Интернет вещей как сложная информационная система

Введение 2
1. Генетические алгоритмы 4
1.1 Описание принципа ГА 4
1.1.1 Создание начальной популяции 5
1.1.2 Операторы выбора родителей 6
1.1.3 Скрещивание (Рекомбинация) 7
1.1.4 Мутация 9
1.1.5 Отбор (Селекция) 9
2. Параметры Генетических Алгоритмов 12
3. Модернизация Генетического Алгоритма 13
4. Преимущества и недостатки ГА 14
Заключение 16
Глоссарий 17
Литература 19

Весь текст будет доступен после покупки

Данная работа посвящена генетическим алгоритмам - одному из методов оптимизации, предложенному относительно недавно, в 1975 году Джоном Холландом. Оптимизационные задачи включают в себя поиск минимума (или максимума) заданной функции. Эта функция является целевой и обычно сложна, зависит от нескольких входных параметров. Значения этих параметров ищутся при решении задач оптимизации.

Генетические алгоритмы основаны на принципах естественного отбора Чарльза Дарвина. Они относятся к стохастическим методам. Генетические алгоритмы успешно применяются в различных областях, таких как оптимизация функций, оптимизация запросов в базах данных, решение графовых задач, настройка и обучение искусственных нейронных сетей, компоновка задач, составление расписаний, игровые стратегии, теория приближений, искусственная жизнь и биоинформатика (например, свертывание белков). Существуют различные модификации генетических алгоритмов и разработаны тестовые функции. Главные цели и задачи исследования включают изучение работы систем на основе генетических алгоритмов и выявление нерешенных проблем.

Генетические алгоритмы относятся к области мягких вычислений. Термин "мягкие вычисления" был представлен Лофти Заде в 1994 году. Он объединяет различные области, такие как нечеткая логика, нейронные сети, вероятностные рассуждения, сети доверия и эволюционные алгоритмы. Часто эти области пересекаются и дополняют друг друга, используясь в различных комбинациях или самостоятельно.

Первая схема генетического алгоритма была предложена Джоном Холландом в 1975 году в Мичиганском университете. Она была основана на работах Чарльза Дарвина (теория эволюции) и исследованиях ученых, занимавшихся теорией эволюции простых автоматов для предсказания символов в цифровых последовательностях. Этот новый алгоритм получил название "репродуктивный план Холланда" и активно использовался в эволюционных вычислениях. Идеи Холланда были развиты его учениками Кеннетом Де Йонгом из университета Джорджа Мейсона (Вирджиния) и Дэвидом Голдбергом из лаборатории генетических алгоритмов Иллинойса. Благодаря им был создан классический генетический алгоритм, описаны все операторы и изучено поведение группы тестовых функций.

Весь текст будет доступен после покупки

1. Генетические алгоритмы
1.1 Описание принципа ГА

Задача, которая будет решаться Генетическим Алгоритмом (ГА), формализуется таким образом, чтобы её решение можно было закодировать в виде вектора генов (генотипа), где каждый ген может быть битом, числом или неким объектом. В классических реализациях генетического алгоритма (ГА) предполагается, что генотип-вектор имеет фиксированную длину. Однако существуют вариации ГА, свободные от этого ограничения.

Некоторым, обычно случайным, образом создаётся множество генотипов начальной популяции. Они оцениваются с использованием «функции приспособленности», в результате чего с каждым генотипом ассоциируется определённое значение («приспособленность»), которое определяет, насколько хорошо фенотип, им описываемый, решает поставленную задачу.

При выборе «функции приспособленности» важно следить, чтобы она имела разнообразный рельеф, без больших «плоских» участков, а также требовала минимум ресурсов на вычисление.

Из полученного множества решений («поколения») с учётом значения «приспособленности» выбираются решения, к которым применяются «генетические операторы» (в большинстве случаев «скрещивание» и «мутация»), результатом чего является получение новых решений. Для них также вычисляется значение приспособленности, и затем производится отбор («селекция») лучших решений в следующее поколение.

Этот набор действий повторяется итеративно, так моделируется «эволюционный процесс», продолжающийся несколько жизненных циклов (поколений), пока не будет выполнен критерий остановки алгоритма. Таким критерием может быть:

- Нахождение глобального, либо субоптимального решения;
- Исчерпание числа поколений, отпущенных на эволюцию;
- Исчерпание времени, отпущенного на эволюцию.

Весь текст будет доступен после покупки

1. Панченко, Т.В. Генетические алгоритмы [Текст] : учебно-методическое пособие / под ред. Ю. Ю. Тарасевича, Астрахань : Издательскии дом «Астраханскии университет», 2007. – 87 [3] с.
2. Наиханова, Л.В. Технология создания методов автоматического построения онтологии с применением генетического и автоматического программирования [Текст] : Монография. – Улан-Удэ: Изд-во БНЦ СО РАН, 2008. – 244 с.
3. Батишев, Д.И. Генетические алгоритмы решения экстремальных задач [Текст]/ Д.И. Батишев ; Нижегородскии госуниверситет. — Нижнии Новгород : 1995.c. — 62с.
4. Гладков Л.А., Куреичик В.В., Куреичик В.М. Генетические алгоритмы [Текст]/ Под ред. В.М. Куреичика. — 2-е изд., испр. и доп. — М.: ФИЗМАТЛИТ, 2006. — 320 с. — ISBN 5-9221-0510-8.
5. Исследования по ГА в Мичиганском университете [Электронныи ресурс]. – URL: http://garage.cps.msu.edu (дата обрашения: 10.04.2021)
6. Исследования по ГА в университете штата Колорадо университете [Электронныи ресурс]. – URL: http://www.cs.colostate.edu (дата обрашения: 10.04.2021)
7. Ассоциация по Генетическим Алгоритмам университета Джорджа Меи- сона [Электронныи ресурс]. – URL: http://www.cs.gmu.edu/research/gag (дата обрашения: 10.04.2021)

Весь текст будет доступен после покупки