(Untitled)

[basp]

...ребенок не родился - схватки были преждевременны. Но с именем уже определились: "Разработка и исследование алгоритмов эволюционного моделирования и их применение в задачах выбора". Впрочем, надо еще найти второго акушера(оппонента).
Такие дела...

Comments

[anonymous]

а каков метод исследования генетических алгоритмов предполагается? численный эксперимент или аналитика?

[basp]

Эксперименты. Алгебра ГА - отдельная (сырая) тема, и достойна, наверное, отдельного исследования.

[anonymous]

В таком случае R благодатное поле для исследования эффективности ГА :)
А есть ли у Вас эволюция какого либо генома?

набор таблиц, по одной на поколение, в каждой
в строках индивидуумы, в колонках соответствующие оптимизируемые параметры ?

любопытно статистику этого дела посмотреть.

[anonymous]

просто всегда только кривые обучения приводят :(

[basp]

А вы хотите строгового математического доказательства эффективности? Честно говоря, фиг его знает - возможно ли это, в принципе. Я как бы скромно претендую на оригинальность в применении статистических методов оценки развития ГА, но тем не менее все идеи взяты из книг Докинза и прочих(т.е. из теории эволюци, микробиологии).

[anonymous]

с практической точки зрения я видел "зациклившийся" ГА на простом примере идущем с галиб

матрица как цель ГА

1010
0101
1010
0101

"разносит" процесс решения для конкретного вида ГА при увеличении на один столбец/строку

[basp]

Мне не совсем корректно сравнивать, т.к. используется вещественное кодирование. Но вот, что получилось при размере популяции=100, начальном разбросе на [0,1], длине генома=32 и фитнесс функции(где xs-геном):
function(xs) sum(abs(xs - c(1,0,1,0,0,1,0,1,1,0,1,0,0,1,0,1,1,0,1,0,0,1,0,1,1,0,1,0,0,1,0,1)))
Стандартный ГА:

> test.ga.std(testsuite.galib.ex, times=3)
шагов(474) : фитнесс(0.9427305) : 1.017086 0.02099387 1.006232 0.01955127 0.03739534 0.9973648 0.03619839 0.9875194 0.9757517 0.03414160 1.019306 0.04734282 0.04150439 0.9867625 0.02469037 0.9855019 1.025899 0.03229816 0.9940718 0.0461459 0.03033683 1.105125 0.02550338 1.014180 0.9695433 0.05752359 0.958702 0.04561827 0.03521614 0.9629891 0.03646475 1.002183
...
$mean.iter
[1] 472.3333

$mean.fitness
[1] 0.9596104

$non.conv
[1] 0
Статистический ГА(прогноз раз в 50 поколений):

> test.ga.stat(testsuite.galib.ex, times=3

[anonymous]

что то разнесло при постинге листинга совсем :(

вот прогон не изменённого теста
The GA found:
01010101010
10101010101
01010101010
10101010101
01010101010

а вот с увеличенной матрицей

The GA found:
00000000000
11111111111
00000000000
11111111111
00000000000
11111111111

[basp]

Здесь же используется бинароное кодирование, а я такой подход в принципе не делал. Где-то вещественное представление дает лучшие результаты, где-то нет.
А чтобы galib давал в таком тесте хорошие результы, надо использовать стратегию элитизма и скрещивание по наибольшему сходству

p.s. кривые посты я удалил

[anonymous]

вообще глядя на это безобразие приходит мысль что неплохо бы запустить тестирующий процесс ГА подбирающий для тестируемого процесса ГА максимально "неудобные" данные :)

Главное при этом что бы у них "не совпало" :)

Вообще не понятно почему мало внимания (в том что смотрел) уделено (размеру|выбору размера) популяции решающей задачу... Она ведь как то должна быть связана с размерностью пространства в котором ГА ищет решения и сеткой на которой (в следствии особенностей представления чисел в геноме) ищется решение?

[basp]

Вобще говоря, выбору размеру популяции уделено немало внимания(Cvetkovic,De Jong,); наш Цой опять же

[anonymous]

и какие основные правила? для факторного анализа того же все просто и очевидно --- излом на кривой нагрузок выделяемых ортогональных факторах (ну бутстреп наконец)... а здесь ничего такого я что то не нашёл. В статьях опять же просто кривые целевой функции от числа поколений... как туда бутстреп присобачить что то в голову не приходит, поэтому и анализ поведения гнома в процессе эволюции и приходит в голову наблюдать.

Если нетрудно сформулировать что корифеи придумали для практиков?

(я конечно почитаю названную литературу)

А заставить ГА найти дырку в работе второго ГА мне кажется весьма интересно, или такое уже делали и это велосипед?

[basp]

Всё уже придумали в 1988-1993 годы, т.е. в первые 5 лет популярности ГА. Второе из того, что назвали, - 2хуровненый ГА.
Для подбора размера популяции есть, например, такая формула N_min = 2*(2 + [log_2(ДлинаБинарногоГенома)]).

[basp]

Есть стандартный ГА - такой, как описан у Холланда, но с дополнением вещественного представления гена. Соответственно, популяция представляется матрицей вещественных чисел. Набора таблиц нет - слишком затратно по памяти, в простом случае хранится только последнее поколение. В оригинальных модификациях ГА, действительно, хранится "история" поколений, по которой и производится дальнейшая оценка.
Если интересно про то, что получилось - я на днях здесь выложу автореферат диссертации.

p.s. А можно узнать, кому я отвечаю? Вы занимаетесь ГА в теории, применяете на практике или ... ?

[anonymous]

Применяю в своей научной и прикладной деятельности R, в основном многомерный анализ данных.
ГА изпользую как метод нахождения субоптимального решения. Мне просто кажется что есть способ исследования процесса решения ГА лучше чем поведение целевой функции от поколения.

Вроде даже что то видел мельком в литературе, вот и хотелось посчитать пример готовый...

Впрочем действительно, чего я пристал? :) сдую пыль с галиб и нагенерю сам чего нибудь, вспомнил что вроде последний раз даже нашел функцию выгрузки генома :)