Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
52 Paralelizacija GA za rešavanje nekih NP-kompletnih problema<br />
⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯<br />
2.4.1.2 Selekcija zasnovana na rangu<br />
Za prevazilaženje anomalija proste selekcije je vrlo pogodna selekcija<br />
zasnovana na rangu (rank based selection). Unapred formiramo niz rangova, za<br />
odgovarajuće pozicije jedinki u populaciji. Funkcija prilagođenosti svake jedinke<br />
je vrednost ranga date jedinke. Pri tome funkcija prilagođenosti jedinki u<br />
populaciji zavisi samo od poretka jedinki u populaciji, kao što se može videti u<br />
primeru 2.3, a ne i od konkretnih vrednosti jedinki, pa se preuranjena<br />
konvergencija retko javlja.<br />
Primer 2.4. Neka su date jedinke iz primera 2.3, pri čemu je niz rangova redom<br />
2.5, 2, 1.8, 1.5, 1.2 . Tada će normalizovane funkcije prilagođenosti jedinki 00,<br />
00, 01, 01, 10 biti 1.5, 1.2, 2, 1.8, 2.5, pa će u narednoj generaciji bar 3 jedinke<br />
(očekivani broj jedinki je 5*(1.5+1.2+2+1.8) / (1.5+1.2+2+1.8+2.5) = 5*6.5/9<br />
=3.6) biti iz skupa {00,01}. To ostavlja realnu mogućnost da se ukrštanjem 10 i<br />
01 na prvoj poziciji dobije optimalno rešenje (jedinka 11). Ovim načinom<br />
selekcije jedinka čiji je genetski kod 10, iako po funkciji prilagođenosti trenutno<br />
daleko najbolja u populaciji, ipak daje šansu i ostalim jedinkama sa dobrim<br />
genima (jedinka čiji je kod 01 sa genom 1 na drugoj poziciji).<br />
U primeni genetskih algoritama na problemima opisanim u ovom <strong>rad</strong>u,<br />
eksperimentisanjem su najbolji rezultati dobijeni primenom selekcije zasnovane<br />
na rangu. Ovim načinom selekcije se može zadati proizvoljni nenegativni niz<br />
vrednosti rangova. Za svaki pojedinačni problem, se eksperimentalno određuje<br />
niz rangova, koji predstavlja dobar kompromis između elemenata istraživanja i<br />
iskorišćenja u primeni GA.<br />
2.4.<strong>1.3</strong> Turnirska selekcija i fino g<strong>rad</strong>irana turnirska selekcija<br />
U slučaju turnirske selekcije (tournament selection) za unapred dati broj<br />
N tourn , na slučajan način se generiše N sel skupova od po N tourn jedinki. U svakom<br />
od skupova jedinki se simulira "turnir", i u narednu generaciju prolazi "pobednik<br />
turnira", odnosno jedinka sa najboljom funkcijom prilagođenosti u datom skupu.<br />
Primer 2.5. Za jedinke u primeru 2.2 primenimo turnirsku selekciju sa N tourn = 2 i<br />
N sel = 5. Ako su slučajno izabrani skupovi {00,01}; {00,00}; {01,10}; {01,00};<br />
{10,10} tada je populacija u narednoj generaciji 01, 00, 10, 01, 10, što je znatno<br />
bolje u odnosu na prostu (rulet) selekciju.<br />
Fino g<strong>rad</strong>irana turnirska selekcija je unapređenje osnovne turnirske<br />
selekcije, u slučajevima kada nije pogodno da broj N tourn bude ceo broj. Na<br />
primer ako je N tourn = 2 previše mala, a N tourn = 3 prevelika vrednost, tada je<br />
pogodno izabrati N tourn ∈ [2, 3]. Detaljnije informacije o fino g<strong>rad</strong>iranoj turnirskoj<br />
selekciji mogu se videti u [Fil98].<br />
2.4.1.4 Selekcija primenom ostataka<br />
U selekciji primenom ostataka (stohastic remainder selection) se celobrojni<br />
deo očekivanog broja potomaka date jedinke (broj jedinki u populaciji *<br />
prilagođenost jedinke / zbir prilagođenosti svih jedinki) direktno izabere u<br />
narednu generaciju, a razlomljeni deo se bira prostom rulet selekcijom. Time se<br />
smanjuje nedeterminizam u selekciji, ali ovaj metod selekcije i dalje poseduje<br />
nedostatke proste selekcije. U nekim aspektima su nedostaci čak i povećani u<br />
odnosu na prostu selekciju.