Tekst plakatu w formacie PDF - Instytut Badań Systemowych PAN
Transkrypt
Tekst plakatu w formacie PDF - Instytut Badań Systemowych PAN
Instytut Badań Systemowych PAN Badania Systemowe – Teoria i Zastosowania Sesja Sprawozdawcza Metody ewolucyjne z adaptacyjnym doborem operatorów - przykłady zastosowań Jarosław Stańczak Warszawa, luty 2005 zadania i operatory ewolucyjne, prawdopodobieństwo ich wykonania jest zaś dostrajane w trakcie działania algorytmu. Dostrajanie to polega na tym, Ŝe kaŜdy osobnik niezaleŜnie prowadzi swój ranking jakości działania operatorów (wektor współczynników jakości) i na jego podstawie w kaŜdej iteracji losuje operator, który go modyfikuje. Współczynnik jakości obliczany jest według następującego wzoru: xlj ( t ) + α * qlj ( t ) dla wylosowanego operatora q0 + qij ( t + 1 ) = f (t ) q ( t ) dla niewylosowanych operatorów ij qij(t+1) - współczynnik jakości dla i-tego operatora genetycznego, j-tego osobnika populacji w iteracji t+1; l - indeks aktualnie wybranego operatora; q0 niewielka wartość stała (kredyt); xlj(t) - poprawa funkcji celu, w przypadku braku poprawy równa zero; f(t) - funkcja normująca; α - współczynnik zapominania. Prawdopodobieństwo wyboru operatora otrzymuje się przez normalizację wektora współczynników jakości. Im lepszy jest dany operator, tym częściej jest losowany. Zebrana wiedza o jakości operatorów jest dziedziczona przez osobniki z pokolenia na pokolenie. Działanie algorytmu opisuje następujący schemat: 1. Losowa inicjacja algorytmu; 2. Reprodukcja osobników; 3. Wybór operatorów genetycznych przez osobniki populacji rozwiązań; 4. Modyfikacja osobników, przy uŜyciu wylosowanych operatorów; 5. Ocena otrzymanych rozwiązań; 6. Obliczenie nowych wartości prawdopodobieństw wyboru operatorów; 7. Selekcja osobników do nowej populacji rozwiązań; 8. Jeśli niespełnione kryterium stopu, powrót do 2; 9. Koniec. 1.2 Zastosowanie algorytmu ewolucyjnego do redukcji zanieczyszczeń SO2 Zanieczyszczenie atmosfery na skutek działalności człowieka jest jednym z głównych problemów, które muszą być rozwiązane w niedalekiej przyszłości. W rozpatrywanym zagadnieniu w oparciu o stworzony model rozprzestrzeniania się zanieczyszczeń [1], planowana jest optymalna alokacja ograniczonych środków finansowych na modernizację głównych emitentów zanieczyszczeń (moŜliwy wybór 1 z M technologii odsiarczania spalin), tak aby uzyskać jak największy efekt w poprawie czystości powietrza, szczególnie nad terenami chronionymi. Do rozwiązania tego zagadnienia, z uwagi na jego znaczną złoŜoność obliczeniową – przestrzeń poszukiwań ma wymiar MN (w rozpatrywanym przypadku N=20, M=8, co daje 1,15•1018 moŜliwości), uŜyty został algorytm ewolucyjny oraz metoda heurystyczna [2]. W algorytmie ewolucyjnym zastosowane zostały następujące operatory: • • • • • • mutacja – zastąpienie wybranej metody (technologii) inną, wylosowaną, przestawienie – wymiana metod pomiędzy dwoma osobnikami na wybranych pozycjach, krzyŜowanie – wymiana fragmentów wektorów o wylosowanej długości pomiędzy dwoma