Studopediya

КАТЕГОРИИ:


Астрономия- (809) Биология- (7483) Биотехнологии- (1457) Военное дело- (14632) Высокие технологии- (1363) География- (913) Геология- (1438) Государство- (451) Демография- (1065) Дом- (47672) Журналистика и СМИ- (912) Изобретательство- (14524) Иностранные языки- (4268) Информатика- (17799) Искусство- (1338) История- (13644) Компьютеры- (11121) Косметика- (55) Кулинария- (373) Культура- (8427) Лингвистика- (374) Литература- (1642) Маркетинг- (23702) Математика- (16968) Машиностроение- (1700) Медицина- (12668) Менеджмент- (24684) Механика- (15423) Науковедение- (506) Образование- (11852) Охрана труда- (3308) Педагогика- (5571) П Arhitektura- (3434) Astronomiya- (809) Biologiya- (7483) Biotehnologii- (1457) Военно дело (14632) Висока технологиите (1363) Geografiya- (913) Geologiya- (1438) на държавата (451) Demografiya- ( 1065) Къщи- (47672) журналистика и SMI- (912) Izobretatelstvo- (14524) на външните >(4268) Informatika- (17799) Iskusstvo- (1338) История- (13644) Компютри- (11121) Kosmetika- (55) Kulinariya- (373) култура (8427) Lingvistika- (374) Literatura- (1642) маркетинг-(23,702) Matematika- (16,968) инженерно (1700) медицина-(12,668) Management- (24,684) Mehanika- (15423) Naukovedenie- (506) образование-(11,852) защита truda- (3308) Pedagogika- (5571) п Политика- (7869) Право- (5454) Приборостроение- (1369) Программирование- (2801) Производство- (97182) Промышленность- (8706) Психология- (18388) Религия- (3217) Связь- (10668) Сельское хозяйство- (299) Социология- (6455) Спорт- (42831) Строительство- (4793) Торговля- (5050) Транспорт- (2929) Туризм- (1568) Физика- (3942) Философия- (17015) Финансы- (26596) Химия- (22929) Экология- (12095) Экономика- (9961) Электроника- (8441) Электротехника- (4623) Энергетика- (12629) Юриспруденция- (1492) Ядерная техника- (1748) oligrafiya- (1312) Politika- (7869) Лево- (5454) Priborostroenie- (1369) Programmirovanie- (2801) производствено (97182) от промишлеността (8706) Psihologiya- (18,388) Religiya- (3217) с комуникацията (10668) Agriculture- (299) Sotsiologiya- (6455) спортно-(42,831) Изграждане, (4793) Torgovlya- (5050) превозът (2929) Turizm- (1568) физик (3942) Filosofiya- (17015) Finansy- (26596 ) химия (22929) Ekologiya- (12095) Ekonomika- (9961) Telephones- (8441) Elektrotehnika- (4623) Мощност инженерно (12629) Yurisprudentsiya- (1492) ядрена technics- (1748)

например 4.29




Този пример показва използването на генетичен алгоритъм за сортиране на списък с имена в азбучен ред.

За простота ние считаме за много кратък списък от седем имена, започващи букви J, M, V, R, S, H, Е. Затова най-доброто решение е, намиращи се в пространството на решенията, състоящ се от 7! = 5040 възможни пермутации на седемте елементи. Най-доброто решение е очевидно - това е, F, Н, J, М, R, S. В този прост пример разгледаме как генетичния алгоритъм решава проблема



Родител 1: [3 4 Февруари 5126]

локус 1 23 456 7

Rodktel2: [17621 lokus- 345 1 23 45 6 7


^ А потомък -> [3514726]

локус 12 3 4 5 6 7


Родител 1 [abcdefgh]

локус:

Roditel2: [gcfaebdh]

[Abcdefgh] Potomok1

:: 12 3 4 5678

[Gbfacedh] ^ потомък локус: 12 3 4 5 6 7 8


Фиг. 4.112. Подреден хибридизация (за кръстосване).


Глава 4. генетични алгоритми


4.11. Прилагането на еволюционни алгоритми



този тип. Задаваме всяко име, включени в оригиналната (несортирани) списъка на серийния номер, както това се прави в първата колона на фиг. 4.113.

Валиден разтвор представени на фигурата - е в, F, К, Н, J, М, С. Намаленото първите букви на имената предшествани от съответните номера на последователности от първата колона. Последователността на тези номера (на фигурата, те са написани в клетките) идентифицира разтвора. Фиг. 4,114 по същия начин, е показано най-доброто решение, определя последователност от 3, 7, 6, 1,2,4,5

Проблемът в процес на разглеждане има седем променливи (Настройки на задачата). Да означим тяхното P и P 2, ..., P 7. Всяка една от тези променливи могат да вземат на целочислени стойности от 1 до 7. Фиг. 4.113 показва един от индивидите в една популация, за които стойностите на специфични променливи (параметри на проблема) са 3, 7, 4.6, 1, 2, 5, и най-доброто решение на фиг. 4,114 се характеризира със стойностите на тези променливи, 3, 7, 6,1,2, 4, 5. Тези номера на последователност се третират като алелни хромозоми, представляващи съответните проби. За всяка проба, член на населението, генетичен алгоритъм, когато стойността на целевата функция се изчислява въз основа на това избира най-добрите и най-лошите лица.

