"Genetik Algoritmalar - Çok Kolay!" makalesi için tartışma - sayfa 15

[Evgeniy Uvarov]

Merhaba, soru sormayacağım.

Sadece çalışmalarınız için kocaman bir teşekkür etmek istiyorum! Teşekkür ederim!

Çok yardımcı oldunuz.

[Aleksei Morozov]

Merhaba, ben de size büyük bir teşekkür etmek istiyorum. GA son zamanlarda dikkatimi çekmeye başladı. "GA hakkında" bulduğum tüm kaynaklar beni umutsuzluğa düşürdü. Nereye gideceğimi bilemedim.... Ve sonra bir bağlantı aracılığıyla makalenize rastladım. Tek kelimeyle, yaşasın! ))

Birkaç sorum var. Makalenin uzun zaman önce yazıldığının farkındayım. Ama yine de...

1. Bildirilen değişkenler hiçbir yerde kullanılmıyor.

input int    FFNormalizeDigits_P  = 0;        //Uyarlama işaretlerinin sayısı
input int    GeneNormalizeDigits_P= 0;        //Genin karakter sayısı

Bu gelecek için bir plan mı?

2. UGA'yı birkaç kez çalıştırdım ve farklı değerler aldım, yani bir kez doğru, ikinci kez tam olarak doğru değil. Soru - doğru cevap sayısını artırmak için UGA parametrelerinden hangisi "daha büyük" ayarlanmalıdır.

Gözlemlenen fragmanda... Soldaki resim yanlış bir sonucu göstermektedir.

[Andrey Dik]

Alexey_74:

...Asıl soru, doğru yanıt sayısını artırmak için GA parametrelerinden hangisinin "daha büyük" ayarlanması gerektiğidir.

Genel olarak, ne yazık ki, kesin bir cevap yoktur ve olamaz. Her şey göreve bağlıdır.

Sizin özel durumunuzda, bu parametreleri değiştirmeyi deneyin:

input int    ChromosomeCount_P    = 100;    //Kolonideki kromozom sayısı
input int    Epoch_P               = 50;    //İyileşme olmayan epok sayısı
//---
input string GA_OperatorParam     =        "----Operatör Parametreleri----";
input double ReplicationPortion_P  = 100.0; //Dole Çoğaltma.
input double NMutationPortion_P    = 10.0;  //Doğal Mutasyon Oranı.
input double ArtificialMutation_P  = 10.0;  //Yapay Mutasyonun Rolü.
input double GenoMergingPortion_P  = 20.0;  //Gen Ödünç Alma.
input double CrossingOverPortion_P = 20.0;  /Çapraz geçiş payı.
input double ReplicationOffset_P   = 0.5;   //Aralık sınırı ofset katsayısı
input double NMutationProbability_P= 5.0;   //Her bir genin mutasyon olasılığı % olarak

:)

İlk iki parametrenin yukarı doğru değiştirilmesi yakınsamayı kesin olarak artırır, ancak elbette arama süresini artırır.

[Aleksei Morozov]

Cevabınız için teşekkürler. Etrafta oynadım, gözlemledim.... Genel olarak, tüm gözlemleri paylaşmanın bir anlamı yok. "Uç varyantlar" oldukça yeterli.

İlk iki parametre sırasıyla 50 ve 2'ye eşit olduğunda, algoritmanın çalışma süresi 170-200 ms'dir.

...., 100 ve 50'ye eşit olduğunda çalışma süresi 103203 ms olmuştur. Evet, algoritma sonuçlar açısından "olması gerektiği gibi" ve "ortaya çıktığı gibi" mutlak bir eşleşme üretti.

Ne yazık ki, bana göründüğü gibi, zaman tüketimi elde edilen sonuçlara hiç karşılık gelmiyor.

[Mykola Demko]

Alexey_74:

Cevabınız için teşekkürler. Etrafta oynadım, gözlemledim.... Genel olarak, tüm gözlemleri paylaşmanın bir anlamı yok. "Uç varyantlar" oldukça yeterli.

İlk iki parametre sırasıyla 50 ve 2'ye eşit olduğunda, algoritmanın çalışma süresi 170-200 ms'dir.

...., 100 ve 50'ye eşit olduğunda çalışma süresi 103203 ms olmuştur. Evet, algoritma sonuçlar açısından "olması gerektiği gibi" ve "ortaya çıktığı gibi" mutlak bir eşleşme üretti.

