Algoritmi genetici pentru rezolvarea problemelor prin - Sorin ...

specializare, ps + pg = afn, pe de alta. Cand s1 si s2 au valori mici ale fitness-ului,
adica inca nu sunt ipoteze inductive bune, sansa de a aplica primele doua tipuri
de incrucisari este mai mare pentru a exploata putere lor mai mare de explorare.
Dimpotriva, valori mari ale fitness-ului privilegiaza folosirea incrucisarii prin
specializare si prin generalizare pentru a rafina ipoteza inductiva. Alegerea intre
incrucisarea uniforma si cea prin doua puncteeste controlata static de parametrul
b, pe cand alegerea intre incrucisare prein generalizare si cea prin specializare
este controlat a de parametrul r care, la randul sau, este evaluat in timp real pe
baza exemplelor acoperite de s1 si de s2. Astfel, cand acestea acopera multe
exemple, este preferata incrucisarea prin specializare pentru a mari sansele de a
crea un urmas mai consistent, altfel incrucisarea prin generalizare primeste o
sansa mai mare.
In ceea ce priveste operatorul de mutatie, acesta este identic cu cel folosit
in algoritmii genetici clasici. El este aplicat urmasilor cu probabilitatea pm =
0.00001 si poate afecta orice bit din s(Λs).
Exemplu de operatii genetici – Pentru a clarifica modul in care operatorii
genetici functioneaza vom da un exemplu. Fie Λ sablonul de limbaj din Figura
1 si formulele:
ϕ1 = greutate(x, [3, 4, 5]) ∧ culoare(x, [rosie, albastra]) ∧
∧ forma(x, ¬ [patrata, circulara]) ∧
∧ distanta(x, y, [1, 2])
ϕ2 = greutate(x, [3, 4, 5]) ∧ culoare(x, ¬ [albastra]) ∧
∧ distanta(x, y, [1, 2, 3])
Atunci, aceste formule pot fi transformate, prin sablonul , in indivizii:
i1 = 1100101110000
i2 = 1011111111000
In Tabelul 1 este descris efectul operatorilor de incrucisare asupra acestor
doi indivizi.
Parinti
1100101110000
1011111111000
Formule
culoare(x, [rosie, albastra]), forma(x,
¬ [patrata, circulara]) distanta(x, y, [1, 2])
culoare(x, ¬ [albastra]), distanta(x,
y, [1, 2, 3])
21