ку) {виконати це ...}. Команда gotoAndStop дозволяє нам перейти на другий кадр першої сцени і зупинитися.
Ще одне невеличке зауваження, необхідно перетворити намальовану або вставлену з бібліотеки кнопку на символ. Для цього виділяємо наш об'єкт правою кнопкою, і вибираємо в контекстному меню Convert, в з'явився меню ставимо галочку навпроти Button. p> У Flash ми на кожному кроці можемо перевіряти (Налагоджувати) нашу розробку, для цього в головному меню вибираємо Control/Test movie. p> І, нарешті, на останньому кроці ми публікуємо наш посібник в exe форматі, для того, щоб наша розробка запускалася на комп'ютері будь-якого користувача, в не залежності від того, встановлена ​​на його комп'ютері Flash чи ні.
Висновок
Ми з вами проробили великий шлях, відкриваючи для себе генетичні алгоритми, їх, здавалося б, тривіальну і одночасно з цим геніальну ідею, взяту з природи. У ході вивчення ми багаторазово вказували на достоїнства і недоліки генетичних алгоритмів. Серед найбільш значущих позитивних сторін, можна відзначити:
Перший випадок: коли відомий спосіб точного рішення задачі. Якщо ми знаємо, як оцінити пристосованість хромосом, то завжди можемо змусити генетичний алгоритм вирішувати цю задачу. p> Другий випадок: коли спосіб для точного рішення існує, але він дуже складний в реалізації, вимагає великих витрат часу і грошей, тобто, просто кажучи, справа того не варто. Приклад - створення програми для складання персонального розкладу на основі техніки покриття множин з використанням лінійного програмування.
Що ж до недоліків, те в загальному випадку генетичні алгоритми не знаходять оптимального рішення дуже важких завдань. Якщо оптимальний розв'язок задачі (Наприклад, завдання комівояжера з дуже великим числом міст) НЕ може бути знайдено традиційними способами, то і генетичний алгоритм навряд чи знайде оптимум
Поряд з генетичними алгоритмами відомі й інші методи розв'язання задач оптимізації, засновані на природних механізмах, такі як моделювання відпалу (simulated annealing) і табу-пошук (taboo search). Але ефект випадковості, який безумовно присутній при вирішенні генетичним алгоритмом, дуже надихає.
Незважаючи на невелику кількість завдань, яке ми з вами розглянули: рішення Диофантова рівняння і завдання комівояжера, ми повністю підтверджуємо нашу гіпотезу. Завдання оптимізації (і не тільки) успішно вирішуються за допомогою генетичних алгоритмів.
В
Б ібліографія
1. Вентцель Є.С. В«Дослідження операційВ», - М.: 1972
2. Гальцина О.Л., Попов І.І. В«Основи алгоритмізації та програмуванняВ». p> 3. Грешилов А.А. В«Як прийняти найкраще рішення в реальних умовахВ», - М.: 1991 р., стор 164-170
4. Корнєєв В.В., Гарєєв А.Ф. В«Бази даних. Інтелектуальна обробка даних В», М.: 2001р., стор 220
5. Коршунов Ю.М. В«Математичні основи кібернетики. Для студентів вузів В», - М.: 1987 р., стор 67-89
6. Леонов О.І. В«Теорія графівВ». p> 7. Майніка Е., В«Алгоритми оптимізації на мережах і графах.В» - М.: 1981
8. Новіков Ф.А. В«Дискретна математика для програмістівВ». p> 9. В«Генетичні алгоритми: чому вони працюють? В»/ Компьютерра, № 11, 1999 год
10. Де Джонг К. А. Введення до другого спеціальному випуску за
генетичним алгоритмам. Машинне навчання, № 5 (4), с. 351-353
11. Електронні джерела:
12. В«Генетичні алгоритми по-російськи В»- #" _Hlt470119186"> 9 _1.html
16. В«Neural Bench Development В»- #" _Hlt470119191"> 0 1/08.htm
18. В«(EHIPS) Генетичні алгоритми В»- #" _Hlt470119193"> e tic.htm
19. В«SENN Генетичні Алгоритми В»- #" _Hlt470119924"> i .mega.ru/ru/senn_ga.htm
20. Хорева Є.В. Курсова робота. Тема В«Застосування генетичних алгоритмів для вирішення задач оптимізації В»-КДПУ.: 2007р.
21. В«Лекції по нейронних мережах і генетичним алгоритмам В»- #" _Hlt470119938"> 0 00007.htm
