Simon Károly Babes Bolyai Tudományegyetem ksimon@cs.ubbcluj.com



Hasonló dokumentumok
értékel függvény: rátermettségi függvény (tness function)

Algoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal

A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere

értékel függvény: rátermettségi függvény (tness function)

Klaszterezés, 2. rész

Képrekonstrukció 9. előadás

Képrekonstrukció 6. előadás

A szellemivagyon-értékelés alapjai

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói

Számítógépes döntéstámogatás. Genetikus algoritmusok

Genetikus algoritmusok

Megkülönböztetett kiszolgáló routerek az

FEJLESZTÉSI IRÁNYOK Jász-Nagykun-Szolnok megye területfejlesztési elképzelései - különös tekintettel a Tisza-tavi térségre

Minőségbiztosítás, validálás

Természetes szelekció és adaptáció

Dr. habil. Maróti György

Gyakorló feladatok adatbányászati technikák tantárgyhoz

HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla

Informatikai Rendszerek Tervezése

Szelekció. Szelekció. A szelekció típusai. Az allélgyakoriságok változása 3/4/2013

Klaszterelemzés az SPSS-ben

CMS Pixel Detektor működése

Egy magyarországi élelmiszergyártó üzem termelésének és termelés-kiszolgálásának szimulációs vizsgálata, tapasztalatai

Érzékszervi bírálók kiválasztásának, képzésének és monitorozásának nemzetközi módszerei. Sipos László 1, Kókai Zoltán 1 Gere Attila 1

EPIDEMIOLÓGIA I. Alapfogalmak

ipont ipont az oktatásban

Társadalmi és gazdasági hálózatok modellezése

Gépi tanulás. Neurális hálók, genetikus algoritmus. Közlekedési informatika MSc. Földes Dávid St. 405.

Posztanalitikai folyamatok az orvosi laboratóriumban, az eredményközlés felelőssége

7. Régió alapú szegmentálás

Izgalmas újdonságok a klaszteranalízisben

Adatbányászat: Klaszterezés Haladó fogalmak és algoritmusok

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet

Közösség detektálás gráfokban

Gépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés

ÉPÜLETEK TŰZBIZTONSÁGA ÉS A KIÜRÍTÉS

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9

Ellátási lánc optimalizálás egy új multinál

Tüdő adenocarcinomásbetegek agyi áttéteiben jelenlévő immunsejtek, valamint a PD-L1 és PD-1 fehérjék túlélésre gyakorolt hatása

Hálózati operációs rendszerek II.

passion for precision Sphero-X simítás és nagyolás 40 és 70 HRC között

Zenegenerálás, majdnem természetes zene. Bernád Kinga és Roth Róbert

DSD DSD. Az új Nemzeti Rákregiszter előnyei kutatói szempontból. Kovács László Szentirmay Zoltán Surján György Gaudi István Pallinger Péter

Sugárbiológiai ismeretek: LNT modell. Sztochasztikus hatások. Daganat epidemiológia. Dr. Sáfrány Géza OKK - OSSKI

RÉSZLETEZŐ OKIRAT (1) a NAH /2017 nyilvántartási számú akkreditált státuszhoz

Demográfia. Def.: A születés, mortalitás, ki- és bevándorlás kvantifikálása. N jelenleg. = N korábban. + Sz M + Be Ki. A szervezetek típusai: UNITER

LELÁTÓ. Az utolsó téli edzések. A II. Kerület UFC információs magazinja. Wwww.keruletufc.hu

A hálózati szintű dinamikus teherbírásmérés múltja és jelene

A vegetatív működés modelljei

Genetikus algoritmusok megvalósítása MATLAB segítségével

Fizikailag aktív kortársak prototípusészlelése szegedi egyetemisták körében

II. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László

Hidraulikus hálózatok robusztusságának növelése

P 2 P ábra Az f(x) függvény globális minimuma (P 1 ) és egy lokális minimuma (P 2 ).

Hipotézis vizsgálatok

FlowCon dinamikus szabályozószelep (VarioE) Änderungen vorbehalten

CRT monitoros világosságészlelet egyeztető módszerek alkalmazása a színtévesztés diagnosztizálásában

Evolúciós algoritmusok

AZ ENERGIAIRÁNYÍTÁS RENDSZERSZEMLÉLETŰ MEGKÖZELÍTÉSÉRŐL Október 29.

