Ceo rad - PDF (1.3 MB)

More documents

Recommendations

Info

58 Paralelizacija GA za rešavanje nekih NP-kompletnih problema ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ kriterijum samostalno primenjuje, jer se ovaj nedostatak najčešće i javlja baš u tom slučaju. Zbog toga je najbolje ovaj kriterijum primeniti, ali u kombinaciji sa nekim drugim kriterijumima, koji na neki način ocenjuju kvalitet dobijenog rešenja. 2.5.1.2 Ponavljanje najbolje jedinke Ponekad može biti korisno ako se ograniči broj ponavljanja najbolje jedinke tokom generacija, jer veliki broj ponavljanja najbolje jedinke obično znači da je genetski algoritam konvergirao, pa tada dalje izvršavanje nema mnogo smisla. Takav pristup je pogodan u slučaju kada smo dostigli globalno optimalno rešenje. Međutim moguć je i slučaj dostizanja lokalnog optimuma, koji nije lako napustiti, ali bi GA možda u daljem izvršavanju dostigao i globalni optimum. Ovaj kriterijum, ipak, može da oceni ponašanje populacije tokom generacija, pa time i da grubo proceni kvalitet dobijenog rešenja. Iako je takva procena često loša, primenljiva je, za razliku od prethodnog kriterijuma. Da bi se smanjio uticaj eventualne loše procene kvaliteta dobijenog rešenja, preporučuje se kombinovanje ovog kriterijuma sa nekim od ostalih. 2.5.<strong>1.3</strong> Sličnost jedinki u populaciji Ovaj kriterijum prekida izvršavanje GA ukoliko je sličnost jedinki u populaciji veća od unapred dozvoljene. Kada jedinke u populaciji postanu suviše slične, to je dobar pokazatelj da je konvergencija GA završena. On tada više nije sposoban da poboljšava dobijeno rešenje u narednim generacijama, jer je raznovrsnost genetskog materijala vrlo mala, pa genetski operatori nemaju efekta. Ako je dostignuto optimalno rešenje, tada poboljšavanje rešenja više ni teorijski nije moguće, pa je ovakav ishod očekivan. Međutim, i kada nije dostignuto optimalno rešenje, i teorijski je moguće poboljšavanje, genetski algoritam više nema praktičnih mogućnosti za takvu alternativu, pa više nema nikakvih razloga za njegovo izvršavanje. Sličnost jedinki u populaciji je generalno vrlo dobar kriterijum za završetak izvršavanja GA, ako je dobro projektovana funkcija za merenje sličnosti. U ovoj implementaciji je funkcija za merenje sličnosti jedinki u populaciji zasnovana na broju istih jedinki, a detaljnije se može videti u dodatku B. Na žalost ovako realizovana funkcija nema smisla ukoliko je primenjeno implicitno uklanjanje jedinki koje se višestruko pojavljuju u populaciji. 2.5.1.4 Prekid od strane korisnika Operativni sistem dozvoljava prekid bilo kog programa u proizvoljnom trenutku, ali u tom slučaju nije moguće dobiti rezultate dotadašnjeg izvršavanja. Zbog toga je projektovana jednostavna funkcija koja na osnovu zahteva korisnika prekida izvršavanje GA po završetku tekuće generacije, i štampa sve dobijene rezultate na standardan način. Ovaj kriterijum nije mnogo pogodan za opštu primenu, jer zahteva intervenciju korisnika, ali ponekad može biti koristan pri testiranju nekih karakteristika GA. 2.5.1.5 Kombinovanje više kriterijuma Kao što je napomenuto svaki od prethodnih kriterijuma ima neke prednosti i određene nedostatke, pa u većini slučajeva nisu pogodni za pojedinačnu primenu. Zbog toga se najčešće primenjuju kombinacije više kriterijuma pa se na taj način smanjuje mogućnost loše procene o prekidu izvršavanju GA.
