mutacyjnego algorytmu ewolucyjnego

Slides:



Advertisements
Podobne prezentacje
Proces doboru próby. Badana populacja – (zbiorowość generalna, populacja generalna) ogół rzeczywistych jednostek, o których chcemy uzyskać informacje.
Advertisements

Ekonometria stosowana WYKŁAD 4 Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Analiza rozkładu empirycznego dr Marta Marszałek Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium.
STATYSTYKA MATEMATYCZNA wykład 1 - wprowadzenie Dr Aldona Migała-Warchoł.
Ekonometria stosowana Autokorelacja Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Ćwiczenia Zarządzanie Ryzykiem Renata Karkowska, ćwiczenia „Zarządzanie ryzykiem” 1.
Ekonometria Wykład 1 Uwarunkowania modelowania ekonometrycznego. Uogólniona metoda najmniejszych kwadratów dr hab. Mieczysław Kowerski.
Cel analizy statystycznej. „Człowiek –najlepsza inwestycja”
Klasyczny model regresji liniowej (KMRL) Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa.
Analiza wariancji (ANOVA) Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa w Warszawie.
Zmienne losowe Zmienne losowe oznacza się dużymi literami alfabetu łacińskiego, na przykład X, Y, Z. Natomiast wartości jakie one przyjmują odpowiednio.
Analiza tendencji centralnej „Człowiek – najlepsza inwestycja”
DO CZEGO SŁUŻĄ NARZĄDY ZMYSŁÓW?
© Prof. Antoni Kozioł, Wydział Chemiczny Politechniki Wrocławskiej MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH Prezentacja – 4 Matematyczne opracowywanie.
STATYSTYKA – kurs podstawowy wykład 10 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Zależności wprost proporcjonalne Radosław Hołówko Konsultant: Agnieszka Pożyczka.
Pakiety numeryczne Równania różniczkowe Łukasz Sztangret Katedra Informatyki Stosowanej i Modelowania.
T: Powtórzenie wiadomości z działu „Prąd elektryczny”
2.48. Cechy populacji biologicznej
Metody Analizy Danych Doświadczalnych Wykład 9 ”Estymacja parametryczna”
Teoria masowej obsługi Michał Suchanek Katedra Ekonomiki i Funkcjonowania Przedsiębiorstw Transportowych.
Metoda zmiennych instrumentalnych i uogólniona metoda momentów
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Perceptrony proste nieliniowe i wielowarstwowe © Kazimierz Duzinkiewicz, dr hab.
Zmienna losowa dwuwymiarowa Dwuwymiarowy rozkład empiryczny Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium Analiz Ekonomicznych.
Modele rynku kapitałowego 1. Teoria optymalnego portfela inwestycyjnego Markowitza ma charakter modelu normatywnego tzn. formułuje zasady jakimi powinien.
Budżetowanie kapitałowe cz. III. NIEPEWNOŚĆ senesu lago NIEPEWNOŚĆ NIEMIERZALNA senesu strice RYZYKO (niepewność mierzalna)
Ogólnopolska Konferencja Naukowa Finanse – Statystyka – Badania Empiryczne 26 październik 2016 rok Wrocław Katedra Prognoz i Analiz Gospodarczych Uniwersytet.
O PARADOKSIE BRAESSA Zbigniew Świtalski Paweł Skałecki Wydział Matematyki, Informatyki i Ekonometrii Uniwersytet Zielonogórski Zakopane 2016.
Statystyka Wykłady dla II rok Geoinformacji rok akademicki 2012/2013
STEROWANIE RUCHEM METODĄ OKNA – SIEĆ PAKIETOWA
Test analizy wariancji dla wielu średnich – klasyfikacja pojedyncza
W kręgu matematycznych pojęć
Badanie współczynnika inbredu
Od neuronow do populacji
terminologia, skale pomiarowe, przykłady
MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH
Metody teledetekcyjne w badaniach atmosfery
WAE Jarosław Arabas Algorytm ewolucyjny
„Prawa Ceteris Paribus i socjo-ekonomiczne mechanizmy”
Rachunek prawdopodobieństwa i statystyka
Modele SEM założenia formalne
Podstawy automatyki I Wykład /2016
Funkcja – definicja i przykłady
Pojedyńczy element, mała grupa
Wykład IV Ruch harmoniczny
Zajęcia przygotowujące do matury rozszerzonej z matematyki
Elementy fizyki kwantowej i budowy materii
Ekonometria stosowana
Zmienne losowe wielowymiarowe
Własności statystyczne regresji liniowej
Weryfikacja hipotez statystycznych
Modelowanie układów dynamicznych
Dwutranzystorowe stopnie wzmacniające
Porównywanie średnich prób o rozkładach normalnych (testy t-studenta)
FORMUŁOWANIE HIPOTEZ STATYSTYCZNYCH
Analiza portfelowa.
Szybkość-zdolność do wykonywania ruchów w najkrótszych odcinkach czasu
REGRESJA WIELORAKA.
ROZKŁADY STATYSTYCZNE ZMIENNYCH MIERZALNYCH
Prawa ruchu ośrodków ciągłych c. d.
TESTY NIEPARAMETRYCZNE
Probabilistyczne modele danych
Instytut Tele- i Radiotechniczny Instytut Elektrotechniki
WYBRANE ZAGADNIENIA PROBABILISTYKI
Prognoza ryzyka ING w skali miesiąca Symulacja historyczna
Własności asymptotyczne metody najmniejszych kwadratów
Zapis prezentacji:

