Presentation laddar. Vänta.

Presentation laddar. Vänta.

Genetiska Algoritmer En översikt Vetenskapsmetodik - CDT212 2007-10-19 Pablo Santibanez Jara, Ulrika Hjälmgården,

Liknande presentationer


En presentation över ämnet: "Genetiska Algoritmer En översikt Vetenskapsmetodik - CDT212 2007-10-19 Pablo Santibanez Jara, Ulrika Hjälmgården,"— Presentationens avskrift:

1 Genetiska Algoritmer En översikt Vetenskapsmetodik - CDT Pablo Santibanez Jara, Ulrika Hjälmgården,

2 Bakgrund Evolutionära algoritmer Härmar evolutionen John Holland Adaptation in Natural and Artificial Systems –Enkel modell över hur GA funkar Tillkommit mer till hans design

3 Användningsområden Lösa problem med stor sökrymd Bra när man kan känna igen en bra lösning, men inte vet hur man kommer fram till den Planering och schemaläggning –Ex. passa in komponenter på ett chip Design –Ex. designa rotorbladen i jetmotorer

4 Algoritmen 1.Skapa en ursprungspopulation med slumpmässiga värden 2.Utvärdera alla individer i populationen med fitnessfunktionen 3.Använd någon urvalsmetod för att välja ut individer ur populationen 4.Skapa en ny generation genom korsning eller mutation 5.Avsluta sökningen, eller gå tillbaka till steg 2

5 Ett exempel: TSP Travelling Salesman-problemet Hitta kortaste vägen mellan städer Svårt att lösa med många städer Exemplet har 8! = möjliga vägar Distance in km EskilstunaGävleKarlstadLinköpingNorrköpingStockholmUppsalaVästerås Eskilstuna Gävle Karlstad Linköping Norrköping Stockholm Uppsala 077 Västerås 0

6 Kromosomen (individen) Representerar en möjlig lösning Värdena i arrayen motsvarar gener Varje stad får ett nummer Stadens plats i arrayen avgör när den besöks

7 Population En samling av möjliga lösningar (kromosomer) Kan ses som en grupp individer med olika egenskaper

8 Fitnessfunktion Utvärderar en lösning (individ) Returnerar ett ”betyg” Kan straffa dåliga egenskaper Viktigt att den passar problemet! TSP fitnessfunktion: –Beräknar totalt avstånd mellan städer –Straffar individer med dubbletter –Returnerar avstånd+straff

9 Crossover Enpunkts-crossover Två föräldrar ger två nya individer Kan hända att man får dubbletter –Kan fixas till… –...eller låtas vara.

10 Mutation Förändrar gener slumpmässigt Händer med en viss sannolikhet Bra för att hitta nytt genmaterial I TSP, ta bort dubbletter

11 Urval Viktigt hur man väljer vilka individer som ska paras Det som verkar bäst behöver inte vara bäst Man bör sprida ut sig i sökrymden Välj passande urvalsmetod

12 När hittar man lösningen? Avsluta efter x generationer Avsluta vid konvergering Avsluta när den bästa lösningen uppfyller vissa krav (t ex kortare än 1100 km) Kortaste vägen vi hittade (993 km): –Stockholm →Uppsala →Gävle →Västerås →Eskilstuna →Karlstad →Linköping →Norrköping

13 Några slutord GA hittar inte alltid bästa lösningen Kör flera ggr och jämför resultat Svårt att veta om det kan finnas bättre lösningar Kan kräva mycket justeringar för att hitta bra lösningar


Ladda ner ppt "Genetiska Algoritmer En översikt Vetenskapsmetodik - CDT212 2007-10-19 Pablo Santibanez Jara, Ulrika Hjälmgården,"

Liknande presentationer


Google-annonser