Модернизация генетических алгоритмов для повышения эффективности или потенциальной эффективности сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

magbo system

Сочинение на тему Модернизация генетических алгоритмов для повышения эффективности или потенциальной эффективности

Планы ГА продемонстрировали многообещающие результаты и эффективно решали сложные вопросы, требующие лишь субквадратичного количества оценок потенциала. В конце концов, дееспособные ГА обычно понимают проблему переменного запроса, требуя только O (2) числа оценок потенциала. В то время как квалифицированные ГА принимают проблемы, которые были неуправляемыми с оригинальными ГА, и делают их пригодными для решения, для масштабных проблем масштабирования, определение даже субквадратичного числа оценок потенциала может быть подавляющим. В случае, если оздоровительная работа является непредсказуемым отдыхом, моделью или расчетом, в этот момент одиночная оценка может занять часы, даже дни. Для таких вопросов даже субквадратичное количество оценок потенциала является высоким. Например, рассмотрим 20-битную проблему поиска и ожидаем, что оценка состояния здоровья занимает 60 минут. Нам потребуется большая часть многомесячного, чтобы решить проблему. Это делает ставку на ассортимент процедур по повышению эффективности. Точно так же, как правило, случай, когда ГА должен быть скоординирован с конкретными методами выпуска, чтобы сделать подход чрезвычайно привлекательным для конкретной проблемы. Письмо содержит бесчисленное множество, которые исследуют улучшения ГА. В самом деле, мимолетный дискурс далеко за пределами учебного упражнения, однако мы приводим четыре обширные классификации улучшения ГА и случаи надлежащих ссылок для заинтригованного peruser.

Ранние гипотетические исследования показывают, что, когда ББ имеют эквивалентное (или почти эквивалентное) замечательное качество, и как рекомбинация, так и изменение музыкальных драматургов имеют данные о сцеплении, в этом случае более многочисленное население с несколькими возрастами встреч более эффективно. Как бы то ни было, если функция хорошего самочувствия является шумной или покрывает квадраты застройки, в этот момент значительная численность населения с одиночным возрастом присоединения является более продуктивной. Опять же, если ВВ проблемы имеют неоднородный поразительный характер, который в основном подразумевается, что они требуют последовательной обработки, в этот момент более многочисленное население с различным возрастом объединения более продуктивно.

Учитывая все вышесказанное, следует проделать большую работу, чтобы создать принципиальную схему гипотезы для повышения квалификации посредством продолжения времени и для планирования умелых администраторов продолжения для повторной инициализации населения в возрасте.

Оценка раскручивается, когда точная, но вычислительно дорогостоящая оценка пригодности заменяется менее точной, но вычислительно недорогой оценкой здоровья. Минимальное усилие, менее точный велнесс-датчик может быть (1) экзогенным, например, из-за суррогатных (или предполагаемых) оздоровительных возможностей (Jin, 2003), где можно использовать внешние средства для разработки велнесс-датчика, или ( 2) эндогенные, как в связи с наследием хорошего самочувствия (Smith et al., 1995), где оценка хорошего самочувствия обрабатывается внутри и зависит от родительских качеств.

Заключение

К счастью, мысли о генетических алгоритмах естественны, и основной алгоритм не является непредсказуемым. Вот несколько основных советов.

Начните с использования «нестандартного» генетического алгоритма. Разработка непредсказуемого ГА несущественна, если ваша проблема может быть освещена с использованием базового и стандартного использования.

Существует множество невероятных программных пакетов, которые позволяют быстро реализовать генетический алгоритм. Значительное количество первоначальных работ предоставляется с использованием GA, и GA-LIB, скорее всего, рассматривается как продукт решения для некоторых людей (см. Ниже).

Точно обдумайте свое изображение. В добрые времена большая часть казней использовала немного изображения, которое было трудно реализовать. Кроссовер и смена были просты. Как бы то ни было, в настоящее время используются многочисленные другие представления, некоторые из которых используют сложные информационные структуры. Вы должны сделать некоторые экзамены, чтобы выяснить, что лучше всего подходит для вашей конкретной проблемы.

Базовый GA позволит вам выполнить алгоритм, и главное, что вам нужно предоставить, – это работа по оценке. В том случае, если вы можете выполнить это, на данный момент это самый быстрый способ запустить и запустить каркас модели. Как бы то ни было, вам может понадобиться включить некоторую информацию о конкретной проблеме в ваш алгоритм. Например, вам может потребоваться включить ваших собственных администраторов кроссовера (имея в виду конечную цель управления преследованием) или вам может потребоваться доставить базовое население, используя полезную эвристику (чтобы дать GA достойную начальную стадию).

В последнее время многие специалисты гибридизировали GA с другими стратегиями поиска (см. Раздел 4.1.3). Возможно, наиболее широко известной стратегией является включение ближайшего поисковика после кроссовера и смена администраторов (несколько раз известный как меметический алгоритм). Этот искатель окрестностей может быть таким же базовым, как и альпинист, который следит за каждой хромосомой, чтобы гарантировать, что она близка к идеалу, прежде чем процедура развития начнется снова.

Существует множество параметров, необходимых для запуска генетического алгоритма (который можно рассматривать как одну из слабых сторон). По крайней мере, у вас есть мера народонаселения, вероятность трансформации и вероятность пересечения. Проблема с таким большим количеством параметров, которые необходимо установить, состоит в том, что может потребоваться значительная экспериментирование, чтобы найти расположение качеств, которое заботится о вашей конкретной проблеме до требуемого качества. Широкий надежный ориентир, для начала, состоит в том, чтобы использовать вероятность преобразования 0,05 (Де Йонг, 1975), коэффициент кроссовера 0,6 (Де Йонг, 1975) и численность населения около 50. Эти три параметра – только случай из многочисленных решений, которые вам нужно будет принять, чтобы ваше использование GA работало. Приведу лишь небольшой пример: какого администратора кроссовера было бы неплохо использовать? , , какой администратор мутации? , , Должны ли скорости кроссовера / преобразования быть динамическими и изменяться по мере продвижения? Желательно ли вам использовать ближайшего администратора запросов? При условии, что это правда, за какую и в какой степени это должно быть разрешено продолжать баллотироваться? Какую систему определения было бы целесообразно использовать для вас? Какую систему замещения будет хорошей идеей для вас? К счастью, многие ученые изучили значительную часть этих проблем, и сегмент дополнительных источников под ними дает множество разумных ссылок.

Зарегистрируйся, чтобы продолжить изучение работы

    Поделиться сочинением
    Ещё сочинения
    Нет времени делать работу? Закажите!

    Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.