spis treści i wstęp
Transkrypt
spis treści i wstęp
OBLICZENIA EWOLUCYJNE W SZTUCZNEJ INTELIGENCJI ? Halina Kwanicka Oficyna Wydawnicza PolitechnikiWrocáawskiej 63,65=(&=< :VW S ............................................................................................................................ 5 1. Algorytmy ewolucyjne .............................................................................................11 1.1. Krótko o ewolucji..............................................................................................11 1.2. Algorytmy genetyczne ......................................................................................13 1.3. Inne techniki ewolucyjne ..................................................................................16 5yZQROHJáH SU]HWZDU]DQLH algorytmów genetycznych .....................................19 3U]\NáDG\ V\VWHPyZ ] ZEXGRZDQymi EA ...............................................................22 2.1. GA w systemach informacyjnych .....................................................................22 àF]HQLH DOJRU\WPyZ JHQHW\F]Q\FK ] ORJLN UR]P\W .....................................24 6\VWHP\ ] ORJLN UR]P\W ± ZSURZDG]enie.............................................25 3RáF]HQLH *$ L )/6 ................................................................................26 3URMHNWRZDQLH UR]P\WHJR V\VWHPX VWHURZDQLD ± SU]\NáDG ......................27 2.3. Zastosowanie GAs do sieci neuronowych..................................................................31 2.3.1. Sieci neuronowe.......................................................................................31 àF]HQLH GAs i NNs.................................................................................33 3. K-model – rozszerzony model ewolucyjny ..............................................................41 3.1. Biologiczne inspiracje K-modelu ......................................................................41 3.2. Rola SOHMRWURSRZRFL L SROLJHQLF]QRFL ............................................................44 3.2.1. Model Wersja_1: klasyczny algorytm genetyczny ..................................45 3.2.2. Model WHUVMDB *$ ] PLQLPDOQ SOHMRWURSRZRFL L poligenicznoFL 46 3.2.3. Ewolucja bez poziomu genotypowego (Wersja_3)..................................46 3.2.4. Badania symulacyjne ...............................................................................47 3.3. K-model.............................................................................................................51 3.3.1. Formalny opis modelu..............................................................................52 3.3.2. Werbalny opis modelu .............................................................................55 3.3.3. Opis programu komputerowego