Преди да вземе решение относно функцията за годност за състезания
въпросният проблем, ще се въведе някаква бройна система. Нека е (Р), съответно
съществува име, определен брой последователност Р, -, J = 1,2, ... , 7
и нека N (P /) <п (Pj) означава, че името на пореден номер Р, трябва:
но предхожда името със сериен номер Pj, т.е. те са подреден
Chiva по азбучен ред. Да предположим, че G е последователност от
представяне на елементите на г кт / а = 2 7 т = 1, .... / и-1, където



[1, eslil (R) <л (Р т), [0 друго


Очевидно е, че ако последователността на G се състои от всички нули, а след поредицата от имена би било правилно. Следователно, най-добрата индивидът трябва да се характеризира с последователността G, всички чиито елементи са равни на нула. Ето защо, функцията за фитнес може да се дефинира като сума от елементи на последователност G, и разбира се, ще се интересуват от минимизиране на тази функция (което може да отнеме целочислени стойности в диапазона от 0 до 21). Забележете, че ако елемент г ^ т се нула, когато е (Pk) <е (РМ) и стойността едно друго, следва да се максимизира броя на единиците в поредицата G. Сега за тълкуване фитнес функция от пример 4.4.

Проблемът формулирани в пример 4.29, се решава чрез програма Evolver, размера на населението се приема равна на 10, скоростта на преминаване е 0.5, скоростта на мутация е 0. Когато Т = 10, което съответства на първата популация на класически генетичен алгоритъм, се получава популация, показан на фигура , 4.115.

Първата колона определя последователността на хромозомите в населението (от "най-лошия" на "най-добрия"). Вторият показва стойностите на функцията за членство на всяка хромозома. В третата колона се писмен хромозоми, състоящ се от седем гени. Всяка от тези хромозоми е пермутация на цели числа от 1 до 7. Първата стойност на функцията на фитнес, и правоъгълник с контур, равно на 15, се отнася до хромозома изключени от предишното население. Вместо това, тя се въвежда хромозома [3514726], получен чрез чифтосване хромозоми [3 ​​5 1 7 6 2 4] и [3 4 5 1 7 2 6] Настоящите на фиг. 4.115. Последно хромозома като фитнес функция равно на пет, след 10 "цикли" е "най-добрият в момента." Продължавайки алгоритъм може да получи най-хромозомата [3 7 6 1 2 4 5] с функцията на фитнес равен на 0. Това оптимално хромозома е показано на фиг. 4.114. Имайте предвид, че в разпределението



Оригинален (до

на имената на числата


Първоначалният списък на най-добрите

разтвор (Несортирани)

на имената на числата


= 0.g 4) = 0
= 0 = О. BS4 = о
= °, г 63 = 0. 8 «= 0. г«
= 0, г ,, = 0, д, 4 = 0, г ,,

функция ае prisposoblgnnosti -s


G = [OOOOOOOOOOOOOOOOOOOOO] фитнес функция стойност = 0



Фиг. 4.113. Един от възможните решения на проблема в пример 4.29.



Фиг. 4.114. Най-доброто решение на проблема в пример 4.29.


Глава 4. генетични алгоритми


4.12. Еволюционните алгоритми в невронна за




Фиг. 4.115. Популацията на лицата в генетичния алгоритъм, Evolver програма за задачата на пример 4.29.

Пример под внимание фитнес функция се тълкува като грешка, която, разбира се, трябва да бъде сведена до минимум. За най-доброто решение, тази грешка се изисква да бъде равна на Oh!

4.29 Пример лесно да се разпространи във всички списъци с имена или заглавия да бъдат сортирани по азбучен ред (или в съответствие с други клавиши). Проблеми от този тип могат да бъдат решени с помощта на еволюционен алгоритъм Evolver програма. RSA софтуер също решава проблема известни на литература търговски пътник [33], като много по-сложна структура от тази обсъдени проблем от пример 4.29.

4.12. Еволюционните алгоритми в невронни мрежи

Комбиниране на генетични алгоритми и невронни мрежи е добре известно в литературата под съкращението COGANN {комбинации на генетични алгоритми и невронни мрежи). Тази асоциация може да бъде спомагателна (поддържащо) или равна [сътрудничество) [39]. Аксесоари комбиниране на два метода е, че те се прилагат един след друг, един от които се използва за получаване на данни, използвани при изпълнението на втория метод. С равен сливането, и двата метода се използват едновременно. Класификацията на тези видове асоциация на генетичните алгоритми и невронни мрежи е показан в таблица. 4.6.