Vectory telepítési útmutató

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

Növényi alapanyagú megújuló tüzelőanyagok adagolásának hatása a gázolaj viszkozitására és az égésfolyamatra

WIFI smart alkalmazás. Kezelési útmutató.

Klaszterelemzés az SPSS-ben

Mesterséges Intelligencia alapjai

VTOL UAV. Inerciális mérőrendszer kiválasztása vezetőnélküli repülőeszközök számára. Árvai László, Doktorandusz, ZMNE

Paradicsomtermesztés: hagyományos fóliaház kontra modern üvegház, avagy megéri-e váltani?

Mintavételi eljárások

Hallgatói preferencia rangsorok készítése a jelentkezések alapján

MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR

Mérés és modellezés Méréstechnika VM, GM, MM 1

INNOVÁCIÓ ÉS TUDÁSMENEDZSMENT A SZERVEZETEKBEN

AZ ISO ENERGIAIRÁNYÍTÁSI RENDSZER (GONDOLATOK ÉS ÜZENET) Május 14.

Normális eloszlás tesztje

CÉLFORGALMI MÁTRIX AKTUALIZÁLÁSA GENETIKUS ALGORITMUS SEGÍTSÉGÉVEL

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

MENEDZSMENT ALAPJAI Motiváció I.

KLASZTERANALÍZIS OSZTÁLYOZÁS

Algaközösségek ökológiai, morfológiai és genetikai diverzitásának összehasonlítása szentély jellegű és emberi használatnak kitett élőhelykomplexekben

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

BBTE Matek-Infó verseny mintatételsor Informatika írásbeli vizsga

Fertőző betegségek járványtana. dr. Gyuranecz Miklós MTA ATK Állatorvos-tudományi Intézet

A befogadó értékelés alkalmazása

Virtus a jövőre szabott megoldás VIII. Ipari- és Technológiai Szakmai Nap

SZERVEZETI VISELKEDÉS Motiváció

A terápiaeredményesség kockázatának átvétele, megosztása

MIR. Kompetenciák. Dr. Finna Henrietta

FIT-jelentés :: Hétvezér Általános Iskola 8000 Székesfehérvár, Hétvezér tér 1. OM azonosító: Intézményi jelentés. 8.

Projektfeladatok 2014, tavaszi félév

Heurisztikák algoritmusok ütemezési problémákra. 1. Állapottér és a megoldások kezelése

1. Cím: Smart autonóm járműbemutató, RECAR (Autonóm Járművek Kutató központ)

Alapkutatáshoz, ipari kutatáshoz és kísérleti fejlesztéshez kapcsolódóan: Munkatársak alkalmazása. Immateriális javak beszerzése

Kontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz

ToolExpert 2.0 új online forgácsolási adatkalkulátor a szerszámok optimális használatához

10. Genomika 2. Microarrayek és típusaik

Intézményi jelentés. 8. évfolyam

FIT-jelentés :: Óbudai Szent Péter és Pál Szalézi Általános Iskola és Óvoda 1036 Budapest, Fényes Adolf u. 10. OM azonosító:

Nemzeti Onkológiai Kutatás-Fejlesztési Konzorcium 1/48/ Részjelentés: November december 31.

Átírás:

Evolúciósalgoritmusokalkalmazása azadatelemzésben SimonKároly Babes BolyaiTudományegyetem ksimon@cs.ubbcluj.com 1

Evolúciósszámítástechnikaimodellek Evolúciósszámítástechnika:biológiaiinspirációjúkeresésiés optimalizálásiparadigma Alapötlet:abiológiaireprodukció,természeteskiválasztódásés evolúciómodellezése lehetségesmegoldáspopulációkevolúciója Evolúciósszámítástechnika evolúciósszámítástechnikai modellek EvolúciósAlgoritmusok EvolúciósAlgoritmusok:GenetikusAlgoritmusok,Evolúciós Programozás,EvolúciósStratégiák,Genetikusprogramozás Evolúciósoptimalizálás:komplexoptimalizálásiproblémák megoldásaevolúciósalgoritmusoksegítségével 2