K-model................................................57 :áDVQRFL K-modelu – badania symulacyjne...........................................................61 4.1. Funkcje testowe.................................................................................................62 4.2. Rekombinacje i mutacje w ewolucji .................................................................70 4.2.1. Rola rekombinacji w K-modelu ...............................................................71 4.2.2. Mutacje jako czynnik ewolucji ................................................................78 4.3. Makromutacje w poszukiwaniu optyPDOQHJR UR]ZL]DQLD ..............................90 4.3.1. Geny nadmiarowe ....................................................................................90 4.3.2. Rekrudescencja ± UDG\NDOQH ]PLDQ\ X F] FL SRSulacji ........................ 92 4.3.3. Kryzys – reorganizacja wszystkich osobników ..................................... 93 àF]Q\ HIHNW QDGPLDURZRFL rekrudescencji i kryzysu......................... 94 /LF]HEQRü SRSXODFML L HZROXFMD Z K-modelu ................................................ 96 4.5. Inne parametry modelu....................................................................................103 3RG]LDá SRSXODFML QD SUDZLH L]RORZDQH demy .................................................112 4.6.1. Symulacja z H-modelem ........................................................................112 4.6.2. Symulacja z K-modelem ........................................................................113 4.6.3. Symulacja ze zmodyfikowanym K- modelem ........................................115 5. Ewolucja z wielowymiarowymi i wielomodalnymi funkcjami..............................119 5.1. 3OHMRWURSRZRü L SROLJHQLF]QRü Z XNLHUXQNRZ\ZDQLX HZROucji...................119 5.2. Wzrost wymiaru funkcji a ewolucja................................................................128 5.3. Ewolucja z funkcjami testowymi de Jonga .....................................................134 6]XNDQLH RSWLPyZ SR]RVWDá\FK IXQNFML Westowych .........................................140 3U]\NáDG DSOLNDFML K-modelu – modelowanie ewolucyjne w ekonomii.......................144 (ZROXF\MQ\ PRGHO SU]HP\VáX (03 .............................................................144 6.1.1. Reprezentacja firm w EMP ....................................................................147 6.1.2. Decyzje firm...........................................................................................148 =Uy*QLFRZDQLH SURGXNWyZ L NRQNXUHQFMD ...............................................150 6.2. Konkurencyjna gra ekonomiczna oparta na EMP...........................................152 8ZDJL NRFRZH ......................................................................................................156 