Professional Documents
Culture Documents
Sadraj predavanja
Heuristiki algoritmi optimizacije
Evolucioni algoritmi
Genetiki algoritam (GA) osnovna ideja
Osnovni elementi GA
Mehanizam selekcije
Operatori GA
GA sa realnim kodiranjem i operatori
Specifinosti GA kao algoritma optimizacije
Stepeni slobode GA i postavke parametara
Varijante GA
Heuristiki algoritmi
Definicija:
Heuristiki algoritam je algoritam koji pronalazi rjeenje
kompleksnog problema ili pojednostavljenog modela
kompleksnog problema, stavljajui pri tome dokazivost
egzistencije, tanosti i optimalnosti rjeenja u drugi plan.
Tokom pretraivanja problemskog prostora heuristiki
algoritam se vodi neformalnim mehanizmima kao to su
iskustvo, znanje, intuicija i sl.
Heuristiki algoritmi
Definicija:
Metaheuristiki algoritam je heuristiki algoritam koji se moe
primjeniti za rjeavanje iroke klase problema traenja
rjeenja, a iji se mehanizam pretraivanja bazira na
heuristici apstrahovanoj od domena problema za ije se
rjeavanje metaheuristiki algoritam primjenjuje
Metaheuristiki algoritmi kao mehanizam pretraivanja
sadre heuristiki algoritam
Evolucioni algoritmi
Najpoznatiji su:
Genetiki algoritmi
Evolucione strategije
Charles Darwin:
"Moe se metaforino rei da prirodno odabiranje
svakodnevno i svakoga asa istrauje po cijelome svijetu i
najmanje varijacije; ono odbacuje loe, a odrava i sabire one
koje su dobre; ono radi mirno i neprimjetno, kad god i gdje
god se ukae prilika, na usavravanju svakog organskog bia
u odnosu na njegove organske i neorganske uslove ivota..."
Osnovna ideja GA
Pretraivanje bazirano
na populaciji
Potencijalna rjeenja se
kodiraju u hromozome
Dobri hromozomi se
odabiraju za ukrtanje
Mutacija sluajno
modificira hromozome
Novi hromozomi
potomci (offsprings)
mijenjaju roditelje
(parents)
Standardni GA
Osnovni elementi GA
Populacija hromozoma
ema kodiranja
Bazira se na kriteriju
Mehanizam selekcije
Osnovni elementi GA
Elitizam
Populacija hromozoma
Hromozom kodirana
problemskog prostora)
a = <a1a2...al> aiA
vjetaka
jedinka
(taka
Populacija hromozoma
m veliina populacije
Primjenom
mehanizama
i
operatora
se
vri
transformacija populacije od generacije do generacije
P k P k+1
ema kodiranja
C:xa
x = [x1,x2,...,xn ]T
Hromozomi - genotip
ema kodiranja
I i = aij2 j 1
j =1
x i= xi
x i xi
2
l i
I i
x i x i
x i x i
ema kodiranja
Primjer:
x i =1
l i = log 2
x i= 2
x i x i
=0,1
= log 2
2 1
= log 2 10 = 4
0,1
x i x i
21
7
x i = x i l i I i =1 4 7= 1 = 1 0,4667=1,46671,5
15
2 1
2 1
ema kodiranja
ema kodiranja
Evaluacija fitnessa
Mehanizam selekcije
Selekcija skraivanjem
Turnirska selekcija
Selekcija skraivanjem
(Truncation Selection)
Vjetaki metod
f a
p s a =
f a k
k =1
RWS pop
j1
suma p s a j
u rand 0,1
while sumau do
j j1
suma suma p s a j
end
return j
u rand 0,
m sel
suma 0
for j =1 to m do
c j 0
j
suma suma p s a
repeat
c j c j 1
1
u u
msel
while usuma
end
return c
Moe biti:
linearna (najee u upotrebi)
nelinearna
rank (a )1
f mod (a )=(2SP )+ 2( SP1)
m1
j
vjerovatnou
Fitness
100
35
25
20
18
17
10
5
3
1
Fitnessmod
1,80
1,62
1,44
1,27
1,09
0,91
0,73
0,56
0,38
0,20
Rank
10
9
8
7
6
5
4
3
2
1
ps (RWS)
0,43
0,15
0,11
0,09
0,08
0,07
0,04
0,02
0,01
0,00
ps (ranking)
0,18
0,16
0,14
0,13
0,11
0,09
0,07
0,06
0,04
0,02
Ranking
RWS
A
B
C
D
E
F
G
H
I
J
A
B
C
D
E
F
G
H
I
J
SP=1,8
Fitness
100
35
25
20
18