osobnikami, inwersja – odwrócenie kolejności metod w wybranym fragmencie wektora, mutacja „inteligentna” – podstawienie na wybranej pozycji metody, która daje najlepszą wartość funkcji celu, mutacja „inteligentna” II – jak wersja poprzednia, lecz sprawdzane są dwie pozycje na raz (M2 moŜliwości). Funkcja celu: J (d ) = 1 w ( x, y ) [ max ( 0, d ( x, y ) − d ad ) ]2 dΩ , ∫ Ω 2 N ograniczenie: ∑c ≤C, i =1 i w(x,y) – funkcja naraŜenia regionu Ω; dad – dopuszczalne stęŜenie SO2; d(x,y) – prognoza stęŜenia SO2; ci – koszt odsiarczania dla jednego z N rozpatrywanych emitentów; C – ograniczenie na koszt. Porównanie działania algorytmów 4 3,8 3,6 Wartości 3,4 3,2 3 2,8 2,6 2,4 2,2 2 1 3 5 7 9 11 Nr zbioru danych 13 15 heurystyka 17 ciągły 19 genetyczny 1.3 Algorytm ewolucyjnego w problemie wyznaczania optymalnego sygnału identyfikującego parametry oczyszczalni ścieków Identyfikacja parametrów oczyszczalni ścieków stanowi bardzo istotny problem i w znacznym stopniu wpływa na jej późniejszą poprawną eksploatację. Optymalny sygnał wymuszający, przy pomocy którego moŜna znaleźć te parametry, opisuje następująca funkcja: N [ ] n F = max ∑ a n • ∑ a − l 1 + (n − l ) • (1 − a −1 ) • rl − k r l = k +1 n = k +1 2 n - krok sterowania (n=1,2....N-k); r - stęŜenie substancji identyfikującej pojemność zbiornika, r∈{0, 1}; k - opóźnienie; a - exp(-∆/V), ∆ - czas trwania 1 kroku, V - objętość zbiornika. Sygnał ten jest złoŜony z ciągów 0 i 1 (stęŜenia są zawsze na ograniczeniu). W zaleŜności od wartości załoŜonych parametrów otrzymuje się sygnały o następujących okresach (x – rozwiązanie przybliŜone zadania ciągłego, ŵ – rozwiązanie otrzymane przy uŜyciu algorytmu ewolucyjnego): ∆/T 0,02 0,1 0,2 0,3 0,4 0,5 0,8 1,0 1,5 2,0 a 0,98 0,90 0,82 0,74 0,67 0,61 0,45 0,37 0,22 0,14 x 324,64 46,27 19,22 11,40 7,90 5,95 3,37 2,65 1,88 1,50 ŵ 141 32 14 10 8 6 4 3 2 1 Do rozwiązania tego zadania zastosowano następujące operatory ewolucyjne: • • • • • mutacja – polega na zastąpieniu w wylosowanym fragmencie rozwiązania zera jedynką lub jedynki zerem, przestawienie – wymiana fragmentów o wylosowanej długości rozwiązania na wybranych losowo pozycjach, „inteligentne” przestawienie – jest wykonywane tylko w przypadku poprawy wartości funkcji celu, inwersja – odwrócenie kolejności metod w wybranym fragmencie wektora sterowań, operacja wyszukiwania cyklu – operator wyszukuje cykle istniejące w osobniku i z p-stwem proporcjonalnym do liczby wystąpień danego cyklu tworzy nowe rozwiązanie o wylosowanej długości cyklu. Literatura [1] Holnicki P., Kałuszko A., śochowski A., A multilayer computer model for air quality forecasting in urban/regional scale, Control and Cybernetics, 22, 1993. [2] Holnicki P., Kałuszko A., Stańczak J., Zastosowanie metod „Soft Computing” do efektywnej redukcji emisji zanieczyszczeń, Seria: Badania Systemowe, t. 36, Wspomaganie informatyczne rozwoju społeczno-gospodarczego i ochrony środowiska, Warszawa, 2004. [3] Stańczak J., Rozwój koncepcji i algorytmów dla samodoskonalących się systemów ewolucyjnych, PhD, PW, 1999.