mutacyjnego algorytmu ewolucyjnego WAE Jarosław Arabas Analiza i modelowanie dynamiki populacji mutacyjnego algorytmu ewolucyjnego

Ewolucja algorytmiczna a biologiczna Osobnik Genotyp Fenotyp Przystosowanie ? Gatunek Mutacja Crossover “Osobnik” Punkt w przestrzeni przeszukiwań Punkt w przestrzeni cech Wartość funkcji celu Dodatkowe parametry Populacja punktów “Mutacja” “Krzyżowanie” “Sukcesja elitarna”

Dynamika populacji Ślad populacji Wariancja populacji

Dynamika populacji – mutacyjny AE Pt Pt+1 Pewna liczba punktów nie ma potomstwa Niektóre punkty mają wiele potomków Każdy potomek jest mutantem rodzica

Dynamika populacji – mutacyjny AE Każda populacja ma swojego Adama

Od genealogii do różnorodności – mutacyjny AE P-stwo że dwa punkty z Pt+1 mają wspólnego rodzica 𝑎 𝑡 = 𝑖=1 μ 𝑝 𝑠 𝑃 𝑖 𝑡 2 Wartość at nie zależy od t dla reprodukcji opartej na rangach

Od genealogii do różnorodności – mutacyjny AE P-stwo że dwa punkty z Pt+1 mają wspólnego przodka k generacji temu 𝑎 1−𝑎 𝑘−1 Powyższy wzór jest prawidłowy przy założeniu niezależności p-stwa wyboru rodzica jednego punktu od rodzica drugiego punktu

Od genealogii do różnorodności – mutacyjny AE Wariancja równowagowa populacji jednowymiarowej 𝑣 ∞ = lim 𝐾→∞ 𝑘=0 𝐾 𝑘 𝑎 1−𝑎 𝑘 𝑣 𝑚 = 1 𝑎 𝑣 𝑚 Powyższy wzór jest prawidłowy przy założeniu niezależności p-stwa wyboru rodzica jednego punktu od rodzica drugiego punktu

Od genealogii do różnorodności – mutacyjny AE 𝑣 ∞ = 1 𝑎 𝑣 𝑚 Różnorodność równowagowa Selekcja progowa Selekcja turniejowa Selekcja proporcjonalna 𝑎= 1 θ⋅μ 𝑎≈ 𝑠 2 μ 2s−1 𝑎≈ 1 μ 1+ 𝑣 𝑞 𝑚 𝑞 2 Wariancja równowagowa zależy liniowo od liczebności populacji

Ewolucja populacji Populacja jako gatunek może być charakteryzowana poprzez Położenie swojego “środka” - reprezentanta gatunku Zróżnicowanie osobnicze Przykład – symulacje dla funkcji Ackleya

