Raport de cercetare - Lorentz JÄNTSCHI
Raport de cercetare - Lorentz JÄNTSCHI
Raport de cercetare - Lorentz JÄNTSCHI
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
O altă remarcă se poate face cu privire la valorile parametrilor <strong>de</strong> configurare. Astfel, nu toţi<br />
parametrii pot lua orice valori (cum e cazul pentru sn0_SAMPLE_Size care în mod obligatoriu<br />
trebuie să fie cel puţin cât rn0_REGRESSION_Multiple în timp ce cn0_CROSSOVER_Pairs nu<br />
poate <strong>de</strong>păşi jumătate din sn0_SAMPLE_Size) în timp ce <strong>de</strong>finirea valorilor altor parametrii este<br />
restricţionată la un domeniu <strong>de</strong> valori pentru simplul fapt că efectul <strong>de</strong>finirii unei valori din afara<br />
domeniului este fie lipsită <strong>de</strong> sens (<strong>de</strong> exemplu <strong>de</strong>finirea unei valori întregi negative pentru<br />
e0n_RUNS_number sau pentru e1n_GENERATIONS_max face ca algoritmul genetic să nu mai fie<br />
executat), fie nu produce nici un fel <strong>de</strong> efecte diferite <strong>de</strong> o anumită valoare din domeniu (atribuirea<br />
unei valori negative pentru a_c_ADAPT_Correlation este similară cu atribuirea valorii 0 şi<br />
semnificând că nu există valoare minimă impusă pentru coeficientul <strong>de</strong> <strong>de</strong>terminare între<br />
fenotipurile ce compun o ecuaţie <strong>de</strong> regresie şi proprietatea măsurată), fie nu poate duce la atingerea<br />
obiectivului (atribuirea unei valori mai mari ca unitatea pentru a_c_ADAPT_Correlation este<br />
similară cu atribuirea valorii 1 şi are ca efect impunerea <strong>de</strong>terminării <strong>de</strong> 100%, ceea ce pe cale <strong>de</strong><br />
consecinţă face lipsită <strong>de</strong> sens căutarea <strong>de</strong> regresii multiple atâta timp cât ar exista un <strong>de</strong>scriptor<br />
molecular capabil să explice singur în proporţie <strong>de</strong> 100% proprietatea măsurată), în timp valorile <strong>de</strong><br />
configurare a unor parametrii impune valorile altora (<strong>de</strong> exemplu b_p_SELECTION_parameter=r2<br />
impune b_o_SELECTION_objective=max, pentru simplul fapt că obţinerea unei ecuaţii <strong>de</strong> regresie<br />
cu cel mai mic coeficient <strong>de</strong> <strong>de</strong>terminare nu poate constitui un obiectiv <strong>de</strong> interes, tot aşa cum<br />
b_p_SELECTION_parameter=se impune b_o_SELECTION_objective=min), în timp ce limitele<br />
valorilor unor parametrii sunt impuse doar <strong>de</strong> soluţia <strong>de</strong> memorare aleasă la implementare (<strong>de</strong><br />
exemplu e1n_GENERATIONS_max admite ca valoare maximă 2147483647 impusă <strong>de</strong> tipul <strong>de</strong> dată<br />
LongInt în care este stocată valoarea, dar care poate fi însă modificat fără dificultate la tip <strong>de</strong> dată<br />
Int64 cu limita superioară <strong>de</strong> 9223372036854775807.<br />
În evaluarea algoritmului genetic s-a consi<strong>de</strong>rat <strong>de</strong> importanţă teoretică şi practică compararea<br />
performanţelor obţinute pentru doi parametrii <strong>de</strong>finitorii ai procesului <strong>de</strong> evoluţie şi anume<br />
modalitatea <strong>de</strong> selecţie a indivizilor pentru încrucişare şi selecţie şi modalitatea <strong>de</strong> selecţie a<br />
indivizilor pentru înlocuire <strong>de</strong> către <strong>de</strong>scen<strong>de</strong>nţi (supravieţuire).<br />
Aceşti doi parametrii, metoda <strong>de</strong> selecţie (parametrul sfs_FITNESS_strategy) şi metoda <strong>de</strong><br />
supravieţuire (parametrul vfs_SURVIVAL_strategy) au constituit obiectul investigaţiei. Tabelul <strong>de</strong><br />
mai jos redă schema <strong>de</strong> execuţie (<strong>de</strong>signul experimentului realizat):<br />
Modalităţi <strong>de</strong> selecţie şi supravieţuire: <strong>de</strong>sign experimental<br />
Supravieţuire Proporţional (P) Deterministic (D) Turnir (T)<br />
Selecţie<br />
Proporţional (P) P:P (1) P:D (2) P:T (3)<br />
Deterministic (D) D:P (4) D:D (5) D:T (6)<br />
Turnir (T) T:P (7) T:D (8) T:T (9)<br />
Ceilalţi parametrii ce configurează execuţia algoritmului genetic au primit valori care au fost<br />
păstrate pe toată durata experimentului aceleaşi. Valorile acestora (care au fost date ţinând seama <strong>de</strong><br />
consi<strong>de</strong>rentele menţionate mai sus) sunt redate mai jos.<br />
Valori <strong>de</strong>finite şi păstrate pe toată durata experimentului pentru parametrii rămaşi<br />
Parametru Valoare<br />
a_v_ADAPT_Variance 0.1<br />
ajb_ADAPT_JarqueBera 0.1<br />
a_c_ADAPT_Correlation 0.1<br />
sn0_SAMPLE_Size 12<br />
rn0_REGRESSION_Multiple 4<br />
e1n_GENERATIONS_max 20000<br />
g_r_GENERATIONS_first_rich Yes<br />
cn0_CROSSOVER_Pairs 2<br />
m_m_MUTATION_Genes 2<br />
mpp_MUTATION_Parent_probability 5%<br />
mcp_MUTATION_Child_probability 5%<br />
291