Wstep do sieci neuronowych, wykład 15 Algorytmy genetyczne
Transkrypt
Wstep do sieci neuronowych, wykład 15 Algorytmy genetyczne
Wst¦p do sieci neuronowych, wykªad 15 Algorytmy genetyczne M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2011-25-01 M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Motywacja Algorytmy genetyczne powstaªy w wyniku bada« prowadzonych w latach 1956-1960 przez biologów Barricelliego i Frasera, po±wi¦conych symulacji procesów genetycznych. Ich idea opiera si¦ na takich naturalnych procesach jak dziedziczenie, dobór naturalny oraz walka o prze»ycie. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Zastosowania Algorytmy genetyczne maj¡ szerokie zastosowanie w rozwi¡zywaniu problemów optymalizacyjnych. W roku 1971 powstaªa pierwsza praca autorstwa J. Hollanda badaj¡ca skuteczno±¢ algorytmów genetycznych do maksymalizacji/minimalizacji funkcji. Algorytmy genetyczne byªy z powodzeniem stosowane w zadaniach optymalizacji, takich jak wytyczanie trasy poª¡cze« kablowych, rozgrywanie gier, zadanie transportowe, zadanie komiwoja»era, sterowanie optymalne, optymalizacja obsªugi zapyta« w bazach danych. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Zastasowania Bardzo ciekawym przykªadem pot¦gi algorytmów genetycznych byªo zaprojektowanie tzw. crooked wire genetic antennas, czyli optymalnego ksztaªtu anteny nadaj¡cej równomiernie we wszystkich kierunkach ponad krzywizn¡ ziemi. W przeciwie«stwie do przewidywa«, symetryczne anteny o geometrycznych ksztaªtach nie rozwi¡zywaªy tego problemu optymalnie. Dopiero algorytm genetyczny znalazª optymalne rozwi¡zanie, którym okazaªa si¦ ±mieszna pl¡tanina drutów. Co wi¦cej, znacz¡ce jest to, »e genetyczny algorytm wyszukaª j¡ w±ród innych, podobnie fantazyjnie poskr¦canych anten, z których wi¦kszo±¢ jednak nie pracowaªa wªa±ciwie. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Podstawowe elementy Przed zaimplementowaniem algorytmu genetycznego, programista musi zdeniowa¢ pi¦¢ podstawowych elementów, od których w du»ym stopniu zale»y efektywno±¢ programu. Elementy te to: odpowiednia reprezentacja danych, stanowi¡cych potencjalne rozwi¡zania zadania sposób tworzenia pocz¡tkowej populacji mo»liwych rozwi¡za« funkcja oceniaj¡ca, która gra rol¦ ±rodowiska i ocenia rozwi¡zania wedªug ich dopasowania podstawowe operatory, które wpªywaj¡ na skªad populacji potomnej warto±ci ró»nych parametrów u»ywanych w algorytmie genetycznym (rozmiar populacji, prawdopodobie«stwo u»ycia operatorów genetycznych itp.) M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Reprezentacja danych Jeden ci¡g binarny jest odpowiednikiem jednego chromosomu. Genotyp to inaczej zespóª chromosomów danego osobnika. Osobnika w populacji mo»e tworzy¢ zarówno genotyp jak i pojedynczy chromosom. Zbiór osobników, tworzy populacj¦. W danej populacji ka»dy ci¡g binarny ma tak¡ sam¡ dªugo±¢ L. Jeden znak w ci¡gu binarnym jest odpowiednikiem genu w chromosomie, warto±ci jakie mo»e przyjmowa¢ ten znak czyli 0 lub 1 to allele, a poªo»enie znaku w ci¡gu to locus. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Reprezentacja danych W wyniku dziaªania algorytmu genetycznego w ka»dej iteracji powstaje nowy zbiór osobników, czyli nowe pokolenie. Ka»da kolejna iteracja to generacja. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Populacja pocz¡tkowa Kolejne bity dla ci¡gu dªugo±ci L wybierane s¡ w sposób losowy. Tworzy si¦ tyle osobników ile wynosi rozmiar populacji. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Funkcja celu ψ : chromosomy −→ <. Im wy»sza warto±¢ tej funkcji dla danego argumentu, tym dany osobnik jest bli»szy rozwi¡zaniu optymalnemu. Szukaj¡c analogii w naturze mo»emy powiedzie¢, »e dla danego osobnika funkcja ta gra rol¦ ±rodowiska oceniaj¡c potencjalne rozwi¡zania wedªug ich dopasowania. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Operatory Operatory dzielimy na dwuargumentowe i jednoargumentowe. Operatorem dwuargumentowym jest operacja krzy»owania. Jej celem jest wymiana materiaªu genetycznego mi¦dzy dwoma osobnikami populacji. W jej wyniku powstaj¡ dwa nowe osobniki potomne. Proces krzy»owania mo»na podzieli¢ na poszczególne etapy: wybranie punktu krzy»owania poprzez losowanie liczby naturalnej l z przedziaªu [0, L − 1] rozerwanie dwóch ci¡gów binarnych b¦d¡cych rodzicami w miejscu l tworzenie potomków poprzez wymian¦ podci¡gów binarnych mi¦dzy rodzicami M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Operatory Rysunek: Przed krzy»owaniem. Rysunek: Po krzy»owanu. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Operatory Operatorem jednoargumentowym jest mutacja. Jej celem jest zwi¦kszenie obszaru poszukiwa« algorytmu genetycznego i nie dopuszczenie do odrzucenia potencjalnie obiecuj¡cego materiaªu genetycznego. Dokonuje si¦ jej na osobnikach potomnych zaraz po operacji krzy»owania. Dla ka»dego genu w chromosomach potomków z prawdopodobie«stwem mutacji pm (np. pm = 0, 01), dokonujemy zamiany warto±ci genu w chromosomie na przeciwn¡ (1 0 → 1). M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 → 0, Operatory M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Warto±ci parametrów Warto±ci, jakie przypiszemy poszczególnym parametrom, mog¡ mie¢ du»y wpªyw na dziaªanie programu. Parametry, dla których musimy okre±li¢ warto±ci, to prawdopodobie«stwo mutacji, dªugo±¢ genu w chromosomie, rozmiar populacji. Czasem okre±la si¦, po której iteracji program si¦ zatrzyma, pod warunkiem, »e wcze±niej nie wyst¡pi inny warunek stopu. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Funkcja przystosowania Funkcja przystosowania ϕ : chromosomy −→ <+ ocenia ka»de ϕ dla danego mo»liwe rozwi¡zanie. Im wy»sza warto±¢ funkcji chromosomu, tym jest on bli»szy rozwi¡zaniu optymalnemu. Funkcje przystosowania uzyskuje si¦ z przeksztaªcenia funkcji celu ψ : chromosomy −→ <, która podlega maksymalizacji. Je±li ψ przyjmuje tylko warto±ci dodatnie, to: ϕ(x ) = ψ(x ) gdzie x ∈ chromosomy . Mo»na równie» przej±¢ z ψ w ϕ za pomoc¡ przeksztaªcenie liniowego: ϕ(x ) = ψ(x ) + c gdzie x ∈ chromosomy , c jest staª¡ wi¦ksz¡ od liczby przeciwnej do minimum globalnego funkcji ψ. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Selekcja Selekcja jest to sposób wyboru osobników z bie»¡cej populacji, tworz¡cej populacj¦ rodzicielsk¡, na których nast¦pnie wykonywane s¡ takie operacje jak mutacja, krzy»owanie w celu uzyskania nast¦pnego pokolenia. W klasycznym algorytmie genetycznym selekcja jest wykonywana za pomoc¡ metody koªo ruletki . M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Koªo ruletki W metodzie koªa ruletki rodzice wybierani s¡ z prawdopodobie«stwem proporcjonalnym do ich funkcji przystosowania. Je»eli przystosowanie oznaczymy przez ϕi , i -tego osobnika to prawdopodobie«stwo jego wybrania jest równe: pi = gdzie Φ ϕi Φ oznacza sum¦ przystosowa« wszystkich osobników w populacji. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Algorytm Na klasyczny algorytm genetyczny skªadaj¡ sie poszczególne kroki: 1 Inicjalizacja, czyli wybór pocz¡tkowej populacji. 2 Ocena przystosowania chromosomów w populacji, czyli obliczenie warto±ci funkcji ϕ : chromosomy −→ <+ dla ka»dego chromosomu w populacji. 3 Sprawdzenie warunku zatrzymania. Mo»e on wyst¡pi¢ w trzech sytuacjach: gdy uzyskamy »¡dan¡ warto±¢ optymaln¡ lub z okre±lon¡ dokªadno±ci¡ dalsze dziaªanie algorytmu nie poprawia uzyskanej ju» najlepszej warto±ci na algorytm naªo»one jest ograniczenie czasowe lub wykonamy z góry zaªo»on¡ ilo±¢ iteracji M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Algorytm 4 Selekcja chromosomów, czyli wybór osobników bior¡cych udziaª w tworzeniu potomków nast¦pnego pokolenia. Im osobnik ma wy»sz¡ warto±¢ dla funkcji przystosowania, tym wi¦ksza szansa, »e zostanie on wylosowany. 5 Zastosowanie operatorów genetycznych. Tworzymy now¡ populacj¦ krzy»uj¡c parami osobniki wyselekcjonowane w poprzednim punkcie, a nast¦pnie stosujemy operator mutacji na potomkach. 6 Utworzenie nowej populacji. Stanowi¡ j¡ chromosomy otrzymane w punkcie 5. 7 Powrót do punktu 2. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Selekcja metoda elitarna dwukrokowa odmiana podstawowej metody selekcji, w pierwszym kroku dokonujemy tradycyjnej selekcji, a w drugim uzupeªniamy populacj¦ potomków o osobniki najlepiej przystosowane w populacji rodziców. Jej celem jest ochrona najlepiej przystosowanych chromosomów w kolejnych iteracjach (w klasycznym algorytmie osobniki najlepiej przystosowane nie zawsze wchodz¡ do nast¦pnej generacji). M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Selekcja metoda porz¡dkowa sortujemy populacj¦ ze wzgl¦du na warto±ci funkcji przystosowania, prawdopodobie«stwo doboru uzale»nione jest od liczby porz¡dkowej w populacji. metoda turniejowa z populacji o rozmiarze N wybiera si¦ N razy po k osobników, z ka»dej grupy selekcj¦ przechodzi najlepszy. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Problem Dwóch zamieszanych w du»e przest¦pstwo przest¦pców zªapano za maªe przewinienie. Policja wie, »e s¡ winni, lecz nie ma dowodów. Je±li: b¦d¡ wspóªpracowa¢ ze sob¡ (nie b¦d¡ zeznawa¢ przeciwko sobie), odsiedz¡ niewielk¡ kar¦ za maªe przewinienie, jeden zerwie wspóªprac¦ i b¦dzie zeznawaª, a drugi nie, pierwszy zostanie uwolniony, drugi natomiast pójdzie siedzie¢ za powa»ne przest¦pstwo, obaj b¦d¡ zeznawa¢ - obaj pójd¡ siedzie¢, przy czym wyrok b¦dzie z tego wzgl¦du nieco zªagodzony. Problem jest nast¦puj¡cy: niezale»nie od post¦powania drugiego, opªaca si¦ zeznawa¢. Je±li natomiast »adna ze stron nie b¦dzie zeznawa¢, wynik b¦dzie o wiele lepszy dla obu graczy. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Dylemat wi¦¹nia jako gra Dylemat wi¦¹nia mo»na traktowa¢ jako dwuosobow¡ gr¦. W kolejnych etapach gry ka»dy gracz, albo zdradza albo wspóªpracuje z drugim. W zale»no±ci od konguracji rozgrywki graczom przyznawane s¡ punkty. Gracz 1 Gracz 2 Punkty Punkty Konguracja gracza 1 gracza 2 rozgrywki Zdrada Zdrada 1 1 0 Zdrada Wspóªpraca 5 0 1 Wspóªpraca Zdrada 0 5 2 Wspóªpraca Wspóªpraca 3 3 3 Tablica: Ocena poszczególnych graczy w zale»no±ci od konguracji rozgrywki. Dodatkowo z ka»dym ukªadem post¦powania obu graczy zwi¡zana jest liczba k ∈ {0, 1, 2, 3}. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Reprezentacja strategii Tworzymy populacj¦ graczy. Ka»dy z nich ma swoj¡ strategi¦ oraz histori¦ kilku poprzednich gier - z pocz¡tku obie te cechy s¡ losowe. Zakªadamy, »e do wyboru ka»dego nast¦pnego ruchu b¦dziemy brali pod uwag¦ trzy ostatnie ruchy przeciwnika. Poniewa» s¡ cztery mo»liwe przebiegi ka»dej gry oraz bierzemy pod uwag¦ trzy ostatnie gry, to do opisania strategii jednego osobnika potrzebujemy 4 3 = 64 bitów. Zdrad¦ b¦dziemy opisywa¢ za pomoc¡ 0 a wspóªprac¦ za pomoc¡ 1. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Reprezentacja strategii ª¡czna konguracja dotychczasowej rozgrywki w trzech ostatnich grach przykªadowe postepowanie gracza w danej sytuacji bit nr 1 bit nr 2 bit nr 3 bit nr 4 bit nr 5 bit nr k bit nr 64 0 1 2 3 0 ... 3 0 0 0 0 1 ... 3 0 0 0 0 0 ... 3 1 1 0 0 0 ... 1 Tablica: Przedstawienie sposobu kodowania strategii osobnika w zale»no±ci od zaistniaªej sytuacji. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Przykªad Zaªó»my, »e tabela opisuje strategi¦ gracza X. Tak wi¦c, je±li gracz X rozgrywa mecz z innym graczem, za± 3 ostatnie gry mo»na opisa¢ za pomoc¡ trójki (3,0,0) (w pierwszej grze wi¦¹niowie wspóªpracowali, a wszystkie pozostaªe decyzje obu stron byªy zdrad¡) to decyduje si¦ on na zdrad¦, poniewa» w swojej strategii na ukªad konguracji w trzech ostatnich grach (3,0,0) ma zdeniowan¡ zdrad¦. Aby móc stosowa¢ strategi¦ na pocz¡tku gry, musimy zada¢ trzy hipotetyczne ruchy, które poprzedziªy rozpocz¦cie gry. To wymaga 6 bitów. W sumie nasz chromosom b¦dzie miaª 64+6 = 70 genów. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Algorytm Axelroda 1 Stwórz pocz¡tkow¡ populacj¦. Ka»demu graczowi przyporz¡dkowuje si¦ losowy ªa«cuch 70-bitowy reprezentuj¡cy strategi¦. 