Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal

Átírás

1 Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa: a genetikus algoritmus IRE /

2 Az élet információ tárolói IRE / Orvosi Nobel díj 009. (okt. ) Elisabeth Blackburn Carol Greider, Jack W. Szostak (ausztráliai-amerikai) (amerikai) (angol-amerikai) A telomerek és a telomeráz enzim felfedezéséért IRE /

3 Természetes és mesterséges genetikus terminológia Természetes Mesterséges Kromoszóma Karakterfüzér (sztring) (a sejtek örökletes tulajdonságokat hordozó anyaga) Gén Jellemző, karakter (az öröklődő tulajdonságokkat hordozó kromoszóma egy része, (nukleinsav molekula)) Allél A karakter (jellemző) értéke Lókusz Karakter pozíció Genotípus Karakterfüzér szerkezet (az örökletes tulajdonságok összessége) Fenotípus Paraméter készlet (az élőlény alaktani és élettani sajátosságainak összessége. Az örökletes és a környezet együttes hatására létrejött megjelenési alak) IRE / A genetikus algoritmus (GA) alkalmazási vázlata. Az optimalizálandó rendszer leírása (mesterséges kromoszómába) A rendszerre jellemző változók. Kezdeti generáció egymást követő generációk. GA GA GA GA GA sorozatos alkalmazása IRE /

4 A genetikus algoritmus alkalmazásának feltételei. Egyértelmű rendszerleírás egy rendszerváltozókat tartalmazó karakterfüzérbe az un. mesterséges kromoszómába.. Reprezentatív populáció, ami azonos formában különböző jellemzőkkel bíró egyedek (rendszerek) leírását tartalmazza.. Alkalmas mérési módszer, mellyel a vizsgált rendszerek jóságát meg lehet határozni. IRE / A genetikus algoritmusok operátorai Alap operátorok: Szelekció Kereszteződés Mutáció Alacsony szintű operátorok: Dominancia Inverzió Törlődés Halkítás (erősítés) Andrew Z. Fire Craig C. Mello Orvosi Nobel díj Mario Capecchi Oliver Smithies Martin Evans Kikapcsolás knock out Populációra vonatkozó operátorok: Migráció Házassági korlátozás Jóság transzformáló függvények IRE /

5 Kiválasztási mechanizmusok A relatív jósággal (fitness) arányos un. rulettkerék algoritmus Csak a legjobbakat kiválasztó algoritmus elicista S = n F i i= Paraméterek: populáció méret, Reprodukciós arány (állandó, csökkenő, bővülő,..) IRE /9 A genetikus algoritmus alkalmazásának menete. A mesterséges kromoszóma (leíró adatfüzér) szerkezetének kidolgozása (változók és jellemzői). Kezdeti populáció létrehozása. A populációt alkotó egyedek értékelése, az abszolút- majd a relatív jóság meghatározása. A genetikus operátorok alkalmazásával új populáció létrehozása (pl.:szelekció, keresztezés, mutáció, stb ). A.-ik és a.-ik lépés ismétlése, amíg a megállási feltétel nem teljesül. IRE /0

6 A relatív jósággal (fitness) arányos un. rulettkerék algoritmus. Az egyedek jóságának meghatározása: Fi=f(Ii). A populáció összes tagja jóságának meghatározása: n. Az egyedek relatív jóságának kiszámítása: S = F i i= (Teljes Relatív Fitness TRF=):. és 00 közötti szám hozzárendelése a populáció minden tagjához a relatív jóságuknak megfelelően. (n = a jelenlegi populáció mérete). Egy m véletlen szám generálása és 00 között (m: az új populáció mérete). m egyed (génstruktúrájának) másolása az új generációba, IRE / Kereszteződés Paraméterek: kereszteződési pontok száma kereszteződési pontok helye kiinduló sztringek: új sztringek: IRE /

7 Mutáció Paraméterek: mutációs helyek száma mutációs változás tartománya kiinduló sztring: új sztring: M M M M IRE / A genetikus algoritmus előnyei a hagyományos kereső algoritmusokhoz képest A keresési tér több pontját vizsgálja egyszerre (párhuzamosság) Csak jellemzőket tartalmazó sztringgel dolgozik, a változók értelmezésétől függetlenül, ezért általános keresési algoritmus A véletlenszerű változók használata miatt a lokális minimumokra kevésbé érzékeny. Mivel a keresési szabályok nem determinisztikusak, hanem valószínűségi szabályokat alkalmaznak, így az NP teljes jellegű problémákra is megközelítést adhat. IRE /

8 A genetikus algoritmusok korlátai Túlságosan nagy jóságú egyedek eluralhatják a populációt Ha csak minimális különbségek vannak az egyedek között akkor nincs javulás Részleges megoldások: Különböző jóság transzformáló eljárások a keresés előrehaladtával (pl. nagy különbségek kiegyenlítése a keresés elején, kis különbségek felnagyítása a keresés vége felé) f g (x i ) = α g + β g f(x i ) IRE / Példa a GA alkalmazására f(x) = x + x +.x +x +.x e Σ x i x i értelmezési tartománya -0-től +0-ig Kezdeti populáció száma: 0 Megállási feltétel: f(x) >=., vagy 0 generáció Eredmények: x, x, x, x, x elért generációk száma Példa megoldás: x = =0, x = =0, x = =0, x = =-, x = =0, g= 9 IRE / i=

9 Kérdések Milyen tényezők befolyásolják a genetikus algoritmusok sikeres alkalmazását? Milyen problémák megoldásában segíthet a genetikus algoritmusok alkalmazása?. Lehet-e gyors eredményt elérni genetikus algoritmusokkal? IRE /