Evolutionary Strategies -Projekt
Transkrypt
Evolutionary Strategies -Projekt
Granular Computing 9999 pages 14 METODY SZTUCZNEJ INTELIGENCJI PROJEKTY PB 2 PB Spis tre±ci 1 2 Projekt z oblicze« ewolucyjnych 1.1 Nazewnictwo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Przykªadowe operacje podczas implementacji Strategii Ewolucyjnej 1 Projekt z oblicze« ewolucyjnych Liczba osób realizuj¡cych projekt: 1-2 osoby 1. Wyznaczanie miejsc zerowych predeniowanych funkcji 2. Funkcje predeniowane, jedno lub dwuwymiarowe, przyjmuj¡ce warto±ci rzeczywiste, wybór funkcji oraz jej parametrów, na przykªad: y(x) = cos(x*x) + sin(a * cos(b * x)) 3. Wprowadzanie zakresu warto±ci w jakim ma zosta¢ wykonane przeszukiwanie 4. Pobranie parametrów dla algorytmu ewolucyjnego (Strategii Ewolucyjnej): (a) Parametry µ oraz λ (b) liczba iteracji (c) Prawdopodbie«stwa mutacji pocz¡tkowe 5. Wykonanie kolejnych iteracji, wypisywanie wyników i statystyk bie»¡cej populacji 6. Wypisanie wyniku ko«cowego, ocena jako±ci poszczególnych rozwi¡za«. 1.1 Nazewnictwo (x1 , x2 , ....) - zbiór obiektów, reprezentuj¡cych dane xi = {x1i , x2i , .., xpi }, gdzie xji oznacza atrybut o indeksie j obiektu xi . U przestrze« wszystkich obiektów X - podzbiór zbioru wszystkich obiektów U xi - obiekt nale»¡cy do podzbioru wszystkich obiektów U A - zbiór wszystkich atrybutów, cech, wªa±ciwo±ci ai - atrybut nale»¡cy do zbioru atrybutów A Vai - zbiór wszystkich warto±ci atrybutu ai (nazywany dziedzin¡ ai ) V (ai ) - zbiór wszystkich warto±ci atrybutu ai (nazywany dziedzin¡ ai ) B - niepusty podzbiór A (B ⊆ A) LOW (XB ) - dolna aproksymacja X wzgl¦dem B X B - dolna aproksymacja X wzgl¦dem B U P P (XB ) - górna aproksymacja X wzgl¦dem B X B - górna aproksymacja X wzgl¦dem B ASB - standardowa przestrze« aproksymacyjna AS#,$ - sparametryzowana przestrze« aproksymacyjna Rai (X) - przybli»ono±¢ ze wzdgledu na {ai } Roughaj (ai ) - ±rednia przybli»ono±¢ atrybutu ai wzgl¦dem atrybutu {aj } M R(ai ) - minimalna przybli»ono±¢ atrybutu ai M M R - minimalna warto±¢ MR wszystkich atrybutów 3 3 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY IN D(B) - relacja nierozró»nialno±ci [xi ]IN D(B) - klasa równowa»no±ci obiektu xi w relacji IN D(B), nazywana tak»e zbiorem elementarnym w B (C1 , C2 , . . . , CK ) - klasy, skupienia w danym pogrupowaniu danych Card(X) - liczebno±¢ zbioru X |X| - liczebno±¢ zbioru X P (U ) - zbiór pot¦gowy zbioru U 2 Przykªadowe operacje podczas implementacji Strategii