Schematy Johna Hollanda
Radosław Czarnecki
Uniwersytet Śląski
5 listopada 2008
Radosław Czarnecki Schematy Johna Hollanda
John Henry Holland
Urodzony w Fort Wayne (USA) w 1929 roku
Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych
Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems”
John Henry Holland
Urodzony w Fort Wayne (USA) w 1929 roku
Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych
Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems”
Radosław Czarnecki Schematy Johna Hollanda
John Henry Holland
Urodzony w Fort Wayne (USA) w 1929 roku
Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych
Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems”
John Henry Holland
Urodzony w Fort Wayne (USA) w 1929 roku
Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych
Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems”
Radosław Czarnecki Schematy Johna Hollanda
John Henry Holland
Urodzony w Fort Wayne (USA) w 1929 roku
Profesor psychologii i nauk informatycznych na University of Michigan Uważany za ”ojca” algorytmów genetycznych
Twórca teorii schematów - 1975 rok, ”Adaptation in Natural and Artificial Systems”
Pojęcie schematu
Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje
W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1
Alfabet V ma postać {0,1,*}
Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000
Radosław Czarnecki Schematy Johna Hollanda
Pojęcie schematu
Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje
W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1
Alfabet V ma postać {0,1,*}
Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000
Pojęcie schematu
Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje
W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1
Alfabet V ma postać {0,1,*}
Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000
Radosław Czarnecki Schematy Johna Hollanda
Pojęcie schematu
Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje
W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1
Alfabet V ma postać {0,1,*}
Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000
Pojęcie schematu
Schemat jest to wzorzec opisujący podzbiór ciągów podobnych ze względu na ustalone pozycje
W schematach używa się się znaku *, czyli symbolu uniwersalnego, zastępującego 0 lub 1
Alfabet V ma postać {0,1,*}
Przykładowo schemat *1000 pasuje do dwóch łańcuchów binarnych: 01000 i 11000
Radosław Czarnecki Schematy Johna Hollanda
Pojęcie schematu
Dla łańcuchów o długości m istnieje 3mwszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2mschematów W populacji o liczności n może być reprezentowanych od 2mdo n · 2m różnych schematów, w zależności od różnorodności populacji
Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu
Pojęcie schematu
Dla łańcuchów o długości m istnieje 3mwszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2mschematów W populacji o liczności n może być reprezentowanych od 2mdo n · 2m różnych schematów, w zależności od różnorodności populacji
Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu
Radosław Czarnecki Schematy Johna Hollanda
Pojęcie schematu
Dla łańcuchów o długości m istnieje 3mwszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2mschematów W populacji o liczności n może być reprezentowanych od 2mdo n · 2m różnych schematów, w zależności od różnorodności populacji
Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu
Pojęcie schematu
Dla łańcuchów o długości m istnieje 3mwszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2mschematów W populacji o liczności n może być reprezentowanych od 2mdo n · 2m różnych schematów, w zależności od różnorodności populacji
Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu
Radosław Czarnecki Schematy Johna Hollanda
Pojęcie schematu
Dla łańcuchów o długości m istnieje 3mwszystkich możliwych schematów Do danego łańcucha binarnego o długości m pasuje 2mschematów W populacji o liczności n może być reprezentowanych od 2mdo n · 2m różnych schematów, w zależności od różnorodności populacji
Do każdego schematu pasuje dokładnie 2r łańcuchów binarnych, gdzie r jest liczbą symboli ”*” w szablonie schematu
Różne schematy mają różne właściwości.
Właściwości schematów
1 Rzędem schematu H, który oznaczamy jako o(H), nazywamy liczbę pozycji ustalonych (zer i jedynek) we wzorcu np. o(1 ∗ 10∗) = 3. Rząd określa specyficzność (szczegółowość) schematu
2 Rozpiętością (długością) schematu H, którą oznaczamy jako δ(H), nazywamy odległość między dwoma skrajnymi pozycjami ustalonymi.
Schemat 1*10* ma rozpiętość równą 3, gdyż ostatnia pozycja ustalona ma numer 4, a pierwsza numer 1, więc odległość między nimi wynosi 3. Jeśli mamy tylko jedną pozycję ustaloną to rozpiętość schematu wynosi 0
Radosław Czarnecki Schematy Johna Hollanda
Różne schematy mają różne właściwości.
