Jarosªaw Arabas
Polite hnikaWarszawska,InstytutSystemówElektroni zny h,
e-mail:jarabaselka.pw.edu.pl
Plan prezenta ji
1
Algorytmewolu yjny ijego rozkªadpróbkowania
2
Reproduk ja propor jonalna jako metoda adapta ji
3
S hemat ewolu jiró»ni owej(DE)
4
Muta ja ró»ni owa jako metodaadapta ji
5
Reproduk ja propor jonalna +muta jaró»ni owa =DMEA
6
Za howanie DMEA na mieszanina hfunk ji Gaussa
7
DE, DMEAi ograni zeniakostkowe
algorithmTypowy AlgorytmEwolu yjny
t
←
0 ;ini ja ja P 0repeat until warunek zatrzymania
for i
∈
1...µ
do if(
U(
0,
1) <
p then selek ja j,
k z{
1...µ}
C t i←
krzy»owanie P t j,
P t k else selek ja j z{
1...µ}
C t i←
P t j O t i←
muta ja(
C t i)
ifη >
0 then P t+
1←
elita(
P t, η)∪
elita(
O t,
1− η)
else P t+
1←
O t t←
t+
1Opis AE za pomo ¡ rozkªadu próbkowania
F.g.p. poªo»eniapunktówpopula jiO t dana jako: f t O
(
x) = (
1−
p)
f t R(
x) +
p f t R(2x) ∗
f t R(
2x) ∗
g 0,
vm(
x)
gdzief t R(
x)
jestf.g.p. poªo»eniareprodukowany h punktów: reproduk ja propor jonalna f t R(
x) =
Aq(
x)
f t P(
x)
reproduk ja turniejowa(s wielko±¢turnieju)
f t R
(
x) =
A·
1−
Z
L(
q(
x))
f t P(
y)
y .!
s−
1 f t P(x)
reproduk ja progowa (
θ
parametr progu)f t R
(
x) =
A· χL
(
a)
(
x)
f t P(
x)
gdzieR
L(
a)
f t P(
x)
x .= θ
.Grani zny rozkªad próbkowania AE
Zaªo»enia
li zno±¢ popula ji d¡»y do niesko« zono± i
zas d¡»y do niesko« zono± i
funk ja elujestfunk j¡ Gaussa g
0
,
v qWów zas f.g.p. rozkªadu próbkowania da siz du»¡ dokªadno± i¡
przybli»y¢ rozkªademnormalnymg
0
,
v∞
. Gdy p=
0, η =
0mamy rep. propor jonalna v∞
≈
v m 2 1+
r
1+
4 v q v m rep. turniejowa v∞
≈
1 1−
1γ(
s)
v m,
γ(
s) =
1.
31s−
1.
74 rep. progowa v∞
≈
1 1+
2α(θ)/θ
vm,α(θ) =
Qθ +
1 2 g Qθ +
1 2Grani zny rozkªad próbkowania AE
0.0
0.2
0.4
0.6
0.8
1.0
5
10
15
20
25
30
fitness proportionate selection
pc
v_infty
PSfragrepla ements p v v m0.0
0.2
0.4
0.6
0.8
1.0
1.25
1.30
1.35
1.40
1.45
1.50
1.55
binary tournament selection
pc
v_infty
PSfrag repla ements p v v m0.0
0.2
0.4
0.6
0.8
1.0
1.0
1.5
2.0
2.5
3.0
truncation selection
pc
v_infty
PSfragrepla ements p v v mTeorety znaiobserwowanawarian japunktówuzyskany hdlametodselek ji
a)propor jonalnej,ró»newarto± iv
m
/
vq
,b)binarnejturniejowej, )progowej,ró»newarto± i
θ
Grani zny rozkªad próbkowania AE
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1
2
3
PSfragrepla ements pη
v∞
/
v m0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
0.5
1.0
1.5
PSfragrepla ements pη
v∞
/
v m0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
1.0
PSfragrepla ements pη
v∞
/
v mPropor jav∞
/
vmdlanastpuj¡ y hmetodselek jiDynamika AE z reproduk j¡ propor jonaln¡ i muta j¡
x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10algorithmTypowy AlgorytmEwolu jiRó»ni owej
t
←
0 ;ini ja ja P 0repeat until warunek zatrzymania
for i
∈
1...µ
do selek ja j z{
1...µ}
losowanie k,
l z{
1...µ}
M t i=
P t j+
F· (
P t k−
P t l)
(muta ja ró»ni owa) for d∈
1...