EvolúciósAlgoritmusok lehetségesmegoldáspopulációkevolúciója biológiaiinspirációjúkeresésioperátorok:kiválasztás,keresztezés, mutáció alehetségesmegoldásokegypopulációegyedei,mindenikegyeda keresésitéregy egypontjátkódolja az egyedeket egy probléma specifikus rátermettségi (fitness) függvénysegítségévelhasonlítjukössze apopulációfejlődéseegyadottleállításifeltételeléréséigtart a megoldás: az utolsó populáció, annak egy része, vagy a legnagyobbrátermettségiértékkelrendelkezőegyed 3

GenetikusAlgoritmusok azegyedeketkromoszómákkalkódoljuk Kódolásitípusok: bináris:akromoszómákbitsorozatok valós:probléma specifikuskódolás Keresésioperátorok: keresztezés(recombination):újegyedeklétrehozásaaszülők genetikaiinformációjánakkombinálásával mutáció:újegyedlétrehozásaegyegyedgénállományának véletlenszerűmegváltoztatásával kiválasztásakeresztezésre:apopulációbólmelyegyedeklesznek kiválasztvamintszülők kiválasztásacserére:melyegyedekkerülnekakövetkező generációba 4

GenetikusAlgoritmusok Akeresésifolyamat: mindeniterációnálegyújpopulációjönlétre generációk néhányegyedetrátermettségükalapjánkiválasztunkkeresztezésre. apárokbólszármaztatottegyedekegyközbeesőpopulációtalkotnak. amutációoperátormódosítjaezeketazutódokatésegyúj közbeesőpopulációjönlétre. azújgeneráció:aközbeesőpopuláció,ésazeredetipopulációból kiválasztottegyedek 5

Evolúciósoptimalizálás egycélfüggvényoptimalizálása komplexoptimalizálásiproblémák(np teljesproblémák, kombinatoriálisoptimalizálásiproblémák,nemkonvexvagynem deriválhatócélfüggvények,stb.) dinamikus,multi kriteriálisésmulti modálisoptimalizálás 6

Evolúciósmulti modálisoptimalizálás Multi modálisoptimalizálás: astandardgenetikus algoritmusokaglobálisoptimum felekonvergálnak sokvalósproblémaesetében többoptimálisvagyoptimálist közelítőmegoldáslétezik néhányesetbencélunklehet mindenoptimumpont meghatározása(lokális optimumok) speciálisevolúciósmodelleket alkalmazhatunk 7

Evolúciósmulti modálisoptimalizálás Klasszikusmodellek: alpopulációkalkalmazása megosztottrátermettségifüggvény példákklasszikusmodellekre:niching,crowding,migration, speciationstb. Hátrányok: túlkoraikonvergencia különbözőalpopulációkhoztartozóegyedekkeresztezése érvénytelenmegoldások optimumpontokközöttiegyedekkeresztezése fölösleges műveletek,magaskomplexitás Újevolúciósmulti modálisoptimalizálásieljárások: Roaming,GeneticChromodynamics,stb. 8

GeneticChromodynamics egyújkeresésiésoptimalizálásimetaheurisztikatöbboptimum pontmeghatározására alapötlet:stabilalpopulációkkialakulásánakelősegítése,ésezek fenntartása azalpopulációkkülönbözőoptimumpontokfelekonvergálnak jellemzők:változóméretűpopulációkhasználata, steppingstone keresésimechanizmus,rövidtávúkölcsönhatások, merging (egyesítési)operátor mikropopulációsmodelleketalkalmazhatunk bármilyenprobléma specifikuskodifikáláshasználatalehetséges 9

Alkalmazásazadatelemzésben:klaszterezés Központiproblémaazadatelemzéskereteinbelül: azobjektumoktermészetescsoportosulásánakmeghatározása Klaszterezés(Clustering): egyadathalmazelemeitcsoportokbasoroljukegymáshozvaló hasonlóságukalapján egycsoportotegyprototípusvektorhatározmeg,a klaszterközéppont. aklaszterezésfolyamánkétproblémátkellmegoldanunk: megkellhatároznunkacsoportokszámát megkelltalálnunkaközéppontokat Statikusklaszterezésieljárások: aklaszterekszámaelőremeghatározott Dinamikusklaszterezésieljárások: azeljárásmeghatározzaaklaszterekszámátis 10