Ne yazık ki, bana göründüğü gibi, zaman tüketimi elde edilen sonuçlara hiç karşılık gelmiyor.

Eğer problem Newton yöntemleriyle çözülebiliyorsa, bu yöntemlerle çözülmelidir. Kısa sürede doğru sonuçlar alacaksınız.

Değilse, o zaman GA'ya hoş geldiniz. Burada mikroskop ve fındıkla ilgili bir söz akla geliyor.

[Aleksei Morozov]

Urain:

Eğer problem Newton metotları ile çözülebiliyorsa, o zaman onlar tarafından çözülmelidir. Kısa sürede doğru sonuçlar alın.

Değilse, o zaman GA'ya gidin. Akla mikroskop ve fındıkla ilgili bir deyişi getiriyor.

Ne yazık ki basit bir yöntem yok. Hangi görevi alırsanız alın, optimizasyon sorunu ön plana çıkıyor. Çünkü indikatör denilen BP hipostazlarının hepsi parametriktir. Aynı zigzag bile olsa....

Ve parametreler olduğu için, yeniden (alt) dövülmeleri gerektiği anlamına gelir. En basit varyant iç içe geçmiş döngülerdir. Uygulamada görüldüğü gibi, bu çoğu zaman bir seçenek değildir. Bu yüzden GA kullanıyoruz. Ve kötü olandan hiç değil. )) Bu acil bir gereklilik.

Bir ya da iki yıl önce saf bir deney yaptım. Uzun periyotlu iki mashki alırsanız, bunların farkı (ayrı bir pencerede) açıkça sinüzoidal formda oldukça düzgün bir grafik gibi görünecektir. Görmek istedim

birkaç sinüzoidin toplamı bu grafiği tekrarlayabilir mi? Ben 3 sinüzoid alması gereken bir betik yaptım. İlk başta 5 istedim, sonra fikrimi üç olarak değiştirdim (deney, neden ısınalım?). Sonuç 3 döngü oldu (iç içe geçmiş 2 döngü)

Elbette, yorumları döngülerden çıkarırsanız, döngüsel algoritmalar daha hızlı çalışır. Ancak ne yazık ki 100 kez değil ve süreci takip etme olasılığı tamamen ortadan kalkıyor.

Bu yüzden deney başlamadan iptal edildi. Ancak görünüşte basit olan bir durumun "duyulması" beni şaşırttı ve neredeyse korkuttu. ))

[Aleksei Morozov]

Andrew 2 soru daha var:

1. Alternatif zigzag örneğinde "...bir kromozomun genotipi fenotipe karşılık gelmediğinde" ifadesini kullandınız. Bu GA ile ilgili olarak ne anlama geliyor?

2. Anladığım kadarıyla, sıralama azalan sırada yapılıyor. Yani Koloni[0][kromozomlar]'daki değer ne kadar yüksekse, birey o kadar uyarlanmış mı oluyor?

Yani, doğru anladıysam, FF'de crivulinler ile çalışma durumunda, 0->1'e eğilimli oldukları için korelasyon katsayıları r veya R kullanılabilir (kullanılmalıdır). Ve ->0 olduğu için MSE kullanılamaz.

[Andrey Dik]

Alexey_74:

Andrew 2 sorum daha var:

1. Alternatif zigzag örneğinde "...bir kromozomun genotipi fenotipe karşılık gelmediğinde" ifadesini kullandınız. Bu GA ile ilgili olarak ne anlama geliyor?

2. Anladığım kadarıyla, sıralama azalan sırada yapılıyor. Yani Koloni[0][kromozomlar]'daki değer ne kadar yüksekse, birey o kadar uyarlanmış mı oluyor?

3. Yani doğru anladıysam, FF'de eğrisellerle çalışma durumunda, 0->1 eğiliminde oldukları için korelasyon katsayıları r veya R kullanılabilir (kullanılmalıdır). ve ->0 olduğu için MSE kullanılamaz.

1. Eğer bir kromozomun genleri optimize edilen fonksiyonun argümanları ile aynı ise - genotip fenotipe karşılık gelir (genotip - gen değerleri, fenotip - argüman değerleri). Genler ve argümanlar eşit değilse (bir tür dönüşüm kullanılırsa) - o zaman karşılık gelmezler. Biyolojideki genotip ve fenotip kavramlarını Google'da araştırın.