Literatura ....................................................................................................................164 =DáF]QLN 6áRZQLN ZD*QLHMV]\FK WHUPLQyZ ...........................................................172 Skorowidz...................................................................................................................175 innych. :LHG]D QLJG\ QLH UR]VWU]\JQLH MHGQHJR SUREOHPX EH] VWZRU]HQLD G]LHVL FLX Bernard SHAW (1856–1950) :673 0\OFH PDV]\Q\ ± PDU]HQLH F]\ U]HF]\ZLVWRü" &]\ PR*QD MHGQR]QDF]QLH RdSRZLHG]LHü QD WDN SRVWDZLRQH S\WDQLH" =DUyZQR RGSRZLHG( WZLHUG]FD MDN L SU]HF]FD PD VZRLFK ]ZROHQQLNyZ MDN L przeciwników1. Zaproponowany w 1950 roku przez A. Turinga (1912–1954) test, zwany testem Turinga QLH UR]ZLDá LVWQLHMF\FK NRQWURZHUVML : ]DPLHU]HQLX WHVW WHQ PLDá XG]LHODü RGSRZLHG]L F]\ dany proJUDP NRPSXWHURZ\ MHVW LQWHOLJHQWQ\ 7HVW SROHJD QD W\P *H SU]\ MHGQ\P NRPSXWHU]H MHVW RVRED NWyUD SURZDG]L G\VNXVM QD RJyOQ\ WHPDW ] LQQ\P G\VNXWDQWHP W\OH *H PR*H QLP E\ü SURJUDP NRPSXWHURZ\ OXE F]áRZLHN ]DMPXMF\ PLHMVFH SU]\ NODZLDWuU]H LQQHJR NRPSXWHUD -HOL RVRED QLH UR]SR]QD F]\ GLDORJ SURZDG]L ] SURJUDPHP F]\ ] F]áRZLHNLHP SURJUDP VSHáQLD WHVW Z SU]HFLZQ\P UD]LH ± QLH VSHáQLD -HVW ZLHOH SURJUDPyZ NRPSXWHURZ\FK VSHáQLDMF\FK WDNL WHVW DOH SU]\ RJUDQLF]HQLX G\VNXVML GR ZVNLHM WHPDW\NL 6IRUPXáRZDQLH WHJR WHVWX QLH ]DNRF]\áR G\VNXVML QD WHPDW ÄF]\ PDV]\QD PR*H P\OHü"´ : ODWDFK VLHGHPG]LHVLW\FK +/ 'UH\IXV RSXEOLNRZDá NUyW\F]Q NVL*N Z NWyUHM GRZRG]L QLHDGHNZDWQRFL L QLHSRZRG]H V\PXODFML Z VWosunku do rzeczywistego 2 intelektu .VL*ND WD Z\ZRáDáD R*\ZLRQ SROHPLN ZUyG RVyE ]DMPXMF\FK VL V]WXF]Q LQWHOLJHQFM (FKR W\FK G\VNXVML ZLGRF]QH MHVW UyZQLH* Z OLWHUDWXU]H SROVNRM ]\F]QHM Tadeusiewicz 1995, Kloch 1996, Traczyk 1995). 1LH]DOH*QLHRGW\FKILOR]RILF]Q\FKG\VNXVMLZRVWDWQLFKODWDFKREVHUZXMHVL Z]URVW ]DVWRVRZDWDNLFKV\VWHPyZLQIRUPDW\F]Q\FKZNWyU\FK]DZDUWDMHVWLQWHOigencja Z]RURZDQDQDLQWHOLJHQFMLOXG]NLHM:RGUy*QLHQLXRGWHMRVWDWQLHMQD]ZDQRW G]LHG]LQ V]WXF]QLQWHOLJHQFM (AI – Artificial Intelligence) – obejmuje ona rozwizywanie SUREOHPyZVSRVREDPLZ]RURZDQ\PLQDQDWXUDOQ\FKG]LDáDQLDFKLSURFHVDFKSR]QDZF]\FK F]áRZLHND]DSRPRFV\PXOXMF\FKMHSURJUDPyZNRPSXWHURZ\FKSchalkoff 1990). W UDPDFKWHMQRZHMG]LHG]LQ\ZLHG]\PR*HP\Z\Uy*QLüUy*QHWHFKQLNLUR]ZL]\ZDQLD problemów: Systemy ekspertowe (ESs – Expert Systems), tzn. takie komputerowe programy NRQVXOWDF\MQHNWyUHZVSRPDJDMGHF\]MHL]DVW SXMHNVSHUWDZGDQHM]D]Z\F]DMZVNLHM G]LHG]LQLH6\VWHPHNVSHUWRZ\VNáDGDVL ]ED]\ZLHG]\PRGXáXZQLRVNXMcego – do SU]HWZDU]DQLDSRVLDGDQHMZLHG]\PRGXáXZ\MDQLDMFHJRX*\WNRZQLNRZLVSRVyE GRFKRG]HQLDGRNRQNOX]MLRUD]PRGXáXSR]\VNLZDQLDZLHG]\'REU\LQWHUIHMVRUD]PRGXá Z\MDQLDMF\VSRVyEGRFKRG]HQLDGRNRQNOX]MLVEDUG]RZD*QH]ZáDVzcza z punktu ZLG]HQLDWHVWRZDQLDV\VWHPXVWH*QLH]E GQHGRQDEUDQLDSU]H]X*\tkownika (zwykle nie MHVWQLPLQIRUPDW\N]DXIDQLDGRV\VWHPX(NVSHUW\]\V\VWHPXSRZLQQ\E\üFRQDMPQLHMWDN GREUHMDNWHNWyUHGDáE\HNVSHUW$E\WRE\áRPR*OLZHPXVLE\üVSHáQLRQ\FKNLOND ZDUXQNyZDOHQDMZD*QLHMV]\PLQDMWUXGQLHMV]\PGRVSHáQLHQLDMHVWMDNRüGRVWDUF]RQHM 1 Patrz: J.R. Searle, 8P\Vá Py]J L QDXND, Warszawa, Wydawnictwo Naukowe PWN, 1995, czy Trzecia kultura. Nauka , pod red. J. Brockmana, Warszawa, Wydawnictwo CIS, 1996. 