Od genealogii do różnorodności – mutacyjny AE Wariancja równowagowa populacji jednowymiarowej 𝑣 ∞ = lim 𝐾→∞ 𝑘=0 𝐾 𝑘 𝑎 1−𝑎 𝑘 𝑣 𝑚 = 1 𝑎 𝑣 𝑚 Powyższy wzór jest prawidłowy przy założeniu niezależności p-stwa wyboru rodzica jednego punktu od rodzica drugiego punktu

Od genealogii do różnorodności – mutacyjny AE Założenie o niezależności niespełnione Korelacja wartości funkcji celu dzieci i rodziców Założenie o niezależności spełnione w przybliżeniu

Od genealogii do różnorodności – mutacyjny AE duży zasięg mutacji Wykres zmian stanu populacji Wartość średnia położenia punktów populacji Wariancja położenia punktów populacji podzielona przez wariancję mutacji

Od genealogii do różnorodności – mutacyjny AE Bardzo mały zasięg mutacji Wykres zmian stanu populacji Wartość średnia położenia punktów populacji Wariancja położenia punktów populacji podzielona przez wariancję mutacji

Od genealogii do różnorodności – mutacyjny AE średni zasięg mutacji Wykres zmian stanu populacji Wartość średnia położenia punktów populacji Wariancja położenia punktów populacji podzielona przez wariancję mutacji

Od genealogii do różnorodności – mutacyjny AE Start daleko od maksimum globalnego Wykres zmian stanu populacji Wartość średnia położenia punktów populacji Wariancja położenia punktów populacji podzielona przez wariancję mutacji

Funkcja Ackleya

Algorytm ewolucyjny w stanie równowagi

Algorytm ewolucyjny w stanie równowagi Przez wiele pokoleń populacja fluktuuje w tym samym obszarze przestrzeni przeszukiwań Modelujemy populację jak gdyby była zbiorem realizacji zmiennej losowej o niezmiennym rozkładzie, zwanym rozkładem próbkowania Założenie upraszczające – zajmujemy się wartością oczekiwaną i wariancją zmiennej losowej generującej populację Dodatkowe uproszczenie – badamy wartości oczekiwane wartości oczekiwanej i wariancji

Algorytm ewolucyjny w stanie równowagi

Algorytm ewolucyjny w stanie równowagi

Algorytm ewolucyjny w stanie równowagi

Model “populacji nieskończonej” Liczebność populacji dąży do nieskończoności Dystrybuanta empiryczna populacji dąży do dystrybuanty rozkładu próbkowania

Model “populacji nieskończonej”

Model “populacji nieskończonej” – mutacyjny AE gęstość p-stwa rozkładu próbkowania gęstość p-stwa rozkładu po reprodukcji gęstość p-stwa rozkładu po reprodukcji i mutacji Zapis wartości oczekiwanej i wariancji 𝑓 𝑃 𝑡 𝑓 𝑅 𝑡 𝑓 𝑃 𝑡+1 = 𝑓 𝑅 𝑡 ∗ 𝑓 𝑀 '*' oznacza splot 𝑚 𝑃 𝑡+1 = 𝑚 𝑅 𝑡 𝑣 𝑃 𝑡+1 = 𝑣 𝑅 𝑡 + 𝑣 𝑚

Model “populacji nieskończonej” – rozkład punktów po reprodukcji 𝑚 𝑅 𝑡 = 𝑚 𝑃 𝑡 𝑣 𝑞 + 𝑚 𝑞 𝑣 𝑃 𝑡 𝑣 𝑞 + 𝑣 𝑃 𝑡 𝑣 𝑅 𝑡 = 𝑣 𝑞 𝑣 𝑃 𝑡 𝑣 𝑞 + 𝑣 𝑃 𝑡

Model “populacji nieskończonej” – rozkład punktów po reprodukcji 𝑣 𝑅 𝑡 =γ 𝑠 𝑣 𝑃 𝑡 γ 𝑠 = −∞ 0 4s π 𝑦 2 1+𝑒𝑟𝑓 𝑦 𝑠−1 exp − 𝑦 2 𝑑𝑦 γ 2 =1− 2 π

