IRE 5 /18/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 I ntelligens R endszerek E lmélete 5.

Az előadások a következő témára: "IRE 5 /18/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 I ntelligens R endszerek E lmélete 5."— Előadás másolata:

1 IRE 5 /18/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 I ntelligens R endszerek E lmélete 5

2 IRE 5 /18/ 2 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Intelligens Rendszerek Elmélete Dr. Kutor László http://nik.uni-obuda.hu/mobil Párhuzamos keresés genetikus algoritmusokkal

3 IRE 5 /18/ 3 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A természet általános kereső algoritmusa: a genetikus algoritmus

4 IRE 5 /18/ 4 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Az élet információ tárolói

5 IRE 5 /18/ 5 Orvosi Nobel díj 2009. (okt. 5) Elisabeth Blackburn Carol Greider, Jack W. Szostak (ausztráliai-amerikai)(amerikai) (angol-amerikai) A telomerek és a telomeráz enzim felfedezéséért

6 IRE 5 /18/ 6 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Természetes és mesterséges genetikus terminológia TermészetesMesterséges KromoszómaKarakterfüzér (sztring) (a sejtek örökletes tulajdonságokat hordozó anyaga) GénJellemző, karakter (az öröklődő tulajdonságokkat hordozó kromoszóma egy része, (nukleinsav molekula)) AllélA karakter (jellemző) értéke LókuszKarakter pozíció GenotípusKarakterfüzér szerkezet (az örökletes tulajdonságok összessége) FenotípusParaméter készlet (az élőlény alaktani és élettani sajátosságainak összessége. Az örökletes és a környezet együttes hatására létrejött megjelenési alak)

7 IRE 5 /18/ 7 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A genetikus algoritmus (GA) alkalmazási vázlata GA 2.Kezdeti generáció 1.Az optimalizálandó rendszer leírása (mesterséges kromoszómába) A rendszerre jellemző változók egymást követő generációk 3. GA sorozatos alkalmazása

8 IRE 5 /18/ 8 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A genetikus algoritmus alkalmazásának feltételei 1. Egyértelmű rendszerleírás egy rendszerváltozókat tartalmazó karakterfüzérbe az un. mesterséges kromoszómába. 2. Reprezentatív populáció, ami azonos formában különböző jellemzőkkel bíró egyedek (rendszerek) leírását tartalmazza. 3. Alkalmas mérési módszer, mellyel a vizsgált rendszerek jóságát meg lehet határozni.

9 IRE 5 /18/ 9 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A genetikus algoritmusok operátorai Alap operátorok:Szelekció Kereszteződés Mutáció Alacsony szintű operátorok: Dominancia Inverzió Törlődés Halkítás (erősítés) Kikapcsolás „knock out” Populációra vonatkozó operátorok: Migráció „Házassági” korlátozás Jóság transzformáló függvények Andrew Z. Fire Craig C. Mello Orvosi Nobel díj 2006. 10. 2. Mario Capecchi Oliver Smithies Martin Evans 2007. 10. 08

10 IRE 5 /18/ 10 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Kiválasztási mechanizmusok  A relatív jósággal (fitness) arányos un. rulettkerék algoritmus  Csak a legjobbakat kiválasztó algoritmus „ elicista” Paraméterek: populáció méret, Reprodukciós arány (állandó, csökkenő, bővülő,..)

11 IRE 5 /18/ 11 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A genetikus algoritmus alkalmazásának menete 1. A mesterséges kromoszóma (leíró adatfüzér) szerkezetének kidolgozása (változók és jellemzői) 2. Kezdeti populáció létrehozása 3. A populációt alkotó egyedek értékelése, az abszolút- majd a relatív jóság meghatározása 4. A genetikus operátorok alkalmazásával új populáció létrehozása (pl.:szelekció, keresztezés, mutáció, stb…) 5. A 3.-ik és a 4.-ik lépés ismétlése, amíg a megállási feltétel nem teljesül.