2 Ka»dy gracz u»ywa strategii zapisanej w swoim chromosomie do rozegrania gier z pozostaªymi graczami. Wynik gracza jest ±redni¡ ze wszystkich rozegranych przez niego gier. 3 Wybierani s¡ gracze do rozmna»ania. Najgorsi nie bior¡ udziaªu w rozmna»aniu, ±redni gracze dostaj¡ jednego partnera, natomiast najlepsi dwóch partnerów. 4 W wyniku krzy»owania powstaj¡ potomkowie, których strategia opiera si¦ na strategii rodziców. Dodatkowe zmiany w strategii potomków wprowadzaj¡ mutacje. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Wyniki oblicze« Wyniki, jakie daª program oparty na algorytmie Axelroda, byªy zaskakuj¡ce. Z zupeªnie przypadkowego punktu startowego zostaªa utworzona populacja, której ±redni czªonek reprezentowaª taka strategi¦ jak¡ uzyskiwaªy najlepsze algorytmy heurystyczne. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Motywacja W poªowie XX wieku powstaªy ró»ne o±rodki rozwijaj¡ce algorytmy korzystaj¡ce z idei ewolucji. W miar¦ upªywu czasu, gdy zacz¦to szuka¢ coraz szerszych zastosowa« dla tych algorytmów a co za tym idzie coraz bardziej je modykowa¢, granice mi¦dzy nimi zacz¦ªy si¦ zaciera¢. Algorytmy powstaªe w tym procesie ogólnie nazywamy ewolucyjnymi. Na przykªad w algorytmach genetycznych zacz¦to eksperymentowa¢ z reprezentacjami danych odmiennymi od binarnej. Konsekwencj¡ tego byªa konieczno±¢ zdeniowania nowych operatów mutacji i krzy»owania i inych elementów algorytmów genetycznych. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Cel Mamy dan¡ map¦ dwuwymiarow¡ z wielok¡tnymi przeszkodami oraz robota poruszaj¡cego si¦ po tej mapie. Celem algorytmu jest wyszukanie optymalnej ±cie»ki, po której robot mógªby przemie±ci¢ si¦ z punktu startowego do punktu docelowego. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Etapy algorytmu Proces planowania ±cie»ki mo»na podzieli¢ na dwie zasadnicze cz¦±ci. Planowanie zawczasu - ustala si¦ ±cie»k¦, po której robot b¦dzie si¦ poruszaª. W tym etapie zakªadamy, »e ±rodowisko jest dokªadnie znane i nie zmieni si¦. Planowanie na bie»¡co - robot porusza si¦ po ±cie»ce wyznaczonej w pierwszej fazie i w sytuacji kolizji z nieznanym wcze±niej obiektem zmienia drog¦, tak by jak najoptymalniej omin¡¢ przeszkod¦. Planowanie obu etapów odbywa si¦ za pomoc¡ tego samego algorytmu ewolucyjnego, tylko z innymi parametrami. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Reprezentacja ±cie»ki cie»ki s¡ reprezentowane za pomoc¡ ci¡gu punktów (m1 , m2 , ..., mn ), zwanych w¦zªami, o wspóªrz¦dnych x i y, oraz znacznika informuj¡cego czy w¦zeª jest dopuszczalny czy nie. Robot porusza si¦ z punktu do punktu po linii prostej. W¦zeª niedoposzczalny jest to w¦zeª, którego nie mo»na poª¡czy¢ z nast¦pnym, z powodu wyst¦puj¡cej po drodze przeszkody. cie»ka p = (m1 , m2 , ..., mn ) jest dopuszczalna, je±li wszystkie w¦zªy w niej s¡ dopuszczalne, natomiast niedopuszczalna, je±li przynajmniej jeden w¦zeª jest niedopuszczalny. Pierwszym w¦zªem na li±cie jest punkt startowy, ostatnim w¦zeª docelowy. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Reprezentacja ±cie»ki Proces nawigacji (kierowania) ko«czy si¦, kiedy robot osi¡ga punkt docelowy lub nie mo»e znale¹¢ rozwi¡zania w okre±lonym przedziale czasowym. Dªugo±¢ chromosomu reprezentuj¡cego ±cie»k¦ jest zmienna, na wst¦pie dziaªania algorytmu jest równa ilo±ci przeszkód. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Funkcja kosztu dla dopuszczalnej drogi U»ywamy ró»nych funkcji kosztu dla dopuszczalnej i niedopuszczalnej drogi. Koszt caªej trasy chromosomu p = (m1 , m2 , ..., mn ) dopuszczalnej drogi: ϕ(p ) = wd dist (p ) + ws smooth(p ) + wc clear (p ) gdzie wd , ws , wc staªe dist (p ) caªkowita dugo±¢ drogi smooth(p ) maksymalna niegªadko±¢ clear (p ) rozmiar najgorszej kolizji M. Czoków, J. Piersa drogi WSN 2010/2011 Wykªad 15 dla Caªkowita dugo±¢ drogi dist (p ) = n−1 X d (mi , mi +1 ) i =1 gdzie d (mi , mi +1 ) jest odlegªo±ci¡ mi¦dzy w¦zªami mi oraz mi +1 , dist (p ) podaje caªkowit¡ dªugo±¢ drogi p , znaczy funkcja M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 to Maksymalna niegªadko±¢ drogi n −1 smooth(p ) = max s (mi ) i =2 gdzie: s (mi ) = gdzie θi θi min{d (mi −1 , mi ), d (mi , mi +1 )} jest k¡tem pomi¦dzy odcinkami To znaczy funkcja smooth(p ) |mi −1 , mi | oraz |mi , mi +1 |. podaje najwi¦ksz¡ niegªadko±¢ w¦¹le. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 p w Rozmiar najgorszej kolizji n−1 clear (p ) = max ci i =1 gdzie: ( τ − di , ci = 0, gdzie τ to promie« robota, di je»eli di ≤ τ w odwrotnym przypadku odlegªo±¢ odcinka [mi , mi +1 ] najbli»szej przeszkody. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 od Koszt dla niedopuszczalnej drogi Koszt caªej trasy chromosomu p = (m1 , m2 , ..., mn ) dla niedopuszczalnej drogi: ϕ(p ) = α + β + γ gdzie α to ilo±¢ uderze« p w przeszkod¦, w odcinku niedopszczalnym, a γ β jest ±redni¡ liczba zderze« to koszt najgorszej dopuszczalnej drogi w bie»¡cej populacji, dzi¦ki γ wszystkie dopuszczalne ±cie»ki maj¡ lepsze przystosowanie od niedopuszczalnej. M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Krzy»owanie operator krzy»owania - dwa wybrane chromosomy rozdziela si¦ w pewnym miejscu i ª¡czy ze sob¡: pierwsz¡ cz¦±¢ pierwszego chromosomu z drug¡ cz¦±ci¡ drugiego chromosomu, a pierwsza cz¦±¢ drugiego chromosomu z drug¡ cz¦±ci¡ pierwszego chromosomu, punkt ci¦cia wybiera si¦ po w¦¹le niedopuszczalnym jednego z chromosomów M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Mutacje przesuwanie - polega na przesuni¦ciu w¦zªa w przestrzeni, w¦zeª mo»e zosta¢ przesuni¦ty: lokalnie - przesuni¦cie wykonuje si¦ wedªug rozkªadu normalnego, celem tej mutacji jest wygªadzenie drogi globalne - przesuwa si¦ w¦zeª do losowego punktu w przestrzeni, mutacja ta jest u»yteczna w przypadkach, gdy jest potrzebna wi¦ksza zmiana geometrii ±cie»ki (na przykªad w czasie planowania zawczasu, gdy przeszkoda blokuje nam drog¦) wstawianie - wstawia si¦ w¦zeª pomi¦dzy dowolne dwa losowe w¦zªy usuwanie - usuwa si¦ dowolny w¦zeª wymiana - zmienia si¦ kolejno±¢ losowo wybranych w¦zªów lub kawaªków chromosomów M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15 Mutacje optymalizacja - odcina si¦ ostre k¡ty M. Czoków, J. Piersa WSN 2010/2011 Wykªad 15