Параметрическая идентификация систем поддержки принятия решений на основе параллельных генетических алгоритмов

• Автор: Филиппов, Станислав Жанович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Санкт-Петербург
• Количество страниц: 152 с. : ил.

Содержание.
Введение.

Актуальность темы исследований.

Цель работы

Теоретические и практические результаты

Краткое содержание работы

Глава 1. Генетический алгоритм принципы организации и применения .

1.1. Генетический алгоритм основные генетические операторы и схема

1.1.1. Общие принципы ГА

1.1.2. Кодировка хромосом.

1.1.3. Вид генетических операторов

1.1.4. Структура и параметры алгоритма
1.1.5. Вид функции соответствия.
1.2. Генетический алгоритм история появления и развития
1.3. Применение генетического алгоритма.
1.4. Выводы по главе
Глава 2. Система поддержки принятия решений на основе нечетких продукционных правил объект параметрической настройки
2.1. Организации СППР и построение базы правил на основе лингвистических термов.
2.2. Разработка схемы шкалирования входных показателей сравнение с символьной моделью кодирования хромосом
2.3. Кодирование и оценка хромосом при параметрической настройке СППР.
2.3.1. Кодирование хромосом .
2.3.2. Обучающая выборка и оценивание хромосом
2.4. Пример реализации СППР система автоматизации технического анализа в области валютного дилинга.
2.5. Выводы по главе
Глава З.Разработка и исследование модифицированных генетических операторов
3.1. Теорема шим принципы функционирования ГА и методы оценки эффективности.
3.1.1. Шима.
3.2. Модифицированный оператор мутации разработка и
исследование
3.2.1. Линейная генетическая мутация ЛГМ.
3.2.2. Нормальная генетическая мутация НГМ.
3.2.3. Показательная генетическая мутация.
3.3. Модифицированный оператор скрещивания разработка и
исследование
3.4. Модифицированный оператор селекции разработка и
исследование
3.4.1. Использование промежуточных популяций для селекции хромосом.
3.4.2. Разработка алгоритма формирования пар инбридинг и аутбридинг по генотипу и фенотипу
3.5. Выводы по главе 3.
Глава 4. Разработка многопопуляционного параллельного ГА,
дополнительных генетических операторов и модели организации подчиненных популяций
4.1. Адаптационные механизмы динамически изменяемые параметры, макромутации.
4.1.1. Виды адаптационных механизмов.
4.1.2. Разработка модифицированного алгоритма с динамически изменяемыми параметрами.
4.1.3. Макромутация
4.2. Многопопуляционный параллельный генетический алгоритм МПГА разработка и исследование.
4.2.1. Параллельный ГА причины возникновения и использования
4.2.2. Схема многопопуляционного параллельного ГА
4.2.3. Алгоритм организации миграции хромосом между
популяциями
4.3. Выводы по главе
Глава 5. Программная реализация.
5.1. Программная реализация разработанных модификаций ГА модуль
Генетический конструктор .
5.1.1. Основные функции модуля.
5.1.2. Работа с модулем интерфейс, основные формы.
5.2. Программная реализация средства построения СППР с генетической параметрической настройкой модуль Генетическая СППР.
5.2.1. Основные функции модуля.
5.2.2. Работа с модулем интерфейс, основные формы.
5.3. Пример построения и параметрической настройки СППР.
5.4. БД хранение сформированных моделей
5.5. Разработанные функции и программные модули.
5.6. Выводы по главе
Результаты
Использующиеся сокращения.
Список литературы


Проанализировано влияние на эффективность алгоритма различных видов операторов скрещивания, мутации и селекции. Реализованы различные варианты алгоритма, с разными генетическими операторами и различной вероятностью их выполнения. Тестирование проводилось при помощи типовых тестовых функций i, ii i и т. Также в главе 3 рассмотрен вопрос эффективности функционирования генетических алгоритмов и рассмотрена теорема шим. В главе 4 рассмотрены параллельные ГА, реализованы несколько моделей параллельного многопопуляционного алгоритма для параметрической настройки СППР, проведено сравнение их эффективности с эффективностью типового последовательного ГА и между собой. Отдельно указаны различные варианты адаптации в ГА, реализован и исследован ряд адаптационных механизмов в частности механизм макромутаций при достижении популяциями определенной плотности динамическое изменение вероятностных параметров ГО и т. В главе 5 представлена программная реализация разработанных и исследованных алгоритмов. Представлен модуль Генетический конструктор, который позволяет пользователю строить различные варианты генетических алгоритмов, устанавливать различные параметры ГА, тестировать их при помощи специальных тестовых функций. В рамках модуля реализована возможность на каждой итерации просматривать изменение функции соответствия, параметров и кодировки каждой из популяций многопопуляционного параллельного алгоритма. Также есть возможность строить классические последовательные алгоритмы. Параметры разработанных алгоритмов сохраняются в специальную базу данных структура БД также приведена в данной главе. Построенная и обученная система является функциональной, позволяет прогнозировать различные показатели, представляя прогнозы в виде лингвистических термов с той или иной степенью вероятности. В рамках главы 5 приведены экранные формы описанных выше модулей, формируемые в них графики, пользовательские инструкции, а . Глава 1. Генетический алгоритм представляют собой разновидность алгоритма случайного поиска, основанный на моделировании процессов эволюции. Решениям задачи при помощи того или иного механизма кодирования сопоставляются хромосомы состоящие из генов. Набор хромосом представляет собой популяцию, в рамках которой действуют эволюционные механизмы селекции i ф скрещивания v и мутации i. Во время работы алгоритма от итерации к итерации иначе говоря из поколения в поколение происходит процесс вымирания особей с низким значением ФС, а особи с высоким значением размножаются, потомки наследуют их гены и занимают в популяции место вымерших. Как видно из приведенного краткого описания генетические алгоритмы тесно связанны с процессами происходящими в живой природе и все основные термины, использующиеся в теории ГА, взяты из биологии. Вид функции соответствия Рассмотрим их подробнее. Кодировка хромосом является основой для перехода от классических представлений теории оптимизации к эволюционной теории. Структура хромосомы зависит от решаемой задачи. Наиболее часто встречается представление решения в виде монохромосомы бинарной строки фиксированной длины. Наборы генов подстроки определяют компоненты решения. В таблице 1. На уровне генотипа хромосома представляет собой набор генов в данном случае ген это разряд бинарной строки, бит. Локус это позиция гена в хромосоме в таблице 1. Аллель это значение, которое принимает ген для бинарных строк это 1 или 0. Переменная Xi представлена в хромосоме первой подстрокой , а переменная х2 второй подстрокой . Переход от генотипа к фенотипу дает нам значения переменных и соответственно и значение функции соответствия, т. Такой подход к кодировке наиболее прост и достаточно удобен при
решении классических задач оптимизации. Хромосома имеет фиксированную длину и состоит из переменных, входящих в состав исследуемой функции. Для кодирования бинарной строки может применяться как простой двоичный код, так и код Грея. Для представления дробных чисел используются различные виды модифицированных монохромосом. Здесь на целую и дробную часть каждой переменной выделяется фиксированное число разрядов, различное для каждой переменной.