12 IRE 5 /18/ 12 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A relatív jósággal (fitness) arányos un. rulettkerék algoritmus 1. Az egyedek jóságának meghatározása: Fi=f(Ii) 2. A populáció összes tagja jóságának meghatározása: 3. Az egyedek relatív jóságának kiszámítása: (Teljes Relatív Fitness TRF=1): 4. 1 és 100 közötti szám hozzárendelése a populáció minden tagjához a relatív jóságuknak megfelelően. (n = a jelenlegi populáció mérete) 5. Egy „m” véletlen szám generálása 1 és 100 között (m: az új populáció mérete) 6. m egyed (génstruktúrájának) másolása az új generációba,

13 IRE 5 /18/ 13 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Kereszteződés Paraméterek : kereszteződési pontok száma kereszteződési pontok helye X Y új sztringek: X1X1 X2X2 X3X3 X4X4 X5X5 X6X6 X7X7 X8X8 X1X1 X2X2 X3X3 X4X4 Y5Y5 Y6Y6 Y7Y7 Y8Y8 Y1Y1 Y2Y2 Y3Y3 Y4Y4 Y5Y5 Y6Y6 Y7Y7 Y8Y8 Y1Y1 Y2Y2 Y3Y3 Y4Y4 X5X5 X6X6 X7X7 X8X8 kiinduló sztringek : X’ Y’

14 IRE 5 /18/ 14 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Mutáció Paraméterek : mutációs helyek száma mutációs változás tartománya X új sztring: X1X1 X2X2 X3X3 X4X4 X5X5 X6X6 X7X7 X8X8 X1X1 M2M2 X3X3 X4X4 M5M5 M6M6 X7X7 M8M8 kiinduló sztring : X’

15 IRE 5 /18/ 15 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A genetikus algoritmus előnyei a hagyományos kereső algoritmusokhoz képest  A keresési tér több pontját vizsgálja egyszerre (párhuzamosság)  Csak jellemzőket tartalmazó sztringgel dolgozik, a változók értelmezésétől függetlenül, ezért általános keresési algoritmus  A véletlenszerű változók használata miatt a lokális minimumokra kevésbé érzékeny.  Mivel a keresési szabályok nem determinisztikusak, hanem valószínűségi szabályokat alkalmaznak, így az NP teljes jellegű problémákra is megközelítést adhat.

16 IRE 5 /18/ 16 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 A genetikus algoritmusok korlátai Túlságosan nagy jóságú egyedek eluralhatják a populációt Ha csak minimális különbségek vannak az egyedek között akkor nincs javulás Részleges megoldások: Különböző jóság transzformáló eljárások a keresés előre- haladtával (pl. nagy különbségek kiegyenlítése a keresés elején, kis különbségek felnagyítása a keresés vége felé) f g (x i ) = α g + β g f(x i )

17 IRE 5 /18/ 17 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Példa a GA alkalmazására f(x) = 3x 1 2 + 2x 2 2 + 3.5x 3 2 +4x 4 2 + 2.7x 5 2 e –Σ x i 2 i=1 5 x i értelmezési tartománya -10-től +10-ig Kezdeti populáció száma: 20 Megállási feltétel: f(x) >=1.1471, vagy 10 5 generáció Eredmények: x 1, x 2, x 3, x 4, x 5 elért generációk száma Példa megoldás: x 1 = 0.0000005267=0, x 2 = 0.000000015805=0, x 3 = 0.000000542=0, x 4 = - 1.0.000002049=-1, x 5 =0.0000005267=0, g= 78967

18 IRE 5 /18/ 18 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – 4.1.2 Kérdések Milyen tényezők befolyásolják a genetikus algoritmusok sikeres alkalmazását? Milyen problémák megoldásában segíthet a genetikus algoritmusok alkalmazása? Lehet-e gyors eredményt elérni genetikus algoritmusokkal?