Останалата част от този раздел ще обсъдим конкретни комбинации отразени в таблицата. 4.116-4.118 чертежи илюстрират различни подходи към проблемите разглеждат като помощни комбиниране на генетични алгоритми и невронни мрежи.


Таблица 4.6. Комбинирането на генетичните алгоритми и невронни мрежи

Вижте obedi- Игрални асоциации примери за употреба литература
Генетични алгоритми и невронни мрежи се използват за самостоятелно решаване на същия проблем Еднопосочни невронни мрежи, самоорганизираща се мрежа Kohonenas и генетични алгоритми в класификационни задачи (40,46]
Aux-Тор-ING Neural комплект за алгоритми Образуване на първоначалното население на генетичен алгоритъм I26,27]
Генетични алгоритми за невронни мрежи Анализ на невронни мрежи [5.10. 11,42]
Избор на параметри или параметър трансформация пространство [17,22, 24]
Избор на параметри или правила за обучение (еволюцията на правилата на обучение) [3,6, 20,38]
равен Генетични алгоритми за обучение невронна комплект "* Еволюционна мрежа за обучение (Развитие на теглата на връзките) [2. 35. 44]
Генетични алгоритми, за да изберете невроналната топология Еволюционна избор на мрежова топология (мрежа еволюция архитектура) [17,20, 45]
Системи за комбиниране на адаптивни стратегии на генетичните алгоритми и невронни мрежи Невронни мрежи за решаване на оптимизационни задачи с помощта на генетичен алгоритъм за избор на мрежа на тежести Р1
Изпълнението на генетичен алгоритъм с невронна мрежа 116]
Използването на невронна мрежа за оператора на кросоувър в генетичен алгоритъм [41]


Глава 4 генетични алгоритми


4.12. Еволюционните алгоритми в невронни мрежи




Трябва да се отбележи, че в съответствие с бележките в Sec. 4.10, терминът "генетични алгоритми" се използва тук в широк смисъл от класически генетичен алгоритъм

4.12.1. Независим използване на генетични алгоритми
и невронни мрежи

Генетични алгоритми и невронните мрежи могат да се прилагат самостоятелно, за да се реши същия проблем. Този подход е илюстриран на Фиг. 4.116.

За пример, описан независим приложение на невронни мрежи и генетични алгоритми, както и алгоритъм KNN «най-близкия съсед" (К - означава най-близкия съсед) за решаване на проблемите за класификация. В [40] сравнение на три нива на еднопосочно невронна мрежа с обучение по метода на обратно разпространение (под надзора обучение), Kohonen мрежа самоорганизация (учене без учител), системата за класификация на базата на генетичен алгоритъм, както и алгоритъма KNN «най-близкия съсед" , Авторите на [39] считат независима приложение на тези методи, за да се реши проблема с автоматичното класиране води ЕМГ (електромиография - регистриране на електрическата активност на мускулите), дъщерно дружество асоциация.

Има друга операция, която сравнява възможността за използване на различни методи (по-специално, генетични алгоритми и невронни мрежи) за решаване на същите проблеми [46]. Пример за проблем, който може да бъде решен с помощта на невронни мрежи и генетичен алгоритъм, може да служи като търговски пътник проблем [28, 33, 36].





; Дата на добавяне: 04.06.2015; ; Прегледи: 51; Нарушаването на авторски права? ;


Ние ценим Вашето мнение! Беше ли полезна публикува материал? Да | не



ТЪРСЕНЕ:


Вижте също:

  1. III. "Например," в анализа
  2. XIII. Пример Marx и Engels
  3. Лично свойства на различни частни елементи земни елементи са показани в по-изразена форма. Например, глини имат редица лечебни свойства и т.н.
  4. Аллах даде пример с прекия начин: от двете страни на пътя на двете стени
  5. В по-големи размери, като се започне с 5-тримерно пространство съществува, например,
  6. Като пример - възможен източник на проблеми и развитие по отношение на неговите проявления в различни слоеве.
  7. В което е промяна на продукт или се регулира (например,
  8. По принцип, по силата на Ясновидство се отнася до способността на човек да види енергийни образувания, като например Aura и т.н.
  9. Пратеникът на Аллах е отличен пример за вас, за онзи, който се надява на Аллах и в Сетния ден, и си спомня Аллах необикновено "[28].
  10. Видове криминалистите портретни прегледи и индикативен списък с въпроси
  11. Видове криминалистите портретни прегледи и индикативен списък с въпроси
  12. Вторият пример




zdes-stroika.ru - Studopediya (2013 - 2017) на година. Не е авторът на материала, и предоставя на студентите възможност за безплатно обучение и употреба! Най-новото допълнение , Ал IP: 66.249.93.205
Page генерира за 0.02 секунди.