You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Uvod 25<br />
⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯<br />
jedan ili nekoliko sličnih problema, od kojih ćemo pomenuti samo neke: [Gre85],<br />
[Mos89], [Uck93],<br />
1.2.3.7 Izbor parametara GA<br />
Iako je izbor parametara GA, kao što su nivo ukrštanja, nivo mutacije, broj<br />
jedinki u populaciji, i sličnih, vrlo važan za primenu genetskog algoritma, ipak se<br />
pokazalo da nije presudan. Mnogi pokušaji poboljšanja performansi genetskih<br />
algoritama zasnovani na određivanju optimalnih parametara GA su dali<br />
relativno skromne rezultate. Grefenstette u <strong>rad</strong>u [Gre86] proučava parametre<br />
GA i daje konkretna uputstva za određivanje njihove vrednosti. Međutim, u<br />
istom <strong>rad</strong>u zaključuje da je mehanizam GA toliko robustan i fleksibilan, da daje<br />
dobre rezultate u širokom opsegu vrednosti parametara. Zaključak je da su<br />
kritični momenti kodiranje i funkcija prilagođenosti, a da ostali parametri manje<br />
utiču na performanse GA. Ukoliko određeni genetski algoritam daje loše<br />
rezultate, on će biti isto toliko loš, i pri proizvoljnom izboru parametara GA. I<br />
pored toga dobrim izborom parametara GA mogu se propraviti performanse.<br />
Tada genetski algoritam koji je davao solidne rezultate biće još bolji.<br />
Pri izvršavanju GA je primećeno da fiksni izbor parametara, a naročito nivo<br />
mutacije, nije uvek najpogodniji ([Bëc93]). Raznovrsnost genetskog materijala<br />
nije uvek jednaka u svim fazama izvršavanja genetskog algoritma, pa su česti<br />
slučajevi da se optimalne vrednosti nivoa ukrštanja, odnosno mutacije, menjaju<br />
tokom izvršavanja GA. Načini promene parametara GA u toku izvršavanja su<br />
grupisani u dve kategorije:<br />
• Fiksna promena parametara, pri čemu se unapred zadaje smer promene<br />
(povećavanje ili smanjivanje vrednosti tokom generacija), i formula po kojoj<br />
se promena vrši. U nekim slučajevima je postepeno povećavanje nivoa<br />
mutacije i istovremeno smanjivanje nivoa ukrštanja davalo dobre rezultate<br />
[Sys89]. Nasuprot tome, u drugim okolnostima se efikasnijim pokazalo<br />
eksponencijalno smanjivanje nivoa mutacije [Ack87], [Fog89] i [Brml91].<br />
• Adaptivno određivanje parametara, na osnovu toga kako se dati operator<br />
ponašao i kakve je, do tada, rezultate postigao. Operator koji će biti<br />
primenjen bira se na slučajan način na osnovu svoje težine, odnosno,<br />
dotadašnje uspešnosti. Za detaljnije informacije o adaptivnom određivanju<br />
parametara videti [Dav89], [Dav91], [Bëc92a], [BeD93b] i [Sri94].<br />
1.2.3.8 Obmanjivački problemi<br />
Uspešna primena GA se zasniva na činjenici da se korišćenjem selekcije<br />
tokom generacija u populaciji stalno povećava učestanost natprosečnih shema<br />
(koje učestvuju u dobrim jedinkama populacije) u odnosu na ostale sheme. Ovo<br />
se posebno odnosi na sheme malog reda (low-order shemata), poznate i pod<br />
imenom g<strong>rad</strong>ivni blokovi (building blocks). Primenom operatora ukrštanja<br />
rekombinacijom natprosečnih shema (g<strong>rad</strong>ivnih blokova) se u sledećoj<br />
generaciji formiraju jedinke koje su još bolje od onih u tekućoj generaciji.<br />
Teorijski, u najvećem broju slučajeva, ovaj proces u konačnom broju generacija<br />
konvergira optimalnom rešenju.<br />
Međutim, u nekim slučajevima sheme, koje treba da generišu optimalno<br />
rešenje, trenutno pripadaju lošim jedinkama u populaciji, pa bivaju istisnute. Na<br />
taj način se povećava učestanost shema koje ne pripadaju optimalnom rešenju,<br />
na račun onih koje pripadaju, čime se GA u pretrazi udaljava od optimalnog<br />
rešenja, umesto da mu se približava. Ova pojava je poznata kao ”obmanjivanje”