GC alapúdinamikusklaszterezés mindenosztálytegyprototípushatározmeg,mindenprototípust egykromoszómakódol acélatermészetesklaszterközéppontokfelekonvergáló kromoszómákazonosítása akezdetipopulációtvéletlenszerűengeneráljuk akeresésifolyamatsoránalkalmazottkeresésioperátorok: kiválasztás,keresztezés,mutációésegybeolvasztás(merging) 11

Rátermettségifüggvény Gausstípusúrátermettségifüggvény: m f (L j ) = e xi L j 2 σ j2 i =1 Rátermettségtájkép (fitnesslandscape) 12

GCDC Kölcsönhatásitartomány: mindenegyedesetébenmeghatározunkegykölcsönhatási tartományt akölcsönhatásitartománysugaraegyedenkéntváltozhat Kiválasztás: mikropopulációsmodelltalkalmazunk Keresztezés: agénekkonvexrekombinációja Mutáció: agénekadditívperturbációja Túlélés: aleszármazottatösszehasonlítjukadominánsszülővel,ésa rátermettebbkerülbeakövetkezőgenerációba(directsurvival competition) 13

GCDC Egybeolvasztás(merging): azalpopulációkonbelülakromoszómákegyidőutánközel kerülnekegymáshoz amikorkétkromoszómaközöttitávolságegyadottküszöbértékalá csökken,azilletőegyedeketegybeolvasztjuk Leállásifeltétel: haegymeghatározottszámúlépésutánnincsenváltozása populációban,akeresésifolyamatleáll azutolsópopulációtképezőegyedeklesznekaklaszterek középpontjai meghatározzukapontokhovatartozását 14

GCDC Paraméterek: akölcsönhatásitartománysugara(interactionradius) azegybeolvasztásiküszöbérték(mergingdistance) amutációléptéke(mutationstepsize) arátermettségifüggvényσjparamétere Adaptációsmechanizmusok: akölcsönhatásitartományadaptációja összefüggésbevezetéseakölcsönhatásitartományméreteésaσj paraméterközött dinamikusrátermettségifüggvény dinamikus optimalizálás amutációléptékeésakölcsönhatásitartományméreteközötti összefüggés,azegybeolvasztásiküszöbértékautomatikus meghatározása csatoltcellás(link cell)eljárás arövidtávúkölcsönhatások kezelése,kisebbkomplexitás,újadaptációstechnikák 15

Példa PéldaaGCDCeljárás működésére:agcdc általmeghatározott prototípusok1,10,50 és150iterációután. 16

Alkalmazás:GeneExpressionAnalysis Génkifejeződés(génexpresszió):soklépcsősfolyamat,melynek soránagénbenrejlőinformáció(dns)megjelenikvalamilyen fehérjében,ésennekeredményekéntasejtszerkezete,funkciójajól mérhetőenmegváltozik Génexpressziósszintekmérése microarraytechnológia génexpressziósadatok(általábanvalósmátrixok:asorokkülönböző géneknek,azoszlopokkülönbözőfeltételeknekvagy időpillanatoknakfelelnekmeg) GénexpresszióAnalízis(GeneExpressionAnalysis): Cél:agénexpressziósadatokstatisztikaielemzése agének klaszterezéseazexpressziósszintekfüggvényében Motiváció:asejtekműködésénekmegértése,agénkifejeződési szintekváltozásánakmegfigyelésebetegségek,kezelésekidejealatt 17

AGCDCalkalmazás RCNSadathalmaz:112génkifejeződésiszintjeiapatkány központiidegrendszerénekkialakulásaalatt,9időpillanatban abiológiailagértelmezhetőfelosztás6osztályttartalmaz 18

Eredmények Elérteredmények: azosztályokszáma:9 17 közeliklaszterekegybeolvasztása 6klaszter: a3.és5.klaszter:ok az1.klaszterfelosztása3kisebbklaszterbe a2.,4.és6.klaszteregybeolvasztása Összehasonlítások: GCDC k means,linkage aklaszterezéspontosságánakmérése:tévesztésmátrix(recall, precision F measure) method F measure k means 5.9009 GCDC 6.1781 Linkage 8.1396 19