17
10
5
3
1
Fitnessmod
1,80
1,62
1,44
1,27
1,09
0,91
0,73
0,56
0,38
0,20
Rank
10
9
8
7
6
5
4
3
2
1
ps (RWS)
0,43
0,15
0,11
0,09
0,08
0,07
0,04
0,02
0,01
0,00
RWS
ps (ranking)
0,18
0,16
0,14
0,13
0,11
0,09
0,07
0,06
0,04
0,02
Ranking
0,45
0,20
0,18
0,16
0,14
0,12
0,40
0,35
0,30
0,25
SP=1,8
0,10
0,08
0,20
0,15
0,06
0,04
0,02
0,00
0,10
0,05
0,00
A
Turnirska selekcija
Operator ukrtanja/rekombinacije
a
,
a
a
,
a
To je binarni operator:
gradivne
blokove
Operator ukrtanja/rekombinacije
Operator ukrtanja/rekombinacije
Hromozomi - roditelji:
a p = a 1p a 2p .. . a lp
a q = a q1 a q2 . . . a ql
a r = a1p a 2p . . . a kp a qk 1 a qk 2 .. . a ql
a s = a q1 a q2 .. . a qk a kp1 a kp2 . . . a lp
p
p
a r = a1p a 2p . . . a kp a qk 1 a qk 2 .. . a qh a h1
a h2
.. . a lp
Uniformno ukrtanje:
a ri = aipz i aq
i 1 z i
a si = a ip 1 z i a q
i z i
z i { 0,1}
i { 1,2, .. . , l }
Operator ukrtanja/rekombinacije
Operator mutacije
Operator
ukrtanja
razmjenjuje
vrijednosti
hromozoma koji su ve prisutni u populaciji
nisu
zastupljene
r
ap
a
To je unarni operator:
bita
a i = ai z i ai 1 z i
z i { 0,1} vrijednost izabrana u skladu sa p m
i { 1,2, .. . , l }
Operator mutacije
Operator mutacije
m>10
N>100
Mehanizam smjene
Primjer
y = 192 x 64
String
10100011
00111010
01011110
11011001
Primjer
f a
m
f a k
k =1
Hromozom
A
B
C
D
String
10100011
00111010
01011110
11011001
x
163
58
94
217
Fitness
93
186
162
39
ps (RWS)
0.19
0.39
0.34
0.08
00111010
00111010
01011110
11011001
00111110
00111001
01011010
11011010
Primjer
String
00011110
01011010
00111001
11011010
x
30
90
57
218
Fitness
158
166
185
38
String
00011110
01011010
00111001
00111010
x
30
90
57
58
Fitness
158
166
185
186
Primjer
f = j =1
f a j
m
GA sa realnim kodiranjem
Realno kodiranje
Problemski specifini
Preslikavanje C : x a
Operator ukrtanja/rekombinacije
Diskretna rekombinacija
Diskretna rekombinacija
Meurekombinacija
Obino je d=0,25
Meurekombinacija
Linearna rekombinacija
i=1, 2, , n
bi odreuje smjer
Operator mutacije
x i mut = x i
Sluajno modificiranje elementa hromozoma
[d , d ]
Permutacije
Konani automati
Parsiranje
Diploidna reprezentacija
Hijerarhijska reprezentacija
emu kodiranja
Mehanizme i operatore
m1
Mjere performanse
f a k 1 P k
f =
k
f a
k=1
ema teorem
l 1
m H , k m H ,0 1 c
Stepeni slobode GA
Veliina populacije
Odreuje uzorkovanje prostora koji se pretrauje
Neophodno je da broj hromozoma u populaciji bude dovoljan
Procesiranje vee populacije je zahtjevnije
Duina binarnog stringa hromozoma
Odreuje preciznost predstavljanja take prostora stanja
Dui binarni string znai poveanje binarnog prostora
Vrsta i parametri mehanizma selekcije
Bitno odreuju raspodjelu vjerovatnoe selekcije hromozoma
Broj najboljih jedinki koje se prenose (elitizam)
Za probleme optimizacije neophodno prenoenje barem najboljeg
hromozoma
Vrsta i parametri operatora ukrtanja
Vrsta i parametri operatora mutacije
De Jong
Grefenstette
Schaffer et al.
50 100
30
20 30
0,6
0,95
0,75 0,95
0,001
0,01
0,005 0,01
ukrtanja
Vjerovatnoa
mutacije
1,75
pm
m l
Mhlenbein:
pm
1
l
Varijante GA
potpunosti
mijenja
Varijante GA
Raznolikost populacije je
problemskog prostora kod GA
osnova
pretraivanja
Varijante GA
Varijante GA
Varijante GA
Varijante GA
Prevelik
selekcijski
pritisak
konvergenciju populacije
uzrokuje
S k = f s k f k
R k = b k S k = Ib k k
prebrzu