Genetikus algoritmusok

Slides:



Advertisements
Hasonló előadás
Készítette: Kosztyán Zsolt Tibor
Advertisements

Genetikus algoritmusok
Biró Csaba Eszterházy Károly Főiskola
Készítette: Mester Tamás METRABI.ELTE.  Adott egy G irányított vagy irányítás nélküli, véges gráf. Az eljárás célja a G gráf összes csúcsának bejárása.
Számítógépes algebrai problémák a geodéziában
Gráfok szélességi bejárása
Gráf Szélességi bejárás
Optimális részhalmaz keresése Keresési tér. 0,0,0,0 1,0,0,0 0,1,0,0 0,0,1,0 0,0,0,10,0,1,1 1,1,0,0 1,0,1,0 0,1,1,0 1,1,1,0 1,0,1,1 0,1,1,1 1,1,1,11,1,0,1.
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
Metal/plastic foam projekt
Készítette: Pető László
KÖSZÖNTJÜK HALLGATÓINKAT!
Papp Róbert, Blaskovics Viktor, Hantos Norbert
Előadó: Prof. Dr. Besenyei Lajos
A Mendel-i öröklődés Falus András
IRE 5 /18/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – I ntelligens R endszerek E lmélete 5.
Leszámoló rendezés Készítette: Várkonyi Tibor Zoltán VATNABI.ELTE
Most van a nyulak hónapa!!!
Evolúciósan stabil stratégiák előadás
Mendeli genetika Allél Monohibrid -Dihibrid Autoszóma – alloszóma
Operációkutatás eredete
Ismeretalapú rendszerek alaptechnikái I. Szabályalapú rendszerek.
Ismeretalapú rendszerek alaptechnikái I. Szabályalapú rendszerek.
Készítette: Kosztyán Zsolt Tibor
Ivari kromoszómás jellegek és humángenetika
Aszexuális, szimpatrikus speciáció
Gráf szélességi bejárása
Készítette: Lakos Péter.  Adott egy irányított vagy irányítatlan, véges gráf.  Írjuk ki a csúcsokat egy kezdőcsúcstól való távolságuk növekvő sorrendjében.
Kovács Dániel László Kovács Dániel László BME-VIK, Méréstechnika és Információs Rendszerek Tanszék Önálló laboratórium.
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Optimalizáció modell kalibrációja Adott az M modell, és p a paraméter vektora. Hogyan állítsuk be p -t hogy a modell kimenete az x bemen ő adatokon a legjobban.
Optimalizáció modell kalibrációja Adott az M modell, és p a paraméter vektora. Hogyan állítsuk be p -t hogy a modell kimenete az x bemenő adatokon a legjobban.
1 Mössbauer-spektrumok illesztése: vonalalak A kibocsátott  -sugárzás energiaspektruma Lorentz-görbe alakú: I : sugárzás intenzitása  : frekvencia 
Környezeti rendszerek modellezése 11. előadás Optimalizáció Balogh Edina.
GRÁFELMÉLET.
Megbízható harmadik generációs mobil távközlő hálózatok tervezése genetikus algoritmussal Szigeti János Konzulensek: Cinkler Tibor (TTT) Szlovencsák Attila.
A molekuláris evolúció neutrális elmélete
Molekuláris rátermettség tájképek Kun Ádám. Rátermettség tájkép  Minden genotípushoz rendeljünk egy fenotípust  Minden fenotípushoz rendeljünk egy valósz.
Avagy: Törött pálcák és párhuzamos krumplik Kvantitatív biosztratigráfia.