Ewolucyjnej Wykona¢ polecenie z ¢wiczenia I polegaj¡ce na wyszukaniu ekstremum funkcji f( x1 , x2 ) = x21 + x22 przy podanych ograniczeniach: −1 ≤ x1 , x2 ≤ 1 Zadanie rozwi¡zujemy z wykorzystaniem strategii ewolucyjnych typu (µ + λ). Przyjmujemy µ = 4 oraz λ = 2. Z operatorów genetycznych stosujemy wyª¡cznie operator mutacji. Funkcja dostosowania okre±lona jest podanym powy»ej wzorem. Za najlepiej przystosowane osobniki uwa»amy te,dla których warto±¢ podanej funkcji dostosowania jest najmniejsza. Populacja rodzicielska P skªada si¦ z 4 (µ = 4) osobników, a ka»dy z nich zawiera dwuelementowe wektory x = [x1 , x2 ]T oraz σ = [σ1 , σ2 ]T .Pocz¡tkow¡ populacj¦ rodzicielsk¡ generujemy losowo. Warto±ci x1 , x2 losujemy z zakresu < −1, 1 > oraz przyjmujemy σ1 = σ2 = 1. Przykªadowo, po wykonaniu powy»szych kroków uzyskali±my nast¦puj¡c¡ populacj¦ zªo»on¡ z 4 osobników: Nr osobnika 1 2 3 3 x1 0.63 0.57 -0.67 0.38 x2 0.41 -0.91 -0.62 0.65 σ1 1.0 1.0 1.0 1.0 σ2 1.0 1.0 1.0 1.0 f (x1 , x2 ) 0.57 1.15 0.83 0.57 Stosuj¡c losowanie ze zwracaniem, otrzymujemy populacj¦ tymczasow¡ T zªo»on¡ z czterech osobików 4, 2, 3 oraz 4 (gdy» w zadaniu zakªadamy »e parametr λ = 4). Nr osobnika 3 2 3 3 x1 0.38 0.57 -0.67 0.38 x2 0.65 -0.91 -0.62 0.65 σ1 1.0 1.0 1.0 1.0 σ2 1.0 1.0 1.0 1.0 f (x1 , x2 ) 0.57 1.15 0.83 0.57 W kolejnym kroku, na populacji tymczasowej T wykonujemy operacje genetyczne, w wyniku których otrzymamy populacj¦ potomn¡ O. Mutacja chromosomu 4 PB σ wymaga ustalenia parametrów τ1 , τ2 . Przyjmujemy, »e C=1. Wówczas dla n = 2, parametry τ1 , τ2 s¡ równe odpowiednio 0.5 oraz 0.5946. Poni»ej podany zostaª przebieg mutacji parametru σ oraz elementów xi . Mutacja parametru σ1 Nr osobnika N(0,1) 1 2 3 4 1.27 -0.58 -0.47 -2.38 Gen 1 σ1 N1 (0, 1) exp(τ N (0, 1) + τ N1 (0, 1)) σ1 0 1 1 1 1 0.47 0.05 -0.82 0.31 0 2.50 0.77 0.78 0.37 2.50 0.77 0.78 0.37 Mutacja parametru σ2 Nr osobnika N(0,1) 1 2 3 4 1.27 -0.58 -0.47 -2.38 Gen 1 σ2 N2 (0, 1) exp(τ N (0, 1) + τ N2 (0, 1)) σ2 0 1 1 1 1 0.38 -0.46 -0.44 -1.05 0 1.51 0.57 1.64 0.16 1.51 0.57 1.64 0.16 Przebieg mutacji chromosomu x Nr 1 2 3 4 Gen 1 x1 0.38 0.57 0.67 0.38 0 N1 (0, 1) σ1 N1 (0, 1) x1 -0.27 0.20 -1.14 -0.27 -0.67 0.15 -0.89 -0.10 -0.29 0.72 -1.56 -0.28 Gen 2 x2 0.65 -0.91 -0.62 -0.65 0 N2 (0, 1) σ2 N2 (0, 1) x2 -1.03 -0.30 -1.32 -1.71 -1.55 -0.17 -2.17 -0.28 -0.90 -1.08 -2.79 -0.37 Warto±ci z rozkªadu normalnego otrzymujemy wykorzystuj¡c formuª¦: N (0, 1) = N ORM IN V (RAN D(), mean, standardd ev)