Cтраница 2
Эффективность локально-генетических алгоритмов существенно зависит от ряда факторов. Основными среди них следует назвать используемый набор эвристик, вероятности их выбора в операторах мутации и формирования начального поколения, глубину локального поиска, размер макромутаций. [16]
Так, Логик-теоретик может применять тот же набор эвристик при доказательстве производного выражения, как и при доказательстве исходного положения, из которых оно было выведено. [17]
В многокритериальных задачах оптимизации проблема формирования эвристик часто решается довольно просто: каждое правило должно соответствовать одному из имеющихся критериев оптимальности. Конечно, при использовании метода НСМ предоставляется возможность выбора любых разумных правил и, следовательно, формирования набора эвристик по предпочтениям пользователя. Это обстоятельство успешно используется, когда исходные критерии оптимальности нелегко трансформировать в частные критерии локальных подзадач. [18]
Сокращаются размеры поискового пространства, а следовательно, повышается эффективность поиска, выражаемая как точностью, так и скоростью приближения к искомому результату. Действительно, мощность множества возможных альтернатив в НСМ равна v, где v - число эвристик, и - число генов. В то же время, например, в одностадийной задаче синтеза расписаний, решаемой обычными генетическими методами, мощность множества альтернатив находится в диапазоне от и. Конечно, набор эвристик в НСМ должен быть разумным, иначе экстремум может оказаться вне пределов сокращенного пространства. [19]
НСМ свободен от необходимости корректировки дочерних хромосом. В нем аллелями служат не значения проектных параметров, а имена эвристик, используемых для определения этих значений. Выполнение условий допустимости переносится в сами эвристики, что делает собственно генетический алгоритм инвариантным к различным задачам. Простой сменой набора эвристик легко осуществляется адаптация имеющихся программ синтеза к особенностям конкретного класса задач. [20]