Właściwości schematów
1 Rzędem schematu H, który oznaczamy jako o(H), nazywamy liczbę pozycji ustalonych (zer i jedynek) we wzorcu np. o(1 ∗ 10∗) = 3. Rząd określa specyficzność (szczegółowość) schematu
2 Rozpiętością (długością) schematu H, którą oznaczamy jako δ(H), nazywamy odległość między dwoma skrajnymi pozycjami ustalonymi.
Schemat 1*10* ma rozpiętość równą 3, gdyż ostatnia pozycja ustalona ma numer 4, a pierwsza numer 1, więc odległość między nimi wynosi 3. Jeśli mamy tylko jedną pozycję ustaloną to rozpiętość schematu wynosi 0
Różne schematy mają różne właściwości.
Właściwości schematów
1 Rzędem schematu H, który oznaczamy jako o(H), nazywamy liczbę pozycji ustalonych (zer i jedynek) we wzorcu np. o(1 ∗ 10∗) = 3. Rząd określa specyficzność (szczegółowość) schematu
2 Rozpiętością (długością) schematu H, którą oznaczamy jako δ(H), nazywamy odległość między dwoma skrajnymi pozycjami ustalonymi.
Schemat 1*10* ma rozpiętość równą 3, gdyż ostatnia pozycja ustalona ma numer 4, a pierwsza numer 1, więc odległość między nimi wynosi 3. Jeśli mamy tylko jedną pozycję ustaloną to rozpiętość schematu wynosi 0
Radosław Czarnecki Schematy Johna Hollanda
Wpływ selekcji na propagacje schematów
1 m(H, t + 1) = m(H, t) ·f (H)
f
2 Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t
3 Liczba f określa średnie przystosowanie całej populacji w chwilii t, f =
Pfj
n
4 Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji
5 Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast
schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas
Wpływ selekcji na propagacje schematów
1 m(H, t + 1) = m(H, t) ·f (H)
f
2 Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t
3 Liczba f określa średnie przystosowanie całej populacji w chwilii t, f =
Pfj
n
4 Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji
5 Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast
schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas
Radosław Czarnecki Schematy Johna Hollanda
Wpływ selekcji na propagacje schematów
1 m(H, t + 1) = m(H, t) ·f (H)
f
2 Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t
3 Liczba f określa średnie przystosowanie całej populacji w chwilii t, f =
Pfj
n
4 Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji
5 Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast
schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas
Wpływ selekcji na propagacje schematów
1 m(H, t + 1) = m(H, t) ·f (H)
f
2 Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t
3 Liczba f określa średnie przystosowanie całej populacji w chwilii t, f =
Pfj
n
4 Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji
5 Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast
schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas
Radosław Czarnecki Schematy Johna Hollanda
Wpływ selekcji na propagacje schematów
1 m(H, t + 1) = m(H, t) ·f (H)
f
2 Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t
3 Liczba f określa średnie przystosowanie całej populacji w chwilii t, f =
Pfj
n
4 Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji
5 Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast
schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas
Wpływ selekcji na propagacje schematów
1 m(H, t + 1) = m(H, t) ·f (H)
f
2 Liczba f (H) określa średnie przystosowanie ciągów będących reprezentantami schematu H w chwilii t
3 Liczba f określa średnie przystosowanie całej populacji w chwilii t, f =
Pfj
n
4 Liczebność reprezentacji danego schematu w następnym pokoleniu zmienia się proporcjonalnie do stosunku średniego przystosowania schematu i średniego przystosowania całej populacji
5 Schematy o przystosowaniu wyższym niż średnie z populacji będą miały większą liczbę reprezentantów w następnym pokoleniu, natomiast
schematy o przystosowaniu niższym niż średnie z populacji orzymają mniej reprezentantów niż miały dotychczas
Radosław Czarnecki Schematy Johna Hollanda
Wpływ selekcji na propagację schematów
1 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco:
2 m(H, t + 1) = m(H, t) ·f +cf
f = (1 + c) · m(H, t)
3 Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność
4 m(H, t) = m(H, 0) · (1 + c)t
5 Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej
6 Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie
Wpływ selekcji na propagację schematów
1 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco:
2 m(H, t + 1) = m(H, t) ·f +cf
f = (1 + c) · m(H, t)
3 Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność
4 m(H, t) = m(H, 0) · (1 + c)t
5 Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej
6 Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie
Radosław Czarnecki Schematy Johna Hollanda
Wpływ selekcji na propagację schematów
1 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco:
2 m(H, t + 1) = m(H, t) ·f +cf
f = (1 + c) · m(H, t)
3 Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność
4 m(H, t) = m(H, 0) · (1 + c)t
5 Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej
6 Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie
Wpływ selekcji na propagację schematów
1 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco:
2 m(H, t + 1) = m(H, t) ·f +cf
f = (1 + c) · m(H, t)
3 Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność
4 m(H, t) = m(H, 0) · (1 + c)t
5 Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej
6 Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie
Radosław Czarnecki Schematy Johna Hollanda
Wpływ selekcji na propagację schematów
1 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco:
2 m(H, t + 1) = m(H, t) ·f +cf
f = (1 + c) · m(H, t)
3 Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność
4 m(H, t) = m(H, 0) · (1 + c)t
5 Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej
6 Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie
Wpływ selekcji na propagację schematów
1 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco:
2 m(H, t + 1) = m(H, t) ·f +cf
f = (1 + c) · m(H, t)
3 Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność
4 m(H, t) = m(H, 0) · (1 + c)t
5 Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej
6 Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie
Radosław Czarnecki Schematy Johna Hollanda
Wpływ selekcji na propagację schematów
1 Załóżmy, że pewien schemat H przewyższa średnie przystosowanie populacji o wielkość cf , gdzie c jest stałą. Przy takim założeniu można zapisać równanie schematów następująco:
2 m(H, t + 1) = m(H, t) ·f +cf
f = (1 + c) · m(H, t)
3 Startując od t = 0 i zakładając, że c nie zmienia się w czasie, otrzymujemy zależność
4 m(H, t) = m(H, 0) · (1 + c)t
5 Można tutaj rozpoznać wzór na postęp geometryczny, czyli dyskretny odpowiednik funkcji wykładniczej
6 Stąd wniosek, że schematy lepsze (gorsze) od przeciętnej są wybierane w liczbie przypadków rosnącej (malejącej) wykładniczo w czasie
Wpływ krzyżowania na propagację schematów
Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów
Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1= ∗1 ∗ ∗ ∗ ∗0 oraz H2= ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1najprawdopodobniej ulegnie zniszczeniu.
Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2przetrwa to krzyżowanie
Radosław Czarnecki Schematy Johna Hollanda
Wpływ krzyżowania na propagację schematów
Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów
Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1= ∗1 ∗ ∗ ∗ ∗0 oraz H2= ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1najprawdopodobniej ulegnie zniszczeniu.
Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2przetrwa to krzyżowanie
Wpływ krzyżowania na propagację schematów
Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów
Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1= ∗1 ∗ ∗ ∗ ∗0 oraz H2= ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1najprawdopodobniej ulegnie zniszczeniu.
Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2przetrwa to krzyżowanie
Radosław Czarnecki Schematy Johna Hollanda
Wpływ krzyżowania na propagację schematów
Selekcja nie przyczynia się w żaden sposób do eksploracji nowych obszarów przestrzeni rozwiązań, gdyż nie wprowadza nowych łańcuchów
Operacja krzyżowania dokonuje uporządkowanej, choć zawierającej element przypadku wymiany informacji między dwoma ciągami kodowymi Schematy różnią się wrażliwością na krzyżowanie. Przykładowo mając dwa schematy H1= ∗1 ∗ ∗ ∗ ∗0 oraz H2= ∗ ∗ ∗10 ∗ ∗ i wybierając punkt krżyżowania (w krżyżowaniu prostym) pomiędzy 3-cią, a 4-tą pozycją, łatwo zauważyć, że schemat H1najprawdopodobniej ulegnie zniszczeniu.