Model “populacji nieskończonej” – rozkład punktów po reprodukcji 𝑣 𝑅 𝑡 = 1− 2α θ θ 𝑣 𝑃 𝑡 α θ =𝑄 θ+1 2 𝑔 𝑄 θ+1 2

Model “populacji nieskończonej” – dynamika zmian środka populacji 𝑚 𝑅 𝑡 = 𝑚 𝑃 𝑡 𝑣 𝑞 + 𝑚 𝑞 𝑣 𝑃 𝑡 𝑣 𝑞 + 𝑣 𝑃 𝑡 𝑣 𝑅 𝑡 = 𝑣 𝑞 𝑣 𝑃 𝑡 𝑣 𝑞 + 𝑣 𝑃 𝑡

Model “populacji nieskończonej” – dynamika zmian różnorodności 𝑚 𝑅 𝑡 = 𝑚 𝑃 𝑡 𝑣 𝑞 + 𝑚 𝑞 𝑣 𝑃 𝑡 𝑣 𝑞 + 𝑣 𝑃 𝑡 𝑣 𝑅 𝑡 = 𝑣 𝑞 𝑣 𝑃 𝑡 𝑣 𝑞 + 𝑣 𝑃 𝑡

Model “populacji nieskończonej” – równowagowa różnorodność Równanie ewolucji wariancji populacji Równanie zbieżne dla Zatem równowagowa wariancja opisana jako 𝑣 𝑃 𝑡+1 = 𝑣 𝑅 𝑡 + 𝑣 𝑚 =𝐴 𝑣 𝑃 𝑡 + 𝑣 𝑚 𝑣 𝑃 𝑡+1 = 𝑣 𝑃 𝑡 = 𝑣 ∞ 𝑣 𝑃 ∞ = 𝑣 𝑚 1−𝐴

Model “populacji nieskończonej” – równowagowa różnorodność Reprodukcja turniejowa (s=2) Reprodukcja proporcjonalna Reprodukcja progowa 𝑣 𝑅 𝑡 = 1− 2 π 𝑣 𝑃 𝑡 𝑣 𝑃 ∞ = π 2 𝑣 𝑚 𝑣 𝑅 𝑡 = 𝑣 𝑞 𝑣 𝑃 𝑡 𝑣 𝑞 + 𝑣 𝑃 𝑡 𝑣 𝑃 ∞ = 1+ 1+4 𝑣 𝑞 𝑣 𝑚 2 𝑣 𝑚 𝑣 𝑅 𝑡 = 1− 2α θ θ 𝑣 𝑃 𝑡 𝑣 𝑃 ∞ = θ 2α θ 𝑣 𝑚 α θ =𝑄 θ+1 2 𝑔 𝑄 θ+1 2

Przejście między modelami prognozy zróżnicowania Jakość rodziców i potomków niezależna γ= 𝑠 2 𝑃 𝑡 − 𝑣 𝑃 ∞ 𝑣 𝑃 𝑒𝑥𝑝𝑙𝑜𝑟𝑒 − 𝑣 𝑃 ∞ Model populacji nieskończonej

Przejście między modelami prognozy zróżnicowania

Eksploracja i eksploatacja Poszukiwanie “najbardziej obiecującej górki” Poszukiwanie “szczytu górki” Różnorodność populacji

Eksploracja i eksploatacja Poszukiwanie “najbardziej obiecującej górki” Poszukiwanie “szczytu górki” Presja selekcyjna Selektywny nacisk θ=0.5 θ=0.1 θ=0.03 𝑣 𝑅 𝑡 = 1− 2α θ θ 𝑣 𝑃 𝑡

Eksploracja i eksploatacja Metody sterowania presją selekcji Reprodukcja progowa – wartość Reprodukcja turniejowa – wielkość szranek s Reprodukcja proporcjonalna – modyfikacja wartości funkcji celu (fitness scaling) θ

Eksploracja i eksploatacja Poszukiwanie “najbardziej obiecującej górki” Poszukiwanie “szczytu górki” Presja selekcyjna Selektywny nacisk θ=0.5 θ=0.1 θ=0.03