Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
48 Paralelizacija GA za rešavanje nekih NP-kompletnih problema<br />
⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯<br />
Jedan od načina za sprečavanje gubitka genetskog materijala je i uklanjanje<br />
višestruke pojave jedinki u populaciji. Pošto bi fizičko uklanjanje bilo relativno<br />
sporo, a pojavili bi se i dodatni problemi pošto je veličina populacije N pop u ovoj<br />
implementaciji konstantna tokom generacija, jedinke se markiraju u tekućoj a<br />
implicitno uklanjaju u sledećoj generaciji. To se vrši dodeljivanjem nulte<br />
vrednosti za prilagođenost takvih jedinki, pa ih operator selekcije uopšte ne<br />
uzima u obzir pri izboru jedinki za narednu generaciju, što možemo videti i u<br />
primeru 2.1.<br />
Primer 2.1. Neka su jedinke predstavljene binarnim nizom dužine 2, i neka<br />
populacija u nekoj generaciji sadrži sledeće jedinke: 00, 01, 01, 00, 11, a<br />
vrednost jedinki u populaciji data sledećom tabelom:<br />
00 0.2<br />
01 0.3<br />
10 0.5<br />
11 0.7<br />
Pretpostavimo da je primenjena najprostija funkcija prilagođenosti koja direktno<br />
preuzima vrednosti jedinki i da se vrši uklanjanje višestruke pojave jedinki u<br />
populaciji. Pošto su se 3. i 4. jedinka već pojavile u populaciji (kopije 2. i 1.<br />
jedinke respektivno) njihove prilagođenosti će biti 0. Zbog toga će prilagođenost<br />
jedinki u populaciji biti redom 0.2, 0.3, 0, 0, 0.7 .<br />
Nema nikavog praktičnog razloga koji bi išao u prilog ostavljanja višestruke<br />
pojave jedinki u populaciji, jer pri dobrom izboru primenjenih genetskih<br />
operatora i ostalih važnih aspekata za primenu GA, dobre jedinke svoju<br />
namenu uspešno vrše i ako se u populaciji pojavljuju pojedinačno. Pošto se<br />
višestruka pojava jedinki implicitno uklanja vrlo efikasno i brzo, može se<br />
primenjivati u skoro svim slučajevima. Primenom ove tehnike se u praktičnim<br />
primenama dobijaju znatno bolji rezultati u odnosu na osnovnu varijantu, što u<br />
potpunosti odgovara gore pomenutim očekivanim efektima. Pošto ovaj pristup<br />
ne govori ništa o jedinkama čiji se genetski kodovi u populaciji ne ponavljaju,<br />
nije predviđen za samostalnu primenu u računanju funkcije prilagođenosti, već<br />
isključivo u kombinaciji sa nekom od ostalih tehnika.<br />
2.3.3 Politika zamene generacija<br />
U GANP implementaciji je dato nekoliko politika zamene generacija, od kojih<br />
se neke mogu i kombinovati:<br />
• Generacijski (generational) GA;<br />
• Stacionarni (steady-state) GA;<br />
• Elitistička strategija (elitist strategy).<br />
Odgovarajuće politike zamene generacija nisu implementirane konkretnim<br />
funkcijama, već od vrednosti datih parametara zavisi koja je varijanta izabrana.<br />
Parametri od važnosti za politiku zamene generacija pripadaju GA strukturi, i to:<br />
• Podstruktura za selekciju: broj jedinki koje su direktno izabrane, pa se na<br />
njih ne primenjuje operator selekcije (N pass );<br />
• Podstruktura za politiku zamene generacija: broj elitnih jedinki, na koje se ne<br />
primenjuju genetski operatori, već direktno prelaze u narednu generaciju<br />
(N elite ).