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.