Cтраница 3
Генетический алгоритм представляет собой метод, отражающий естественную эволюцию методов решения проблем, и в первую очередь задач оптимизации. [31]
Генетические алгоритмы находят применение главным образом в задачах оптимизации. [32]
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. На рис. 3.21 показано, что такое сочетание обеспечивает устойчиво хорошую эффективность генетического поиска для любых типов оптимизационных задач. [33]
Генетический алгоритм стремится достичь близкого к оптимальному результата за счет комбинирования хороших схем ( с приспособленностью выше средней) малого порядка и малого охвата. [34]
Генетический алгоритм с частичной заменой популяции, иначе называемый генетическим алгоритмом с зафиксированным состоянием ( steady-state), характеризуется тем, что часть популяции переходит в следующее поколение без каких-либо изменений. Это означает, что входящие в эту часть хромосомы не подвергаются операциям скрещивания и мутации. Часто в конкретных реализациях алгоритма данного типа на каждой итерации заменяются только одна или две особи вместо скрещивания и мутации в масштабе всей популяции. [35]
Генетический алгоритм работает следующим образом. Инициализируется популяция и все хромосомы сравниваются в соответствии с выбранной функцией оценки. Далее ( возможно многократно) выполняется процедура репродукции популяции хромосом. Репродукция происходит индивидуально для одного родителя путем мутации хромосомы либо для двух родителей путем кроссовера генов. Получившиеся потомки оцениваются в соответствии с заданной функцией и помещаются в популяцию. [36]
Генетические алгоритмы особенно эффективны в поиске глобальных минимумов адаптивных рельефов, так как ими исследуются большие области допустимых значений параметров нейронных сетей. [37]
Генетический алгоритм должен найти одну из этих точек. На рис. 4.103 представлены начальные значения переменных х1 и х2, которые введены в исходную популяцию в качестве генов одной из хромосом. Понятно, что данная хромосома будет очень скоро исключена из популяции, что подтверждается рис. 4.104. На этом рисунке показаны хромосомы популяции для t 30 ( после 30 тактов), что соответствует первой итерации ( первому поколению) классического генетического алгоритма. Переменные varl и var2 обозначают соответственно х -, и х2, первый столбец ( result) содержит значения функции приспособленности конкретных хромосом. Первое значение ( 20410) принадлежит особи, исключенной из популяции. На ее место вводится новая хромосома с аллелями, равными 7 89 и - 1 537, для которой значение функции приспособленности еще только предстоит рассчитать. В левом нижнем углу рисунка демонстрируется разнородность особей этой популяции. В данном случае она также довольно велика. На рис. 4.105 приведены аналогичные графики для популяции после 60 тактов ( f 60), а также столбчатая диаграмма, иллюстрирующая конкретные особи. [38]
Генетический алгоритм и нейронная сеть независимо применяются для решения одной и той же задачи. [39] |
Генетические алгоритмы и нейронные сети могут независимо применяться для решения одной и той же задачи. [40]
Вспомогательное объединение генетического алгоритма с нейронной сетью. [41] |
Генетический алгоритм использовался для построения инструментальной системы, облегчающей понимание функционирования сети - попросту говоря, для выяснения, что и почему делает сеть. Такое понимание необходимо для того, чтобы нейросетевой классификатор не воспринимался в качестве черного ящика, который формирует ответ неким таинственным образом, и чтобы решения по классификации объектов были объяснимыми. Подобный инструментарий ( explanation facilities) используется в большинстве экспертных систем. [42]
Генетический алгоритм был применен для решения поставленной задачи на различных примерах систем нефтепроводов и показал свою работоспособность. [43]
Указание исходных данных для работы СТО. [44] |
Непосредственно генетический алгоритм работает на 4 - м этапе для вычисления весовой матрицы сети. Предварительно на этапе 3 пользователь, обучив с помощью BrainMaker несколько сетей, выбирает две лучшие, которые составляют исходную популяцию алгоритма. Таким образом, размер популяции равен двум. [45]