Genetski algoritmi

Kolegij: Otkrivanje znanja u podacimaStudent: Antonio Bukvić (Informacijski i komunikacijski sustavi)

U Rijeci, 13. 01. 2012.

2

SADRŽAJ

1. Uvod2. Povijest3. Optimizacija4. Kako rade

4.1. Genetika na računalima4.2. Selekcija4.3. Križanje4.4. Mutacije

5. Ostali pojmovi genetskih algoritama6. Korištenje genetskih algoritama za optimizaciju resursa7. Razvoj rješenja za modeliranje odgovora8. Primjena na neuronskim mrežama9. Zaključak10. Literatura

3

1. Uvod

temelje se na analogiji s biološkim procesima cilj je povećavanje "prilagodbe" pojedinca vjerojatnost igra značajnu ulogu optimizacija problema

4

2. Povijest

krajem 1950-ih, biolozi i računalni znanstvenici

1960-ih, prof John Holland sa Sveučilišta u Michiganu

1967. J.D. Bagley 1970-ih, prof Holland razvija teoretske

temelje

5

3. Optimizacija

Značajke: set parametara - genomi funkcija prilagodbe skup ograničenja u parametrima

Cilj je pronaći parametre koji maksimiziraju ili minimiziraju funkciju prilagodbe, u skladu s ograničenjima

Simplex metoda

6

4. Kako rade4.1. Genetika na računalima

f(p)=31p-p^2, 0 =< p =< 31

Parametar p izražava se kao niz od 5 bita

15 i 16 –> 01111 i 10000

7

4.1. Genetika na računalima

Koraci evolucije:2. Identificirati genom i funkciju prilagodbe. 3. Stvoriti početne generacije genoma. 4. Izmjena početne populacije primjenom operatora genetskih algoritama (selekcije,

križanja i mutacije).5. Ponoviti korak 3 sve dok se prilagodba populacije više ne unapređuje.

• prosječna prilagodba 122,5 (max 240)

8

4.2. Selekcija

čuva broj stanovnika stalnim i povećava prilagodbu sljedeće generacije

9

4.2. Selekcija

• 122,5 na 151,0

10

4.3. Križanje

stvara dva nova genoma iz dva postojećih lijepljenjem zajedno komade svakog od njih

1 0 | 1 1 0 - p = 220 0 | 0 1 0 - p = 2 Nakon križanja1 0 | 0 1 0 - p =180 0 | 1 1 0 - p = 6

11

4.3. Križanje

• sa 151,0 na 183,0

12

4.4. Mutacije

rezultat je krivo kodiranog genetskog materijala omogućuje da se pojave značajke koje možda nisu u izvornom

stanovništvu

stopa je vrlo mala - ne više od jedne mutacije po generaciji

13

4.4. Mutacije

• sa 183,0 na 160,0

14

4.4. Mutacije

Dobiveni genomi izvan početnih intervala ograničenja

Kada određeni uzorak bitova nema smisla, onda funkcija prilagodbe treba vratiti vrlo niske vrijednosti, tako da uzorak ne bi prošao na buduće generacije

15

5. Ostali pojmovi genetskih algoritama

Shema - uzorak prisutnih genoma (0,1,*) npr. 1 0 * *

Red sheme - broj fiksnih pozicija koje sadrži npr. red 1*10111 je 6, od 1010***** 1 je 5, a od 0******* je 1

Duljina sheme - udaljenost između najudaljenijih fiksnih pozicijanpr. duljina od 1*10111 je 6 (računajući od lijevog, 7 - 1), od

***1010**1 je 6 (10 - 4) i od 0************** je 0 (1 - 1)

16

5. Ostali pojmovi genetskih algoritama

17

6. Korištenje genetskih algoritama za optimizaciju resursa

raspoređivanje resursa uz širok raspon ograničenja podijela 40 medicinskih zaposlenika na razne dužnosti u

ambulanti Kriteriji: klinika mora imati osoblje u svakom trenutku. klinika mora imati ravnotežu između jednogodišnjih, dvogodišnjih i trogodišnjih

zaposlenika. trogodišnji zaposlenici pregledavaju osam pacijenata dnevno, dvogodišnji

zaposlenici pregledavaju šest, a jednogodišnji zaposlenici, četiri.

Dr. Ewen – početak(130 do 140 ), kraj 21

18

7. Razvoj rješenja za modeliranje odgovora

Zrakoplovna kompanija – pritužbe putnika

19

7. Razvoj rješenja za modeliranje odgovora

•Nakon nekoliko desetaka tisuća generacija, konačni model je bio u mogućnosti ispravno klasificirati 85 posto zapisa

20

8. Primjena na neuronskim mrežama

21

9. Zaključak

GA ovise o genomu i funkciji prilagodbe Proces evolucije počinje nasumičnom

populacijom, a zatim primjenjuje tri koraka transformacije (selekcija, križanje i mutacija).

Primijenjuju se na praktične probleme, često na probleme optimizacije resursa

22

10. Literatura

Data Mining Techniques For Marketing, Sales, and Customer Relationship Management Second Edition, Michael J.A. Berry, Gordon S. Linoff