Проверяемый текст
Комарцова, Людмила Георгиевна; Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений (Диссертация 2003)
[стр. 92]

3.
РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ НС МОДЕЛЕЙ В ИИТ 3.1.
Разработка метагенетического 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 ГА.
При создании алгоритмов обработки информации на основе ГА необходимо в каждом конкретном случае обеспечить автоматический подбор таких параметров алгоритма, которые обеспечивают его наибольшую эффективность
[29, 86].
Работу алгоритма выбора параметров ГА будем рассматривать на примере оптимизации функций с одним локальным экстремумом (П -функции Розенброка) и с многими экстремумами
(Г7-функции Растригина).
Алгоритм выбора генетических операторов относится к алгоритму комбинаторной
оптимизации и разрабатывается на основе двухэтапного ГА.
На первом этапе (внешний ГА) определяются искомые операторы и, возможно, другие параметры, например, размер популяции, процент скрещивания и мутации и т.д.
Тип оператора Тип оператоТип оператоТип операРазмер попускрещивания ра мутации ра селекции тора отбора ляции Рис.
3.1 Представление хромосомы для внешнего ГА В качестве генов в хромосоме внешнего ГА будем использовать поля, представленные на рис.
3.1.
На второй ступени (внутренний ГА) определяется наилучшее приближение к экстремуму для каждой'хромосомы внешнего ГА.
Х\
Рис.
3.2 Представление хромосомы для внутреннего ГА
[стр. 169]

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

[стр.,170]

тимизации и разрабатывается на основе двухэапного ГА.
На первом этапе (внешний ГА) определяются искомые операторы и, возможно, другие параметры, например, размер популяции, процент скрещивания и мутации и т.д.
Тип оператора Тип оператоТип оператоТип операРазмер попускрещивания ра мутации ра селекции тора отбора ляции Рис.
3.15 Представление хромосомы для внешнего ГА В качестве генов в хромосоме внешнего ГА будем использовать поля, представленные на рис.
3.15.
На второй ступени (внутренний ГА) определяется наилучшее приближение к экстремуму для каждой хромосомы внешнего ГА.
Хромосома
внутреннего ГА задается рис.
3.16, на котором Х\,Х2 , ..., дгппараметры оптимизируемой функции.
*1 *2 • • • Хп Рис.
3.16 Представление хромосомы для внутреннего ГА Критерием останова алгоритма является выполнение заданного пользователем числа итераций внешнего ГА, при этом выбирается лучшая из всех популяций хромосома, определяющая искомые параметры ГА.
Для каждой итерации внешнего ГА реализуется определенное число итераций (поколений) внутреннего ГА.
Предложенный алгоритм записывается следующим образом Шаг 1.
Генерация потенциальных решений для внешнего алгоритма: задание пользователем вариантов реализации параметров внутреннего ГА: видов оператора кроссинговера, мутации, селекции, отбора, числа популяций и 169

[Back]