Készítette: Hanics Anikó. Az algoritmus elve: Kezdetben legyen n db kék fa, azaz a gráf minden csúcsa egy-egy (egy pontból álló) kék fa, és legyen minden.
1 Szélességi Bejárás Györgyi Tamás – GYTNAAI.ELTE 2007 Március 22 Algoritmusok És Adatszerkezetek 2 Gráfalgoritmus S b a d e f h g c.
Az ábrán az inicializáló blokk lefutása utáni állapotot láthatjuk. A KÉSZ halmazhoz való tartozást színezéssel valósítjuk meg. A nem KÉSZ csúcsok fehérek,
Algoritmizálás, adatmodellezés tanítása 8. előadás.
Kruskal-algoritmus.
Genetikus algoritmusok
Bellmann-Ford Algoritmus
Genetikus algoritmusok Kezdőknek és haladóknak
Genetikus algoritmusok
Informatikai Rendszerek Tervezése 5. Előadás: Genetikus algoritmusok Illyés László Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.-5.
Horváth Bettina VZSRA6.  Célja: Az eljárás célja egy véges gráf összes csúcsának bejárása a kezdőcsúcstól való távolságuk szerinti növekvő sorrendben.
Menetrend optimalizálása genetikus algoritmussal
Genetikus algoritmus “A genetikus algoritmusok segítségével óriási méretű paraméter teret vizsgálhatunk meg, hogy megtaláljuk különböző dolgok optimális.
Szelekció I. Örökléstani alkalmazások Farkas János Az alapprobléma és matematikai megoldása megtalálható W. Feller: Bevezetés a valószínűségszámításba.
Diszjunkt halmazok adatszerkezete A diszjunkt halmaz adatszerkezet diszjunkt dinamikus halmazok S={S 1,…,S n } halmaza. Egy halmazt egy képviselője azonosít.
Gráf szélességi bejárása. A szélességi bejárás elmélete Célja egy véges gráf összes csúcsának bejárása a kezdőcsúcstól való távolságuk szerinti növekvő.
Szélességi bejárás Gráf-algoritmusok Algoritmusok és adatszerkezetek II. Gergály Gábor WZBNCH1.
INFOÉRA Gráfok, gráfalgoritmusok II. (Horváth Gyula és Szlávi Péter előadásai felhasználásával) Juhász István-Zsakó László: Informatikai.
Szélességi bejárás. Véges gráf összes csúcsának bejárása a kezdőcsúcstól való távolságuk szerinti növekvő sorrendben Egy csúcsot egyszer járunk be Egyenlő.
Gráf Szélességi bejárás Készítette: Giligor Dávid Neptun : HSYGGS.
Adatszerkezetek és algoritmusok 2008/ Algoritmus Az algoritmus szó eredete a középkori arab matematikáig nyúlik vissza, egy a i.sz. IX. században.
Eötvös Konferencia, 2008 április 26. Kovács Máté 1 Útkeresések optimalizálása számítógépes játékokban.
1  BME Híradástechnikai Tsz komhal20.ppt Kommunikációs hálózatok tervezése 20. előadás Izsó Tamás Híradástechnikai tanszék 2000 Budapesti Műszaki.
Genetikus algoritmusok
Gráf csúcsainak színezése
lecke A gének megváltozása. A génösszetétel megváltozása
Technológiai folyamatok optimalizálása
FOGALMAK DNSasfehérje (szabályozó/szerkezeti)
Mesterséges intelligencia
Nem módosítható keresések
Algoritmusok és Adatszerkezetek I.
Előadás másolata:

Genetikus algoritmusok Hatwágner F. Miklós, 2009

Evolúciós számítások Evolúciós stratégiák Evolúciós programozás Rechenberg (1973), Schwefel Repülőgépszárnyak valós paramétereinek optimalizálása Evolúciós programozás Fogel (1966), Owens, Walsh Egyszerű problémák  véges automaták  állapot-átmeneti mátrix véletlenszerű változtatása

Evolúciós számítások Genetikus programozás Genetikus algoritmusok Koza (1992) Szg. programok (LISP) automatikus fejlesztése Genetikus algoritmusok Holland (1975) A szelekció és adaptáció számítógépes és matematikai modellezése, optimalizációs módszer.

Genetikus algoritmusok Problémák széles körére alkalmazható Általában nem használ területfüggő tudást (problémafüggetlen metaheurisztika) Globális optimalizáció Lehetséges megoldások populációja Egyedek (individual) A lehetséges megoldáshoz kódoló függvénnyel jól manipulálható jelsorozatot rendelünk (genotípus)

Genetikus algoritmusok Az előállított jelsorozat: fenotípus. Genotípus pozíciói: gének, ezek értékei: allélok. Rátermettségi függvény (fitness function) Szelekciós operátor (selection) Rekombináció/keresztezés operátor (recombination/crossover) Mutációs operátor (mutation)

Az algoritmus általános szerkezete kezdetiPopulációLétrehozása(P0); t = 0; while(!kilépés(Pt)) { Pt’ = újEgyedek(Pt); /* szelekció, keresztezés, mutáció */ Pt+1 = újPopuláció(Pt’, Pt) ; t++; }

Tipikus paraméter-értékek Populáció elemszáma: 50-100 Kezdeti populáció feltöltése véletlenszerű értékekkel. Kilépés feltétele: általában a szükséges számú (1000-500000) generáció létrejötte Ha Pt’ elemszáma == Pt elemszáma  generációs Ha csak egy új elemet hozunk létre: helybeni (steady state) Régi generáció legrátermettebb egyedének átvitele: elitista (elitist)

Gráfszínezési probléma Irányítatlan gráf, k-színezés Megoldások kódolása: direkt kódolás, sorrendi kódolás  eltérő módon megvalósított operátorok

Direkt kódolás Színek megfelelő sorrendben történő felsorolása Könnyű előállítani véletlenszerű színezést és rátermettségi függvényt („hibás” élek száma  eredeti érték mínusz egyszerese, reciproka) Rekombináció: pl. egypontos keresztezés (single point crossover) vagy egyenletes keresztezés (uniform crossover) lehet Mutáció: minden gén kis valószínűséggel változhat

Direkt kódolás Színek: Piros Fehér Zöld Egy egyed fenotípusa pl.: PPFPZ 1 2 P P 3 F 5 P Z 4

Egypontos keresztezés PPFFZ PPFFP PFFFP

Egyenletes keresztezés ZPFFZ ZFFFP PFFFP

Mutáció PPFFZ PZFPZ

Sorrendi kódolás Meghatározzuk a színek felhasználásának sorrendjét: legyen pl. Piros Fehér Zöld Egyszerű heurisztika: bejárjuk a gráf csúcsait, és mindig a lehető legkisebb sorszámú olyan színt használjuk fel, amivel még nem keletkezik hibás él. Ha ez lehetetlen, üresen hagyjuk a csúcsot.

Sorrendi kódolás 1 2 F F 32145 3 P 5 F Z 4

Sorrendi rekombináció (OX) Két keresztezési pont kiválasztása Második szülő „középső” génjei átkerülnek a gyermekbe, azonos pozícióra A gyermekből hiányzó értékek milyen sorrendben fordulnak elő az első szülőben? Ebben a sorrendben, a második keresztezési ponttól kezdve beírjuk ezeket a gyerekbe.

Sorrendi rekombináció (OX) A második szülőből nem került át: 1, 2, 4. Ezek ilyen sorrendben bukkannak fel az első szülőben: 1, 4, 2. 31452 42351 21354

Sorrendi mutáció Permutáció: 21354 25314

Problémafüggetlen komponensek Rátermettség-arányos szelekció: minél nagyobb a rátermettség a populáció átlagos rátermettségéhez képest, annál nagyobb a kiválasztás valószínűsége.

Problémafüggetlen komponensek Egy rátermettség-arányos szelekció: rulettkerék (roulette wheel)

Problémafüggetlen komponensek Pár-verseny szelekció (tournament) Rangsorolás (ranking) a „beragadás” elkerülésére; rátermettség szerint sorba rendezés, majd rátermettség módosítása pl. lineáris fv. segítségével. Speciális operátorok beépítése: hegymászó (hill climber), niching, elitizmus, kényszerített mutáció, stb.

Érdekességek Tesztfüggvények Alkalmazások: HelloWorld Saját GA implementáció MATLAB GA Toolbox H. A.: hengerfej optimalizálása