8/17/2019 Algoritmi Genetici (Referat Int Art)

1/6

Cserei Robert

Informatică - Anul III

Inteligen ă artificialăț

Algoritmi genetici

Cuprins

1) Descrierea generală a algoritmilor genetici2)   Codificare3) Operatori genetici4) !aluarea indi!i"ilor# $elec%ia pentru reproducere &i supra!ie%uir') !entuale probleme() Condi%ii de stop) *roprietă%i ale algoritmilor genetici+) A!anta,ele algoritmilor genetici)   .imitările algoritmilor genetici

1) Descriere generală a algoritmilor genetici

Algoritmii genetici = metodă de căutare şi/sau optimizare.

Sunt folosite strategii similare celor statuate de genetică şi de teoriile evoluţioniste privitoare la selecţia natur ală.

Metoda poate oferi soluţii pentru probleme cu grad ridicat de complexitate:

optimizări neliniare cu restricţii neliniare optimizări multiobiectiv.

Algoritmii genetici sunt considera i de speciali ti o aplica ie aț ș ț  inteligentei artificiale.

!a fiecare etapă a algoritmului "numită  generaţie# o mulţime " populaţie# de posibile

soluţii "indivizi cromozomi#  x ∈ S este consider ată.

$ndivizii sunt evaluaţi conform obiectivului problemei şi cei mai buni "mai bine adaptaţi#

sunt %ncura&aţi să supravieţuiască şi să se r e producă.

 'oi posibile soluţii "copiii) se obţin prin combinarea materialul genetic al  părinţilor 

similar modului %n care se %ncrucişează lanţurile de A(' %n sistemele biologice. )rocesul de

reproducere permite direcţionarea eficientă a căutării către alte puncte din spaţiul consider at

folosind informaţiile codificate %n cel mai valoros material genetic din  populaţie.

Mici variaţii pot apoi afecta copiii %n scopul de a menţine diversitatea %n procesul de

căutare şi de a evita blocarea algoritmului %ntr*un punct de optim local.

8/17/2019 Algoritmi Genetici (Referat Int Art)

2/6

+opiii vor lupta pentru supravieţuire cu indivizii existenţi %n actuala populaţie. +ei mai buni

vor avea şanse mai mari de a c,ştiga competiţia.

)r ocesul se repetă de un număr convenabil de ori. (acă nu se folosesc mecanisme

speciale populaţia tinde să conţină tot mai multe copii ale individului mai bine ada ptat.

2)   Codificare

(e obicei codificarea este binară.

+odificarea asigură proiecţia din spaţiul de căutare S %ntr*un alt spaţiu S* %n care vor 

acţiona operatorii genetici.

/n indi!id din populaţie 0 un &ir de caractere permise de alfabetul utili"at# 

-n cazul codării binare alfabetul este /01.

!anţul "şirul# de caractere prin care este codificat un individ se numeşte cromozom.

)oziţia "un caracter# din lanţ se numeşte genă sau l ocus.

2alorile permise pentru fiecare genă sunt referite prin alele "de exemplu la alfabetul

 binar alelele sunt şi 0#.

G enotipul   precizează structura lanţului cromozomial şi valorile tuturor genelor componente

"o caracteristică a individului %n spaţiul S*#.

Fenotipul   caracterizează comportamentul pe care*l are individul pe baza genotipului

său. 3enotipul oferă cromozomului o semnificaţie %n spaţiul S  decodific,nd informaţiile incluse %n

genoti p.

3) Operatori genetici

Operatorul ncrucişare "4crossover5 * limba engleză#

6ste un operator binar: doi părinţ7 doi copii ** intersc8imb,nd porţiuni

din lanţur ile cromozomiale.

Operatorul mutaţie:

6ste un operator unar: se vor modifica valorile corespunzătoare unor gene aleator 

selectate din structura unui cromozom. (e exemplu la codificarea binară mutaţia sc8imbă

o genă cu valoarea %n alela sa 0 şi o genă cu valoarea 0 %n alela sa .

9peratorii genetici acţionează după reguli stoc8astice %n raport cu probabilitatea

de apariţie care le*a fost atr i buită:

8/17/2019 Algoritmi Genetici (Referat Int Art)

3/6

• nu toţi indivizii selectaţi pentru mulţimea de reproducere "bazinul de

reproducere# sunt af ectaţi de %ncrucişare "unii vor genera copii alţii nu#• alegerea punctelor de rupere ale lanţurilor cromozomiale şi selecţia

genelor care vor suf er i operaţia de mutaţie nu sunt procese deter ministe.

4) !aluarea indi!i"ilor# $elecţia pentru reproducere şi supra!ieţuire

+apacitatea de adaptare  a individului la mediul %n care trăieşte este măsurată

 prin surplusul de eficienţă al individului %n comparaţie cu ceilalţi indivizi din

 populaţie.

+alitatea unui individ este %n general măsur ată astfel :

 Absolut   prin valoarea funcţiei obiectiv precizează aşadar c,t de bine răspunde

individul scopului problemei

 Relativ  la ceilalţi indivizi din populaţie prin valoarea funcţiei obiectiv

r elativ.

