Oczekiwana liczba reprezentantów schematu
Zakładając niezależność operacji reprodukcji i krzyżowania otrzymujemy oszacowanie:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1i
Dany schemat przeżyje mutację z prawdopodobieństwem (1-pm)o(H). Dla małych wartości prawdopodobieństwo można aproksymować za pomocą wyrażenia:
1-o(H)*pm
Zatem oczekiwana liczba reprezentantów schematu H w następnym pokoleniu otrzymany w wyniku operacji reprodukcji, krzyżowania i mutacji, spełnia następującą nierówność:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1 − o(H)pm
i
Algorytmy genetyczne
Oczekiwana liczba reprezentantów schematu
Zakładając niezależność operacji reprodukcji i krzyżowania otrzymujemy oszacowanie:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1i
Dany schemat przeżyje mutację z prawdopodobieństwem (1-pm)o(H).
Dla małych wartości prawdopodobieństwo można aproksymować za pomocą wyrażenia:
1-o(H)*pm
Zatem oczekiwana liczba reprezentantów schematu H w następnym pokoleniu otrzymany w wyniku operacji reprodukcji, krzyżowania i mutacji, spełnia następującą nierówność:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1 − o(H)pm
i
Algorytmy genetyczne
Oczekiwana liczba reprezentantów schematu
Zakładając niezależność operacji reprodukcji i krzyżowania otrzymujemy oszacowanie:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1i
Dany schemat przeżyje mutację z prawdopodobieństwem (1-pm)o(H). Dla małych wartości prawdopodobieństwo można aproksymować za pomocą wyrażenia:
1-o(H)*pm
Zatem oczekiwana liczba reprezentantów schematu H w następnym pokoleniu otrzymany w wyniku operacji reprodukcji, krzyżowania i mutacji, spełnia następującą nierówność:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1 − o(H)pm
i
Algorytmy genetyczne
Oczekiwana liczba reprezentantów schematu
Zakładając niezależność operacji reprodukcji i krzyżowania otrzymujemy oszacowanie:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1i
Dany schemat przeżyje mutację z prawdopodobieństwem (1-pm)o(H). Dla małych wartości prawdopodobieństwo można aproksymować za pomocą wyrażenia:
1-o(H)*pm
Zatem oczekiwana liczba reprezentantów schematu H w następnym pokoleniu otrzymany w wyniku operacji reprodukcji, krzyżowania i mutacji, spełnia następującą nierówność:
E[m(H,t+1)] m(H, t)f (H)
f
h
1 − pc•δ(H)l −1 − o(H)pm
i
Algorytmy genetyczne
Twierdzenie o schematach
Podstawowe twierdzenie algorytmów genetycznych
Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu.
Algorytmy genetyczne
Twierdzenie o schematach
Podstawowe twierdzenie algorytmów genetycznych
Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu.
Algorytmy genetyczne
Przykład[1]
Algorytmy genetyczne
Dwu-ramienny bandyta
Załóżmy, że istnieje
dwuramienny automat do gry, którego ramiona są oznaczone jako Lewe i Prawe oraz wiadomo, iż jedno z ramion zapewnia średnią wygraną µ1przy wariancji σ12, a drugie średnią wygraną µ2 przy wariancji σ22, przy czym µ1 µ2.
Algorytmy genetyczne
Dwu-ramienny bandyta Strategia wygranej
Przypuśćmy, że mamy do wykonania łącznie N prób, które należy podzielić między oba ramiona. Na początek wykonujemy po n prób (2n<N) z każdym z ramion. Po zakończeniu eksperymentu
pozostałe N-2n prób wykonujemy z ramieniem o najwyższej zrealizowanej (średniej) wypłacie.
Zakładając, że znamy N, µ1, µ2, σ1, σ2, oczekiwana strata będzie dana wzorem:
L(N,n)=|µ1-µ2|*[(N-n)q(n)+n(1-q(n))]
Gdzie q(n) oznacza prawdopodobieństwo, że po wykonaniu n prób z każdym z urządzeń gorsze ramię dało empirycznie lepszy wynik.
