vysokÃ© uÄenÃ technickÃ© v brnÄ evoluÄnÃ algoritmy - matlab gate toolbox

More documents

Recommendations

Info

18 2.2 Heuristické metody V posledních letech se rok od roku neustále zvyšuje výpočetní síla počítačů, což otevřelo dveře mnoha novým odvětvím. Nový rozmach také nastal ve vývoji a experimentování s heuristickými metodami řešení složitých optimalizačních problémů. Tyto optimalizační metody sice nezaručují nalezení globálního řešení úplně přesně, ale poskytují řešení, které se globálnímu optimu velmi blíží. Výsledné řešení je nalezeno v uspokojivé době a s dostatečnou přesností. Používají se zejména pro optimalizaci mnohaparametrových funkcí, které nabývají mnoha extrémů. 2.2.1 Horolezecký algoritmus Tento algoritmus je zástupcem jednoduchých heuristických metod. V každém kroku řešení vygeneruje nejbližší okolí v určitém rozsahu a v něm hledá další nejlepší řešení. Nalezené lepší řešení se použije v následujícím kroku jako základ pro generování nového okolí. f(x) I 1 I 6 Obr. 2 Prohledávání okolí HCA algoritmem a uváznutí v lokálním extrému x Horolezecký algoritmus má jednu velikou nevýhodu. Jeho prohledávání je totiž závislé na šířce generování nejbližšího okolí. Pokud nastane případ, kdy v cestě prohledávání stojí lokální extrém, může se stát, že se zde algoritmus zastaví. Říkáme, že algoritmus uvázne v lokálním extrému a v tom případě nenajde globální optimum, ale optimum pouze lokální. Vše je patrné z Obr. 2. Ten zachycuje, jak postupuje algoritmus při hledání optimálního řešení a uvázne v lokálním extrému v šestém iteračním kroku. Volba šířky generovaného okolí nám určuje časovou složitost algoritmu. Šířka okolí nemůže být příliš velká, protože by se neúměrně zvedla časová složitost algoritmu. Ukončení výpočtu u horolezeckých algoritmů může nastat např. sledováním hodnot nejlepších řešení. K ukončení dojde tehdy, pokud dva kroky jdoucí po sobě naleznou dvě naprosto stejné hodnoty. Ukončení lze také provést omezením iteračních kroků. 2.2.2 Genetický algoritmus Genetické algoritmy jsou inspirovány přírodou a Darwinovými zákony přirozeného výběru. Jedinci dané populace nesou informace zakódované pomocí genetických chromozomů. Tyto chromozomy je možno dekódovat a určit, jaké vlastnosti má určitý člen populace. Sledujeme charakteristiky, které jsou důležité pro hodnocení řešeného problému, tedy v případě řešení optimalizačního problému hodnotu účelové funkce. Jedinci s lepšími charakteristikami jsou vybíráni do další generační populace a horší jedinci jsou eliminováni. Genetický algoritmus provede v jedné generaci několik kroků, které mají tři základní, jasně dané cíle – nejlepší jedince vybrat do další generace, vytvořit z nich pomocí křížení potencionálně lepší jedince a v poslední řadě udržovat celkovou populaci dostatečně heterogenní (překonání lokálních extrémů, zefektivnění křížení). Počáteční populace jedinců je obvykle generována náhodně na předem definovaném prostoru možných řešení.
19 Počáteční populace fitness selekce křížení mutace fitness - podmínka ukončení + Konec Obr. 3 Typický průběh genetického algoritmu Jeden iterační krok genetického algoritmu je naznačen na Obr. 3. Počáteční populace je nejdříve ohodnocena, a vzápětí jsou z ní vybráni nejlepší jedinci. Poté je provedeno mezijedincové křížení, které pomáhá vytvářet jedince s potencionálně lepšími vlastnostmi. V závěru iteračního kroku je provedena mutace, jenž má za úkol udržovat celou populaci dostatečně různorodou, aby se pokrylo co nejširší okolí od aktuálně nejlepšího jedince. Základní operátory genetického algoritmu jsou tedy čtyři a to: • fitness – provádí ohodnocení jedinců podle určitého kritéria • selekce – vybírá předem definovaným způsobem jedince do další generace • křížení – výměna genů mezi jedinci, získání potenciálně lepšího • mutace – náhodná změna některých genů v populaci, zachování heterogenity Genetické algoritmy jsou obvykle v počítačích reprezentovány pomocí binárních čísel, ale mohou být řešeny i jinak, záleží na dané implementaci a cílené oblasti použití. Pokud uvažujeme binární kódování, jedinci jsou kódováni binárními řetězci, které představují jejich chromozomy. Ohodnocování může probíhat různými způsoby, např. konverzí binárních řetězců na reálná čísla apod. Křížení pak výměnou bitů mezi jedinci a mutace náhodnou změnou některých bitů v celé populaci. V dnešní době existuje nepřeberné množství variant a typů genetických algoritmů. Liší se způsobem implementace, různými způsoby křížení, mutace a selekce, reprezentací řešeného problému apod. Genetické algoritmy mají v dnešní době velké uplatnění a velmi širokou oblast použití.
Page 1: VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
Page 5 and 6: 5 1. Pan/paní LICENČNÍ SMLOUVA P
Page 7: 7 ABSTRAKT Tato diplomová práce s
Page 11: 11 Obsah: Zadání závěrečné pr
Page 15: 15 1 ÚVOD Cílem této diplomové
Page 21 and 22: 21 3 GATE TOOLBOX GATE toolbox je s
Page 23: 23 GATE-DLL toolbox ÚČELOVÁ FUNK
Page 26 and 27: 26 Všechny potřebné struktury a
Page 28 and 29: 28 V konverzních metodách jsem ne
Page 30 and 31: 30 4.1.3 Genetický algoritmus GA a
Page 32 and 33: 32 nastavení do/z XML souboru na p
Page 34 and 35: 34 4.2 Rozhraní DLL knihovny Kniho
Page 36 and 37: 36 4.3.2 Výkonné metody Funkce Po
Page 38 and 39: 38 Funkce Popis SetBinActVec(*BinAr
Page 40 and 41: 40 4.3.8 Struktura OptParams Strukt
Page 42 and 43: 42 4.4.3 Popis GATE-DLL funkcí V n
Page 44 and 45: 44 Funkce Popis Parametry Funkce Po
Page 46 and 47: 46 Matice vstupních vektorů x 10
Page 48 and 49: 48 4.5.3 Server aplikace Server apl
Page 50 and 51: 50 Číslo připojeného klienta Ro
Page 53 and 54: 53 5 PRAKTICKÉ TESTY GATE-DLL V t
Page 55 and 56: Z provedených testů rychlosti je
Page 57 and 58: 5.4 Schopnost nalezení řešení H
Page 59 and 60: 5.6 Statistické zobrazení vývoje
Page 61 and 62: 61 350 fitness 300 250 200 150 100
Page 63: 63 6 ZÁVĚR Řešení pomocí exte

vysokÃ© uÄenÃ­ technickÃ© v brnÄ evoluÄnÃ­ algoritmy - matlab gate toolbox

Create successful ePaper yourself

Delete template?

Save as template?

vysokÃ© uÄenÃ technickÃ© v brnÄ evoluÄnÃ algoritmy - matlab gate toolbox