Symbole 1 na pozycji 2 oraz 0 na pozycji 7 znajdą się w dwóch różnych ciągach potomnych. Natomiast schemat H2przetrwa to krzyżowanie
Wpływ krzyżowania na propagację schematów
1 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps) przez schemat można wyrazić za pomocą nierówności:
2 ps 1 − pc·δ(H)l −1
3 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu
4 Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności:
5 m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1]
6 Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu
Radosław Czarnecki Schematy Johna Hollanda
Wpływ krzyżowania na propagację schematów
1 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps) przez schemat można wyrazić za pomocą nierówności:
2 ps 1 − pc·δ(H)l −1
3 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu
4 Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności:
5 m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1]
6 Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu
Wpływ krzyżowania na propagację schematów
1 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps) przez schemat można wyrazić za pomocą nierówności:
2 ps 1 − pc·δ(H)l −1
3 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu
4 Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności:
5 m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1]
6 Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu
Radosław Czarnecki Schematy Johna Hollanda
Wpływ krzyżowania na propagację schematów
1 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps) przez schemat można wyrazić za pomocą nierówności:
2 ps 1 − pc·δ(H)l −1
3 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu
4 Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności:
5 m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1]
6 Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu
Wpływ krzyżowania na propagację schematów
1 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps) przez schemat można wyrazić za pomocą nierówności:
2 ps 1 − pc·δ(H)l −1
3 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu
4 Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności:
5 m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1]
6 Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu
Radosław Czarnecki Schematy Johna Hollanda
Wpływ krzyżowania na propagację schematów
1 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps) przez schemat można wyrazić za pomocą nierówności:
2 ps 1 − pc·δ(H)l −1
3 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu
4 Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności:
5 m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1]
6 Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu
Wpływ krzyżowania na propagację schematów
1 Ogólnie prawdopodobieństwo przeżycia krzyżowania (ps) przez schemat można wyrazić za pomocą nierówności:
2 ps 1 − pc·δ(H)l −1
3 Gdzie pc to prawdopodobieństwo krzyżowania, δ(H) to rozpiętość schematu, natomiast l to liczba wszystkich pozycji w łańcuchu
4 Łączny efekt selekcji i krzyżowania można wyrazić za pomocą nierówności:
5 m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1]
6 Schematy, które mają przystosowanie wyższe od średniej i małą rozpiętość będą rozprzestrzeniać się zgodnie z wykładniczym prawem wzrostu
Radosław Czarnecki Schematy Johna Hollanda
Wpływ mutacji na propagację schematów
1 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm
2 Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone
3 Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm)o(H), mutacje na poszczególnych pozycjach są statystycznie niezależne
4 Dla małych wartości pm(pm<< 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm
Wpływ mutacji na propagację schematów
1 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm
2 Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone
3 Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm)o(H), mutacje na poszczególnych pozycjach są statystycznie niezależne
4 Dla małych wartości pm(pm<< 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm
Radosław Czarnecki Schematy Johna Hollanda
Wpływ mutacji na propagację schematów
1 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm
2 Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone
3 Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm)o(H), mutacje na poszczególnych pozycjach są statystycznie niezależne
4 Dla małych wartości pm(pm<< 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm
Wpływ mutacji na propagację schematów
1 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm
2 Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone
3 Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm)o(H), mutacje na poszczególnych pozycjach są statystycznie niezależne
4 Dla małych wartości pm(pm<< 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm
Radosław Czarnecki Schematy Johna Hollanda
Wpływ mutacji na propagację schematów
1 Mutacja polega na losowej zmianie zawartości poszczególnych pozycji z prawdopodobieństwem pm
2 Aby schemat H przeżył mutację, muszą się zachować wszystkie jego pozycje ustalone
3 Dany schemat H przeżyje mutację z prawdopodobieństwem (1 − pm)o(H), mutacje na poszczególnych pozycjach są statystycznie niezależne
4 Dla małych wartości pm(pm<< 1), prawdopodobieństwo przeżycia mutacji można aproksymować za pomocą wyrażenia 1 − o(H) · pm
Oczekiwana liczba reprezentantów schematu H w następnym pokoleniu, otrzymanym w wyniku selekcji, krzyżowania i mutacji spełnia następującą nierówność:
m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1 − o(H)pm]
Twierdzenie o schematach
”Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu”
Radosław Czarnecki Schematy Johna Hollanda
Oczekiwana liczba reprezentantów schematu H w następnym pokoleniu, otrzymanym w wyniku selekcji, krzyżowania i mutacji spełnia następującą nierówność:
m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1 − o(H)pm]
Twierdzenie o schematach
”Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu”
Oczekiwana liczba reprezentantów schematu H w następnym pokoleniu, otrzymanym w wyniku selekcji, krzyżowania i mutacji spełnia następującą nierówność:
m(H, t + 1) m(H, t) ·f (H)
f · [1 − pc·δ(H)l −1 − o(H)pm]
Twierdzenie o schematach
”Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu”
Radosław Czarnecki Schematy Johna Hollanda
Schematy biorące efektywny udział w przetwarzaniu, to te, których reprezentacja zwiększa się w pożądany wykładniczy sposób, często są one nazywane cegiełkami
Własność ukrytej równoległości
”W algorytmie genetycznym działającym na n strukturach, w każdym pokoleniu ulega efektywnemu przetworzeniu jakieś n3schematów” (Holland, 1985 r.)