$nclude o comparaţie a peformanţelor individului cu  perfor manţelor 

indivizilor %ntre care se dezvoltă.

A &ută la stabilirea indivizilor ce devin parinți iș   la alegerea indivizilor car e

supraviețuiesc %n generația ur mătoar e.

-n general un individ mai bun dec,t media trebuie %ncura&at să

supraviețuiască şi să  producă urmaşi pentru că materialul genetic pe care*l

conţine este de o mai bună calitate dec,t al celor lalţi indivizi din populaţie.

') !entuale probleme

-ncura&,nd %n mod excesiv indivizii 4superiori5 să supravieţuiască se

dir ecționează  procesul de căutare spre zone restr,nse din spaţiul S* situate %n

vecinătatea indivizilor mai buni. 2iteza de convergenţă a algoritmului va fi foarte

 bună dar rezultatul poate r e pr ezenta doar un optim local nu global.

Se  poate %nt,mpla ca %n populaţie să existe indivizi cu performanţe actuale

slabe. 9per ,nd puţine modificări %n structura lor genetică este posibil ca indivizii

rezultaţi să fie mai buni dec,t actualii lideri din populaţie.

)entru a evita blocarea algoritmului %ntr*un optim local trebuie păstrat un bun

ec8ili bru %ntre viteza de convergenţa a algoritmului şi menţinerea unui grad de

diversitate adecvat %n  populaţie. !a acest ec8ilibru contribuie %n mod esenţial procesul de selecţie a părinţilor şi apoi de inserţie a copiilor.

8/17/2019 Algoritmi Genetici (Referat Int Art)

4/6

() Condiţii de stop

(eoarece algoritmul funcţionează nesupervizat şi foloseşte procedee

stoc8astice este greu de stabilit o condiţie de stop. -n general condiţia de stop

este exprimată prin impunerea unui număr maxim de gener aţii evolutive.

 'umărul maxim de generaţii se a&ustează prin %ncercări pentru fiecare problemă

 particulară %n par te. Altă variantă folosită pentru determinarea momentului

de stop al algoritmului constă %n verificarea diferenţelor care există %ntre

indivizii din populaţie (acă indivizii sunt mult diferiţi algoritmul este lăsat

să continue. (acă indivizii sunt asemănători algoritmul poate fi opr it.

+uantumul maxim permis pentru diferenţa dintre doi indivizi nu este uşor de

stabilit. Acest  parametru se setează mult mai greu dec,t numărul maxim de

generaţii per mis.

Codificarea are aici un rol deosebit de important deoarece pot exista indivizi

cu mici dif er enţe la nivelul genotipului dar cu mari diferenţe la nivelul

fenotipului şi invers.

) *roprietă%i ale algoritmilor genetici

+,teva caracteristici deosebesc %n mod esenţial algoritmii genetici de alte

metode de optimizar e:

• algoritmii genetici analizează %n paralel o mulţime "populaţie# de puncte• algoritmii genitici utilizează reguli sto8astice de tr anziţie• algoritmii genetici se bazează doar pe cunoaşterea valorilor funcţiei obiectiv•   nu necesită informaţii despre gradientul funcţiei obiectiv sau alte informaţii

suplimentar e

• algoritmii genetici operează de regulă pe o codificare a setului de parametri

"o exce pţie este reprezentată de cazul codării %n virgulă mobilă a variabilelor 

de decizie#

+) A!anta,ele algoritmilor genetici

Avanta&ul deosebit al algoritmilor genetici este dat de faptul ca solicită doar 

valor ile funcţiei obiectiv. 6i se %ncadrează %n categoria metodelor slabe de

căutare/optimizare adică a acelor metode care solicită puţine cunoştinte despre problema de

rezolvat. +unoştinţele suplimentare dacă există pot fi integrate %n algoritm. Algoritmii

genetici se pot aplica şi pentru optimizarea unor funcţii care nu sunt derivabile. 'ici măcar 

condiţia de continuitate  a funcţiei obiectiv nu este solicitată. * un grad mare de

8/17/2019 Algoritmi Genetici (Referat Int Art)

5/6

universalitate.

Algoritmii genetici sunt metode eficiente de optimizare. ;ezultate convenabile

au fost raportate pentru optimizări genetice complexe: optimizări neliniare mutimodale

multiobiectiv optimizări cu restricţii neliniare pentru spaţii largi de căutare şi număr mare

de variabile de decizie. Soluţia oferită este acceptabil de apropiată de cea de optim global.

Algoritmii genetici sunt uşor de implementat. Sunt uşor de reconfigurat dacă formularea

 problemei se modif ică. Algoritmii pot fi uşor paralelizaţi.

) .imitările algoritmilor genetici

Algoritmii genetici sunt "foarte# mari consumatori de timp.  )erfomanţele algoritmilor 

genetici sunt dependente de modul %n care sunt setaţi  parametrii acestuia: probabilitatea

de acţiune a operatorilor genetici dimensiunea populaţiei numărul de generaţii permis rata

de selecţie a indivilor pentru reproducere etc. 

)erformanţele algoritmului sunt dependente şi de calitatea generatorului de numere

aleatoare.

8/17/2019 Algoritmi Genetici (Referat Int Art)

6/6