Использование генетических алгоритмов для расстановки кораблей в игре Морской Бой

ВВЕДЕНИЕ 2
ГЛАВА 1. ОСНОВНЫЕ ЭТАПЫ РАБОТЫ ГЕНЕТИЧЕСКОГО АЛГОРИТМА 5
1.1. Выбор языка программирования 6
1.2. Выбор пакетов языка программирования Python 6
1.3. Преимущества и недостатки генетических алгоритмов 8
1.4. Обзор методов отбора, скрещивания и мутации 10
1.5. Механизм элитизм в генетических алгоритмах 16
2.1. Представление хромосомы для генетического алгоритма 18
2.2. Объявление констант 18
2.3. Функция приспособленности 19
2.4. Определение методов отбора, мутации и скрещивания 20
2.5. Реализация принципа элитизма 20
2.6. Визуализация работы алгоритма 21
ЗАКЛЮЧЕНИЕ 23
СПИСОК ЛИТЕРАТУРЫ 24
Приложение 1 26
Приложение 2 31
Приложение 3 32

Весь текст будет доступен после покупки

Актуальность темы исследования.
В 1859 году английский натуралист по имени Чарльз Дарвин сделал открытие, опубликовав «Происхождение видов». Он выдвинул идею, которая вскоре стала одной из самых важных в научной сфере того времени, — идею о том, что каждая форма жизни на Земле развивается в результате борьбы за существование и того, что он назвал естественным отбором. Его мысли сыграли значительную роль в популяризации этих новомодных идей — «эволюции» и «естественного отбора» — среди учёных. Они как лесной пожар завоевали популярность в научном сообществе.
Лишь в 1954 году произошел первый прорыв в этой области. Итальянский математик Нельсон Пол представил эволюционное компьютерное моделирование, которое вызвало новую волну исследований. Вскоре в 1960-х годах появился генетический алгоритм, он вызвал ажиотаж в научном мире, многие используют концепцию его работы, что делает из него важную тему, которая является основой для многочисленных научных исследований и прикладных задач. Генетические алгоритмы используются как часть методов оптимизации для задач, где другие алгоритмы тяжело применимы из-за условий задачи; например, генетические алгоритмы облегчают обучение нейронных сетей, при этом генетические алгоритмы популярны в этой сфере благодаря простоте реализации, учитывая их высокую эффективность.

Весь текст будет доступен после покупки

ГЛАВА 1. ОСНОВНЫЕ ЭТАПЫ РАБОТЫ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
1.1. Выбор языка программирования
В качестве основного языка программирования был выбран Python. Выбор данного языка программирования был обусловлен тем, что он является высокоуровневый языком общего назначения с динамической строгой типизацией и автоматическим управлением памятью.
Этот язык программирования имеет ряд преимуществ по сравнению с другими языками для решения поставленных задач. Во-первых, Python имеет очень простой и лёгкий синтаксис, что делает его удобным инструментом для быстрой и эффективной разработки. Во-вторых, Python предоставляет широкий выбор пакетов для визуализации и обработки данных. Это упрощает процесс реализации и визуализации работы генетических алгоритмов. Кроме того, Python является кроссплатформенным языком программирования, что позволяет запускать исходный код на различных операционных системах без изменений. Также Python имеет огромную базу пользователей, позволяющую найти ответ на любой интересующий вопрос .
1.2. Выбор пакетов языка программирования Python
DEAP (Distributed Evolutionary Algorithms in Python) — это пакет программного обеспечения на языке Python, который предназначен для реализации эволюционных алгоритмов и других видов генетического программирования. DEAP имеет ряд преимуществ по сравнению с другими языками программирования на языке Python для создания генетических алгоритмов:
1. Универсальность и масштабируемость: DEAP предлагает широкий набор инструментов для разработки разнообразных генетических алгоритмов, включая генетическое программирование, классические генетические алгоритмы и методы коэволюции, что позволяет настроить алгоритм под свои конкретные нужды и задачи.
2. Простота использования: в DEAP используется простой и интуитивно понятный API, что делает его доступным даже для новичков.
3. Высокая производительность: DEAP разработан для эффективной работы с большими объёмами данных и вычислений, что позволяет использовать его для решения сложных задач оптимизации.
4. DEAP предоставляет широкие возможности для настройки параметров генетических алгоритмов. С его помощью можно легко изменять размер популяции, вероятность скрещивания и мутации, что позволяет добиться наилучших результатов в решении поставленной задачи .
В целом, DEAP является хорошим инструментом для реализации генетических алгоритмов, так как он представляет собой мощный и гибкий инструмент для реализации генетических алгоритмов на языке Python, который может быть успешно применен в различных областях, требующих оптимизации и поиска решений.
Matplotlib — это библиотека для визуализации данных в Python, которая отличается простотой использования и возможностью гибкой настройки. Она предлагает широкий спектр инструментов для создания различных типов графиков и позволяет пользователю настраивать их внешний вид согласно своим потребностям .

Весь текст будет доступен после покупки

1. ГОСТ Р 54593-2011. Информационные технологии. Свободное программное обеспечение. Общие положения.
2. ГОСТ Р 56920-2016. Системная и программная инженерия. Тестирование программного обеспечения. Часть 1. Понятия и определение.
3. Положение о курсовых работах (проектах) в федеральном государственном бюджетном образовательном учреждении высшего образования «Российский экономический университет имени Г. В. Плеханова»;
4. Про программирование. [Электронный ресурс]. – Режим доступа: https://proproprogs.ru/index.php (дата обращения: 07.05.2023)
5. Адитья Бхаргава. Грокаем алгоритмы. — СПб.: Питер, 2022 – 288с.
6. Глушенко С.А., Долженко А.И. Обучение нейро-нечеткой сети с помощью генетического алгоритма//Кибернетика и программирование, 2017-5, с 79-87.
7. Мартин Роберт С. Чистая архитектура. Искусство разработки программного обеспечения — СПб.: Питер, 2018 – 352c.
8. Павлов Л.А. Структуры и алгоритмы обработки данных. – Санкт- Петербург: Лань, 2020
9. Седжвик Р., Уэйн К. Computer Science: основы программирования на Java, ООП, алгоритмы и структуры данных. — СПб.: Питер, 2018. — 1072 с.: ил. — (Серия «Классика computer science»).

Весь текст будет доступен после покупки