Kuntotoiminto

Kokeneet kirjoittajat eivät ole vielä tarkistaneet sivun nykyistä versiota, ja se voi poiketa merkittävästi 7. elokuuta 2018 tarkistetusta versiosta . tarkastukset vaativat 4 muokkausta .

Kuntofunktio on yhden tai useamman muuttujan reaali- tai kokonaislukufunktio, joka on optimoitu geneettisen  algoritmin työn tuloksena , ohjaa kehitystä kohti optimaalista ratkaisua. Se on yksi tavoitefunktion erikoistapauksista .

Termin historia

Se on saanut nimensä genetiikasta . Voit arvioida tiettyjen yksilöiden kuntotasoa populaatiossa ja valita heistä vahvimmat (eli ne, joilla on maksimaaliset kuntofunktioarvot) vahvimpien selviytymistä koskevan evolutionaarisen periaatteen mukaisesti.

Geneettinen ohjelmointi ja geneettiset algoritmit

Geneettisen ohjelmoinnin ja geneettisten algoritmien alalla jokainen tutkittava ratkaisu esitetään yleensä numero- tai merkkijonona (kutsutaan kromosomiksi ). Pääideana on, että jokaisen testaus- tai simulointikierroksen jälkeen poistetaan n huonoimmin tutkittua liuosta (kromosomia) ja lisätään n uutta liuosta (kromosomia) populaatioon. Tämän menetelmän toteuttamiseksi jokaisen tutkittavan ratkaisun tulee vastata tiettyä arvoa, joka kertoo kuinka lähelle ratkaisu tulee haluttua arvoa, määritetty arvo saadaan käyttämällä kuntofunktiota . Huolimatta siitä, että algoritmi etsii optimaalista ratkaisua, haun pääsuunnan antaa henkilö, jonka on määritettävä kuntofunktio . Jos se on huonosti suunniteltu, algoritmi joko konvergoi alioptimaaliseen ratkaisuun tai sillä on vaikeuksia konvergoida ratkaisuun ollenkaan.

Fitness-funktion ei tulisi vain korreloida läheisesti halutun ratkaisun kanssa, vaan se on myös laskettava nopeasti. Suoritusnopeus on erittäin tärkeä, koska tyypillinen geneettinen algoritmi on toistettava useita kertoja (1000 iteraatiosta (sukupolvesta) alkaen) ratkaisun löytämiseksi ei-triviaaliin ongelmaan.

Sovellukset matematiikassa

Fitness-funktiolla on voimakas vaikutus  geneettisten algoritmien toimintaan  ja sillä on oltava tarkka ja oikea määritelmä. Optimointiongelmissa kuntofunktio yleensä optimoidaan (maksimoidaan) ja sitä kutsutaan tavoitefunktioksi . Minimointitehtävissä tavoitefunktio muunnetaan ja ongelma pelkistetään maksimointiin.

Jokaisessa  geneettisen algoritmin iteraatiossa tietyn populaation jokaisen yksilön kunto arvioidaan kuntofunktion avulla ja tämän arvion perusteella luodaan seuraava populaatio, joka muodostaa joukon mahdollisia ratkaisuja [1] .

Toimintaehdot

  1. Toiminto on määriteltävä riittävästi. Tämä tarkoittaa, että onnistuneen haun kannalta on välttämätöntä, että arvojen jakautuminen osuu yhteen ratkaisujen todellisen laadun jakauman kanssa.
  2. Toiminnon tulee olla vaihteleva maasto ilman suuria "tasaisia" alueita. Eli huolimatta siitä, että ratkaisut ovat erilaisia, niillä on sama arvio, mikä tarkoittaa, että algoritmi ei pysty valitsemaan parasta ratkaisua, valitsemaan jatkokehityksen suuntaa. Tätä ongelmaa kutsutaan myös " golfkenttäongelmaksi ", jossa kaikki tila on täsmälleen sama, paitsi yhtä pistettä, ja se on optimaalinen ratkaisu - tässä tapauksessa algoritmi yksinkertaisesti pysähtyy tai vaeltelee täysin satunnaisesti.
  3. Kuntotoiminnon tulee vaatia mahdollisimman vähän resursseja. Koska tämä on algoritmin useimmin käytetty osa, sillä on merkittävä vaikutus sen nopeuteen [2] .

Fitness-toiminto muuttaa tilatilan kuntomaisemaksi (adaptiivinen maisema)[ termi tuntematon ] jossa jokaisella avaruuden pisteellä on tietty "korkeus" sen kunto-arvon mukaan.

Katso myös

Muistiinpanot

  1. ↑ Kvashenkin, David Olegovich. Geneettinen algoritmi viiveellä  // Tambovin yliopiston tiedote. Sarja: Luonnontieteet ja tekniset tieteet. – 1.1.2012. - T. 17 , no. 1 . — ISSN 1810-0198 . Arkistoitu alkuperäisestä 24. syyskuuta 2016.
  2. ↑ NIKOLAI BORISOVITS URALSKI, VALERI ALEKSANDROVITS SIZOV, NIKOLAJ KLEMENTIEVITS KAPUSTIN. Geneettisen algoritmin kuntofunktion laskentaprosessin optimointi hajautetuissa tietojenkäsittelyjärjestelmissä  Internet Journal of Science Studies. – 1.1.2015. - T. 7 , no. 6 (31) . Arkistoitu alkuperäisestä 24. syyskuuta 2016.