CC BY
23
ИНФОРМАЦИОННЫЕ
УДК 519.713
ИССЛЕДОВАНИЕ ОПТИМАЛЬНОСТИ НАСТРОЕК ОПЕРАТОРОВ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
ДУБРОВИН В.И., ФЕДОРЧЕНКО Е.Н., ПОДЫМСКИЙ Д.А., ГУЗЕНКО Г.О._____________
Приводятся результаты исследований операторов генетических алгоритмов (ГА) по скорости и точности распознавания решаемой задачи. Даются рекомендации по применению и настройке операторов ГА.
Введение
Применение генетических алгоритмов является важной частью современных информационных технологий. Использование этих алгоритмов позволяет решать различные классы задач оптимизации. Возможно их применение для решения комбинаторных задач или оптимизации различного вида функций, для настройки нейронных сетей или систем поддержки принятия решений. При этом работа алгоритма является эффективной, позволяет решать сложные оптимизационные задачи и, в то же время, опирается на строгую теорию [1,2].
Особенностью генетических алгоритмов является то, что они опираются на естественную эволюцию в природе и базируются на принципах наследования и эволюционного отбора. Моделирование процесса естественной эволюции и его применение для решения задач оптимизации является важным для данного направления.
Несмотря на то, что базовые принципы генетических алгоритмов появились еще в середине 70-х годов прошлого века (в первую очередь благодаря работам Дж. Холланда [3]), их исследование и совершенствование остаются актуальными и в настоящие время.
Можно также отметить, что, несмотря на существование ряда программных продуктов, реализующих генетические алгоритмы [4], говорить о задаче исследования р азличных методов ГА как о полно стью решенной явно преждевременно.
Задачей данной работы является исследование генетических операторов в целях определения зависимости достигаемой точности оптимизируемого функционала от количества используемых точек мутаций и скрещивания.
Исследование операторов мутации и селекции ГА
Важным фактором, влияющим на эффективность работы генетического алгоритма, является оператор отбора. Слепое следование принципу «выживает сильнейший» может привести к сужению области поиска и попаданию найденного решения в область локального экстремума целевой функции. С другой стороны, слишком слабый оператор отбора может привести к замедлению роста качества популяций, а значит, и к замедлению поиска. Кроме того, популяция в таком случае может не только не улучшаться, но и ухудшаться [4-7].
Для выяснения влияния операторов ГА на точность его работы были проведены вычислительные эксперименты.
В ходе работы было проведено более 2500 тестов. В табл. 1 даны наилучшие показатели точности относительно количества точек мутации и точек скрещивания и представлено 10 лидеров. Тесты проводились со следующими параметрами: итераций (поколений) - 100; особей - 10; тип мутации - многоточечная; вероятность мутации - 3 %; тип селекции - пропорциональная; тип кроссовера - многоточечный; точность вычислялась по результатам 10 тестов. Точность определялась как 100% минус ошибка, выраженная в процентах.
Таблица 1. Наилучшие показатели точности
относительно точек мутации и точек скрещивания
Точность, % Количество точек мутации Количество точек скрещивания
72,8125 20 8
73,125 7 3
73,125 8 4
73,75 2 10
73,75 9 10
74,375 3 7
74,375 5 4
75 4 3
77,1875 9 20
79,375 5 6
По данным, представленным в табл.1, можно выделить два несомненных лидера - это тесты, в которых количество точек мутации и скрещивания было соответственно (5,6) и (4,3), так как при таких параметрах
Таблица 2. Средние показатели точности относительно точек скрещивания и мутации
Кол-во точек Средняя точность %
Мутации 5 64,02
Скрещивания 6 65,18
Мутации 9 64,12
Скрещивания 20 61,9
Мутации 4 65,14
Скрещивания 3 65,31
РИ, 2007, № 3
85
ГА показал наиболее точные результаты. Можно заметить, что промежуточный результат (9,20) лучший, но частные показатели каждого из параметров в среднем ниже, чем у пары (4,3). В табл. 2 указаны данные, по которым оценивался выбор оптимального решения.