Algorytmy genetyczne
Dwu-ramienny bandyta Strategia wygranej
Przypuśćmy, że mamy do wykonania łącznie N prób, które należy podzielić między oba ramiona. Na początek wykonujemy po n prób (2n<N) z każdym z ramion. Po zakończeniu eksperymentu
pozostałe N-2n prób wykonujemy z ramieniem o najwyższej zrealizowanej (średniej) wypłacie.
Zakładając, że znamy N, µ1, µ2, σ1, σ2, oczekiwana strata będzie dana wzorem:
L(N,n)=|µ1-µ2|*[(N-n)q(n)+n(1-q(n))]
Gdzie q(n) oznacza prawdopodobieństwo, że po wykonaniu n prób z każdym z urządzeń gorsze ramię dało empirycznie lepszy wynik.
Algorytmy genetyczne
Dwu-ramienny bandyta Strategia wygranej
Prawdopodobieństwo q(n) można oszacować za pomocą rozkładu normalnego:
Straty jakie można ponieść to:
Wykonanie n prób ze złym ramieniem w fazie eksperymentalnej oraz wybór ramienia dającego niższą średnią wygraną po zakończeniu eksperymentu
Algorytmy genetyczne
Dwu-ramienny bandyta Strategia wygranej
Prawdopodobieństwo q(n) można oszacować za pomocą rozkładu normalnego: Straty jakie można ponieść to:
Wykonanie n prób ze złym ramieniem w fazie eksperymentalnej oraz wybór ramienia dającego niższą średnią wygraną po zakończeniu eksperymentu
Algorytmy genetyczne
Dwu-ramienny bandyta Strategia wygranej
Prawdopodobieństwo q(n) można oszacować za pomocą rozkładu normalnego: Straty jakie można ponieść to:
Wykonanie n prób ze złym ramieniem w fazie eksperymentalnej oraz wybór ramienia dającego niższą średnią wygraną po zakończeniu eksperymentu
Algorytmy genetyczne
Optymalna wielkość eksperymentu n*
Holland podaje oszacowanie:
n*' b2lnh
N2 8πb4lnN2
i
, gdzie b=σ1/(µ1− µ2)
Algorytmy genetyczne
Optymalna wielkość eksperymentu n*
Holland podaje oszacowanie:
n*' b2lnh
N2 8πb4lnN2
i
, gdzie b=σ1/(µ1− µ2)
Algorytmy genetyczne
k-ramienny bandyta
Zasady wygranej podobne jak w 2-raminnym bandycie z tą różnicą, że teraz mamy k ramion.
k-ramienny bandyta to zbiór konkurujących schematów Definicja:
Dwa schematy A i B o elementach odpowiedni ai i bi konkurują, jeżeli dla każdej pozycji i=1,2,. . . ,l albo ai=bi=*, albo ai 6=*, bi 6=*, ai 6=bi – przy czym ostatni przypadek zachodzi przynajmniej dla jednego i.
Algorytmy genetyczne
k-ramienny bandyta
Zasady wygranej podobne jak w 2-raminnym bandycie z tą różnicą, że teraz mamy k ramion.
k-ramienny bandyta to zbiór konkurujących schematów
Definicja:
Dwa schematy A i B o elementach odpowiedni ai i bi konkurują, jeżeli dla każdej pozycji i=1,2,. . . ,l albo ai=bi=*, albo ai 6=*, bi 6=*, ai 6=bi – przy czym ostatni przypadek zachodzi przynajmniej dla jednego i.
Algorytmy genetyczne
k-ramienny bandyta
Zasady wygranej podobne jak w 2-raminnym bandycie z tą różnicą, że teraz mamy k ramion.
k-ramienny bandyta to zbiór konkurujących schematów Definicja:
Dwa schematy A i B o elementach odpowiedni ai i bi konkurują, jeżeli dla każdej pozycji i=1,2,. . . ,l albo ai=bi=*, albo ai 6=*, bi 6=*, ai 6=bi – przy czym ostatni przypadek zachodzi przynajmniej dla jednego i.