2 Dreyfus H.L., What Computers Can’t Do: The Limits of Artificial Intelligence, wyd. II, New York, Harper and Row. 7HPDW\ND PR*OLZRFL V]WXF]QHM LQWHOLJHQFML MHVW FLHNDZLH SU]HGVWDZLRQD Z Artificial Intelligence and Creativity, T. Dartnall ed., ser. Studies in Cognitive Systems, Kluver A. Publ., 1994. X SURJX WU]HFLHJR W\VL FOHFLD V\VWHPRZLZLHG]\6\VWHPHNVSHUWRZ\PR*HE\üQDW\OHGREU\QDLOHGRVWDUF]\P\PXGREU ZLHG] Ä'REUD´WR]QDF]\SUDZG]LZDZ\VWDUF]DMFDGODGDQHMNODV\SUREOHPyZGREU]H sformalizowana, niesprzeczna itp. 3R*GDQDMHVWUyZQLH*XPLHM WQRüSU]HWZDU]DQLDZLHG]\ QLHSHáQHMLQLHSHZQHM:SUoZDG]DVL ZQLRVNRZDQLH]ORJLNUR]P\WF]\]F]\QQLNLHP SHZQRFLRNUHODMF\PVWRSLH]DXIDQLDGRJHQHURZDQHMZLHG]\3R]\VNDQLHZLHG]\GOD systemów ekspertoZ\FKMHVWÄZVNLPJDUGáHP´LFKUR]ZRMX3RMDZLá\VL QDU] G]LDGR tworzenia systePyZHNVSHUWRZ\FKXáDWZLDMFHSR]\VNLZDQLHZLHG]\NRGRZDQLHMHML przetwarzanie3. WNUDMDFKZ\VRNRUR]ZLQL W\FKV\VWHP\HNVSHUWRZHVWRVXMHVL ZZLHOX G]LHG]LQDFKPL G]\LQQ\PLZPHG\F\QLHXEH]SLHF]HQLDFKPDUNHWLQJXLWSMulawka 1996, Yager i Filev 1995, Traczyk 1995, Medsker 1995, Heider i in. 1994, Herrera i Lozano 1995, .ZDQLFNDL0DUNRZVND.DF]PDUD.ZDQLFND Sieci neuronowe (NNs – Neural Networks). Próba zbudowania sztucznego móz- JX WR SRF]WHN NNV V Z]RURZDQH QD VLHFL QHXURQyZ ELRORJLF]Q\FK Z UR]ZRMX WHM JDá ]L V]WXF]QHM LQWHOLJHQFML Py]JX *áyZQ\P SRGRELHVWZHP ELRORJLF]QHM L V]WXF]QHM VLHFL QHXURQRZHM MHVW MHM ]GROQRü XF]HQLD VL RGZ]RURZD ]ELRUyZ ZHMü QD ]ELyU Z\Mü QD SRGVWDZLH XF]F\FK SU]\NáDGyZ RUD] MHM ]GROQRü XRJyOQLDQLD : RVWDWQLFK ODWDFK UR]ZLQL WR QRZH DOJRU\WP\ XF]HQLD VLHFL Já ELHM SR]QDQR L VIRUPXáRZDQR zastosowaQH PaWHPDW\F]QH SRGVWDZ\ VLHFL QHXURQRZ\FK PRGHOH VLHFL ]RVWDá\ QDXF]RQH L GR UR]ZL]\ZDQLD ZLHOX SUREOHPyZ Z Uy*Q\FK G]LHG]LQDFK QS GR UR]SR]QDZDQLD SRGSLVyZ Z EDQNDFK NODV\ILNDFML SU]HZLG\ZDQLD NXUVyZ QD JLHáGDFK LWS Yager i Zadech 1994, Tadeusiewicz 1992, 1993, Korbicz i Obuchowicz 1994, Ossowski 1994, Medsker 1995, Kacprzak i ORW 1995). Algorytmy genetyczne (GAs – Genetic Algorithms V Z]RURZDQH QD HZROXFML ELologicznej, która jest bardzo skutecznym, naturalnym systemem adaptacyjnym (Holland 1975, Michalewicz 1996, Goldberg 1989, Gwiazda .ZDQLFND .ZDQLFND *áyZQH Uy*QLFH PL G]\ GAs a konwencjonalnymi metodami optymalizacji to: – GAV SUDFXM ] ]DNRGRZDQ\PL SDUDPHWUDPL Z SRVWDFL JHQyZ VWDQRZLF\FK FKURPRVRP, QDMF] FLHM FKRü QLHNRQLHF]QLH SDUDPHWU\ V NRGRZDQH Z DOIDEHFLH ELQDUQ\P MDNR FLJ ]HU L MHG\QHN FKURPRVRP NRGXMH SXQNW Z SU]HVWU]HQL SRV]XNLZD UR]ZL]D – SRV]XNXM UR]ZL]DQLD SUDFXMF punktem w przestrzeni parametrów, MHGQRF]HQLH ] SRSXODFM SXQNWyZ D QLH ] Sojedynczym ± QLH SRVáXJXM VL SRFKRGQ\PL IXQNFML DQL LQQ ZLHG] R IXQNFML FHOX – VWRVXM SUREDELOLVW\F]QH UHJXá\ SU]HV]XNLZDQLD SU]HVWU]HQi parametrów optymalizowanej IXQNFML Z\NRU]\VWXMF REV]DU\ R Z\VRNLP VWRSQLX SU]\VWRVRZDQLD GREUH UR]ZL]DQLD Automatyczne uczenieVL (ML – Machine Learning). D]LHG]LQDWD]DMPXMHVL V]XNDQLHP RGSRZLHG]LQDS\WDQLHZMDNLVSRVyENRQVWUXRZDüSURJUDP\NRPSXWHUoZHNWyUHSRWUDIL DXWRPDW\F]QLHSROHSV]DüVZRMHG]LDáDQLHZPLDU ]GRE\ZDQLDÄGoZLDGF]HQLD´SWRVXMHVL WXSRM FLDLZLHG] ]Uy*Q\FKREV]DUyZEDGDQSVWDW\VWyki, sztucznej inteligencji, filozofii, WHRULLLQIRUPDFMLELRORJLLLLQ/XG]NRüRGSRF]tNyZLVWQLHQLDNRPSXWHUyZPDU]\áDE\ PRJá\VL RQHXF]\üDOHMDNMH]DSURJUDPoZDüE\WRSRWUDILá\"6DW\VIDNFMRQXMFHM RGSRZLHG]LQDWRS\WDQLHQDGDOQLH]QDP\FKRüUR]ZLMDQHVQRZHDOJRU\WP\'REUH VIRUPXáRZDQLHSUREOHPXZ\EyU]ELRUXXF]FHJRGRZLDGF]HPDMEDUG]RGX*H]QDF]HQLH GOD]DGDQLDDXWRPDW\F]QHJRXF]HQLDVL Mitchell 1997, +XWFKLQVRQ.ZDQLFND 1998b). :\PLHQLRQH WHFKQLNL ]QDMGXM ]DVWRVRZDQLH Z Uy*Q\FK G]LHG]LQDFK :\PLHQLHQLH LFK ZV]\VWNLFK Z\GDMH VL QLHPR*OLZH : OLWHUDWXU]H SU]HGPLRWX Z\Uy*QLD VL QDMF] FLHM QDVW SXMFH ]DGDQLD (Schalkoff 1990): • Robotyka – planowanie drogi ruchu robotów (path and motion planning), rozpoz- nawanie REUD]yZ ± GRNáDGQLHM UR]SR]QDZDQLH Z]RUFyZ pattern recognition i computer vision), sterowanie, tworzenie harmonogramów i diagnostyka produkcji (manufacturing control, diagnostic systems, scheduling). 3 Np. XpertRule, http://www.attar.com, EMYCIN (system ekspertowy MYCIN bez bazy wiedzy) itp. • 6\VWHP\ HNVSHUWRZH ± GLDJQRVW\ND PHG\F]QD ZRMVNRZRü VWHURZDQLH energetycznymi, geologia, projektowanie, konfiguracja komputerów. • Gry – logiczne (najbardziej spektakularny sukces to Deep %OXH ]Z\FL ]FD QDG ZLDWD PLVWU]HP $ .DVSDURZHP RVLJQL FLD GREUH SRGVWacjami V]DFKRZ\P SURJUDPX TD-GAMMON JUDMFHJR Z WULNWUDND 0LWFKHOO PHQHG*HUVNLH L ZRMVNRZH • 5R]XPLHQLH M ]\ND QDWXUDOQHJR UR]SR]QDZDQLH PRZ\ WáXPDF]HQLH WHNVWyZ • $XWRPDW\F]QH GRZRG]HQLH WZLHUG]H • Komputerowe wspomaganie nauczania(uczenia). • Automatyczne podejmowanie decyzji. • Automatyczne generowanie programów komputerowych. =DSUH]HQWRZDQH ZSURZDG]HQLH Z SUREOHPDW\N V]WXF]QHM LQWHOLJHQFML PLPR L* EDUG]R NUyWNLH pokazuje jak szeroka i interdyscyplinarna jest ta dziedzina. Zgodnie z F\WRZDQ MX* MHM GHILQLFM V]WXF]QD LQWHOLJHQFMD QDODGXMH ]DFKRZDQLD MDNLH V RbVHUZRZDQH X F]áRZLHND :\GDMH VL MHGQDN *H FRUD] EDUG]LHM XSRZV]HFKQLD VL UR]uPLHQLH V]WXF]QHM LQWHOLJHQFML Z VSRVyE VIRUPXáRZDQ\ SU]H] D.B. Fogla Z SU]HGPRZLH GR MHJR NVL*NL ]DW\WXáRZDQHM Evolutionary Computation Toward a New Philosophy of Machine Intelligence (Fogel 1995): sztuczna inteligencja WR ]GROQRü V\VWHPX