Disertacija - Univerzitet u Novom Sadu
Disertacija - Univerzitet u Novom Sadu
Disertacija - Univerzitet u Novom Sadu
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
mogu da se podele u dve osnovne potklase: P i NP probleme. Probleme potklase P<br />
moguće je egzaktno rešiti u polinomijalnom vremenu, dok NP problemi predstavljaju one<br />
koje nije moguće rešiti u polinomijalnom vremenu, nego je u tom vremenu moguće samo<br />
verifikovati predloženo rešenje problema. Iz tog razloga se za rešavanje NP problema<br />
najčešće primenjuju heuristički, odnosno metaheuristički algoritmi. Njihova karakteristika<br />
jeste da u relativno kratkom vremenu nalaze prihvatljivo rešenje, relativno blizu optimalnog<br />
rešenja. Najpoznatije metaheurističke metode su:<br />
− genetski algoritmi,<br />
− simulirano kaljenje,<br />
− tabu pretraživanje,<br />
− Lagranževa relaksacija i<br />
− brojni metaheuristički algoritmi inspirisani prirodom.<br />
U ovom istraživanju će se koristiti genetski algoritmi, s obzirom na to da su u literaturi<br />
prepoznati kao jedna od najboljih metaheurističkih metoda za rešavanje lokacijskih<br />
problema, definisanih matematičkim programiranjem.<br />
Genetski algoritmi su u osnovi metode koje imitiraju evolucijski proces i zasnivaju se<br />
na idejama prirodne selekcije i genetike. Zasnovani su na Darvinovom principu<br />
preživljavanje najsposobnijih, u čijoj osnovi je da:<br />
− jedinke sa većom sposobnošću prilagođavanja okolini imaju veću šansu za<br />
preživljavanjem i veći uticaj na formiranje potomaka,<br />
− jedinke nove generacije, u populaciji, nastaju kombinovanjem genetskog sadržaja<br />
izabranih jedinki iz prethodne generacije, odnosno njihovih roditelja,<br />
− s vremena na vreme dolazi do mutacije, tj. do slučajne izmene genetskog sadržaja<br />
jedne jedinke.<br />
Smatra se da je idejni tvorac genetskih algoritama John Holland (1975), koji je<br />
knjigom Adaptation in natural and artificial systems postavio temelje ove metode. Osnovni<br />
oblik genetskog algoritma prikazan je na sl. 2.<br />
Primena metode počinje izborom inicijalne populacije koju čini izvestan broj,<br />
najčešće slučajno odabranih jedinki. Svakoj jedinki se pridružuje funkcija prilagođenosti<br />
koja ima zadatak da ocenjuje kvalitet jedinke. Genetski algoritam, uzastopnom primenom<br />
operatora selekcije, ukrštanja i mutacije, obezbeđuje da se iz generacije u generaciju<br />
poboljšava apsolutna prilagođenost svake jedinke u populaciji, a time i srednja<br />
prilagođenost celokupne populacije. Ovim mehanizmom se dobijaju sve bolja rešenja<br />
datog konkretnog problema.<br />
Selekcija nagrađuje natprosečno prilagođene jedinke tako što one dobijaju veću<br />
šansu za reprodukciju pri formiranju nove generacije. Sa druge strane, slabije<br />
prilagođenim jedinkama se smanjuju šanse za reprodukciju, pa one postepeno izumiru.<br />
Operator ukrštanja obavlja razmenu gena jedinki, čime doprinosi raznovrsnosti<br />
genetskog materijala. Ovim operatorom se daje mogućnost da, razmenom genetskog<br />
materijala, dobro prilagođene jedinke generišu još bolje prilagođene jedinke. Takođe,<br />
relativno slabije prilagođene jedinke sa nekim dobro prilagođenim genima dobijaju svoju<br />
šansu da rekombinacijom dobrih gena proizvedu dobro prilagođene jedinke. Ukrštanje se<br />
obavlja sa unapred zadatom vrednošću verovatnoće ukrštanja, koja određuje koliko jedinki<br />
učestvuje u ukrštanju proizvodeći nove jedinke, ali i koliko se jedinki prenosi u sledeću<br />
9