2. Evet ama bu temel değildir. Sıralamanın yönünü açıkça belirtebilir veya FF değerini -1 ile çarpabilirsiniz.

3. Özür dilerim, soruyu anlamamışım.

[Aleksei Morozov]

joo:

1. Eğer bir kromozomun genleri optimize edilen fonksiyonun argümanları ile aynı ise - genotip fenotipe karşılık gelir (genotip - genlerin değerleri, fenotip - argümanların değerleri). Genler ve argümanlar eşit değilse (bir tür dönüşüm kullanılırsa) - o zaman karşılık gelmezler. Biyolojide genotip ve fenotip kavramlarını Google'da araştırın.

2. Evet ama bu temel değildir. Sıralamanın yönünü açıkça belirtebilir veya FF değerini -1 ile çarpabilirsiniz.

3. Özür dilerim, soruyu anlamamışım.

Teşekkürler.

1. Ben de öyle tahmin etmiştim. Ancak tahmin etmek bulanık ve tehlikeli bir şeydir. Kesin olarak bilmek çok daha arzu edilir bir şey. Google'a bakma konusunda, tavsiye için teşekkürler, ama sanırım kullanmayacağım. Okuldan beri resesif, dominant, alel, fenotip, genotip, homozigot, heterozigot diye hatırlıyorum.... Tanrım, kafamda ne kadar da saçma sapan şeyler varmış. Evet, Sovyet okulunda nasıl bilgi verileceğini biliyorlardı.... ))

2. Bu da anlaşılabilir.

3. Ancak üçüncü bir nokta yoktu. Sadece üçüncü satırda (ikinci paragrafın devamı), "Eğer haklıysam..." gibi yüksek sesle düşünülmüş. Bu bir soru değil. Öyle gibi görünse de. O zaman, retorik bir soru. Anlamını açıklayacağım. Örneğin, tamamen sentetik olarak. Elimizde sinüzoidal formda bir eğri sinyali var ve bunun üç sinüzoidin toplamı olduğunu biliyoruz. GA'nın bu görevin üstesinden kolayca geleceğinden ve her üç sinüzoidin de periyotlarını üreteceğinden neredeyse kesinlikle eminim. Ancak bu süreçte bir şekilde üç sinüzoidin toplamının referansa ne kadar benzediğini ölçmek gerekiyor. Benim cephaneliğimde bu tür üç ölçüm var: r (Pearson), R (p-kare) ve MSE. Özellikle bunlar sinir ağı paradigmalarında "uygunluk" ölçütleri olarak da kullanıldığından.

Tekrar teşekkürler, bu her şeyi daha açık ve şeffaf hale getirdi. Tekrar ediyorum, GA'lar konusuna daha yeni daldım. Yani acemi, aptal, valenok gibi sıfatların hepsi ne yazık ki benim.... ))

Not: Biyolojik analogları elbette biliyorum. Ancak bu bilgi tamamen üst düzey programlama dilleri tarafından tanımlanan süreçlerin özünün anlaşılmasını sağlamak içindir. Ve bu, her yerde ve her zaman değil. Biyolojik analoglar ile nörobilgisayar analoglarını sıkı bir düğümle bağlamıyorum. Bir şekilde biyolojide (doğada) her şey tek seferlik olarak çalışır. Ancak nörobilgisayarda, bazı nedenlerden dolayı, çoğu zaman çalışmaz.

[Aleksei Morozov]

Andrew, bir soru daha.

input string GA_OperatorParam     =        "----Operatör Parametreleri----";
input double ReplicationPortion_P  = 100.0; //Dole Çoğaltma.
input double NMutationPortion_P    = 10.0;  //Doğal Mutasyon Oranı.
input double ArtificialMutation_P  = 10.0;  //Yapay Mutasyonun Rolü.
input double GenoMergingPortion_P  = 20.0;  //Gen Ödünç Alma.
input double CrossingOverPortion_P = 20.0;  /Çapraz geçiş payı.
input double ReplicationOffset_P   = 0.5;   //Aralık sınırı ofset katsayısı
input double NMutationProbability_P= 5.0;   //Her bir genin mutasyon olasılığı % olarak

Bu değişkenlerin bu değerlerinin çoğu optimizasyon problemi için uygun olduğunu söyleyebilir miyiz? Bazı kaynaklarda söylendiği gibi "... Problemlerin %90'ı sıradan bir perceptron kullanılarak çözülebilir".