CC BY
66
♦ использование предложенной модификации способа применения операторов кроссовера и мутации (условное разбиение хромосомы на участки);
♦ использование принципа адаптив ного изменения вероятности мутации.
ЛИТЕРАТУРА
1. Чернухин Ю.В. Нейропроцессорные сети. Таганрог: Изд-во ТРТУ, 1999. 439с.
2. Курейчик В.М., Лебедев Б.К., Нужное Е.В. Учебное пособие по курсу «Генетические методы оптимизации». М. 1996. 132с.
3. Whiltey D. A Genetic Algorithm Tutorial // Statics and Computing, vol. 4. 1994, c. 65-85
4. Whitley D. Genetic Algorithms and Neural Networks // Genetic Algorithms in Engeneering and Computer Science, 1995. C.203-216.
УДК 681.3.016
В.В. Курейчик1
ПРИНЯТИЕ РЕШЕНИЙ С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ СОВМЕСТНОЙ ЭВОЛЮЦИИ ДАРВИНА И ЛАМАРКА
Известно, что раньше теории эволюции Дарвина (ЭД) о естественном отборе Ламарк предложил многогранную теорию эволюции [1,2].Она основана на понятии, что характеристики, приобретенные организмом в течение его жизни, наследуются его потомками. Ламарк предположил это как средство, через которое организм передает специальные черты для выживания в среде и это положение известно как теория эволюции Ламарка (ЭЛ) или Ламарксизм [1]. Хотя ЭЛ не используется в биологии, она является мощной концепцией искусственной эволюции, применимой в технике. Автор предлагает использовать принципы совместной ЭД и ЭЛ для построения интеллектуальных иерархических систем (ИИС) и решения оптимизационных задач (03) принятия решений (ПР). Подобно жизни в естествен-( ), -пов и фенотипов. В случае, когда генотипы является своими собственными фенотипами, не требуется преобразований между ними. Это полное вовлечение, по ЭЛ, позволяет оптимизировать фенотип для решения конкретных проблем среды. Эта оптимизация отражается в соответствующем генотипе для последующего наследования потомками. Следовательно, проблемы, с которыми сталкивается ЭЛ в природе, решаются в генетических алгоритмах (ГА) [1]. ЭЛ обычно дает локализованный поиск форм в пространстве структур фенотипов. Локализованный поиск Ламарка более подходит для исследования локальных областей популяции в отличие от глобального перебора ГА. Согласно [1] ЭЛ оказывается наиболее эффективной, когда популяция имеет сходимость в область локального минимума в отличие от .
Предлагается совместный алгоритм, основанный на ЭД и ЭЛ. ЭД реализована в виде ГА, в который встроен алгоритм ЭЛ. Он содержит элемент Ламарка (Шкала, G). Шкала - это действительное число от 0 до 1, определяющее процентное соот-
1 Работа выполнена при поддержке РФФИ, грант №00-01-00050
ношение в популяции, к которому будет применена ЭЛ, а в - число итераций ГА. ЛПР в совместном алгоритме должен иметь три предиката, определяющих изменение ГА: Селекция. Этот предикат должен использовать технику выбора селекции, такую как турнирная или селекция по целевой функции; Генетические операторы (ГО). Они применяют соответствующие ГО согласно управляющим воздействиям; Целевая функция (ЦФ). Он применяет ЦФ для выбора подходящих хромосом. На рис.1 показана схема алгоритма совместной ЭД и ЭЛ.
Вход ^
'
Формирование популяции Р
Формирование
новой популяции Р'
, 1
Нет
Нет
и ЭЛ Моделирование
Вычисление ЦФ
Рис.1. Структурная схема совместного алгоритма ЭЛ и ЭД
Первый элемент ЭЛ предусматривает случай, когда ЛПР хочет применить
( - 1).
