Генетические алгоритмы в изобретательских задачах
Курсовой проект - Менеджмент
Другие курсовые по предмету Менеджмент
?ь, дополнять и видоизменять применительно к изменяющимся условиям. Для этого не требуется полный перебор. Другое преимущество ЭМ для решения задач состоит в способности быстрой генерации достаточно хороших решений.
При решении практических задач с использованием ЭМ, необходимо выполнить следующие четыре предварительных этапа:
1.выбрать способ представления решения;
2.разработать операторы случайных изменений;
.определить законы выживания решения;
.создать начальную популяцию.
Рассмотрим некоторые особенности выполнения этих этапов.
Для представления решения в виде, удобном для реализации на ЭВМ, требуется такая структура, которая позволит кодировать любое возможное решение и производить его оценку. Математически доказано, что не существует идеальной структуры представления, так что для создания хорошей структуры требуется анализ, перебор и эвристические подходы. Возможный вариант представления должен позволять проведение различных перестановок в хромосомах. Необходимо также определить способ вычисления ЦФ для оценки решений.
Достаточно сложным является этап выбора случайного оператора (или операторов) для генерации потомков. Их существует огромное число. В ЕС используются два основных типа размножения: половое ибесполое. При половом размножении два родителя обмениваются генетическим материалом, который используется при создании потомка. Бесполое размножение - это фактически клонирование, при котором происходят различные мутации припередачи информации от родителя к потомку. Эти операторы очень важны при ЭМ, однако в общем случае для интеллектуальной ИС можно применить и операции, которые не существуют в ЕС. Например, использовать материал от трех или более родителей, проводить голосование при выборе родителей. Фактически нет пределов в использовании различных операторов и нет никого смысла только слепо копировать законы природы и ограничиваться ими.
Успех ЭМ во многом зависит от того, насколько хорошо взаимодействуют между собой схема представления, операторы случайных изменений и способ определения ЦФ. Поэтому для определенного класса задач более целесообразно использовать специальные определенные для этих задач операторы. То же можно сказать и о представлении, так как не существует универсального кодирования, которое можно использовать во всех оптимизационных задачах.
В качестве примера рассмотрим два способа представления перестановок при решении оптимизационных задач. В первом случае будем использовать одного родителя, и получать потомка. Во втором операторе мы используем двух родителей, случайно выберем точку перестановки и для образования потомка возьмем первый сегмент у первого родителя, а второй сегмент - у второго. Первый оператор похож на бесполое размножение, а второй оператор - на половое размножение. Стоит отметить, что если первый оператор всегда генерирует реальное решение, то второй может генерировать недопустимые решения. Но это не мешает нам его использовать, просто требуется восстанавливать решения перед их оценкой. Например, можно использовать замещение. Как только это сделано для каждого повторяющегося решения, потомок будет восстанавливаться, и будет соответствовать реальному решению.
На третьем из рассматриваемых этапов задаются правила выживания решений для создания потомства. Так же как и со случайными операторами, существует множество способов проведения селекции. Простейшее правило - это выживание сильнейших, т. е. когда только лучшие решения выживают, а все остальные устраняются. Однако такое правило часто оказывается малоэффективным при решении сложных проблем, когда лучшие решения могут происходить от худших, а не только от самых лучших. Однако логично использовать принцип, что вероятность выживания хорошего решения должна быть выше.
Последний предварительный этап заключается в создании начальной популяции. Если у нас недостаточно знаний о проблеме, то решения могут случайным образом выбираться из всего множества возможных. Это означает генерацию случайных перестановок, где каждая перестановка представляет собой определенное решение. С другой стороны, можно использовать некоторые знания о задаче при создании начальной популяции, например, эти данные могут быть получены из опыта решения этой же задачи другими алгоритмами. Если эти решения действительно ценные, то они выживут и произведут потомство, если же нет, то они погибнут вместе с другими слабыми индивидами[1,5].
2. Математический базис изобретательской физики
Для перехода от физики изобретательских задач к математическим моделям предложено использовать кинематическую систему физических величин Р. Бартини, представленную в таблице1.
Таблица 1 - Кинематическая система величин Бартини
D.L-1L0L1L2L3L4L5T-5L-1T-5L0T-5L1T-5L2T-5Поверхн. мощностьL4T-5МощностьT-4L-1T-4L0T-4Удельный вес Градиент давленияДавление НапряжениеПоверхн. натяжение ЖесткостьСилаЭнергия Статистич. температура МоментT-3L-1T-3L0T-3Плотность потокаНапряженность эл.-магн. поля ВязкостьТок Массовый расходИмпульсL5T-3T-2Измерение электр. Объемной плотностиУгловое ускорение Массовая плотностьЛинейное ускорениеРазность потенциаловМасса Кол-во электричестваМагнитный моментМомент инерцииT-1Электр. Объемная плотностьЧастота Угловая скоростьЛинейная скоростьОбильность двумернаяРасход объемныйСкорость смещения объемаL5T-1T0Кривизна Измерение проводимостиБезразмерная величина КонстантаДлина Емко?/p>