Самоконфигурируемые эволюционные алгоритмы моделирования и оптимизации

• Автор: Семенкина, Мария Евгеньевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Красноярск
• Количество страниц: 203 с. : ил.

СОДЕРЖАНИЕ
Глава 1. Разработка и исследование эффективности модифицированных операторов рекомбинации с селективным давлением для эволюционных алгоритмов.

1.1 Обзор эволюционных алгоритмов

1.2 Описание основных особенностей генетических алгоритмов.

1.3 Основные особенности алгоритма генетического программирования

1.4 Оператор равномерного скрещивания с селективным давлением для генетического алгоритма
1.5 Оператор равномерного скрещивания с селективным давлением для алгоритма генетического профаммирования
1.6 Программная реализация алгоритмов с модифицированным оператором множественной рекомбинации.

1.7 Тестирование алгоритмов

Глава 2. Разработка, реализация и исследование эффективности метода самоконфигурирования эволюционных алгоритмов.

2.1. Описание метода самоконфигурирования для эволюционных алгоритмов.

2.2. Программная реализация самоконфигурируемых алгоритмов.
2.3. Тестирование разработанных алгоритмов.
Глава 3. Разработка и исследование самоконфиг урируемых эволюционных алгоритмов для автоматического генерирования нейросетевых моделей
3.1 Обзор зарождения и развития нейросетевых технологий
3.2. Алгоритм генетического профаммирования для автоматического генерирования структур нейронных сетей.
3.3. Программная реализация алгоритмов генетического программирования для автоматического генерирования нейронных сетей
3.4. Тестирование самоконфигурируемого алгоритма генетического программирования для автоматического генерирования ИНС.
ВЫВОДЫ.
Г лава 4. Эволюционные методы создания ансамблей.
4.1 Обзор методов создания ансамблей.
4.2 Эволюционный алгоритм автоматического порождения коллективов интеллектуальных информационных технологий.
4.3 Программная реализация алгоритмов принятия решений при помощи ансамбля интеллектуальных информационных технологий
4.4. Тестирование ансамблей
Глава 5. Практическая реализация
5.1 Решение задачи выбора эффективного варианта аппаратнопрограммного комплекса для систем управления космическими аппаратами.
5.2 Задача моделирования системы подавления шума
5.3 Описание решенных задач анализа данных классификации, аппроксимации и прогнозирования.
5.4 Результаты решения задач анализа данных отдельными ИИТ
5.5 Решение задач анализа данных с помощью ансамблей интеллектуальных информационных технологий.
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Рисунок 1. Эволюционное программирование было первоначально предложено I. Дж. Фогелем 7 9 в качестве попытки создать искусственный интеллект. Эту ветвь эволюционных алгоритмов впоследствии расширили Бургин , , Атмар , Д. Фогель 4, 5 и др. Эволюционные стратегии, разработанные Рехенбергом 5, 6 и Швефелем 1, 2, 4, а также расширенные Херди 4, Курсэйвом 0, Остермайером 3, 5, Рудольфом 2 и другими, были изначально предложены для решения сложных дискретных и непрерывных, поисковых 8 параметрических задач оптимизации. Генетические алгоритмы, введенные Холандом 7 9, затем изучали Де Йонг 8, 9, 1, 2, Голдберг 6 0, и другие, такие как Дэвис 5, Эшелман 5, 6, Форрест 0, Грефенштете 6, 7, 8, 9, Коза 4, 6, Митчелл 7, Риоло 3, 7, и Шеффер 4, 8, 9. Генетические алгоритмы были первоначально предложены в качестве общей модели адаптивных процессов, но они наиболее известны в области методов оптимизации 9, 1. Выше были перечислены лишь немногие работы в данной области, явившиеся первоосновами для дальнейшего развития эволюционных алгоритмов. Различие ветвей эволюционных вычислений заключается не только в задачах, для решения которых они были созданы, но и способом кодирования решений в хромосомы. Несмотря на то, что кодирование решения задачи, то есть выбор подходящего представления рассматриваемой проблемы, был описан многими исследователями 0, 0, 2, только немногие рассматривают непосредственно этот вопрос, за исключением специализированных направлений, таких как генетическое программирование , 5, 4 и эволюционные нейронные сети 0, 6. В данной работе с вниманием к конкретному типу представления хромосомы будем рассматривать наиболее часто употребляемые виды эволюционных алгоритмов, такие как генетические алгоритмы и алгоритмы генетического программирования. Отличительной чертой генетических алгоритмов ГА 7 является бинарное кодирование решений. Для более полного понимания идей ГА необходимо провести сопоставление между терминами теории эволюции и терминами процесса решения задач, установить, что в условиях нашей задачи будет называться индивидом, популяцией и так далее. Индивидом фенотипом индивида называется решениекандидат, средой условия задачи, популяцией группа решенийкандидатов, пригодностью качество решения, хромосомой генотипом индивида способ представления решений . Генетический алгоритм это стохастическая оптимизационная процедура, имитирующая естественный эволюционный процесс. Генерирование начальной популяции индивидов инициализация. Выращивание восстановление индивида фенотипа по известному генотипу, например перевод из двоичной системы исчисления в десятичную. Определение значений функции пригодности для каждого индивида. Нахождение лучшего индивида, проверка на выполнение условия остановки. Если условие остановки выполнено, то работа алгоритма заканчивается. Создание промежуточной популяции с помощью селекции выбираются индивиды для скрещивания, осуществляется скрещивание, мутация. Создание новой популяции, в которую входит часть индивидов из предыдущей популяции и часть из промежуточной. Переход к шагу 2. Для оценки эффективности работы генетического алгоритма применяются показатели надежности и скорости работы алгоритма. Под надежностью понимается процент запусков генетического алгоритма, в ходе которых была достигнута требуемая точность. Прогоном будем называть однократный запуск алгоритма. Так как алгоритм является стохастическим, необходимо проводить усреднение показателя надежности по многократным прогонам. Скоростью будем назвать количество вычислений целевой функции, которое потребовалось для достижения заданной точности, то есть по сути затраты на оптимизацию. На первом шаге стартовое поколение в генетическом алгоритме создается случайным образом, а именно хромосома генотип решения кандидата заполняется нулями и единицами, с вероятностью выбора каждого равной 0. Затем для выращенных индивидов вычисляется значение функции пригодности количественная мера качества решения, зависящая от значения целевой функции в данной точке.