Hipoteza cegiełek
Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw.
cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu
Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych
”Tak jak dziecko buduje swoje imponujące fortece, układając i
dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych
Radosław Czarnecki Schematy Johna Hollanda
Hipoteza cegiełek
Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw.
cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu
Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych
”Tak jak dziecko buduje swoje imponujące fortece, układając i
dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych
Hipoteza cegiełek
Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw.
cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu
Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych
”Tak jak dziecko buduje swoje imponujące fortece, układając i
dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych
Radosław Czarnecki Schematy Johna Hollanda
Hipoteza cegiełek
Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw.
cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu
Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych
”Tak jak dziecko buduje swoje imponujące fortece, układając i
dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych
Hipoteza cegiełek
Dobrze przystosowane schematy niskiego rzędu i o małej rozpiętości (tzw.
cegiełki) są nieustannie wybierane, zestawiane i powielane, tworząc ciągi kodowe o potencjalnie wyższym przystosowaniu
Wyzyskując te charakterystyczne schematy redukujemy w pewnym sensie złożoność problemu, zamiast próbować każdej możliwej kombinacji, budujemy coraz lepsze ciągi z najlepszych rozwiązań częściowych dotychczas znalezionych
”Tak jak dziecko buduje swoje imponujące fortece, układając i
dopasowując drewniane klocki, algorytm genetyczny dochodzi do niemal optymalnej wydajności zestawiając schematy-cegiełki” (Goldberg) Hipoteza cegiełek znalazła doświadczalne potwierdzenie w wielu różnych dziedzinach problemowych
Radosław Czarnecki Schematy Johna Hollanda
Problemy zwodnicze
Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne)
Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki
Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba
reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole”
Problemy zwodnicze
Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne)
Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki
Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba
reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole”
Radosław Czarnecki Schematy Johna Hollanda
Problemy zwodnicze
Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne)
Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki
Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba
reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole”
Problemy zwodnicze
Nie zawsze algorytm genetyczny prowadzi do znalezienia (jest zbieżny do) globalnego rozwiązania optymalnego, czasami znajdowane są rozwiązania suboptymalne (optima lokalne)
Tzw. problemy zwodnicze starają się skierować algorytm genetyczny na fałszywe tory. W takich problemach występują izolowane optima, punkty najlepsze są otoczone przez najgorsze. Założeniem w problemach zwodniczych jest doprowadzenie do takiej sytuacji, żeby małe cegiełki łączyły się w niewłaściwe (nieoptymalne) większe bloki
Próby doświadczalne wykazały jednak, że algorytmy genetyczne dość dobrze radzą sobie z takimi problemami (szczególnie gdy liczba
reprezentantów różnych schematów w populacji początkowej jest w miarę jednakowa) i nie dają łatwo ”wyprowadzić się w pole”
Radosław Czarnecki Schematy Johna Hollanda
Bibliografia
David E. Goldberg. ”Algorytmy genetyczne i ich zastosowania”. WNT, Warszawa 2003 r.
Zbigniew Michalewicz. ”Algorytmy genetyczne + struktury danych = programy ewolucyjne”. WNT, Warszawa 2003 r.
Dziękuję za uwagę.
Radosław Czarnecki Schematy Johna Hollanda