Algoritmi genetici pentru rezolvarea problemelor prin - Sorin ...

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