В табл. 3 приведены результаты тестов, по которым можно выявить наиболее подходящий тип селекции. Тесты проводились при следующих настройках: итераций - 100; особей - 10; тип мутации - многоточечная; вероятность мутации - 3%; тип кроссовера - многоточечный; точек мутации - 4; точек селекции - 3.
Таблица 3. Анализ типов селекции
Точность, %
Тип Селек-х, ции № экспе-\ римента \ Простой Пропорциональный Турнир (2) Усечение (15)
1 50 50 59,37 50
2 50 50 87,5 50
3 50 90,62 71,87 71,87
4 75 50 62,5 50
5 50 90,62 50 50
6 50 90,62 50 50
7 50 50 50 50
8 50 50 50 50
9 59,37 50 56,25 50
10 78,12 90,625 59,37 50
Средняя точность 56,25 66,25 59,68 52,18
Наилучшие результаты были достигнуты в случае использования пропорционального типа селекции.
В табл. 4 приведены результаты тестов кроссоверов по точности решаемой задачи, тесты проводились со следующими параметрами: итераций - 100; особей -10; тип мутации - многоточечная; вероятность мутации - 3%; тип селекции - пропорциональная; точек мутации - 4; точек селекции - 3.
На рис.1 показан разброс точности оценок оптимизируемого функционала.
Таблица 4. Анализ типов кроссовера
Точность, %
Тип крос-\ совера № \ экспе- \ римента Случайный Многоточеч ный Универсаль ный Сравнитель ный
1 50 90,62 50 90,62
2 90,62 50 50 56,2
3 50 78,12 50 56,2
4 50 53,12 50 50
5 50 50 87,5 93,75
6 50 68,75 50 93,75
7 90,62 59,37 50 93,75
8 78,12 78,12 50 50
9 56,25 75 50 50
10 71,87 62,50 50 50
Средняя точность 63,75 66,56 53,75 68,43
86
Рис. 1. Разброс точности оценок работы ГА
Данный рисунок подтверждает стохастичность ГА. Вследствие стохастичности эволюционных алгоритмов все результаты проведенных тестов усреднялись, чтобы более точно отображать общие свойства ГА. Следует отметить, что основная масса точек сконцентрирована между 60 и 70 процентами точности.
На рис.2 показана зависимость точности от количества точек скрещивания.
Рис. 2. Влияние количества точек скрещивания на точность распознавания оптимизируемого функционала
На рис. 2 наблюдается зависимость, близкая к линейной, однако рисунок содержит сильные отклонения -«всплески» (ранняя сходимость метода, либо наоборот - вход в локальный максимум, вследствие чего -низкая точность), что объясняется стохастичностью ГА. Отсеяв «всплески», можно отметить, что для данной модели ГА наблюдается низкая точность при одной точке скрещивания, а потом, уже при двух точках скрещивания следует подъем, далее постепенный спад. Из рис.2 можно сделать вывод, что при одноточечном кроссовере данный метод имеет плохую сходимость, что объясняется сложностью выхода ГА из точек локального оптимума.
На рис. 3 показана зависимость точности ГА (отношение количества правильних решений, полученных программой, к общему количеству решений) от количества точек мутации.
Зависимость на рис.3 просматривается с трудом, тем не менее, представляется возможным аппроксимировать ее прямой, которая показана на рисунке тонкой линией. Таким образом, можно сделать вывод, что при увеличении количества точек мутации вероят-
РИ, 2007, № 3
ность достижения положительного результата уменьшается. Это можно объяснить тем, что при увеличении количества точек мутации Г А ведет себя более « агрессивно», что приводит к частым «вредным» мутациям, что в свою очередь приводит к ухудшению сходимости алгоритма.
Рис. 3. Зависимость точности от количества точек мутации
Заключение
Научная новизна работы заключается в том, что: выявлены зависимости влияния операторов на точность работы ГА.
Практическая ценность работы состоит в том, что проведенные исследования позволили выработать рекомендации по заданию настроек операторов ГА.
