Obliczenia Naturalne - Algorytmy genetyczne
Transkrypt
Obliczenia Naturalne - Algorytmy genetyczne
Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 27 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Plan wykładu 1 Wstęp Literatura Kodowanie 2 Reprodukcja Modele De Janga Alternatywne metody selekcji 3 Krzyżowanie PMX OX CX 4 Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 2 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Literatura Mariusz Flasiński - Wstęp do sztucznej inteligencji, PWN, 2011 Jarosław Arabas - Wykłady z algorytmów ewolucyjnych, WNT, 2001 David Edward Goldberg - Algorytmy genetyczne i ich zastosowania, WNT, 2009 Zbigniew Michalewicz - Algorytmy genetyczne+struktury danych=programy ewolucyjne, WNT, 2003 T. D. Gwiazda - Algorytmy Genetyczne - kompendium, Tom 1 i 2, PWN, 2007 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 3 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Kodowanie Do tej pory używaliśmy kodowania binarnego. Choć daje dość dużą swobodę nie jest na tyle elastyczne by poradzić sobie z różnorodnością wielu problemów. AG potrafią wyzyskać podobieństwa ciągów kodowych niezależnie od metody kodowania jeśli tylko ze schematów-cegiełek da się zbudować prawie optymalne rozwiązania. Przy doborze kodowania należy kierować się dwoma zasadami: Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 4 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Kodowanie - zasada znaczących cegiełek „Kod należy dobierać w taki sposób, żeby schematy niskiego rzędu i o małej rozpiętości wyrażały własności zadania oraz pozostawały względnie niezależne od schematów o innych pozycjach ustalonych.” (Goldberg) Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 5 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Kodowanie - zasada minimalnego alfabetu „Należy wybrać najmniejszy alfabet, w którym dane zadanie wyraża się w sposób naturalny.” (Goldberg) Stosując duże alfabety uniemożliwiamy wykrycie podobieństw strukturalnych. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 6 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Kodowanie wielu parametrów W używaliśmy liczb całkowitych z przedziału D przykładach E 0, 2l − 1 . Żeby odwzorować w zadany przedział hUmin , Umax i można odwzorować go liniowo, z precyzją: π= Umax − Umin 2l − 1 W przypadku wielu parametrów, należy każdy przypisać do bloku kodowego i połączyć je razem w jeden łańcuch. Bloki mogą mieć różną długość, oraz reprezentować różne przedziały hUmin , Umax i Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 7 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Literatura Kodowanie Dyskretyzacja Żeby zastosować AG trzeba sprowadzić taką funkcję do postaci parametrycznej. Paweł Paduch Rozwiązanie ciągłe Aproksymacja liniowa siła F Zadania optymalizacyjne często charakteryzują się nie pojedynczym parametrem ale funkcją decyzyjną, której wartość musi być określona w każdym punkcie pewnego kontinuum. 0 t0 t1 t2 t3 czas t t4 Obliczenia Naturalne - Algorytmy genetyczne t5 8 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Modele De Janga De Jang przeprowadził analizę zachowania genetycznych systemów adaptacyjnych. W swoich eksperymentach opracował swoiste stanowisko pomiarowe, składające się z pięciu zadań z zakresu minimalizacji funkcji. Zaproponował dwa mierniki oceny: Do oceny poziomu zbieżności Do oceny efektywności bieżącej Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 9 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Poziom zbieżności Przy ocenie poziomu zbieżności (off-line performance) możemy przeprowadzać wiele symulacji i zapamiętywać najlepszy wynik otrzymany po warunku stopu. Efektywność off-line dla środowiska e strategii s De Jang określił następująco: xe∗ (s) T 1 X = f ∗ (t) T 1 e gdzie fe∗ (t) = opt {fe (1), fe (2), ..., fe (t)}. Czyli jest to średnia najlepszych aktualnych (do danej próby włącznie) wartości funkcji celu ze wszystkich prób. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 10 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Ocena efektywności bieżącej Przy ocenie efektywności bieżącej (on-line performance) wszystkie wyniki otrzymywane są na bieżąco. Efektywność dla środowiska e strategii s De Jang określił następująco: T 1 X xe (s) = fe (t) T 1 gdzie fe (t) jest wartością funkcji celu dla środowiska e w próbie t. Jest to średnia wartość funkcji celu ze wszystkich prób włącznie z bieżącą. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 11 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Plany reprodukcyjne De Janga R1 - jest to cała rodzina planów zależnych od parametrów: n - wielkość populacji pc - prawdopodobieństwo krzyżowania pm - prawdopodobieństwo mutacji G - współczynnik wymiany (ang. Generation Gap) R2 - model elitarystyczny R3 - model wartości oczekiwanej R4 - elitarystyczny model wartości oczekiwanej R5 - model ze ściskiem (ang. crowding model) R6 - model uogólnionego krzyżowania Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 12 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Współczynnik wymiany Parametr G ∈ h0, 1i określa, jaka część osobników będzie podlegała operatorom genetycznym a jaka (z poprzedniego pokolenia) przejdzie bez zmian. Liczba osobników do krzyżowania i mutacji to n · G . Gdy G = 1 tworzona jest zupełnie nowa generacja. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 13 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Strategia R2 Jeżeli a∗ (t) jest najlepszym osobnikiem wygenerowanym do chwili t a utworzone w zwykły sposób pokolenie A(t + 1) nie zawiera a∗ (t), to go dodajemy jako element N + 1. Strategia R2 jest nieco lepsza od klasycznej R1 tylko dla funkcji jednorodnych (z jednym maksimum), ponieważ algorytm może utknąć w maksimach lokalnych. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 14 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Strategia R3 Model wartości oczekiwanej R3. Obliczamy oczekiwaną liczbę kopii ni = ff¯i dla każdego ciągu kodowego i. (zakładamy że w każdym pokoleniu reprodukcji podlega cała populacja). Za każdym razem gdy jakiś ciąg zostaje wylosowany do kojarzenia i krzyżowania jego ni ulega zmniejszeniu o 0,5. Jeżeli dany ciąg podlega tylko replikacji, bez krzyżowania, jego ni zostaje zmniejszony o 1. Jeżeli ni < 0 to taki osobnik nie bierze udziału w losowaniu. Faktyczna liczba potomków nie może być większa niż reguły jest to poniżej ff¯i + 0, 5 fi f¯ +1 z Strategia R3 jest metodą lepszą dla wszystkich funkcji prócz jednorodnych. Najlepiej działa dla pc = 1. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 15 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Strategia R4 Elitarystyczny model wartości oczekiwanej R4. Jest to połączenie strategii R2 i R3 W modelu tym zachowujemy najlepszego osobnika oraz wykonujemy go w strategii R3. Dla funkci jednomodalnych uzyskano znaczną poprawę. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 16 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Strategia R5 Model „ze ściskiem” R5. Starsze osobniki są zastępowane przez nowo utworzone podobne egzemplarze. W celu utrzymania większej różnorodności populacji. Zastosowany model to populacja mieszana z G = 0, 1 dodatkowy parametr CF (ang. crowding factor ) czynnik tłoku/ścisku. Osobnik przeznaczony do usunięcia był wybierany z podzbioru CF osobników wylosowanych z całej populacji, kryterium wyboru to maksymalne podobieństwo do nowo powstałego osobnika. (minimalna liczba różnic na poszczególnych pozycjach ciągu). W strategii R5 uzyskano poprawę optymalizacji funkcji wielomodalnych. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 17 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Strategia R6 Model uogólnionego krzyżowania. Dodatkowy parametr CP określający liczbę punktów krzyżowania. Dla CP = 1 mamy krzyżowanie proste. W przypadku krzyżowania dla CP parzystego ciąg kodowy traktowany jest jak pierścień bez początku i końca W przpadku krzyżowania z nieparzystą liczbą punktów dodatkowy punkt krzyżowania wypada na początku ciągu w miejscu 0. Niestety zwiększenie liczby punktów krzyżowania prowadzi do obniżenia obu wskaźników efektywności. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 18 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Alternatywne metody selekcji Poza znaną metodą ruletki (wybór losowy z powtórzeniami) gdzie występują fluktuacje losowe skutkujące sporymi odchyleniami faktycznej liczby wylosowanych osobników od oczekiwanej, można stosować wiele innych ciekawych metod wyboru: deterministyczny losowy według reszt bez powtórzeń losowy bez powtórzeń losowy według reszt z powtórzeniami losowy z powtórzeniami turnieje losowe (metoda rang Wetzela) Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 19 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Wybór deterministyczny Obliczamy prawdopodobieństwa reprodukcji pselecti = Pfi f i Wyznaczamy liczbę oczekiwanych kopii dla każdego osobnika ei = pselecti · n, każdy otrzymuje tyle kopii ile wynosi część całkowita ei Populacja zostaje uporządkowana według części ułamkowych ei Pozostałe wolne miejsca w nowej populacji zostają zapełnione kopiami osobników wziętych z góry listy Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 20 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Wybór losowy według reszt bez powtórzeń Obliczamy prawdopodobieństwa reprodukcji pselecti = Pfi f i Wyznaczamy liczbę oczekiwanych kopii dla każdego osobnika ei = pselecti · n, każdy otrzymuje tyle kopii ile wynosi część całkowita ei Części ułamkowe oczekiwanych liczb kopii traktujemy jako prawdopodobieństwa sukcesu w serii kolejnych próbach Bernoulliego. Np. Ciąg kodowy dla którego oczekiwana liczba kopii wynosi 1,4 otrzyma 1 kopię na pewno i jedną z prawdopodobieństwem 0,4. Działamy w ten sposób dopóki wszystkie miejsca w nowej populacji nie bedą obsadzone. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 21 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Wybór losowy bez powtórzeń Jest to inna nazwa modelu wartości oczekiwanej R3 De Jonga. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 22 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Wybór losowy według reszt z powtórzeniami Obliczamy prawdopodobieństwa reprodukcji pselecti = Pfi f i Wyznaczamy liczbę oczekiwanych kopii dla każdego osobnika ei = pselecti · n, każdy otrzymuje tyle kopii ile wynosi część całkowita ei Części ułamkowe oczekiwanych liczb kopii służą do skalibrowania tarczy ruletki. Zostaje ona użyta do wypełnienia pozostałych miejsc w populacji. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 23 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Turnieje losowe Obliczamy prawdopodobieństwa reprodukcji pselecti = Pfi f i Losowane są pary osobników według reguły ruletki. Lepszy zawodnik wygrywa i umieszczony zostaje w nowym pokoleniu. Proces jest powtarzany do zapełnienia wszystkich miejsc. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 24 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Modele De Janga Alternatywne metody selekcji Metoda reprodukcji progowej Sortujemy populacje według nierosnących wartości współczynników przystosowania Ustalamy próg „zaliczenia” :) Osobnicy, których współczynnik przystosowania spełnił zadany warunek są powielani. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 25 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa PMX OX CX Krzyżowanie PMX Krzyżowanie PMX (ang. Partially Matched Crossover ) czyli krzyżowanie z częściowym odwzorowaniem, zastosowano w problemie komiwojażera. Przystosowanie jest tu funkcją uporządkowania f = f (o). Metodą analogiczną do krzyżowania, umożliwiającą wymianę wzorców uporządkowania między rodzicami i przekazywanie ich dzieciom jest operacja PMX. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 26 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa PMX OX CX Krzyżowanie PMX Wybieramy dwa losowe punkty podziału Punkty te wyznaczają sekcję dopasowania (ang. matching section) PMX odbywa się za pomocą kolejnych transpozycji Załóżmy, że mamy dwa ciągi: A=8 7 3 |4 5 6 |0 2 1 9 B=7 6 0 |1 2 9 |8 4 3 5 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 27 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa PMX OX CX Krzyżowanie PMX Przenosząc 4 z ciągu A wstawiamy ją na miejsce 1 w ciągu B, gdyby tak zostawić mielibyśmy dwie 4 i żadnej 1. Dlatego zamieniamy 1 i 4 miejscami w ciągu B. Podobnie 5 z ciągu A trafia na 2 w ciągu B, 2 z ciągu B przechodzi na miejsce 5 w ciągu B A= 8 7 3 4 5 6 0 2 1 9 B = 7 6 0 1 2 9 8 4 3 5 A0 = 8 7 3 1 2 9 0 5 4 6 B0 = 7 9 0 4 5 6 8 1 3 2 Podobnie 6 i 9. W ciągu A robimy podobne zamiany: 1 i 4, 2 i 5 oraz 9 i 6 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 28 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa PMX OX CX Krzyżowanie OX Operacja OX (ang. order crossover ) początek ma podobny do PMX, czyli wylosowanie sekcji dopasowania. Następnie w ciągu A zostawiamy tylko sekcję dopasowania. W wolne miejsca, poczynając od drugiego punktu krzyżowania, przepisujemy wartości jeszcze nie występujące w ciągu A (pomijamy wyszarzone). Analogicznie postępujemy z ciągiem B. Paweł Paduch A= 8 7 3 4 5 6 0 2 1 9 B = 7 6 0 1 2 9 8 4 3 5 A0 = 4 5 6 A0 = 4 5 6 8 A0 = 4 5 6 8 3 A0 = 4 5 6 8 3 7 A0 = 4 5 6 8 3 7 0 A0 = 1 2 9 4 5 6 8 3 7 0 Obliczenia Naturalne - Algorytmy genetyczne 29 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa PMX OX CX PMX a OX Zasadniczo operacje PMX i OX są do siebie podobne z tym że: PMX ma tendencje do respektowania bezwzględnych pozycji miast, OX ma tendencję do utrzymania względnych pozycji miast. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 30 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa PMX OX CX Operacja CX W krzyżowanie CX (ang. Cycle Crossover ) rekombinacja spełnia warunek, że pozycja zajmowana przez każde miasto pochodzi od jednego lub drugiego z rodziców. Nie wybieramy punktów podziałów tylko wybieramy pierwsze miasto z trasy A czyli 1. Patrzymy jakie miasto w ciągu B jest na pierwszej pozycji jest to 3 Szukamy 3 w kodzie A i patrzymy co jest na tej samej pozycji kodzie B Ponieważ była to 4 a pod 4 w A jest 1 w B to znaczy, że cykl nam się domknął. A= 1 2 3 4 5 6 B = 3 5 4 1 6 2 A0 = 1 3 4 A0 = 1 5 3 4 6 2 teraz wystarczy uzupełnić resztą miast z ciągu B. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 31 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Synchroniczna scentralizowana Jeden proces nadrzędny koordynujący k procesów podrzędnych Proces nadrzędny odpowiedzialny jest za selekcję, kojarzenie oraz wykonywanie operacji genetycznych. Proces nadrzędny Proces podrzędny Proces podrzędny Proces podrzędny Procesy podrzędne obliczają wskaźniki przystosowania. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 32 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Półsynchroniczna scentralizowana Przy Synchronicznej organizacji, dla dużej wariancji czasu obliczeń na poszczególnych węzłach efektywność może być słaba. W organizacji półsynchronicznej wymóg synchroniczności został zniesiony, elementy populacji wstawiane i selekcjonowane na bieżąco. Mechanizm działa podobnie jak w populacjach mieszanych De Jonga przy współczynniku 0 < G < 1. Wadą jest nadal pełne uzależnienie od procesu nadrzędnego. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 33 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Asynchroniczna rozproszona k identycznych procesów wykonuje niezależnie od siebie zarówno operacje genetyczne, jak i obliczenia wskaźników przystosowania, korzystając ze wspólnej pamięci dzielonej. Jedynie należy zadbać o to by, dwa procesy nie zapisywały lub odczytywały w tym samym czasie z jednego miejsca. Proces wsp. 1 Proces wsp. 9 Proces wsp. 2 Proces wsp. 8 Proces wsp. 3 Pamięć dzielona Proces wsp. 7 Proces wsp. 4 Proces wsp. 6 Paweł Paduch Proces wsp. 5 Obliczenia Naturalne - Algorytmy genetyczne 34 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Model wysp Każdy proces działa niezależnie ze swoją podpopulacją. Co jakiś czas niektóre osobniki rozsyłane są przez sieć do innych grup. Modele wyspowe mogą różnić się co do: intensywnością migracji, zwykle jeden jakością migracji, zwykle są to najlepsi, ale można też losować, częstości wysyłania, co ile pokoleń, którego osobnika ma zastąpić przybysz (zwykle najgorszego), oraz topologią i kolejnością połączeń. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 35 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Topologie organizacji sieciowego algorytmu gnetycznego Okrąg jednokierunkowy Każdy z każdym Wyspa 1 Wyspa 1 Wyspa 6 Wyspa 2 Wyspa 6 Wyspa 2 Wyspa 5 Wyspa 3 Wyspa 5 Wyspa 3 Wyspa 4 Wyspa 4 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 36 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Stopień wysp Cantú-Paz wprowadził specjalne pojęcie stopnia wysp. Określa liczbę sąsiednich wysp, do których wysyłane są osobniki. Zaproponował 3 topologie w których każda z wysp ma stopień równy 2. Drabina Okrąg 1+2 Okrąg 2+3 Cantú-Paz wyznaczył, że dla 8 wysp stopień 2 lub 3 jest najlepszy w minimalizowaniu czasu konwergencji. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 37 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Topologie organizacji sieciowego algorytmu genetycznego Okrąg dwukierunkowy Okrąg 1+2 Wyspa 1 Wyspa 1 Wyspa 8 Wyspa 6 Wyspa 2 Wyspa 2 Wyspa 7 Wyspa 5 Wyspa 3 Wyspa 3 Wyspa 6 Wyspa 4 Wyspa 4 Wyspa 5 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 38 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Topologie organizacji sieciowego algorytmu genetycznego Drabina Okrąg 2+3 Wyspa 1 Wyspa 8 Wyspa 1 Wyspa 5 Wyspa 2 Wyspa 6 Wyspa 3 Wyspa 7 Wyspa 4 Wyspa 8 Wyspa 2 Wyspa 7 Wyspa 3 Wyspa 6 Wyspa 4 Wyspa 5 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 39 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Model wspólnotowy Wspólnota Wspólnota Dom Rodzice Dom Dzieci Agencja Klub Dom Miasto Kościół Dom Wspólnota Dworzec Dom Wspólnota Dom Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 40 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Model wspólnotowy Algorytm genetyczny rozdzielony na zbiór połączonych ze sobą wspólnot W skład wspólnot wchodzą domy połączone z miastami, z których jest dostęp do innych miast Rodzice robią dzieci w swoich domach (tam wyznacza się wskaźniki przystosowania) Starsze potomstwo idzie do klubu młodzieżowego aby znaleźć partnera Po zawarciu związku pary trafiają do agencji nieruchomości Dom można pozyskać w drodze przetargu Gdy w mieście aktualnie nie ma miejsca agencja może przydzielić dom w innym mieście, wtedy pary idą na dworzec autobusowy aby się przeprowadzić. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 41 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Model pyłkowy Roślina Roślina Roślina kanały pyłkowe Roślina Roślina Roślina Roślina Roślina Roślina Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 42 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Model pyłkowy Sieć roślin połączona kanałami. Pyłki przedostają się do sąsiednich roślin kanałami. Ziarna kiełkują i rozwijają się w dojrzałe rośliny wytwarzające pyłek. Transmisja pyłku danym kanałem jest określona przez pewne prawdopodobieństwo. Umożliwia to tworzenie izolowanych (w mniejszym lub większym stopniu) grup roślin. Pyłek zapyla dojrzałe rośliny umożliwiając powstanie nowych nasion. Lokalnie wybierane są najlepsze ziarna w sposób losowy. Wybrane ziarna kiełkują i wyrasta nowa roślina. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 43 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa Pytania ? Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 44 z 45 Wstęp Reprodukcja Krzyżowanie Architektura równoległa Synchroniczna scentralizowania Półsynchroniczna scentralizowania Asynchroniczna rozproszona Organizacja sieciowa koniec Dziękuję Państwu za uwagę. Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 45 z 45