n do if CR<U(
0,
1)
then O t i,
d←
M t i,
d else O t i,
d←
P t i,
d P t+
1 i←
wybór lepszego(
P t i,
O t i)
t←
t+
1Warianty algorytmu ewolu ji ró»ni owej
sposób selek jimutowanego punktu:
najlepszywpopula ji
dowolnyz popula ji,losowanyzaka»dymrazem
li zba powtórze« ró»ni owania: 1lub2
Konwen ja nazewni za:
DE/rand/1/bin
DE/best/1/bin
DE/rand/2/bin
Dynamika DE/rand/1/bin
x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10Contourmat hing property: poziomi erozkªadupunktów
dopasowuj¡ sido poziomi funk ji elu
Dynamika DE/rand/1/bin
x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10Contourmat hing property: poziomi erozkªadupunktów
dopasowuj¡ sido poziomi funk ji elu
Jak sobie radzi¢ z zanikiem ró»norodno± i?
Typowa odpowied¹ strojenie(adapta ja,samo zynna
adapta ja) parametru F: naprzykªad jDE, JADE,SaDE
Wprowadzenie dla ka»dego punktu s¡siedztwa zktórego
wybierany jestpunktnajlepszy wstrategiiDE/best,np.
DEGL/SAW
Osªabienie kryteriówzastpowania,np. selek japropor jonalna
Dierential Mutation + Evolutionary Algorithm = DMEA
Rozwa»amy rozkªadpróbkowania popula jiniesko« zonej,
Gaussowsk¡ funk j eluw R 1
. Zakªadamy »erozkªad P t
ma
warian j v
t
ijestrozªo»ony zwarto± i¡o zekiwan¡
lokalizuj¡ amaksimumfunk ji elu.
Ze wzglduna sposóbzastpowania popula ji, warian jav
t
+
1 bdzie mniejszani»warian ja vt .
Ciekawajestzale»no±¢ midzywarian j¡popula jiawarian j¡
mutantów.
Dla DE/rand/1/none punkty P
t j
,
P t k,
P t l s¡realiza jamizmiennej losowejo warian ji v
t . Warian ja mutantówM t jest równa V
[
M t] = (
1+
2F 2)
v tDierential Mutation + Evolutionary Algorithm = DMEA
W genera yjnym AEz reproduk j¡ propor jonaln¡:
warian japunktów poselek ji:
V
[
R t] =
v t v q v t+
v qwarian jamutantów ikolejnej popula ji:
v t
+
1=
v t v q v t+
v q+
v m dla t→ ∞
mamy v∞
≈
v m 2 1+
r
1+
4 v q vDierential Mutation + Evolutionary Algorithm = DMEA Genera yjny AE: v t
+
1=
v t v q v t+
v q+
v m v∞
≈
v m 2 1+
r
1+
4 v q v m DE/rand/1/none: V[
M t] = (
1+
2F 2)
v t ,v∞
=
0Zast¡pieniemuta ji zwykªej muta j¡ró»ni ow¡ danam:
v t
+
1=
v t v q v t+
v q+
2F 2 v t Dla t→ ∞
v∞
=
v q 2F 2 1−
2F 2Dierential Mutation + Evolutionary Algorithm = DMEA
Genera yjny AEzmuta j¡ ró»ni ow¡ iGaussowsk¡:
v t
+
1=
v t v q v t+
v q+
2F 2 v t+
v m Dla t→ ∞
v∞
=
v q 2F 2+
vm vq+
r
2F 2+
vm vq 2+
4 vm vq(
1−
2F 2)
2(
1−
2F 2)
algorithmAlgorytmEwolu yjny z Muta j¡ Ró»ni ow¡
t
←
0 ;ini ja ja P 0repeat until warunek zatrzymania
for i
∈
1...µ
do selek ja j z{
1...µ}
losowanie k,
l z{
1...µ}
O t i←
P t j+
F· (
P t k−
P t l) +
m P t+
1←
O tDynamika DMEA
x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10x1
x2 −0.2 −0.18 −0.16 −0.14 −0.12 −0.12 −0.1 −0.1 −0.08 −0.08 −0.08 −0.06 −0.06 −0.06 −0.04 −0.04 −0.02−10
−5
0
5
10
−10 −5 0 5 10Contourmat hing property: poziomi erozkªadupunktów
Ograni zenia kostkowe w DE/rand/1/bin
algorithmPrakty zny AlgorytmEwolu ji Ró»ni owej
t
←
0 ;ini ja ja P 0repeat until warunek zatrzymania
for i
∈
1...µ
do selek ja j z{
1...µ}
losowanie k,
l z{
1...µ}
M t i=
P t j+
F· (
P t k−
P t l)
(muta ja ró»ni owa) for d∈
1...
