiunea acestei populaţii nu este constantă şi este în general dependentă de problema de rezolvat. Membrii acestei populaţii sunt de regulă şiruri alcătuite din 0 şi 1, adică şiruri binare. Exemplu de populaţie iniţială într-o primă generaţie şi având dimensiune mică (10): 1100010101 0000100010 1000000001 0001100010 1101110101 0001000100 1111111000 0000000001 1100001000 1111111111
În practică: dimensiune mai mare a polulaţiei + şiruri de lungime mai mare. Şirurile binare pot reprezenta valorile codate ale unei sau unor variabile de interes.
Populaţia iniţială – generată aleator, iar pentru caracterizarea acesteia poate fi utilizată terminologia specifică geneticii. Astfel, fiecare şir în cadrul populaţiei corespunde unui cromozom şi fiecare bit (element binar) al şirului corespunde unei gene. Cromozomii = variabilele PO = elemente ale unei structuri funcţionale, genom. Fiecare genom îşi începe ciclul de viaţă ca o mulţime de cromozomi generaţi aleator. Colecţia genomilor alcătuieşte populaţia. Un AG efectuează operaţii specifice în cadrul unui proces de reproducere guvernat de către operatori genetici. Soluţiile noi sunt create prin selecţia şi recombinarea cromozomilor existenţi, în vederea optimizării unei funcţii de evaluare (funcţie de performanţă, “fitness”), aleasă pentru fiecare problemă în parte. De exemplu, dacă problema de rezolvat este o problemă de optimizare, funcţia de evaluare ar putea fi funcţia obiectiv sau inversul acesteia. Semnificaţia funcţiei respective este irelevantă pentru algoritm, ceea ce contează fiind doar valoarea sa. Plecând de la populaţia iniţială, trebuie dezvoltată o populaţie nouă, fiecare populaţie nouă generată prin reproducere înlocuind generaţia anterioară. În acest proces funcţia de evaluare globală se va îndrepta spre optim şi va oferi soluţii din ce în ce mai bune ale PO. Procesul este analog teoriei neo-darwiniste a evoluţiei în biologie, care afirmă că organismele (sistemele) adaptate continuu la schimbările de mediu au şansele cele mai mari de supravieţuire. Operatori genetici (asupra genomilor, cromozomilor): 1. Selecţia (naturală) – destinat alegerii unui set de cromozomi (şiruri) din populaţie pentru a-i (a le) reproduce.
Membrii populaţiei sunt aleşi pentru reproducere pe baza valorii funcţiei lor de evaluare, iar membrilor populaţiei le este acordată o probabilitate de reproducere proporţională cu valoarea funcţiei lor de evaluare fiind preferaţi cei cu o valoare cât mai mare a funcţiei de evaluare. Tehnici de selecţie:……..