Algoritmi genetici pentru rezolvarea problemelor prin - Sorin ...
Algoritmi genetici pentru rezolvarea problemelor prin - Sorin ...
Algoritmi genetici pentru rezolvarea problemelor prin - Sorin ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
de probleme de optimizare, s-a observat ca crowding-ul a fost mai putin efectiv,<br />
deoarece nu poate gasi tot timpul fitness-ul maxim. Metoda s-a dovedit a<br />
functiona bine <strong>pentru</strong> probleme de invatare a mai multor concepte unimodale la<br />
un moment dat, dar nu a fost capabila sa permita o formare stabila a<br />
subpopulatiilor, reprezentative definitiilor disjuncte ale aceluiasi concept. In<br />
toate experimentele efectuate, pe termen lung, un singur disjunct a iesit ca fiind<br />
“cel ma bun”.<br />
Partajarea fenotipica sau genotipica functioneaza bine in spatii vectoriale,<br />
unde notiunea de distanta are o semantica clara. Deb si Goldberg au gasit o<br />
diferenta de performanta intre distanta fenotipica si cea genotipica, in favoarea<br />
celei fenotipice: folosind ca distanta genotipica definitia lui Hamming, algoritmul<br />
genetic a avut o comportare intermediara intre crowding si partajare fenotipica,<br />
avand abilitatea de a gasi toate maximele existente.<br />
8. Concluzii<br />
In aceasta lucrare s-a prezentat o metoda de abordare baza pe un algoritm<br />
co-evolutiv <strong>pentru</strong> <strong>rezolvarea</strong> <strong>problemelor</strong> si in particular <strong>pentru</strong> problema<br />
acoperirii optime a sirurilor [Forrest et al., 1993]. Credem ca am reusit sa aratam<br />
in aceasta lucrare faptul ca sistemul propus este capabil sa lucreze in domenii<br />
complexe si se poate descurca cu seturi mari de date, putand concura cu sisteme<br />
asemanatoare. Oricum, comportamentul sistemului si potentialul acestuia poate<br />
ridica mai multe intrebari decat raspunsuri.<br />
Un aspect important este rolul pe care algoritmii <strong>genetici</strong> il pot juca in<br />
problemele de invatare automata (machine learning). Suntem de acord cu faptul<br />
ca problema invatarii trebuie sa exploateze cat mai mult posibil cunostintele de<br />
baza specifice domeniului, incercand sa limiteze astfel cautarea in spatiul<br />
ipotezelor <strong>prin</strong> constrangeri apriorice. De fapt, in acest caz algoritmii de cautare<br />
"simbolica" pot fi mult mai convenabili, atat din cauza ca ei pot exploata chiar<br />
acea informatie apriorica, cat si din cauza ca au nevoie de resurse computationale<br />
mai reduse atunci cand efectueaza cautari in spatii restranse. Pe de alta parte,<br />
atunci cand sunt disponibile putine cunostinte, sau cand acestea nu se<br />
conformeaza constrangerilor, spatiul de cautare ramane vast. Totusi, credem ca<br />
algoritmii genetic au potentialul de a deveni abordarea castigatoare a problemei,<br />
datorita puterii de explorare pe care o ofera fara a cere reducerea limbajului de<br />
reprezentare a ipotezelor.<br />
31