множество номеров хромосом в популяции и для них вызывает алгоритм Ламарка. Второй элемент используется, если процентное соотношение в популяции больше 0. Тогда число хромосом для процесса вычисляется по параметру процентного соотношения и размеру популяции. Второй элемент ЭЛ вызывает предикат для выбора множества номеров хромосом, лежащих в пределах от 1 до размера попу-
ляции. Для выполнения этого предикат многократно повторяется до тех пор, пока не будет набран требуемый размер. Селекция по стандартному ГА используется для выбора хромосом. Заметим, что если большой процент популяции подвергает, , требует дополнительного времени. Если ЛПР не желает использовать ЭЛ, то шкалу
0. -мосом. Для каждой хромосомы определяются ЦФ. Затем выполняется локализованный поиск для числа итераций, определяемых параметром в. Результатом этого локализованного поиска является, возможно, новая хромосома с новой ЦФ. Если новая ЦФ лучше, чем у исходной хромосомы, то она заменяется оптимизирован. . управляющих воздействий может утвердить или отменить ЭЛ. При использовании поискового алгоритма исследуется фенотип и при достижении лучших результатов соответствующий генотип (который идентичен фенотипу в этой задаче) исправляется. В схему совместного алгоритма ЭД и ЭЛ можно включить любой набор по.
,
статистики. Это позволяет частично решать проблему предварительной сходимо. , время при использовании ЭЛ не пропорционально числу исследованных хромосом и из этого извлекается выгода, особенно при анализе следующей генерации ГА. Эффективность использования ЭЛ с ЭД зависит от исследуемой проблемы. Локализованная оптимизация на основе ЭД и ЭЛ будет повышать среднюю ЦФ популя-, , .
ЭЛ может быть изменено в процессе поиска. Необходимы дальнейшие исследования для определения стратегии, динамически адаптирующей ЭЛ в процессе решения 03 ПР.
Если следовать учениям древности, то теория систем макрокосм - микрокосм может быть в информационном смысле аналогична ИИС. Такая модель представляет две взаимодействующие противоположности. Все последующие иерархические уровни увеличивают число противоречий. Строительный блок (СБ), на основе которого может быть построена многоуровневая ИИС для решения 03 ПР, показан на рис. 2. Здесь на анализ популяций Р1, Р2 оказывает влияние не только блок эволюционной адаптации (БЭА), но и внешняя среда. Из таких СБ, как из «кирпичиков», может быть построена ИИС любой сложности. На рис.2. показана схема СБ с относительным балансом. Здесь элементы имеют различные свойства, но, будучи взаимосвязаны друг с другом, поддерживают относительный баланс. Нормальное функционирование системы (ее свойства и возможности) связано с равновесием в нем элементов Инь - Ян (БЭА1 - БЭА2)[3].
Рис.2. Схема СБ с относительным балансом
Приведенная схема СБ может быть использована для создания многоуровневых иерархических систем поддержки ПР. Они во многих случаях помогают выходить из локальных оптимумов при реализации 03 ПР.
ЛИТЕРАТУРА
1. Practical Handbook of Genetic Algorithms. Editor I. Chambers. T.2, Washington,USA, CRC Press, 1995.
2. Дубинин Н.П. Избраныые труды, Т.1. Проблемы гена и эволюции. М.: Наука,2000.
3. Курейчик В.М., Курейчик В.В. Методы генетического поиска основанные на учениях древности // Труды 26-й международной конференции IT+SE 99, Еурзуф, Украина, 1999. С.64-66.
УДК 621.03
В.И. Кодачигов, Н.В. Братащенко
ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО ПОДХОДА К ОЦЕНКЕ ЭФФЕКТИВНОСТИ ПРИВЕДЕНИЯ РАЗРЕЖЕННЫХ МАТРИЦ К ЛЕНТОЧНОЙ ФОРМЕ
Данная работа является продолжением нашей статьи «Матричная интерпре-
», -
щем номере.
В данной работе описываются три наиболее эффективных алгоритма, разными путями приводящие к получению наиболее типичных из форм разряженных , .
Оценим их эффективность. Все они предполагают в своей работе прямое и косвенное тождественное преобразование матрицы, т.е. перестановку строк и соответствующих столбцов.
