ішення оптимізаційних завдань науки і техніки.
В даний час використовується нова парадигма рішень оптимізаційних задач на основі ГА та їх різних модифікацій. ГА здійснюють пошук балансу між ефективністю та якістю рішень за рахунок В«виживання найсильніших альтернативних рішеньВ», в невизначених і нечітких умовах. p align="justify"> ГА, згідно, відрізняються від інших оптимізаційних та пошукових процедур наступним:
. працюють в основному не з параметрами завдання, а з закодованим безліччю параметрів;
. здійснюють пошук не шляхом поліпшення одного рішення, а шляхом використання відразу декількох альтернатив на заданій множині рішень;
. використовують цільову функцію, а не її різні приросту для оцінки якості прийняття рішень;
. застосовують не детерміновані, а імовірнісні правила аналізу оптимізаційних завдань.
Для роботи ГА вибирають безліч натуральних параметрів оптимізаційної проблеми і кодують їх в послідовність кінцевої довжини в деякому алфавіті. ГА працює до тих пір, поки не буде виконано задане число генерацій (ітерацій алгоритму) або коли на деякій генерації буде отримано рішення певної якості, або коли знайдений локальний оптимум, тобто виникла передчасна збіжність і неможливо знайти вихід з цього стану. На відміну від інших методів оптимізації ГА, як правило, аналізують різні області простору рішень одночасно і тому вони більш пристосовані до знаходження нових областей з кращими значеннями ЦФ. p align="justify"> Однак не завжди вдається успішно виявити "вузьке" місце у винахідницькій ситуації. Крім того, таких "вузьких" місць може бути кілька. Тому поряд з направленим методом пошуку необхідний деякий перебір варіантів. У цьому випадку додаток АРИЗ генетичними алгоритмами пошуку являє собою перспективне і актуальний напрямок. p align="justify"> Для використання генетичного алгоритму необхідно мати набір деяких елементів або популяцію, в якій шляхом селекції відбираються кращі елементи. Елементи або особини популяції повинні мати математичний опис, придатне для механізму селекції, при дії якого (механізму) вибираються ці кращі елементи. p align="justify"> 1. Поняття та визначення теорії генетичних алгоритмів
генетичний алгоритм винахідницька задача
Наведемо деякі поняття та визначення з теорії ГА. Всі ГА працюють на основі початкової інформації, в якості якої виступає популяція альтернативних рішень Р. Населення Р = {р 1 , р < span align = "justify"> 2 , ..., р i , ..., Рn p } є безліч елементів р
