> При виконанні програми були отримані наступні результати - мінімум функції за 20 прогонів (таблиця 1) і середнє значення мінімуму за 20 циклів (таблиця 2)
Таблиця 1 - Мінімум функції
Число особин/Число
Висновок
Генетичний алгоритм (ГА) являє собою метод оптимізації, заснований на концепціях природного відбору і генетики. У цьому підході змінні, що характеризують рішення, представлені у вигляді ген в хромосомі. ГА оперує кінцевим безліччю рішень (популяцією) - генерує нові рішення як різні комбінації частин рішень популяції, використовуючи такі оператори, як відбір, рекомбінація (кросинговер) і мутація. Нові рішення позиціонуються в популяції відповідно до їх становищем на поверхні досліджуваної функції. p align="justify"> У цій роботі створили приклад програми, що реалізує простий генетичний алгоритм для знаходження мінімуму функції:
В
При виконанні даного курсового проекту враховували, що рішення задачі є схильним до впливу випадкових величин. Тому запуск основної програми був реалізований в циклі - 20 разів. Одночасно з цим вирахували середнє значення мінімуму за ці 20 циклів. p> Кожна змінна кодується 20 бітами. Розрахунки проводилися для 40 і 80 поколінь. Проведемо аналіз отриманих даних. Найкращий результат вийшов при числі поколінь - 40 і числі особин - 20. Мінімальне значення функції min = 0.00320289227. Середнє значення функції = 0.87630460526. p> Збільшення кількості поколінь, показало що при одних і тих же умовах, результат отриманий при кількості поколінь рівний 40, краще. Це можна пояснити тим, що алгоритм використовуючи свої механізми, знаходить краще рішення з кожним наступним поколінням, тобто використовує В«накопичений досвідВ».
Таким чином, змінюючи розмір популяції, тим самим збільшивши кількість геномів і кол-во поколінь для знаходження рішення, пробуємо знайти середній мінімум функції. Збільшення геномів в роботі алгоритму, дає більш наближений результат при вирішенні завдання, отримані значення прагнуть до 0, і з збільшенням популяції це виглядає все наочніше. p> При виконанні курсової роботи була досягнута мета (перебування мінімуму в заданій області), виконані завдання з проектування, побудови логічної структури, розробці алгоритму і створення програми пошуку мінімуму функції.
Піддавши аналізу отримані дані, можна зробити висновок, що доводить, що особливістю генетичних алгоритмів є те, що вони забезпечують збіжність до глобального оптимуму, а не є випадковим пошуком рішення функції.
Список джерел
1. # "Justify">. Ісаєв С. В«Популярно про генетичні алгоритмиВ». # "Justify">. Олексій Андрєєв. В«ЕлектродарвінВ». # "Justify">. Сотник С.Л. Конспект лекцій з курсу В«Основи проектування систем штучного інтелектуВ»: (1997-1998), # "justify"> Додаток А
Текст п...
