Московский государственный университет путей сообщения
Опубликован: 10.10.2014 | Доступ: свободный | Студентов: 865 / 190 | Длительность: 22:10:00
Лекция 1:

Введение.Основы генетических алгоритмов

Лекция 1: 1234567891011121314 || Лекция 2 >

1.7. Параметры генетических алгоритмов

Эффективность ГА зависит от ряда параметров, к которым относятся: мощность популяции, структура представления решения, вид генетических операторов кроссинговера и мутации, вероятности кроссинговера и мутации P_c и P_m и т.п..

Мощность популяции N является важнейшим параметром ГА, который критичен во многих приложениях. Чем больше N, тем больше разнообразие потенциальных решений (при хорошейсхеме инициализации, обеспечивающей однородное распределение частиц). Большое число особей позволяет покрыть большую часть пространства поиска за одну итерацию. С другой стороны, большое число особей повышает вычислительную сложность итерации и при этом ГА может выродиться в случайный параллельный поиск. Если N мало, то ГА работает быстро, но при этом увеличивается опасность преждевременной сходимости к локальному экстремуму. Большая мощность популяции увеличивает генофонд, но процесс поиска замедляется. Обычно полагают N\in [30;200].

На разных этапах работы ГА оптимальное значение N может быть различным. На начальном этапе N должно быть большим, а на заключительном N можно уменьшить. Большую роль играют также вид генетических операторов, которые представлены в следующем разделе. Кроме этого, не менее важны значения вероятностей кроссинговера и мутации P_c и P_m.

Для оптимизации, особенно мультимодальных функций, наиболее существенными являются две характеристики ГА:

  • способность сходиться к оптимуму (локальному или глобальному) после нахождения области, содержащей этот оптимум;
  • способность находить новые области в пространстве решений в поисках глобального оптимума.

Баланс между этими характеристиками ГА в значительной степени определяется значениями вероятности P_c и P_m, типом используемых генетических операторов (прежде всего кроссинговера). Увеличение значений P_c и P_m ведет к расширению пространства поиска. Обычно используют следующие значения вероятностей: P_c\in [0,5;1] и P_m\in [0,001;0,05]. В адаптивных генетических алгоритмах изменяются, прежде всего, вероятности кроссинговера и мутации P_c и P_m.

Лекция 1: 1234567891011121314 || Лекция 2 >