SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA MODUŁ PIĄTY : ALGORYTMY EWOLUCYJNE 28. Algorytmy Ewolucyjne – pojęcie, strategie działania, podstawowe nurty rozwiązań. 29. Cztery podstawowe założenia idei Algorytmów Genetycznych. 30. Podstawowe kroki typowego Algorytmu Genetycznego. 31. Strategie Ewolucyjne - istota i zastosowania. 32. Inteligentne Programowanie Ewolucyjne.

28. Algorytmy Ewolucyjne – pojęcie, strategie działania, podstawowe nurty rozwiązań. Algorytm ewolucyjny jest adaptacyjną procedurą poszukiwania rozwiązania dla zagadnień optymalizacyjnych, funkcjonującą w zakodowanej przestrzeni rozwiązań i wykorzystującą procesy losowe do określenia kierunku przeszukiwania . Zbiór parametrów zadania optymalizacyjnego zakodowany jest w postaci skończonego ciągu znaków, z pewnego skończonego alfabetu i nazywany jest osobnikiem lub chromozomem Idea algorytmu ewolucyjnego polega na znalezieniu takiego zestawu parametrów, który maksymalizuje tzw. funkcję dopasowania. Jest to funkcja wartościująca warianty rozwiązania ze względu na lepsze lub gorsze rozwiązywanie problemu. Oszacowanie funkcji dopasowania może dokonać się na drodze heurystycznej; nie musi ona być zdefiniowana matematycznie. Proces przeszukiwania realizowany jest iteracyjnie, jednocześnie dla wielu ciągów znaków (zwanych populacją osobników) reprezentujących pojedyncze rozwiązania.

28 (c.d.) Algorytmy Ewolucyjne – pojęcie, strategie działania, podstawowe nurty rozwiązań. Trzy podstawowe nurty w zakresie algorytmów ewolucyjnych dotyczą: algorytmów genetycznych, strategii ewolucyjnych, programowania ewolucyjnego. Strategia algorytmu ewolucyjnego polega na przemieszczaniu się od jednej populacji rozwiązań do kolejnej w sąsiedztwie całej populacji bezpośrednio ją poprzedzającej, zgodnie z pewnymi ustalonymi regułami. Do generowania sąsiedztwa populacji i przeszukiwania go oraz do wybierania nowej generacji algorytm ewolucyjny wykorzystuje operatory genetyczne: selekcji, krzyżowania bądź mutacji. Z punktu widzenia badań operacyjnych algorytmy ewolucyjne, jako kategoria strategii lokalnego poszukiwania, współtworzą klasę tak zwanych metaheurystycznych algorytmów optymalizacyjnych.

29. Cztery podstawowe założenia idei Algorytmów Getycznych. 1.Rozwiązania zakodowane są w postaci łańcuchów binarnych o stałej długości; natomiast populacja rozwiązań zachowuje stałą liczność w całym algorytmie. 2.Krzyżowanie rozwiązań angażuje dwa rozwiązania rodzicielskie, dając w efekcie dwa rozwiązania potomne, w których zachowana jest pozycja bitów. 3.Selekcja rozwiązań wykorzystuje mechanizm koła ruletki; przestrzegana jest przy tym zasada wymiany całej populacji rozwiązań w kolejnych krokach algorytmu. 4.Prawdopodobieństwo mutacji wyraża prawdopodobieństwo zdarzenia, że pozycja bitu w łańcuchu binarnym, reprezentującym zakodowaną postać rozwiązania, w kolejnej populacji, zostanie poddana przekształceniu zmiany wartości.

1. Losowe ustalenie populacji inicjującej algorytm. 30. Podstawowe kroki typowego Algorytmu Genetycznego. 1. Losowe ustalenie populacji inicjującej algorytm. 2. Oszacowanie wartości funkcji przystosowania dla wszystkich chromosomów, po zdekodowaniu ich do formy dogodnej do oszacowania i przydzieleniu wartości funkcji przystosowania (dopasowania). 3. Dokonanie selekcji chromozomów rodzicielskich dla następnej generacji. 4. Powtarzanie operacji: krzyżowania, mutacji, oszacowania wartości funkcji przystosowania, selekcji chromosomów rodzicielskich dla kolejnych generacji, dopóki nie zostanie spełnione kryterium zatrzymania algorytmu.

31. Strategie Ewolucyjne - istota i zastosowania. Strategie ewolucyjne, są stosowane głównie do numerycznej optymalizacji projektów inżynierskich. Strategie ewolucyjne różnią się od algorytmów genetycznych następującymi cechami: - reprodukcja jest dokonywana w sposób deterministyczny, - wprowadzono inną koncepcję mutacji, - parametr charakteryzujący mutację wchodzi w skład chromosomu i podlega również ewolucji, zatem strategia ewolucyjna samoczynnie adaptuje własny parametr wewnętrzny (cechy tej nie ma algorytm genetyczny), -operator krosowania jest operatorem ubocznym i często nie jest wykorzystywany. Są one używane wszędzie tam, gdzie rozwiązanie trudno jest przewidzieć albo gdy funkcja jest trudna do optymalizacji przy użyciu metod klasycznych. Dotyczy to szczególnie złożonych funkcji wielowymiarowych. Zaletą takiego podejścia jest duża uniwersalność, a przy rozwiązywaniu problemu nie wymaga się obecności eksperta.

32. Inteligentne Programowanie Ewolucyjne. Programowanie ewolucyjne jest w swojej idei zbliżone do koncepcji strategii ewolucyjnych. Obejmuje jednak bardziej złożone problemy związane ze sztuczną inteligencją. W programowaniu ewolucyjnym inteligentne zachowanie rozumiane jest jako zdolność przewidywania relacji pomiędzy środowiskiem a działaniem ukierunkowanym na określony cel. Środowisko zostało w idei programowania ewolucyjnego zasymulowane jako sekwencja symboli wziętych ze skończonego alfabetu. Praktyczną reprezentacją tego typu problemów jest model tak zwanego automatu ze skończoną liczbą stanów.