Schematy Johna Hollanda
Transkrypt
Schematy Johna Hollanda
Schematy Johna Hollanda Radosław Czarnecki Uniwersytet Śląski 5 listopada 2008 Radosław Czarnecki Schematy Johna Hollanda John Henry Holland Urodzony w Fort Wayne (USA) w 1929 roku Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems” Radosław Czarnecki Schematy Johna Hollanda John Henry Holland Urodzony w Fort Wayne (USA) w 1929 roku Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems” Radosław Czarnecki Schematy Johna Hollanda John Henry Holland Urodzony w Fort Wayne (USA) w 1929 roku Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems” Radosław Czarnecki Schematy Johna Hollanda John Henry Holland Urodzony w Fort Wayne (USA) w 1929 roku Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems” Radosław Czarnecki Schematy Johna Hollanda John Henry Holland Urodzony w Fort Wayne (USA) w 1929 roku Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems” Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1 Alfabet V ma postać {0,1,*} Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000 Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1 Alfabet V ma postać {0,1,*} Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000 Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1 Alfabet V ma postać {0,1,*} Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000 Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1 Alfabet V ma postać {0,1,*} Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000 Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1 Alfabet V ma postać {0,1,*} Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000 Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Dla łańcuchów o długości m istnieje 3m wszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2m schematów W populacji o liczności n może być reprezentowanych od 2m do n · 2m różnych schematów, w zależności od różnorodności populacji Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Dla łańcuchów o długości m istnieje 3m wszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2m schematów W populacji o liczności n może być reprezentowanych od 2m do n · 2m różnych schematów, w zależności od różnorodności populacji Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Dla łańcuchów o długości m istnieje 3m wszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2m schematów W populacji o liczności n może być reprezentowanych od 2m do n · 2m różnych schematów, w zależności od różnorodności populacji Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Dla łańcuchów o długości m istnieje 3m wszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2m schematów W populacji o liczności n może być reprezentowanych od 2m do n · 2m różnych schematów, w zależności od różnorodności populacji Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu Radosław Czarnecki Schematy Johna Hollanda Pojęcie schematu Dla łańcuchów o długości m istnieje 3m wszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2m schematów W populacji o liczności n może być reprezentowanych od 2m do n · 2m różnych schematów, w zależności od różnorodności populacji Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu Radosław Czarnecki Schematy Johna Hollanda Różne schematy mają różne właściwości. Właściwości schematów 1 2 Rzędem schematu H, który oznaczamy jako o(H), nazywamy liczbę pozycji ustalonych (zer i jedynek) we wzorcu np. o(1 ∗ 10∗) = 3. Rząd określa specyficzność (szczegółowość) schematu Rozpiętością (długością) schematu H, którą oznaczamy jako δ(H), nazywamy odległość między dwoma skrajnymi pozycjami ustalonymi. Schemat 1*10* ma rozpiętość równą 3, gdyż ostatnia pozycja ustalona ma numer 4, a pierwsza numer 1, więc odległość między nimi wynosi 3. Jeśli mamy tylko jedną pozycję ustaloną to rozpiętość schematu wynosi 0 Radosław Czarnecki Schematy Johna Hollanda Różne schematy mają różne właściwości. Właściwości schematów 1 2 Rzędem schematu H, który oznaczamy jako o(H), nazywamy liczbę pozycji ustalonych (zer i jedynek) we wzorcu np. o(1 ∗ 10∗) = 3. Rząd określa specyficzność (szczegółowość) schematu Rozpiętością (długością) schematu H, którą oznaczamy jako δ(H), nazywamy odległość między dwoma skrajnymi pozycjami ustalonymi. Schemat 1*10* ma rozpiętość równą 3, gdyż ostatnia pozycja ustalona ma numer 4, a pierwsza numer 1, więc odległość między nimi wynosi 3. Jeśli mamy tylko jedną pozycję ustaloną to rozpiętość schematu wynosi 0 Radosław Czarnecki Schematy Johna Hollanda Różne schematy mają różne właściwości. Właściwości schematów 1 2 Rzędem schematu H, który oznaczamy jako o(H), nazywamy liczbę pozycji ustalonych (zer i jedynek) we wzorcu np. o(1 ∗ 10∗) = 3. Rząd określa specyficzność (szczegółowość) schematu Rozpiętością (długością) schematu H, którą oznaczamy jako δ(H), nazywamy odległość między dwoma skrajnymi pozycjami ustalonymi. Schemat 1*10* ma rozpiętość równą 3, gdyż ostatnia pozycja ustalona ma numer 4, a pierwsza numer 1, więc odległość między nimi wynosi 3. Jeśli mamy tylko jedną pozycję ustaloną to rozpiętość schematu wynosi 0 Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagacje schematów 1 2 3 m(H, t + 1) = m(H, t) · f (H) f Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t Liczba Pf określa średnie przystosowanie całej populacji w chwilii t, fj 4 5 f = n Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagacje schematów 1 2 3 m(H, t + 1) = m(H, t) · f (H) f Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t Liczba Pf określa średnie przystosowanie całej populacji w chwilii t, fj 4 5 f = n Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagacje schematów 1 2 3 m(H, t + 1) = m(H, t) · f (H) f Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t Liczba Pf określa średnie przystosowanie całej populacji w chwilii t, fj 4 5 f = n Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagacje schematów 1 2 3 m(H, t + 1) = m(H, t) · f (H) f Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t Liczba Pf określa średnie przystosowanie całej populacji w chwilii t, fj 4 5 f = n Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagacje schematów 1 2 3 m(H, t + 1) = m(H, t) · f (H) f Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t Liczba Pf określa średnie przystosowanie całej populacji w chwilii t, fj 4 5 f = n Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagacje schematów 1 2 3 m(H, t + 1) = m(H, t) · f (H) f Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t Liczba Pf określa średnie przystosowanie całej populacji w chwilii t, fj 4 5 f = n Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagację schematów 1 2 3 4 5 6 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco: m(H, t + 1) = m(H, t) · f +cf = (1 + c) · m(H, t) f Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność m(H, t) = m(H, 0) · (1 + c)t Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagację schematów 1 2 3 4 5 6 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco: m(H, t + 1) = m(H, t) · f +cf = (1 + c) · m(H, t) f Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność m(H, t) = m(H, 0) · (1 + c)t Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagację schematów 1 2 3 4 5 6 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco: m(H, t + 1) = m(H, t) · f +cf = (1 + c) · m(H, t) f Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność m(H, t) = m(H, 0) · (1 + c)t Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagację schematów 1 2 3 4 5 6 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco: m(H, t + 1) = m(H, t) · f +cf = (1 + c) · m(H, t) f Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność m(H, t) = m(H, 0) · (1 + c)t Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagację schematów 1 2 3 4 5 6 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco: m(H, t + 1) = m(H, t) · f +cf = (1 + c) · m(H, t) f Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność m(H, t) = m(H, 0) · (1 + c)t Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagację schematów 1 2 3 4 5 6 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco: m(H, t + 1) = m(H, t) · f +cf = (1 + c) · m(H, t) f Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność m(H, t) = m(H, 0) · (1 + c)t Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie Radosław Czarnecki Schematy Johna Hollanda Wpływ selekcji na propagację schematów 1 2 3 4 5 6 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco: m(H, t + 1) = m(H, t) · f +cf = (1 + c) · m(H, t) f Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność m(H, t) = m(H, 0) · (1 + c)t Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1 = ∗1 ∗ ∗ ∗ ∗0 oraz H2 = ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1 najprawdopodobniej ulegnie zniszczeniu. Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2 przetrwa to krzyżowanie Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1 = ∗1 ∗ ∗ ∗ ∗0 oraz H2 = ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1 najprawdopodobniej ulegnie zniszczeniu. Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2 przetrwa to krzyżowanie Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1 = ∗1 ∗ ∗ ∗ ∗0 oraz H2 = ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1 najprawdopodobniej ulegnie zniszczeniu. Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2 przetrwa to krzyżowanie Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1 = ∗1 ∗ ∗ ∗ ∗0 oraz H2 = ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1 najprawdopodobniej ulegnie zniszczeniu. Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2 przetrwa to krzyżowanie Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów 1 2 3 4 5 6 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps ) przez schemat można wyrazić za pomocą nierówności: ps 1 − pc · δ(H) l−1 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności: ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów 1 2 3 4 5 6 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps ) przez schemat można wyrazić za pomocą nierówności: ps 1 − pc · δ(H) l−1 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności: ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów 1 2 3 4 5 6 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps ) przez schemat można wyrazić za pomocą nierówności: ps 1 − pc · δ(H) l−1 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności: ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów 1 2 3 4 5 6 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps ) przez schemat można wyrazić za pomocą nierówności: ps 1 − pc · δ(H) l−1 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności: ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów 1 2 3 4 5 6 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps ) przez schemat można wyrazić za pomocą nierówności: ps 1 − pc · δ(H) l−1 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności: ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów 1 2 3 4 5 6 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps ) przez schemat można wyrazić za pomocą nierówności: ps 1 − pc · δ(H) l−1 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności: ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu Radosław Czarnecki Schematy Johna Hollanda Wpływ krzyżowania na propagację schematów 1 2 3 4 5 6 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps ) przez schemat można wyrazić za pomocą nierówności: ps 1 − pc · δ(H) l−1 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności: ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu Radosław Czarnecki Schematy Johna Hollanda Wpływ mutacji na propagację schematów 1 2 3 4 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm )o(H) , mutacje na poszczególnych pozycjach są statystycznie niezależne Dla małych wartości pm (pm << 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm Radosław Czarnecki Schematy Johna Hollanda Wpływ mutacji na propagację schematów 1 2 3 4 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm )o(H) , mutacje na poszczególnych pozycjach są statystycznie niezależne Dla małych wartości pm (pm << 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm Radosław Czarnecki Schematy Johna Hollanda Wpływ mutacji na propagację schematów 1 2 3 4 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm )o(H) , mutacje na poszczególnych pozycjach są statystycznie niezależne Dla małych wartości pm (pm << 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm Radosław Czarnecki Schematy Johna Hollanda Wpływ mutacji na propagację schematów 1 2 3 4 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm )o(H) , mutacje na poszczególnych pozycjach są statystycznie niezależne Dla małych wartości pm (pm << 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm Radosław Czarnecki Schematy Johna Hollanda Wpływ mutacji na propagację schematów 1 2 3 4 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm )o(H) , mutacje na poszczególnych pozycjach są statystycznie niezależne Dla małych wartości pm (pm << 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm Radosław Czarnecki Schematy Johna Hollanda Oczekiwana liczba reprezentantów schematu H w następnym pokoleniu, otrzymanym w wyniku selekcji, krzyżowania i mutacji spełnia następującą nierówność: − o(H)pm ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Twierdzenie o schematach ”Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu” Radosław Czarnecki Schematy Johna Hollanda Oczekiwana liczba reprezentantów schematu H w następnym pokoleniu, otrzymanym w wyniku selekcji, krzyżowania i mutacji spełnia następującą nierówność: − o(H)pm ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Twierdzenie o schematach ”Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu” Radosław Czarnecki Schematy Johna Hollanda Oczekiwana liczba reprezentantów schematu H w następnym pokoleniu, otrzymanym w wyniku selekcji, krzyżowania i mutacji spełnia następującą nierówność: − o(H)pm ] m(H, t + 1) m(H, t) · f (H) · [1 − pc · δ(H) l−1 f Twierdzenie o schematach ”Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu” Radosław Czarnecki Schematy Johna Hollanda Schematy biorące efektywny udział w przetwarzaniu, to te, których reprezentacja zwiększa się w pożądany wykładniczy sposób, często są one nazywane cegiełkami Własność ukrytej równoległości ”W algorytmie genetycznym działającym na n strukturach, w każdym pokoleniu ulega efektywnemu przetworzeniu jakieś n3 schematów” (Holland, 1985 r.) Radosław Czarnecki Schematy Johna Hollanda Hipoteza cegiełek Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw. cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych ”Tak jak dziecko buduje swoje imponujące fortece, układając i dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych Radosław Czarnecki Schematy Johna Hollanda Hipoteza cegiełek Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw. cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych ”Tak jak dziecko buduje swoje imponujące fortece, układając i dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych Radosław Czarnecki Schematy Johna Hollanda Hipoteza cegiełek Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw. cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych ”Tak jak dziecko buduje swoje imponujące fortece, układając i dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych Radosław Czarnecki Schematy Johna Hollanda Hipoteza cegiełek Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw. cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych ”Tak jak dziecko buduje swoje imponujące fortece, układając i dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych Radosław Czarnecki Schematy Johna Hollanda Hipoteza cegiełek Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw. cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych ”Tak jak dziecko buduje swoje imponujące fortece, układając i dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych Radosław Czarnecki Schematy Johna Hollanda Problemy zwodnicze Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne) Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole” Radosław Czarnecki Schematy Johna Hollanda Problemy zwodnicze Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne) Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole” Radosław Czarnecki Schematy Johna Hollanda Problemy zwodnicze Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne) Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole” Radosław Czarnecki Schematy Johna Hollanda Problemy zwodnicze Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne) Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole” Radosław Czarnecki Schematy Johna Hollanda Bibliografia David E. Goldberg. ”Algorytmy genetyczne i ich zastosowania”. WNT, Warszawa 2003 r. Zbigniew Michalewicz. ”Algorytmy genetyczne + struktury danych = programy ewolucyjne”. WNT, Warszawa 2003 r. Radosław Czarnecki Schematy Johna Hollanda Dziękuję za uwagę. Radosław Czarnecki Schematy Johna Hollanda