Algorytmy genetyczne
Przykład
Dany jest zbiór schematów o długości 7, konkurujących na pozycjach 2, 3 i 5
*00*0**
*00*1**
*01*0**
*01*1**
*10*0**
*10*1**
*11*0**
*11*1**
Algorytmy genetyczne
Przykład
Dany jest zbiór schematów o długości 7, konkurujących na pozycjach 2, 3 i 5
*00*0**
*00*1**
*01*0**
*01*1**
*10*0**
*10*1**
*11*0**
*11*1**
Algorytmy genetyczne
Przykład
Dla trzech ustalonych pozycji w ciągu długości 7 mamy 73 = 35 zagadnień ośmioramiennych (23=8) bandytów.
Ogólnie dla schematów rzędu j i długości l istnieje l
j
różnych zagadnień kj- ramiennych, gdzie kj = 2j bandytów
Jednak nie wszystkie zP
l j
= 2l zagadnień są rozwiązywane z jednakową sprawnością.
Algorytmy genetyczne
Przykład
Dla trzech ustalonych pozycji w ciągu długości 7 mamy 73 = 35 zagadnień ośmioramiennych (23=8) bandytów.
Ogólnie dla schematów rzędu j i długości l istnieje l
j
różnych zagadnień kj- ramiennych, gdzie kj = 2j bandytów
Jednak nie wszystkie zP
l j
= 2l zagadnień są rozwiązywane z jednakową sprawnością.
Algorytmy genetyczne
Przykład
Dla trzech ustalonych pozycji w ciągu długości 7 mamy 73 = 35 zagadnień ośmioramiennych (23=8) bandytów.
Ogólnie dla schematów rzędu j i długości l istnieje l
j
różnych zagadnień kj- ramiennych, gdzie kj = 2j bandytów
Jednak nie wszystkie zP
l j
= 2l zagadnień są rozwiązywane z jednakową sprawnością.
Algorytmy genetyczne
Hipoteza cegiełek (bloków budujących)
Algorytm genetyczny poszukuje rozwiązań optymalnych przez zestawianie schematów o małej rozpiętości i niskiego rzędu a o dużej wydajności działania, zwanych cegiełkami (blokami budującymi) [1],[2].
Algorytmy genetyczne
Hipoteza cegiełek (bloków budujących) – Przykład [1]
Algorytmy genetyczne
Hipoteza cegiełek (bloków budujących) – Przykład [1]
Algorytmy genetyczne
Minimalny problem zwodniczy
Problem zwodniczy- przypadek kiedy algorytm genetyczny szuka optimum w innym miejscu dając fałszywe wyniki (dążąc do punktów suboptymalnych).
Algorytmy genetyczne
Minimalny problem zwodniczy
Niech będą dane 4 schematy rzędu 2, ze współczynnikami przystosowania:
***0*****0* f00
***0*****1* f01
***1*****0* f10
***1*****1* f11
Współczynniki przystosowania odpowiadają średnim dla schematów względem populacji. Załóżmy, że są one stałe, zerowej wariancji oraz, że f11 jest globalnym optimum:
f11>f00, f11>f01, f11>f10.
Algorytmy genetyczne
Minimalny problem zwodniczy
Niech będą dane 4 schematy rzędu 2, ze współczynnikami przystosowania:
***0*****0* f00
***0*****1* f01
***1*****0* f10
***1*****1* f11
Współczynniki przystosowania odpowiadają średnim dla schematów względem populacji. Załóżmy, że są one stałe, zerowej wariancji oraz, że f11 jest globalnym optimum:
f11>f00, f11>f01, f11>f10.
Algorytmy genetyczne
Minimalny problem zwodniczy
Niech dany będzie element zwodniczości, f(0*)>f(1*);
f(*0)>f(*1)
Zatem powinny zachodzić równości:
f (00)+f (01)
2 >f (10)+f (11) 2
f (00)+f (10)
2 >f (01)+f (11) 2
Nie mogą one być jednak jednocześnie spełnione (bo punkt 11 nie byłbym globalnym optimum)
Algorytmy genetyczne
Minimalny problem zwodniczy
Niech dany będzie element zwodniczości, f(0*)>f(1*);
f(*0)>f(*1)
Zatem powinny zachodzić równości:
f (00)+f (01)
2 >f (10)+f (11) 2
f (00)+f (10)
2 >f (01)+f (11) 2
Nie mogą one być jednak jednocześnie spełnione (bo punkt 11 nie byłbym globalnym optimum)
Algorytmy genetyczne
Minimalny problem zwodniczy
Niech dany będzie element zwodniczości, f(0*)>f(1*);
f(*0)>f(*1)
Zatem powinny zachodzić równości:
f (00)+f (01)
2 >f (10)+f (11) 2
f (00)+f (10)
2 >f (01)+f (11) 2
Nie mogą one być jednak jednocześnie spełnione (bo punkt 11 nie byłbym globalnym optimum)
Algorytmy genetyczne
Minimalny problem zwodniczy
Załóżmy, że prawdziwa jest pierwsza nierówność. Wówczas problem zwodniczy rzędu 2 jest wyznaczony przez warunek globalności (maksimum równe f11) oraz jeden warunek zwodniczości (wybraliśmy tu przypadek f(0*)>f(1*) ).