Sekvencijalna GA implementacija 59 ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ 2.5.1.6 Neregularan završetak izvršavanja Osim gore navedenih kriterijuma moguće je i da se izvršavanje GA završi na neki neregularan način, kada je ispunjen neki od sledećih uslova: • Neke od izabranih funkcija nisu međusobno kompatibilne; • Utvrđeno je da neka od kontrolisanih promenljivih u datom momentu ima vrednost izvan dozvoljenog opsega; • Sve jedinke u populaciji su nekorektne, a nije definisano njihovo uključivanje i korišćenje u GA. U slučaju neregularnog prekida izvršavanja GA, štampa se izveštaj o razlogu prekida, a najbolje dobijeno rešenje se štampa samo u onim slučajevima kada to ima smisla. 2.5.2 Promena parametara tokom izvršavanja U ovoj implementaciji je dozvoljeno da nivo ukrštanja, odnosno mutacije, može da: • bude konstantan tokom izvršavanja GA; • se menja statički tokom generacija GA po unapred zadatoj formuli; • se menja dinamički za svaku generaciju genetskog algoritma posebno, u zavisnosti od zadatih karakteristika populacije u datoj generaciji. U dosta primena GA za rešavanje praktičnih NP-kompletnih problema, testiranjem se ne mogu uočiti razlike između datih pristupa, pa se primenjuje konstantan nivo ukrštanja ili mutacije tokom generacija GA, zato što je on najjednostavniji. Takođe je najlakše praktično odrediti, na osnovu eksperimenata, optimalan nivo datih genetskih operatora, ako je on na konstantnom nivou. Dati proces bi se dodatno otežao ukoliko nivo nije konstantan, već se menja tokom generacija. Nasuprot tome, u nekim slučajevima se može odmah primetiti razlika u kvalitetu dobijenog rešenja i performansama GA, pri poređenju konstantnog i promenljivog nivoa datog genetskog operatora. Tada ima smisla eksperimentalno određivanje načina promene i ostalih karakteristika datog operatora, jer je dobitak značajan i možda se takav pristup može primeniti i na rešavanje nekih sličnih problema. Od načina statičke promene nivoa mutacije (ukrštanja) načešće se koristi eksponencijalna promena tokom generacija. Jedino što se u nekim primenama bolje pokazao eksponencijalni porast, a u drugim eksponencijalno opadanje nivoa mutacije. Za korišćenje dinamičke promene nivoa mutacije, u praksi je pokazala dobre rezultate funkcija koja izračunava sličnost jedinki u populaciji, definisana u prethodnom odeljku. Nivo mutacije u svakoj generaciji je jednak datoj sličnosti jedinki u populaciji koja je pomnožena konstantnim koeficijentom zadatim unapred iz konfiguracione datoteke. Napomenimo da ovakav pristup ne daje rezultate, ukoliko se primeni na operator ukrštanja, već se kod njega mora primeniti drugačije definisana dinamička promena tokom generacija. Promena ostalih parametara ne utiče toliko na performanse GA, pa nije eksplicitno predviđeno da se oni mogu menjati tokom generacija. Međutim, ukoliko bi to bilo potrebno, lako bi se mogla realizovati takva mogućnost.
Page 1:
Univerzitet u Beogradu Matematički
Page 5:
Ovaj rad posvećujem mojim najdraž
Page 9: Parallelization of the genetic algo
Page 12 and 13: neophodne literature. Posebno se za
Page 14 and 15: 14 Paralelizacija GA za rešavanje
Page 108 and 109:
108 Paralelizacija GA za rešavanje
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 148 and 149:
Page 150 and 151:
Page 152 and 153:
Page 154 and 155:
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
Page 162 and 163:
Page 164 and 165:
Page 166 and 167:
Page 168 and 169:
Page 170 and 171:
Page 172 and 173:
Page 174 and 175:
Page 176 and 177:
Page 178 and 179:
Page 180 and 181:
Page 182 and 183:
Page 184 and 185:
Page 186 and 187:
Page 188 and 189:
Page 190 and 191:
Page 192 and 193:
Page 194 and 195:
Page 196 and 197:
SADRŽAJ 1. UVOD 13 1.1 Složenost
Page 198 and 199:
2.5.1.6 Neregularan završetak izvr
Page 200 and 201:
7.3 GA implementacija 108 7.3.1 Kod
Page 202 and 203:
SPISAK SLIKA Slika 1.1 Shematski za
Page 204 and 205:
Tabela C.23 Instance AG i AH 161 Ta
Page 206 and 207:
MPI message passing interface stand
Page 208 and 209:
štampanje izveštaja, 60 uklanjanj
Page 210:
ezultati izvršavanja ISP, 111 keš
show all

Ceo rad - PDF (1.3 MB)

Create successful ePaper yourself

Delete template?

Save as template?