Cтраница 2
Результаты работы системы. [16] |
Генетические алгоритмы можно использовать для нахождения оптимальных укладок коробок на поддоны, но получаемые с их помощью варианты укладок сложны для выполнения вручную и предпочтительно использование автоматизированных систем. [17]
Генетический алгоритм имитирует эволюцию популяции как циклический процесс скрещивания индивидуумов и смены поколений. [18]
Генетический алгоритм имитирует эволюцию этой популяции как циклический процесс скрещивания индивидуумов и смены поколений. [19]
Генетический алгоритм - новейший, но не единственно возможный способ решения задач оптимизации. С давних пор известны два основных пути решения таких задач - переборный и локально-градиентный. У этих методов свои достоинства и недостатки, и в каждом конкретном случае следует подумать, какой из них выбрать. [20]
Генетический алгоритм представляет собой именно такой комбинированный метод. Механизмы скрещивания и мутации в каком-то смысле реализуют переборную часть метода, а отбор лучших решений - градиентный спуск. [21]
Генетические алгоритмы имитируют эволюцию. [22]
Вариант структуры генетического алгоритма. [23] |
Генетические алгоритмы представляют собой скорее подход, чем единые алгоритмы. Они требуют содержательного наполнения для решения каждой конкретной задачи. [24]
Генетические алгоритмы входят в инструментарий DM & KDD как мощное средство решения комбинаторных и оптимизационных задач. В задачах извлечения знаний применение генетических алгоритмов сопряжено со сложностью оценки статистической значимости полученных решений и с трудностями построения критериев отбора удачных решений. Представителем пакетов из этой категории является GeneHunter фирмы Ward Systems Group. [25]
Генетические алгоритмы используют в теории нечетких систем для настройки параметров функций принадлежности. Интеграция четких и нечетких нейронных сетей и генетических алгоритмов обеспечивает реализацию оптимизационной задачи. [26]
Динамика генетического алгоритма. [27] |
Генетический алгоритм представляет собой многократно повторяющийся процесс выбора родителей из популяции, применения к ним процедур скрещивания и мутации и, наконец, помещения получаемых потомков в популяцию. Признаком окончания работы ГА является выполнения некоторого условия, связанного с достижением точности нахождения искомых параметров, которые не зависят от времени. Однако в большинстве задач управления параметры исследуемых систем изменяются во времени. [28]
Генетические алгоритмы менее применимы для систем, которые сложно разбить на подсистемы. Кроме того, они могут давать сбои из-за неудачного порядка расположения генов ( например, если рядом расположены параметры, относящиеся к различным подсистемам), при котором преимущества обмена генетическим материалом сводятся к нулю. Это замечание несколько сглаживается в системах с диплоидным ( двойным) генетическим набором. [29]
Генетические алгоритмы применяются при разработке программного обеспечения, в системах искусственного интеллекта, оптимизации, искусственных нейронных сетях и в других отраслях знаний. Следует отметить, что с их помощью решаются задачи, для которых ранее использовались только нейронные сети. В этом случае генетические алгоритмы выступают просто в роли независимого от нейронных сетей альтернативного метода, предназначенного для решения той же самой задачи. Генетические алгоритмы часто используются совместно с нейронными сетями. Они могут поддерживать нейронные сети или наоборот, либо оба метода взаимодействуют в рамках гибридной системы, предназначенной для решения конкретной задачи. Генетические алгоритмы также применяются совместно с нечеткими системами. [30]