Теоретические основы метода дифференциальной эволюции

Теоретические основы метода дифференциальной эволюции

Теоретические основы метода дифференциальной эволюции

Метод дифференциальной эволюции – один из методов эволюционного моделирования, предназначенный для решения задачи многомерной оптимизации.

генетические алгоритмы многомерная оптимизация метод дифференциальной эволюции
Повышение эффективности работы генетических алгоритмов за счёт применения оператора многохромосомного кроссовера

Повышение эффективности работы генетических алгоритмов за счёт применения оператора многохромосомного кроссовера

Основные цели модификации существующих и разработки новых генетических операторов – улучшение сходимости генетического алгоритма, поиск глобального оптимального решения за предельно короткое время. Наиболее существенно продвинуться в данном направлении позволяет включение в репродуктивный план оператора многохромосомного кроссовера.

Часть 10. Правила выбора особей

Часть 10. Правила выбора особей

Практически на всех этапах работы генетических алгоритмов приходится иметь дело с необходимостью выбора родительских особей для применения генетических операторов, дочерних особей для включения в новую популяцию, исключения особей из популяции.

Часть 9. Генетические алгоритмы вещественного кодирования

Часть 9. Генетические алгоритмы вещественного кодирования

Часть 9. Генетические алгоритмы вещественного кодирования

Алгоритмы вещественного кодирования работают, в общем случае, с непрерывной областью допустимых значений переменных. Данный класс алгоритмов позволяет уменьшить объём вычислительных процедур на каждом шаге эволюции за счёт отсутствия двоично-десятичных преобразований при расчёте значений функций приспособленности и уменьшения размеров хромосом.

Часть 8. Диплоидные генетические алгоритмы

Часть 8. Диплоидные генетические алгоритмы

Основной принцип работы диплоидных генетических алгоритмов заключается в возможности кодирования одних и тех же свойств особи (переменных) хромосомными наборами, полученными от обоих родителей. При этом проявляются свойства в дочерней особи в зависимости от отношений доминантности и рецессивности между гомологичными (находящимися в одинаковых позициях) генами родительских хромосом.

Часть 7. Эволюционные стратегии

Часть 7. Эволюционные стратегии

Среди стратегий, использующихся в современных генетических алгоритмах, можно выделить стратегии элитизма, разнообразия, «свежей крови», изменения размера популяции, параллельных эволюций (миграции, турнирную).

Часть 6. Новые генетические операторы

Часть 6. Новые генетические операторы

К числу новых генетических операторов относятся сегрегация, транслокация, дупликация, делеция.

Часть 5. Модифицированные генетические операторы

Часть 5. Модифицированные генетические операторы

Современные генетические алгоритмы развивались, в том числе, в направлении совершенствования и модификации базовых генетических операторов. Рассмотрим эти модификации.

Часть 4. Классификация генетических операторов. Базовые генетические операторы

Часть 4. Классификация генетических операторов. Базовые генетические операторы

Развитие генетических алгоритмов привело к возникновению множества различных генетических операторов (см. рис.).

Часть 3. Масштабирование функции приспособленности

Часть 3. Масштабирование функции приспособленности

Одним из центральных понятий при эволюционном моделировании является функция приспособленности. При оптимизации с помощью генетического алгоритма в качестве функции приспособленности используется критерий оптимальности решаемой. Для расчёта приспособленности особи её необходимо перекодировать в вещественную форму.

Часть 2. Кодирование переменных. Код Грея

Часть 2. Кодирование переменных. Код Грея

Кодирование переменных. Код Грея

Непосредственно двоичный код, как правило, всё-таки не используется для бинарного представления хромосомы. Это связано с тем, что минимально отличающиеся в вещественном представлении переменные в большинстве случаев имеют большие различия (во многих позициях генов) при их двоичном представлении. Рассмотрим это на примере.

Часть 1. Кодирование переменных. Преобразование в двоичный код

Часть 1. Кодирование переменных. Преобразование в двоичный код

Генетические алгоритмы либо сами используются для решения задач оптимизации, либо сама задача, решаемая с помощью данного инструмента, сводится к оптимизационной. Причём оптимизация должна быть многомерной, иначе нет никакого смысла использовать такой сложный метод. Решение любой задачи оптимизации – это вектор значений оптимизируемых переменных, обеспечивающих наилучшую величину некоторого критерия.

Генетические алгоритмы. Терминология

Генетические алгоритмы. Терминология

Ниже представлена основная терминология в области генетических алгоритмов

 
Свежее новое
  • Искусственный интеллект, робот Вера, получил 226 млн рублей
  • ФРИИ и Кировский завод вкладывают 226 миллионов рублей в представителя «Сколкова» — компанию «Стафори», создавшую робота-рекрутера. Искусственный
  • В Москве состоялся финал PicsArt AI Hackathon, с самым крупным призовым фондом в истории
  • 30 ноября-2 декабря, в Москве прошел крупнейший хакатон в сфере искусственного интеллекта и компьютерного зрения - PicsArt AI Days. На хакатон было
  • В следующем году в Москве, заработает видеоконтроль, способный обнаружить преступников
  • Как рассказал в своем сообщении Сергей Собянин, новая система будет способна анализировать записи с видеокамер. Быстрая обработка данных позволит
  • В Москве пройдет один из крупнейших хакатонов в мире в сфере искусственного интеллекта
  • PicsArt, ведущая творческая платформа для создания контента и визуализации историй в социальных сетях с более чем 100 миллионами активных
  • Сильный Искусственный Интеллект «Smart-MES» меняет взгляды на Технологическую Сингулярность
  • Учёные полагают, что Технологическая Сингулярность наступит тогда, когда Сильный Искусственный Интеллект будет способен самостоятельно создавать себе
Последние комментарии
Мы в социальных сетях
Статистика
0  
Всего статей 1537
0  
Всего комментариев 69
0  
Пользователей 63