GR doVWRVRZDQLD VZRMHJR G]LDáDQLD WDN DE\ RVLJQü ]DáR*RQ\ FHO Z URGRZLVNX Z NWyU\P VL ]QDMGXMH ,QWHOLJHQWQH VWZRU]HQLD SRZVWDá\ Z Z\QLNX HZROXFML ELRORJLF]QHM 2 bVHUZXMF L PRGHOXMF HZROXFM PR*HP\ X]\VNDü ZLHOH LQWHOLJHQWQ\FK ]DFKRZD :V]HONLH PHWRG\ V\PXODFML HZROXFML ]D SRPRF NRPSXWHUD QRV] QD]Z REOLF]H HZROXF\MQ\FK (EC – Evolutionary Computation). Wszelkie algorytmy stosowane w takich symulacjach to algorytmy ewolucyjne (EAs – Evolutionary Algorithms). : RVWDWQLFK ODWDFK SDUDG\JPDW REOLF]H HZROXF\MQ\FK VWDá VL EDUG]R SRSXODUQ\ 2EVHUZRZDQH MHVW ]ZL NV]HQLH OLF]E\ SUDF QD WHQ WHPDW F]DVRSLVP NRQIHUHQFML NVL*HN SRZVWDM OLVW\ G\VNXV\MQH strony LQWHUQHWRZH 3RGREQLH ]ZL NV]D VL OLF]ED Uy*nych dziedzin, w których algorytmy ewolucyjne ]QDMGXM ]DVWRVRZDQLH RG QDWXUDlQ\FK GOD QLFK ]DGD PRGHORZDQLD G\QDPLNL SRSXODFML SU]H] ]DVWRVRZDQLD F]\VWR WHFKQLF]QH QS SURMHNWRZDQLH VDPRORWyZ JD]RFL JX ]DGDQLD V]HUHJRZDQLD JU\ logiczne, nauki chemiczne i fizyczne, po nauki ekonomiczne – popularny ostatnio paradygmat ekonomii ewolucyjnej. Niniejsza praca dotyczy REOLF]H HZROXF\MQ\FK PR*QD SRZLHG]LHü ± PRGQHJR RVWDWQLR WHPDWX ,QWHQFM DXWRUNL MHVW E\ SU]\ RND]ML ZáDVQ\FK SUDF SRND]Dü MDN PR*QD Z\NRU]\VWDü SRGHMFLH HZROXF\MQH GR UR]ZL]\ZDQLD Uy*Q\FK NODV ]DGD ± DXWoPDW\F]QH JHQHURZDQLH UHJXá SURMHNWRZDQLH sieci neuronowych czy systemów z logiN UR]P\W PRGHORZDQLH Z HNRQRPLL 3RZLQQR WR SRPyF czytelnikowi w zdefinioZDQLX ZáDVQHJR SUREOHPX Z WHUPLQDFK DOJRU\WPyZ HZROXF\MQ\FK 7HQ pierwszy etap ich stosowania jest zwykle bardzo trudny. Czasami nasze próby z EA NRF] VL fiasNLHP ] EUDNX ÄZ\F]XFLD´ G]LDáDQLD W\FK DOJRU\WPyZ LFK ZáDFLZRFL L ZUD*OLZRFL QD SDUDPHWU\ VWRVRZDQH IXQNFMH SU]\VWRVRZDQLD LWS $XWRUND Z WHM SUDF\ SRPLQ áD DQDOL] PDWHPDW\F]Q ZáDFLZRFL DOJRU\WPyZ HZROXF\MQ\FK SUyE\ WDNLFK DQDOL] V GRVW SQH JáyZQLH Z F]DVRSLVPDFK L PDWHULDáDFK NRQIHUHQF\MQ\FK PR*QD MH ]QDOH(ü UyZQLH* Z internecie4. 3RF]WHN SUDF\ ± UR]G]LDá SLHUZV]\ ± WR ZSURZDG]HQLH GR WHPDW\NL DOJRU\WPyZ HZROXF\MQ\FK 2GURELQD LQIRUPDFML R WHRULL HZROXFML NWyUD E\áD LQVSLUDFM UR]ZRMX DOJRU\WPyZ JHQHW\F]Q\FK XáDWZL czytelnikowi zrozumienie ich idei (Gould 1991, Fogel 1992, Hoffman 1983, Dawkins 1995, 1996, Szarski 1986, Mayr 1DVW SQLH RPyZLRQR G]LDáDQLH DOJRU\WPyZ JHQHW\F]Q\FK RUD] NUyWNR SU]HGVWDZLRQR SR]RVWDáH UyZQLH SRSXODUQH NODV\ DOJRU\WPyZ HZROXF\MQ\FK W]Q VWUDWHJLH ewolucyjQH SURJUDPRZDQLH HZROXF\MQH L SURJUDPRZDQLH JHQHW\F]QH : WHM F] FL ]QDMGXMH VL UyZQLH* NUyWNL SU]HJOG PR*OLZ\FK VSRVREyZ SU]HWZDU]DQLD UyZQROHJá\P Holland EA Z URGRZLVNX URzproszonym i 1975, Goldberg 1989, 0LFKDOHZLF] .ZD nicka 1998, Cantú-Paz 1977a, 6HUHG\VNL 4 Biblioteka prowadzonego przez D.E. Goldberga laboratorium Illinois Genetic Algorithms Laboratory, University of Illinois at 8UEDQD&KDPSDLJQ MHVW RJyOQLH GRVW SQD Z internecie pod