дбором, може бути, коли це необхідно, з успіхом компенсована відповідним методом вибору батьківських пар, наприклад аутбридинг. Саме така комбінація "аутбридинг - елітний відбір "є однією з найбільш ефективною. Другий метод, на якому хотілося б зупинитися, це відбір витісненням. Чи буде особина з репродукційної групи заноситися в популяцію нового покоління, визначається не тільки величиною її пристосованості, а й тим, чи є вже в формованої популяції наступного покоління особина з аналогічним хромосомним набором. З усіх особин з однаковими генотипами перевагу спочатку, звичайно ж, віддається тим, чия пристосованість вище. Таким чином, досягаються дві мети: перше, не губляться кращі знайдені рішення, що володіють різними хромосомними наборами, а по-друге, в популяції постійно підтримується достатня генетичне різноманітність. Витіснення в даному випадку формує нову популяцію скоріше з далеко розташованих особин, замість особин, що групуються близько поточного знайденого рішення. Цей метод особливо добре себе показав при вирішенні багатоекстремального завдань, при цьому крім визначення глобальних екстремумів з'являється можливість виділити і ті локальні максимуми, значення яких близькі до глобальних. В
Висновок
Отже, викладений підхід до вивчення генетичних алгоритмів є евристичним, тобто показує гарні результати на практиці, але погано піддається теоретичному дослідженню та обгрунтуванню. Природно поставити питання - чи слід користуватися такими алгоритмами, що не мають строгого математичного обгрунтування?
Як і в питанні про нейронних мережах, тут не можна відповісти однозначно. З одного боку, в математики існує досить великий клас абсолютно надійних (у сенсі гарантії отримання точного рішення) методів вирішення різних завдань. З іншого боку, мова йде про дійсно складних практичних завданнях, в яких ці надійні методи часто непридатні. Нерідко ці завдання виглядають настільки неозорими, що не робиться навіть спроб їх осмисленого рішення. [15]
Наприклад, фірма, займається транспортними перевезеннями, в сучасних умовах російського бізнесу швидше віддасть перевагу найняти зайвих водіїв і підвищити ціни на свої послуги, ніж оптимізувати маршрути і розклади поїздок. На західному ринку, де вже давно діють закони більш-менш чесної конкуренції, оптимальність діяльності компанії значно впливає на її доходи і навіть може стати вирішальним фактором для її виживання. Тому будь-які ідеї, що дозволяють компанії стати "розумнішими" своїх конкурентів, знаходять там широке застосування. p> Генетичні алгоритми - реалізація однієї з найбільш популярних ідей такого роду. Ця популярність викликана, мабуть, винятковою красою підходу і його близькістю до природного механізму. Подібним чином популярність нейромережевої технології підігрівається в чому її схожістю з роботою мозку. По-справжньому активний розвиток евристичних підходів безпосередньо пов'язано з розвитком вільного ринку та економіки в цілому.
Таким чином, задавши умови життя в деякому віртуальному світі і заселивши його представниками з певними властивостями, після процесів схрещування, мутації і природного відбору, аналоги яких відбуваються і в реальному світі, ми стабільно отримуємо особина, властивості якої відповідають раніше заданим вимогам. Успішне вирішення завдання змушує захоплюватися мудрістю природи, що реалізувала такий дивно нескладний і приголомшливо ефективний механізм. Цей факт наводить на думку про те, що розуміння перевірених століттями законів природи дозволяє використовувати їх при вирішенні, здавалося б, і далеких від неї завдань, окремим випадком яких є розглянуті далі задачі оптимізації.
ГЛАВА 2. ЗАВДАННЯ ОПТИМІЗАЦІЇ. <В
2.1 Завдання, які вирішуються за допомогою генетичних алгоритмів
Тепер ми з вами розуміємо, на чому засновані принципи роботи генетичних алгоритмів. Але для вирішення яких завдань реалізуються ці алгоритми? Отже, в цій главі нами будуть розглянуті задачі оптимізації, їх математичну постановку і шляхи вирішення. Так само нами будуть розглянуті рішення діофантових рівняння і завдання комівояжера.
Завдання оптимізації - найбільш поширений і важливий для практики клас задач. Їх доводиться вирішувати кожному з нас або в побуті, розподіляючи свій час між різними справами, або на роботі, домагаючись максимальної швидкості роботи програми або максимальної прибутковості компанії - залежно від посади. p> 2.2 Математична постановка задачі оптимізації
Постановка завдання оптимізувати зації включає в себе безліч допустимих рішень і числову функцію, визначену на цьому безлічі, яка називається цільовою функцією.
Не можна ототожнювати критерій (критерії) оптимальності і цільову функцію.
Цільова функція - це аналітична залежність між критерієм (критеріями) оптимальності та підлягають оптимізації параметрами з вказівкою напрямку екстремуму.
Відмінність понять В«Критерій...
