1 / 26

GENETIČKI ALGORITMI U PROMETU I TRANSPORTU

GENETIČKI ALGORITMI U PROMETU I TRANSPORTU. Hrvoje Gold. Genetički algoritam. Postupak stohastičkog pretraživanja prostora rješenja na temelju “prirodnog” izbora najsposobnijih kandidatnih rješenja Optimizacija umjetnih (tehnoloških, tehničkih) sustava na temelju optimizacije prirodnih sustava.

nailah
Download Presentation

GENETIČKI ALGORITMI U PROMETU I TRANSPORTU

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. GENETIČKI ALGORITMI U PROMETU I TRANSPORTU Hrvoje Gold

  2. Genetički algoritam • Postupak stohastičkog pretraživanja prostora rješenja na temelju “prirodnog” izbora najsposobnijih kandidatnih rješenja • Optimizacija umjetnih (tehnoloških, tehničkih) sustava na temelju optimizacije prirodnih sustava HG'98 - Genetički algoritmi

  3. Literatura • J.H. Holland: Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor, MI, 1975. • D.E. Goldberg: Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, Reading, Mass, 1989. HG'98 - Genetički algoritmi

  4. Prirodni izbor • Organizmi su prilagođeni životu u prirodi • Darwin: Teorija razvoja (evolucije) • Prilagodbu organizama uzrokuju procesi križanja i mijenjanja gena u kromosomima • Radi ograničenosti prirodnih bogatstava preživljavaju samo najsposobniji (selekcija) HG'98 - Genetički algoritmi

  5. Primjena načela prirodnog izbora (1) • Pronalaženje skupa parametara sustava koji optimiziraju rad sustava • Kodiranjem parametara tvori se populacija • Rezultat spajanja potencijalnih kodiranih rješenja (dijece) slučajno izabranih kodiranih rješenja (roditelja) iz populacije predstavlja kandidatno rješenje • Reprodukcija se izvodi genetičkim operacijama križanja i mutacije na genima HG'98 - Genetički algoritmi

  6. Primjena načela prirodnog izbora (2) • Novo rješenje se vrednuje funkcijom uspješnosti i uključuje u populaciju • Radi zadržavanja stalne veličine populacije u populaciju se izabiru samo najuspješnija rješenja • Pravilnim izborom želi se povećati kvaliteta populacije. HG'98 - Genetički algoritmi

  7. Elementi genetičkog algoritma • Kandidatna rješenja prikazana nizovima kodiranih simbola “gena” • Funkcija uspješnosti procjenjuje sposobnost “preživljavanja” kandidatnih rješenja • Genetički operatori “rađaju” nova kandidatna rješanja • Upravljanje primjenom genetičkih operatora HG'98 - Genetički algoritmi

  8. Izgradnja genetičkog algoritma • Izbor prikaza kandidatnog niza (binarni kod) • Izbor genetičkih operatora • Utvrđivanje funkcije uspješnosti • Utvrđivanje načina primjene genetičkih operatora HG'98 - Genetički algoritmi

  9. Prikaz kandidatnih nizova • Kodiranje parametara zadatka u kandidatni niz • Jednostavnost koda • Izbjegavanje nedozvoljenih kodova • Jednostavnost upravljanja genetičkim operatorima HG'98 - Genetički algoritmi

  10. Funkcija uspješnosti • Funkcija cilja, funkcija troška • Odgovara zadatku • Izračunava vrijednost uspješnosti kandidatnih nizova • Na kandidatni niz s najvećom vrijednosti primjenjuju se genetički operatori HG'98 - Genetički algoritmi

  11. Veličina populacije • Primjenom genetičkih operatora generiraju se novi kandidatni nizovi • Veliki broj kandidatnih nizova povećava brzinu pretraživanja, ali zahtjeva puno računanja HG'98 - Genetički algoritmi