Wszystkie współczynniki przystosowania względem f00
(współczynnik przystosowania „dopełnienia” globalnego optimum) można znormalizować:
r = ff11
00; c = ff11
00; c0 =ff10
00
Algorytmy genetyczne
Minimalny problem zwodniczy
Załóżmy, że prawdziwa jest pierwsza nierówność. Wówczas problem zwodniczy rzędu 2 jest wyznaczony przez warunek globalności (maksimum równe f11) oraz jeden warunek zwodniczości (wybraliśmy tu przypadek f(0*)>f(1*) ).
Wszystkie współczynniki przystosowania względem f00
(współczynnik przystosowania „dopełnienia” globalnego optimum) można znormalizować:
r = ff11
00; c = ff11
00; c0 =ff10
00
Algorytmy genetyczne
Minimalny problem zwodniczy
Warunek globalności w znormalizowanej postaci to:
r > c; r > 1; r > c0
Warunek zwodniczości r < 1 + c − c0 Stąd wynika c0 < 1; c0 < c
Można wyróżnić dwa typy problemów zwodniczych rzędu 2. Typ I: f01>f00 (c>1).
Typ II: f00f01 (c¬1).
Algorytmy genetyczne
Minimalny problem zwodniczy
Warunek globalności w znormalizowanej postaci to:
r > c; r > 1; r > c0 Warunek zwodniczości r < 1 + c − c0
Stąd wynika c0 < 1; c0 < c
Można wyróżnić dwa typy problemów zwodniczych rzędu 2. Typ I: f01>f00 (c>1).
Typ II: f00f01 (c¬1).
Algorytmy genetyczne
Minimalny problem zwodniczy
Warunek globalności w znormalizowanej postaci to:
r > c; r > 1; r > c0 Warunek zwodniczości r < 1 + c − c0 Stąd wynika c0 < 1; c0 < c
Można wyróżnić dwa typy problemów zwodniczych rzędu 2. Typ I: f01>f00 (c>1).
Typ II: f00f01 (c¬1).
Algorytmy genetyczne
Minimalny problem zwodniczy
Warunek globalności w znormalizowanej postaci to:
r > c; r > 1; r > c0 Warunek zwodniczości r < 1 + c − c0 Stąd wynika c0 < 1; c0 < c
Można wyróżnić dwa typy problemów zwodniczych rzędu 2.
Typ I: f01>f00 (c>1).
Typ II: f00f01 (c¬1).
Algorytmy genetyczne
Epistaza
Pojęcie zwodniczości połączone jest z epistazą. Można dowieść, że żaden problem rzędu 1 nie może być zwodniczy, więc problem zwodniczy rzędu 2 jest najmniejszym możliwym, czyli minimalnym problemem zwodniczym (MPD).
Algorytmy genetyczne
Wzorce podobieństwa - hiperpłaszczyzny
Niech będą dane ciągi i schematy o długości l=3.
Można je przedstawić w przestrzeni, gdzie punktami będą ciągi kodowe lub schematy rzedu 3, linie proste to będą schematy rzędu 2, płaszczyzny – schematami rzędu 1, natomiast całej przestrzeni odpowiada schemat rzędu 0, czyli ***.
Algorytmy genetyczne
Bibliografia
1 D. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1998
2 Z. Michalewicz, Algorytmy genetyczne+struktury danych = programy ewolucyjne WNT, Warszawa 1999