adresem http://GAL4.GE.UIUC.EDU/illigal.home.html. 6 WH* LQQH VWURQ\ ]DZLHUDMFH ]DUyZQR DUW\NXá\ MDN i NRG\ SURJUDPyZ SDWU] RGV\áDF]H QD VWURQLH internetowej autorki: http://www.ci.pwr.wroc.pl/~kwasnick). : UR]G]LDOH GUXJLP SRND]DQR Z\EUDQH SU]\NáDG\ ]DVWRVRZD DOJRU\WPyZ HZROucyjnych K\EU\GRZ\FK V\VWHPDFK LQWHOLJHQWQ\FK 5 ZVSyáXG]LDOH DXWRUNL :áF]HQLH 6NXSLRQR VL JáyZQLH QD SUDFDFK Z\NRQDQ\FK w SU]\ Z V\VWHP\ Z\V]XNLZDQLD LQIRUPDFML PR*H SU]\VSLHV]\ü EA G]LDáDQLH WDNLFK V\VWHPyZ :\QLNL QDV]HM SUDF\ ]GDM VL SRWZLHUG]Dü RSáDFDOQRü WDNLHJR SRGHMFLD %DUG]R X*\WHF]QH V DOJRU\WP\ JHQeW\F]QH ]DVWRVRZDQH GR SURMHNWRZDQLD V\VWHPyZ ] ORJLN UR]P\W 7HQ VSRVyE áF]enia technik AE i FL Z\GDMH VL QDMFLHNDZV]\ FKRü QLH MHVW MHG\Q\ 3RZL FRQR WHPX MHGHQ ] SRGUR]G]LDáyZ 3RND]DQR Z MDNL VSRVyE GHILQLRZDü SUREOHP L MDNLH X]\VNDQR SU]\NáDGRZH Z\QLNL 2VWDWQLD F] ü UR]G]LDáX WR RPyZLHQLH ]DVWRVRZDQLD EA do uczenia i projektowania topologii sieci neuronowych (0HGVNHU .ZDQLFND L Nowostawski 1997, Heider i in. 1994, Heider i Drabe 1997, Herrera i Lozano 1996, Rutkowska i in. 1997, Montana i Devis 1989, 6FKDIHU L LQ 3RUWR L LQ .ZDQLFND L LQ .ZDQLFND L 6]HUV]RQ .ZDQLFND 1997). .ROHMQH WU]\ UR]G]LDá\ SUDF\ WR RU\JLQDOQ\ GRUREHN DXWRUNL. biologicznych zaproponowano algorytm ewolucyjny, Na podstawie analogii nazwany K-modelem. W K-modelu XZ]JO GQLRQR GRGDWNRZH PHFKDQL]P\ JHQHW\F]QH PL G]\ LQQ\PL XáDWZLDMFH PRGHORZDQLH ]QDQ\FK z biologii PDNURPXWDFML 8Z]JO GQLHQLH Z UHSUezentacji osobnika genów nadmiarowych oraz efektów plejotropowego i poligeniczneJR LVWRWQLH Z\Uy*QLD ]DSURSRQRZDQ\ PRGHO RG LQQ\FK DOJRU\WPyZ ewolucyjnych. Macierz SOHMRWURSRZRFL RNUHODMFD ]DOH*QRFL ZDUWRFL IHQyZ RVREQLNyZ RG MHJR JHQyZ SR]ZDOD ]ZL NV]\ü HIHNW\ZQRü DOJRU\WPX 3LHUZRWQ\P FHOHP EXGRZ\ WHJR PRGHOX E\áD FK ü PRGHORZDQLD G\QDPLNL SRSXODFML DQDOL]D WHPSD L FKDUDNWHUX HZ oOXFML : WUDNFLH GRZLDGF]H ] Uy*Q\PL DOJRU\WPDPL HZROXF\MQ\PL QDEUDQR SU]HNoQDQLD *H KPRGHO PD GX*H PR*OLZRFL RSW\PDOL]DF\MQH L PR*H E\ü X*\WHF]Q\ GR LQQ\FK ]aGD Omówienie zaproponowanego K-modelu zawarte w rozdziale trzecim poprzedzono krótkim SU]HGVWDZLHQLHP MHJR SU]HVáDQHN ELRORJLF]Q\FK :\NRQDQH EDGDQLD V yPXODF\MQH PDMFH QD FHOX sprawdzenie, czy model z SOHMRWURSRZRFL MHVW HIHNW\ZQ\ ZVND]XM *H ZDUWR Z\NRU]\VWDü WHQ SRP\Vá natury. Przedstawiono sposób reprezentacji osobnika i stosowane operatory, w tym zaproponowane operatory nazwane tranzyFM WUDQVSR]\FM UHNUXGHVFHQFM L NU\]\VHP 5R]G]LDá F]ZDUW\ WR VHULD HNVSHU\PHQWyZ ] KPRGHOHP PDMFD QD FHOX SRND]DQLH ZáDFLZRFL ]DSURSRQRZDQHJR DOJRU\WPX &LHNDZH Z\QLNL RGQRV] VL GR FKDUDNWHUX L WHPSD HZROXFML SRSXODFML OLF]F\FK QLHZLHOH G]LHVL FLX RVREQLNyZ Z SRUyZQDQLX GR HZROXFML GX*R ZL NV]\FK SRSXODFML L RVREQLNyZ GOD IXQNFML R Uy*Q\P Z\PLDU]H 2ND]XMH VL szybkim znalezieniu akcepWRZDOQHJR *H UR]ZL]DQLD D