Obliczenia ewolucyjne
Kierunek:
Automatyka i Robotyka
Specjalność: Modelowanie komputerowe układów i procesów (AB3)
Punkty ECTS: 3
Prowadzący:
dr hab. inż. Witold Beluch
Opis przedmiotu
Algorytmy genetyczne
(AG) i algorytmy ewolucyjne (AE) w pewnym naśladują naturalne procesy
ewolucji, których celem jest maksymalne dopasowanie osobników do
istniejących warunków życia. Łączą w sobie ewolucyjną zasadę przeżycia
najlepiej przystosowanych osobników z systematyczną, choć zawierającą
elementy losowości, wymianą informacji.
AG i AE są algorytmami
optymalizacji, często traktowanymi jako „algorytmy ostatniej szansy” –
stosuje się je zazwyczaj wówczas, gdy tradycyjne metody optymalizacji,
zazwyczaj oparte na obliczeniach gradientu funkcji celu, zawodzą. Proces
ewolucyjny zachodzący w populacji osobników odpowiada przeszukiwaniu
przestrzeni potencjalnych rozwiązań. Poszukiwanie takie wymaga
pogodzenia dwóch sprzecznych celów:
- skorzystania z
najlepszych dotychczas rozwiązań (jak metody
analityczne);
- możliwie szerokiego
przeszukania przestrzeni potencjalnych rozwiązań (jak
metody enumeracyjne i losowe).
W algorytmach
ewolucyjnych i genetycznych korzysta się ze słownictwa zaczerpniętego
bezpośrednio z biologii. W procesie ewolucyjnym przetwarzana jest
populacja osobników, z których każdy reprezentuje potencjalne
rozwiązanie zadania. Początkowa populacja jest tworzona zwykle losowo.
Każdy z osobników jest oceniany za pomocą funkcji przystosowania i
przypisywana jest mu wartość liczbowa. Przystosowanie osobnika rzutuje
na jego prawdopodobieństwo wejścia do populacji pomocniczej w wyniku
procesu zwanego selekcją. Wyselekcjonowane (niektóre więcej niż raz,
niektóre raz, niektóre wcale) osobniki są następnie poddawane działaniu
tzw. operatorów genetycznych/ewolucyjnych, jak krzyżowanie i mutacja.
Powoduje powstanie nowych, choć niekoniecznie lepszych rozwiązań. Nowo
powstała populacja jest oceniana i proces powtarzany jest aż do
spełnienia warunku zatrzymania. Uzyskany w procesie ewolucji najlepszy
wynik uważany jest za rozwiązanie zadania optymalizacji.
Do najczęściej stosowanych algorytmów
naśladujących procesy zachodzące w naturze należą:
·
programowanie ewolucyjne,
·
algorytmy genetyczne,
·
strategie ewolucyjne,
·
symulowane wyżarzanie,
·
sztuczne sieci neuronowe,
·
algorytmy mrówkowe,
·
algorytmy immunologiczne
·
algorytmy rojowe.
Program przedmiotu
-
Wykład: 9 godzin w semestrze
-
Laboratorium: 9 godzin w semestrze
Warunki zaliczenia
1. Zaliczenie na
ocenę pozytywną ćwiczeń (warunki podaje prowadzący na zajęciach)
2. Egzamin z
wykładu.
OCENA
KOŃCOWA: O=0.5E+0.5L
E - ocena z egzaminu
(musi być pozytywna)
L - ocena z ćwiczeń
Tematyka wykładów
-
Inteligencja
obliczeniowa i sztuczna inteligencja, test Turinga.
Optymalizacja i metody optymalizacji. Algorytmy
genetyczne (AG) – sposób działania.
-
Binarne kodowanie liczb
rzeczywistych. Schematy i twierdzenie o schematach.
Wpływ operacji genetycznych na schematy. Zbieżność AG.
-
Liczebność populacji.
Metody uwzględniania ograniczeń. Kodowanie. Algorytmy
ewolucyjne (AE).
-
Metody reprodukcji i
sukcesji. Eksploracja i eksploatacja. Ocena działania
algorytmu. Kryteria zatrzymania algorytmu. Funkcje
testowe. Operatory krzyżowania i mutacji.
-
Optymalizacja
wielomodalna. Równoległość w AE. Połączenie AE z
metodami lokalnymi. Inne typy AE: Przykłady zastosowań
AG i AE.
Literatura
-
L.
Rutkowski, Metody i techniki sztucznej inteligencji,
Wydawnictwa Naukowe PWN, Warszawa, 2006.
-
J.
Arabas, Wykłady z algorytmów ewolucyjnych, WNT,
Warszawa, 2001.
-
Z.
Michalewicz, Algorytmy genetyczne + struktury danych
= programy ewolucyjne, WNT, Warszawa, 1996.
Odnośniki:
·
http://wazniak.mimuw.edu.pl/index.php?title=Sztuczna_inteligencja -
wykład dotyczący sztucznej inteligencji
·
http://www.tsp.gatech.edu/
- problem komiwojażera
Do pobrania
|