2004. 452 с. 2. Назаров А.В. Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. 384 с. 3. Holland J.H. Adaptation in natural and artificial systems. Апп Arbor: The University of Michigan Press, 1975. 97 p. 4. The Practical Handbook of Genetic Algorithms. Volume I. Applications / Ed. by L.D. Chambers. Florida: CRC Press, 2000. 520 p. 5. Воронов-ский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: Основа, 1997. 112 с. 6. Курейчик В.М. Генетические алгоритмы: Монография. Таганрог: ТРТУ, 1998. 185 с. 7. Beasley D., Bull D.R., Martin R.R., An Overview of Genetic Algorithms: Part I: Fundamentals // University Computing. 1993. №2. Р. 58-69.
Поступила в редколегию 02.06.2007
Рецензент: д-р. техн. наук, проф. Гоменюк С.И.
Дубровин Валерий Иванович, канд. техн. наук, доцент кафедры программных средств Запорожского национального технического университета. Научные интересы: интеллектуальные системы поддержки принятия решений. Адрес: Украина, 69063, Запорожье, ул. Жуковского, 64, тел.:(061)769-84-09.
Федорченко Евгений Николаевич, аспирант, ассистент кафедры программных средств Запорожского национального технического университета. Научные интересы: интеллектуальные системы поддержки принятия решений. Адрес: Украина, 69063, Запорожье, ул. Жуковского, 64, тел.:(061)769-84-09.
Для повышения эффективности ГА необходимо решить следующие задачи:
- увеличить скорость нахождения решения;
- обеспечить возможность сокращения пространства поиска;
- повысить адаптивные свойства алгоритма.
Литература: 1. Рутковская Д., Пилиньский М., Рутковс-кий Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. М.: Горячая линия - Телеком,
Подымский Денис Александрович, студент факультета информатики и вычислительной техники Запорожского национального технического университета. Научные интересы: интеллектуальные системы поддержки принятия решений. Адрес: Украина, 69063, Запорожье, ул. Жуковского, 64, тел.:(061)769-84-09.
Гузенко Галина Олеговна, студентка факультета информатики и вычислительной техники Запорожского национального технического университета. Научные интересы: интеллектуальные системы поддержки принятия решений. Адрес: Украина, 69063, Запорожье, ул. Жуковского, 64, тел.:(061)769-84-09.
УДК 519.713: 631.411.6
КОРПОРАТИВНА ІНФОРМАЦІЙНА СИСТЕМА: КОНЦЕПЦІЯ ТА СТРУКТУРА
КОЗУЛЯ Т.В., ПЕТРУХІН С.Ю.________________
Аналізується сучасний стан інформаційного забезпечення щодо вирішення екологічних задач у системі екологічного моніторингу. Визначається поняття і пропонується структура екологічної корпоративної інформаційної системи, дається склад екологічного портрета і його роль у прийнятті управлінського рішення у системі екологічного моніторингу.
1. Актуальність теми дослідження
Прийняття і підтримка управлінського рішення щодо визначення заходів поліпшення екологічного стану як окремих об’єктів, так і будь-яких просторових оди-
ниць є складним і багаторівневим процесом. Дослідження реальних процесів прийняття управлінського рішення потребує відповіді на питання, які стосуються механізмів та взаємозв’язків цих процесів у практиці керівництва, а також поведінки особи, що приймає рішення (ОПР), у проблемних ситуаціях. Аналіз екологічного характеру дій, що складають процес прийняття рішення у системі екологічного моніторингу, та ролі осіб або груп осіб у прийнятті управлінських рішень є предметом дослідження психологічної теорії рішень (теорії процесу). У рамках цієї теорії проводяться розробки дискрипторних моделей, які забезпечують визначення нової стратегії діяльності для підвищення рівня досягнення мети рішень, що приймаються [1].
Напрямок, який займається розробкою та використанням нормативних моделей, належить до теорії вибору або формалізованої теорії прийняття рішень. Сутністю даного напрямку є концентрація уваги на площину
РИ, 2007, № 3
87