QLH QD Z\VRNLP MHOL QDV]H ]DGDQLH SROHJD QD UHGQLP SU]\VWRVRZDQLX FDáHM SRSXODFML WR PDáH SRSXODFMH V ]QDF]QLH HIHNW\ZQLHMV]H ]ZáDV]F]D GOD IXQNFML R QLHZLHONLHM OLF]ELH Z\PLDUyZ ,QWHUHVXMFH Z\QLNL X]\VNDQR G]L NL DQDOL]LH ZSá\ZX SRG]LDáX HZROXXMcej podpopulacje (GHP\ QD WHPSR L FKDUDNWHU HZROXFML :\GDMH VL PR*liwe populacji na znalezienie optymalnego SRG]LDáX MHGHQ GHP ZL NV]\ L NLOND PDá\FK : UR]G]LDOH SLW\P SU]HGVWDZLRQR GDOV]H EDGDQLD V\PXODF\MQH WHJR VDPHJR P oGHOX 6NXSLRQR VL tu nie tyle na badaniach samego modelu, co na sprawdzaniu, czy model radzi sobie dobrze w przypadku funkcji wielomodalnych i wielowymiarowych, w tym dla funkcji testowych de Jonga. 7HVWRZDQR SU]\ RND]ML MDN QD HIHNW\ZQRü DOJRU\WPX ZSá\ZD GREyU PDFLHU]\ SOHMRWURSRZRFL : UR]G]LDOH V]yVW\P SRND]DQR PR *OLZH L SU]HWHVWRZDQH ]DVWRVRZDQLH ]DSURSonowanego K- PRGHOX = ]DVWRVRZDQLHP HZROXF\MQHJR PRGHOX UR]ZRMX ILUP .ZD QLFNL SRGM WR SUyE Z\NRQDQLD JU\ PHQHG*HUVNLHM :\QLNL V EDUG]R RELHFXMFH ] FDá SHZQRFL NLHUXQHN WHQ ZDUW MHVW kontynuacji (Nowicki 1992, Kot 1997, KwaQLFND : UR]G]LDOH NRFRZ\P SUDF\ SRGVXPRZDQR X]\VNDQH Z\QLNL RUD] RPyZLRQR DNWXDOQH L SODQRZDQH SUDFH Z WHM G]LHG]LQLH -HGHQ ] JáyZQ\FK NLHUXQNyZ ]DLQWHUHV oZD WR VWZRU]HQLH Z PLDU XQLZHUVDOQHJR QDU] G]LD RSW\PDOL]XMFHJR $PELFM DuWRUNL MHVW E\ E\á WR DOJRU\WP HZROXF\MQ\ G]LDáDMF\ Z URGRZLVNX UR]SURV]RQ\P LQWHOLJHQWQLH ]DU]G]DQ\ 'RNáDGQH Z\F]XFLH ZUD*OLZRFL DOJRU\WPyZ QD SDUDPHWU\ RUD] LFK QDWXUDOQ\FK SUHG\VSR]\FML Z ]DOH *QRFL RG SDUDPHWUyZ VSRVREX NRGRZDQLD LWS SR]ZROL VIRUPXáRZDü PRGXá VWHUXMF\ FDáRFL DOJRU\WPX 3LHUZV]D SUyED ± GZD NRRSHUXMFH 5 DOJRU\WP\ JHQHW\F]QH ] NWyU\FK MHGHQ MHVW XNLHUXQNRZDQ\ QD SU]HV]XN iwanie 'RNáDGQLHMV]H RPyZLHQLH ]DVWRVRZD DOJRU\WPyZ HZROXF\MQ\FK Z W\P Z V\VWHPDFK K\EU\Gowych, przygotowywanej do druku pracy 1DODGRZDQLH QDWXU\ Z V]WXF]QHM LQWHOLJHQFML. jest zawarte w przestrzeni, a drugi na zastosowanie znalezionych dobrych obszarów – wska]XMH *H ZDUWR MHVW UHDOL]RZDü WHQ FHO 3UDFH QDG W\P WHPDWHP V UR]SRF] WH 'UXJL QXUW ]DLQWHUHVRZD WR SURMHNWRZDQLH sztucznych sieci neuronowych z wykorzystaniem algorytmów ewolucyjnych. W tej dziedzinie mamy VSRUH GRZLDGF]HQLD L E G]LHP\ NRQW\QXRZDü SUDFH 2EHFQLH SRGHMPRZDQH V SUyE\ ZáF]HQLD pewnych elementów KPRGHOX GR WHJR ]DGDQLD 2SUDFRZDQLH G\GDNW\F]QHM JU\ PHQHG*HUVNLHM ] zastosowaniem paradygmatu ekonomii ewolucyjnej (i KPRGHOX MDNR SRGVWDZ\ QDGDMFHM VL GR FHOyZ G\GDNW\F]Q\FK L EDGDZF]\FK WR UyZQLH* MHGHQ ] SODQRZDQ\FK NLHUXnków pracy autorki. 'RW\FKF]DVRZH SUDFH Z\ND]Dá\ ]DOHW\ L X*\WHF]QRü SURSRQRZDQHJR Z KPRGHOX SRGHMFLD -HVW to algorytm ewolucyjny z zaimplementowanymi genami nadmiarowymi, SOHMRWURSRZRFL L SROLJHQLF]QRFL RUD] PHFKDQL]PDPL UHNUXGHVFHQFML L NU\]\VX .RQW\QXDFMD EDGD Z Z\PLHQLRQ\FK NLHUXQNDFK SR]ZROL ]ZHU\ILNRZDü ZDORU\ DSOikacyjne modelu.