|
В МГА тип операторов сг и ш не так критичен к форме области поиска (ландшафту) оптимизируемой функции, поскольку обмен между хромосомами разных популяций вносит большее генетическое разнообразие, чем локальные изменения хромосом в одной популяции. Однако выявленная в ГА тенденция влияния определенных типов генетических операторов сг и m на качество Fit сохраняется; для сложных функций наиболее предпочтительным является использование рекомбинации и инверсии, для одноэкстремальных одноточечных или двухточечных кроссинговеров pi генной мутации. Таким образом, проведенные эксперименты позволили определить взаимосвязь сложности оптимизируемой функции и видов генетических операторов кроссинговера и мутации, использование которых приводит к лучшей сходимости ГА. 2.10. Исследование комбинированных алгоритмов обучения на основе ГА Основываясь на полученных в предыдущем разделе экспериментальных результатах, можно предположить, что генетический алгоритм будет наиболее эффективной процедурой на первоначальном этапе поиска решения, на котором определяется область существования глобального экстремума (лучшая хромосома). Второй этап поиска будет связан с уточнением минимума на основе одного из локальных алгоритмов оптимизации, т.е. после завершения работы ГА проводится запуск локального алгоритма оптимизации [54, 57]. Использование двухэталного алгоритма оптимизации в процедуреобучения нейронной сети позволит одновременно решить две задачи: повысить скорость сходимости* алгоритма-за счет свойств^ генетического алгоритма, исследовать все поисковое пространство целиком, и повысить точность* нахождения экстремума за счет использования эффективных методов локальной оптимизации [51, 55]. Такую процедуру назовем последовательной. Результаты сравнительного анализа работы двух алгоритмов ГА (стандартного ГА) и |
ми генов в хромосомах позволяет быстро перейти в другие области поиска, а для определения глобального экстремума, например, в F4, F6 и F7 больше внимания необходимо уделять именно вопросу поиска возможной области существования экстремума. Оператор хромосомной мутациитранслокация может быть полезен так же, как и генная мутация, при оптимизации одноэкстремальных функций, поскольку образует изохромосому, незначительно отличающуюся от родительской. Таким образом, для быстрой локализации одного оптимального решения необходимо использовать генную мутацию или транслокацию, а для определения нескольких или всех глобальных решений инверсию. 4. Использование многопопуляционного алгоритма (МГА) во всех экспериментах приводит к повышению значений функции качества. Например, для МГА при k=3 Fit увеличивается примерно в 2 раза (при увеличении числа вычислений в 3 раза по сравнению с ГА), а при к=10 Fit увеличивается в 8 и более раз для функций FI, F5, F6 (число вычислений функции более 10 000), однако для сложной функции F7 увеличение числа одновременно развивающихся популяций не приводит к существенному улучшению Fit. Это связано с существованием для этой функции большого числа локальных экстремумов 5. В МГА тип операторов сг и т не так критичен к форме области поиска (ландшафту) оптимизируемой функции, поскольку обмен между хромосомами разных популяций вносит большее генетическое разнообразие, чем локальные изменения хромосом в одной популяции. Однако выявленная в ГА тенденция влияния определенных типов генетических операторов сг и т на 16S качество Fit сохраняется: для сложных функций наиболее предпочтительным является использование рекомбинации и инверсии, для одноэкстремальных одноточечных или двухточечных кроссинговеров и генной мутации. Таким образом, проведенные эксперименты позволили определить взаимосвязь сложности оптимизируемой функции и видов генетических операторов кроссинговера и мутации, использование которых приводит к лучшей сходимости ГА. Несмотря на то, что многопопуляционный МГА значительно повышает вероятность нахождения глобального экстремума, вычислительная сложность алгоритма также высока, что, в свою очередь, приводит к снижению скорости сходимости алгоритма. Поэтому реализация МГА целесообразна в распределенных системах, обеспечивающих параллельное и совместное использование вычислительных ресурсов. Эти проблемы рассматриваются в главе 6 . 3.2.2. Разработка и исследование двухэтапного алгоритма оптимизации на основе генетического алгоритма Основываясь на полученных в предыдущем разделе экспериментальных результатах, можно предположить, что генетический алгоритм будет наиболее эффективной процедурой на первоначальном этапе поиска решения, на котором определяется область существования глобального экстремума. Второй этап поиска будет связан с уточнением минимума на основе локального алгоритма оптимизации [137]. По сравнению со схемой рис. 3.1 в двухэтапном алгоритме оптимизации после завершения работы ГА проводится запуск локального алгоритма опти166 позволяет повысить точность нахождения экстремума как для одноэкстремальных, так и для экстремальных функций. Использование двухэтапного алгоритма оптимизации в процедуре обучения нейронной сети позволит одновременно решить две задачи: повысить скорость сходимости алгоритма за счет свойств генетического алгоритма исследовать все поисковое пространство целиком и точность нахождения экстремума за счет использования эффективных методов локальной оптимизации. 3.2.3. Построение генетического алгоритма с помощью генетического алгоритма Во многих случаях решения задач оптимизации предсказать поведение сложных многопараметрических и многоэкстремальных функций практически невозможно, поэтому проведенные исследования лишь в общем позволяют определить тенденцию влияния различных генетических операторов на эффективность ГЛ. При создании алгоритмов обработки информации на основе ГА необходимо в каждом конкретном случае обеспечить автоматический подбор таких параметров алгоритма, которые обеспечивают его наибольшую эффективность. Поставленная задача решается в разработанном Конструкторе ГА. Работу алгоритма выбора параметров ГА будем рассматривать на примере оптимизации функций с одним локальным экстремумом (/П-функции Розенброка) и с многими экстремумами (/<7-функции Растригина). Алгоритм выбора генетических операторов относится к алгоритму комбинаторной оп168 |