  12. Reprodukcija (odabir nizova) (1) • Metoda ruleta: Vjerojatnost odabira niza je proporcionalna njegovoj vrijednosti uspješnosti • Metoda rangiranja: Odabir niza je linearno zavisan o rangu niza u populaciji HG'98 - Genetički algoritmi

  13. Niz Uspješnost1 1100010101 92 0000100010 73 1000000001 64 0001100010 55 1101110101 56 0001000100 47 1111111000 38 0000000001 39 1100001000 210 1111111111 1 Niz 1: Vjerojatnost odabira 20% (9/45) Reprodukcija (odabir nizova) (2) HG'98 - Genetički algoritmi

  14. Reprodukcija (odabir nizova) (3) • Ako se kod zamjene stare populacije novom veličina populacije ne mijenja, očekivani broj reprodukcija i-tog niza iznosi HG'98 - Genetički algoritmi

  15. 11|00010|101 11|00100|101 00|001100|010 Genetički operatori (1) • Križanje: • Dijelovi (geni) odabranih parova nizova se premještaju tako da tvore novi par nizova. • Mjesto premještanja se slučajno izabire HG'98 - Genetički algoritmi

  16. 1010010101 1010011101 Genetički operatori (2) • Mutacija: • Uvođenje novih nizova u populaciju • Slučajna izmjena jednog dijela (gena) niza • Binarno kodirani niz - komplementiranje HG'98 - Genetički algoritmi

  17. 1|10010|0101 1|01001|0101 Genetički operatori (3) • Inverzija: • Premještanje dijela (gena) unutar niza HG'98 - Genetički algoritmi

  18. Temeljni genetički algoritam (1) 1. Zadavanje početne populacije: Slučajno generiranje skupa kandidatnih nizova {N}. 2. Utvrđivanje vrijednosti uspješnosti nizova u populaciji: Funkcija uspješnosti mora odgovarati postavljenom zadatku. 3. Reprodukcija: Na temelju vrijednosti uspješnosti nizova u populaciji, stvara se nova populacija nizova na koju će se primijeniti genetički operatori. HG'98 - Genetički algoritmi

  19. Temeljni genetički algoritam (2) 4. Križanje: Operator križanja generira nove nizove spajanjem dijelova postojećih nizova. Slučajni izbor parova nizova i mjesta spajanja na nizovima. 5. Mutacija: Slučajna izmjena vrijednosti niza. 6. Korake algoritma od 2 do 5 ponavljati dok nije postignuta konvergencija ili prethodno utvrđeni broj naraštaja. HG'98 - Genetički algoritmi

  20. Primjer: Optimizacija funkcije (1) • Pronalaženje najmanje (ili najveće) vrijednosti funkcije • Rješenje: x = 10, y(x) = 0.5 HG'98 - Genetički algoritmi

  21. Primjer: Optimizacija funkcije (2) • Slučajno generirano 5 brojeva • Binarno kodirani 5 bitnim nizovima • Izračunate vrijednosti yi(x) • Minimum funkcije; maksimum uspješnosti • Vjerojatnost izbora niza • Očekivani broj reprodukcija i-tog niza fi/f’ HG'98 - Genetički algoritmi

  22. Primjer: Optimizacija funkcije (3) fi(x) = 1/yi(x) f’ - prosječna uspješnost populacije

  23. Primjer: Optimizacija funkcije (4) • Primjena operatora križanja i mutacije između slučajno odabranih nizova • Mutacija na nizu v1 mijenja vrijednost uspješnosti niza od 1.000 na 1.471 Nova pop. xi yi(x) fi(x) Prije mutacije 10100 20 1.000 1.000 Poslije mutacije 10000 16 0.680 1.471 HG'98 - Genetički algoritmi

  24. Primjer: Optimizacija funkcije (5) * mutacija HG'98 - Genetički algoritmi

  25. Primjer: Optimizacija funkcije (6)

  26. HG'98 - Genetički algoritmi

More Related