Генетический поиск

Cтраница 2

На рис. 4.21 показана укрупненная схема параллельного генетического поиска при разбиении популяции на две подпопуляции. В блоке редукции производится удаление хромосом с ЦФ ниже средней. [16]

В последнее время появились новые нестандартные архитектуры генетического поиска, позволяющие в большинстве случаев решить проблему предварительной сходимости алгоритмов. [17]

Комбинированная схема принятия решений.| Модифицированная схема принятия решения. [18]

На рис. 4.16 приведена архитектура принятия решения генетического поиска с использованием блока эволюционной адаптации. Блоки сумматор, редуктор и фильтр позволяют повысить эффективность реализации эволюции и скорость принятия решения. Следует отметить, что в инженерных задачах большой размерности процесс решения резко усложняется, но параллельное выполнение ГА на порядок снижает время реализации алгоритма. Схемы с подобными обратными связями присутствуют в ЕС и эффективно функционируют. [19]

График зависимости времени [ IMAGE ] График зависимости времени решения от размера популяции решения от числа элементов. [20]

До попадания в локальный оптимум управление параметрами генетического поиска позволяет получать лучшие решения. На рис. 7.16 приведен график зависимости времени получения лучшего решения от размера популяции для ПГА. [21]

Существует ряд инженерных задач, когда при генетическом поиске большее число родителей ( альтернативных решений) обеспечивает лучшие результаты. Заметим, что использование оператора рекомбинации с несколькими родителями позволяет увеличить быстродействие генетического поиска. Однако это увеличение не всегда может произойти. Поэтому эффективность поиска изучают на тестовых задачах с контролируемыми параметрами. [22]

В предыдущем разделе содержится достаточно соображений в пользу генетического поиска как универсального механизма обучения. В настоящем разделе показана жизненность этих методов на примере использования их в сложной задаче обучения. Система LS-1 обучается множеству эвристик, представленных в виде правил продукций, которые направляют примечание некоторой совокупности операторов в определенной задаче. Это достигается накоплением опыта в соответствующей проблемной области, причем генетический алгоритм является единственным средством улучшения способности системы к решению задач. Система LS-1 является хорошим примером возможностей генетического поиска, обеспечивая весьма эффективное манипулирование сложными символьными структурами при обучении эвристикам решения задач. [23]

Предлагается иерархическая процедура решения задач сжатия топологии с использованием параллельного генетического поиска. Опишем кратко схему генетического поиска. Как и во всех описанных ранее алгоритмах, первоначально производится конструирование некоторого множества ( четырех) популяций. В качестве элемента популяции выбирается порядок ( реальный) расположения фрагментов топологии и соединений на плоскости, причем каждое соединение представляется прямоугольником, как и размещаемый элемент. [24]

Существующие методы сжатия на основе стохастических методов, моделирования отжига и генетического поиска используют в качестве исходных описанные эвристики. [25]

На рис. 4.9, а-д приведены упрощенные схемы организации связей при генетическом поиске на основе Платоновых графов. [26]

Последовательная схема поиска на основе треугольников. [27]

На рис. 4.10, г приведена последовательная схема взаимосвязей ГА при генетическом поиске на основе треугольников. Здесь происходит моделирование идей, реализованных на основе треугольника Фреге, за счет создания устойчивых строительных блоков на высших иерархических уровнях. На рис. 4.10, д приведена последовательная схема поиска на основе модифицированного полного графа на пять вершин. [28]

Использование меньшего числа точек разрыва в генетических операторах приводит к повышению быстродействия генетического поиска. [29]

Отметим, что за 21 элементарный шаг на основе жадной модифицированной стратегии генетического поиска получены основные три клики графа. [30]

Страницы: 1 2 3 4 5