Cтраница 4
Стационарные генетические алгоритмы отличаются от поко-ленческихтъм, что у первых размер популяции является заданным постоянным параметром, который определяется пользователем, а у вторых размер популяции в последующих генерациях может увеличиваться или уменьшаться. [46]
Сегодня генетические алгоритмы успешно применяются для решения классических NP-полных задач, задач оптимизации в пространствах с большим количеством измерений, ряда экономических задач оптимального характера, например, задач распределения инвестиций. [47]
Первоначально генетические алгоритмы разрабатывались и успешно применялись для решения комбинаторных задач, а также задач поиска оптимальных вариантов. Суть метода основана на выборе наилучших решений по ранее формализованным критериям. При этом процесс оптимизации напоминает естественную эволюцию: отбор лучших решений ( сильнейших), скрещивание и мутации. Несмотря на внешнюю привлекательность данного метода, у него есть ряд существенных недостатков. [48]
Стационарные генетические алгоритмы отличаются от поко-ленческих тем, что у первых размер популяции является заданным постоянным параметром, который определяется пользователем, а у вторых размер популяции в последующих генерациях может увеличиваться или уменьшаться. [49]
Генетические алгоритмы дают возможность оперировать дискретными значениями параметров нейронных сетей, что упрощает аппаратную реализацию нейронных сетей и приводит к сокращению общего времени обучения. [50]
Социо-субъект-ориентированные генетические алгоритмы открывают возможности активного и широкомасштабного использования компьютерной среды в качестве универсальной основы для реализации коллективного разума. По всей видимости, они могут стать методологической и инструментальной базой для формирования общего интерфейса взаимодействия человеческой и компьютерной информационных сред в целом. В этом их главное, как нам представляется, методологическое значение: обозначить контуры недостающих звеньев в организации глобального интерфейса в симбиозе человеческой и компьютерной глобальных информационных сред. [51]
Генетический алгоритм диагностики осложнений технологических режимов нефте - и продуктопро-водов. [52]
Хотя генетический алгоритм предназначен для работы со строками символов, мы применяем его к представлению, ориентированному на фреймы. Каждый фрейм соответствует правилу системы ЕТ, но теперь каждое суждение заменено иерархией слотов. В слоте имеются подслоты, например КТ включает ПОЛОЖЕНИЕ, ПЛОТНОСТЬ и ФОРМУ. [53]
Предложен генетический алгоритм для прогноза строения и свойств молекулярных ассоциатов в органических веществах. С использованием предложенного алгоритма произведено моделирование димеров и триме-ров 137 органических жидкостей. Показано, что геометрические и энергетические характеристики моделируемых ассоциатов не противоречат известным данным. Энергии образования моделируемых ассоциатов коррелируют с энтальпиями испарения соединений. Рассмотрены энергетические и геометрические закономерности ассоциации в различных классах органических соединений. [54]
Наименование генетический алгоритм происходит из аналогии представления сложной структуры посредством вектора ее компонентов, которое широко используется биологами для представления генетической структуры хромосом. При селекции животных и растений предполагается, что потомство будет обладать желательными характеристиками, определяемыми на генетическом уровне комбинацией хромосом родителей. Аналогично в процессе анализа и решения сложной проблемы мы часто интуитивно комбинируем известные частичные решения, пытаясь найти решение общей задачи как комбинацию частных решений, предполагая при этом, что комбинация, состоящая из лучших вариантов, даст лучшее решение. Аналогия не вполне точная, но полезная для понимания идеи генетического алгоритма. [55]
Применяется генетический алгоритм с турнирной селекцией в подгруппах по две особи с одной или двумя точками скрещивания, а также с селекцией по методу рулетки с одной точкой скрещивания. В этом случае с учетом меньшей требуемой точности длина хромосом составляет 22 бита - по 11 генов на каждую переменную. [56]
Применяется генетический алгоритм с турнирной селекцией в подгруппах по две особи с одной точкой скрещивания. Длина хромосом для решаемой задачи равна 99 битам - по 11 генов на каждую переменную. [57]
Преимущества генетических алгоритмов становятся еще более прозрачными, если рассмотреть основные их отличия от традиционных методов. [58]