Algorytmy genetyczne.

Prezentacja na temat: "Algorytmy genetyczne."— Zapis prezentacji:

1 Algorytmy genetyczne

2 Założenia Milestone 2 Docelowy wygląd interfejsu użytkownika, możliwość ustalania wszelkich parametrów z GUI, możliwe małe braki w funkcjonalności (zapewnione min. 80% funkcjonalności) Zaimplementowane API dla zewnętrznych problemów

3 Założenia Milestone 2 Implementacja algorytmów wielobitowych (krzyżowanie, mutacje, geny recesywne Zaawansowane algorytmy selekcji (mieszanie chromosomów, uciekanie z minimów lokalnych)

4 Założenia Milestone 2 Implementacja ok. 25% problemów prezentacyjnych wraz z wizualizacją (np. plansza z narysowaną trasą komiwojażera, itp.) Testowanie algorytmów, poszukiwanie najbardziej optymalnych ustawień programu

5 Problemy r

6 Wygląd GUI

7 Zaimplementowane API dla zewnętrznych problemów
Posiadanie funkcjonalności dzięki której tworzenie kolejnych przypadków użycia algorytmu genetycznego jest nad wyraz proste

8 Implementacja algorytmów
Zaimpementowanie algrytmów genetycznych które wykorzystują krzyżowania, mutacje oraz możliwość włączenie genów recesywnych

9 Zaawansowane algorytmy selekcji
Implementacja w interfejsie algorytmu możlwiości rozwiązywania problemu dotyczącego minimum lokalnego Elita Ruletka Ranking

10 Rozwiązania problemów
Problem komiwojażera

11 Problem komwojażera Problem komiwojażera (TSP - ang. traveling salesman problem) jest to zagadnienie z teorii grafów, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym. Nazwa pochodzi od typowej ilustracji problemu, przedstawiającej go z punktu widzenia wędrownego sprzedawcy (komiwojażera): dane jest n miast, które komiwojażer ma odwiedzić, oraz odległość pomiędzy każdą parą miast. Należy znaleźć najkrótszą trasę wychodzącą np. z Kutna i przechodzącą jednokrotnie przez wszystkie pozostałe miasta i wracającą do Kutna. Problem ten jest NP trudnym.

12 Problem komwojażera cd..
Rozwiązywanie tego problemu metodą matematyczną wymaga wielkich nakładów mocy obliczeniowej, a także czas samych obliczeń jest bardzo długi. Już przy 20 miastach, liczba możliwych rozwiązań wynosi 19!/2 czyli około Dlatego najefektywniejszym rozwiązaniem tego problemu jest użycie algorytmu genetycznego oraz samej idei ewolucji. Osobniki nowopowstałe poddawane są testowi na długość ścieżki liczonej, w naszym przypadku, liczone wg wzorów euklidesowych, ta wartość jest brana jako główne kryterium tworzenia kolejnego pokolenia.