n do if CR<U(
0,
1)
then O t i,
d←
M t i,
d else O t i,
d←
P t i,
d N t i←
naprawa(
O t i)
P t+
1 i←
wybór lepszego(
P t i,
O t i)
t←
t+
1Ograni zenia kostkowe w DE/rand/1/bin
Ograni zenia kostkowe w DE/rand/1/bin
Wynikidla n
=
30, uogólnionytestStudenta dlaró»ny h warian jiproje tion ree tion resampling onservative wrapping reinitialize
avg.rank 2.74 2.65 1.09 5.30 4.09 4.48
%repaired 73.8 66.2 51.7 71.8 68.6 68.5
Ograni zenia kostkowe w DMEA
algorithmPrakty zny AlgorytmDMEA
t
←
0 ;ini ja ja P 0repeat until warunek zatrzymania
for i
∈
1...µ
do selek ja j z{
1...µ}
losowanie k,
l z{
1...µ}
O t i←
P t j+
F· (
P t k−
P t l) +
m N t i←
naprawa(
O t i)
P t+
1←
N tOgrani zenia kostkowe w DMEA n
=
100 0.02 0.04 0.04 0.06 0.06 0.06 0.08 0.08 0.08 0.1 0.1 0.12 0.12 0.14 0.16 0.18 0.2 −10 −5 0 5 10 −10 −5 0 5 10 0.02 0.04 0.04 0.06 0.06 0.06 0.08 0.08 0.08 0.1 0.1 0.12 0.12 0.14 0.16 0.18 0.2 −10 −5 0 5 10 −10 −5 0 5 10 0.02 0.04 0.04 0.06 0.06 0.06 0.08 0.08 0.08 0.1 0.1 0.12 0.12 0.14 0.16 0.18 0.2 −10 −5 0 5 10 −10 −5 0 5 10bez ograni ze« rzutowanie punktu
niedopusz zalnego
skra anie wektora
DMEA z ograni zeniami i z optymaliza j¡ lokaln¡
Ograni zenia uwzgldnianeprzez skra anie
Rozwój DMEA
Rozwój DMEA
Poprawa jako± irozwi¡za« analiza ±redniegopunktu
popula ji
0
10000
20000
30000
40000
50000
−1000
−800
−600
−400
−200
0
t
fitness
Rozwój DMEA
Czyewolu jaró»ni owamusi by¢ró»ni owa?
Rozwój DMEA
Kiedy zako« zy¢ dziaªanie/restartowa¢?
0
50000
100000
150000
200000
250000
300000
600
800
1000
1200
1400
FES
err(x)
Rozwój DMEA
Systematy zne testymetodyuwzgldnianiaograni ze«
Poprawa jako± irozwi¡za« analiza ±redniegopunktu
popula ji
Czyewolu jaró»ni owamusi by¢ró»ni owa?
Kiedy zako« zy¢ dziaªanie/restartowa¢?
Li zno±¢ popula ji?