Algoritmi genetici

ALGORITMII GENETICI
ALGORITMII GENETICI sunt o familie de modele inspirate de teoria
evoluiei, sunt programe inteligente capabile s soluioneze probleme folosind un
conceptul al evoluiei speciilor. Aceti algoritmi codific soluiile posibile ale unor
probleme specifice ntr-o structur de date de tip cromozom i aplic acestor structuri
operatori de recombinare, pentru a pstra informaia util.
Un cromozom este un vector sau un ir de gene. Poziia unei gene este numit
locusul ei. Valorile pe care le poate lua o gen sunt numite alele, sunt mulimi finite
de numere ntregi, intervale de numere reale, sau chiar structuri complexe de date.
Alele variaz de la un locus la altul.
Sarcina unui algoritm genetic e s descopere cromozomi din ce n ce mai buni, pn
la atingerea unei valori a raportului dintre evaluarea asociat unui ir i evaluarea
medie a tuturor irurilor populaiei (fitness) despre care se tie c este optimal, sau
pn cnd algoritmul genetic nu mai poate aduce mbuntiri.
Implementarea unui algoritm genetic ncepe cu o populaie de cromozomi
(aleas aleator). Se evalueaz, apoi, aceste structuri i se aloc faciliti reproductive
astfel nct acei cromozomi, care reprezint o soluie mai bun pentru problema int,
s aib mai multe anse de a se reproduce dect acei cromozomi care sunt soluii mai
puin bune. Definirea unei soluii bune se face n raport cu populaia curent.
ntr-un sens mai larg, algoritm genetic este orice model bazat pe ideea de
populaie i care folosete selecie i operatori de recombinare pentru a genera noi
puncte ntr-un spaiu de cutare. Multe modele au fost introduse de cercettori dintr-o
perspectiv experimental. Cercettorii sunt orientai spre aplicaii, fiind interesai de
algoritmii genetici doar ca mijloace de optimizare.
Ei sunt recomandai pentru aflarea soluiilor neliniare ale unor probleme atunci
cnd nu este posibil modelarea matematic i nici euristic n domeniu.
Adevraii profesioniti combin adesea cele mai variate tehnologii inteligente
n scopul exploatrii avantajelor fiecreia, obinnd aa-numitele sisteme hibride.
Sunt posibile combinri de genul:
1. folosirea reelelor neuronale la ajustarea parametrilor n sistemele expert
fuzzy,
2. extragerea cunoaterii din reele neuronale pentru a fi utilizat n
sistemele expert,
1

Algoritmi genetici

3. folosirea algoritmilor genetici la crearea unor reele neuronale mai

compacte i mai eficiente,
4. folosirea unei reele neuronale pentru asistarea funcionrii unui algoritm
genetic,
5. folosirea algoritmilor genetici la reglarea parametrilor unui sistem
expert fuzzy pentru controlul proceselor,
6. mbuntirea performanei unui sistem expert prin ncorporarea
raionamentului bazat pe cazuri, etc.
Asemenea cercetri sunt n prezent n mare vog n cele mai specializate
laboratoare ale lumii tiinifice.
Cteva subiecte ale conceptelor de baz :
probleme de optimizare - doar dou componente principale sunt dependente de
problema de rezolvat : codificarea i funcia de evaluare. Scopul este de a fixa
parametrii n aa fel nct ieirea s fie optim.
Variabilele desemnnd parametrii sunt reprezentai prin iruri binare iar funcia de
evaluare este parte a descrierii problemei.
algoritmul genetic canonic const n generarea populaiei iniiale. Se aplic
acestei populaii selecia pentru a obine o populaie intermediar. Apoi se aplic
recombinarea i mutaii pentru a crea o populaie urmtoare (next population). Acest
proces de trecere de la populaia curent la populaia urmtoare reprezint o generaie
n execuia unui algoritm genetic.
selecia hiperplanelor nu este afectat de extremele locale. Creterea ratei de
selecie a hiperplanelor peste medie nu garanteaz convergena ctre un optim global,
ce ar putea fi un vrf relativ izolat.
teorema schemei furnizeaz o margine inferioar a schimbrii ratei de
selecie pentru un singur hiperplan de la generaia t la generaia t+1.
alfabetele binare utilizarea lor va rezulta n urma unor calcule simple. Un
alfabet minimal maximizeaz numrul de hiperplane utilizabile pentru codificarea
procesrii
critica teoremei schemei inexactitatea inegalitii face ca ncercarea de a
prezice pe baza teoremei reprezentarea unui anumit hiperplan de-a lungul
generaiilor, s fie fr succes.

Algoritmi genetici

Aplicaii ale algoritmilor genetici Algoritmii genetici reprezint o metod cu

care pot fi atacate relativ uor probleme dificile de optimizaresau control, cu rezultate
bune sau chiar optimale.
Cnd se vorbete de aplicarea unei idei din software, se refer n general la un
prototip care arat cum ar putea fi folosit respectiva idee ntr-un domeniu practic.
Un exemplu l constituie sistemul care funcioneaz la instalaia de
maleabilizare a unui laminor de platbande de oel, unde operatorul unei macarale este
ajutat s decid unde s pun oelul laminat nainte de maleabilizare, cum s grupeze
arjele n cuptorul de maleabilizare i cum s aranjeze oelul laminat maleabilizat
pentru a fi expediat n funcie de comenzile primite. Un alt exemplu este aceea de a
realiza optimizarea unor obiective variate n alctuirea orarelor pentu cursuri sau
examene.
Aplicaii ale algoritmilor genetici este de exemplu controlul curgerii de gaz
printr-o conduct, n regim staionar i n regim tranzitoriu. De-a lungul conductei,
presiunea gazului descrete n mod natural i trebuie mrit cu ajutorul unor
compresoare. Obiectivul const n meninerea presiunii n punctele de livrare la
nivelul dorit, cu minimizarea energiei folosite n compresoare i ndeplinirea altor
restricii. De asemenea, este necesar detectarea, pe baza msurrii presiunii, a
scurgerilor probabile, evitnd, pe ct posibil, alarmele false.
Ali cercettori descriu o aplicaie n proiectarea reelelor de comunicaii ntre
staii aflate la mare distan.
Optimizarea planificrilor - utilizarea algoritmilor pentru planificarea
examenelor se dau un set de examene i un numr fix de csue libere n orar :
obiectivul e de a aeza fiecare examen ntr-una dintre casue, asfel nct nici un
student s nu aib examene aflate n casue consecutive, nici prea multe examene n
aceeai zi. De asemenea, anumite examene nu pot fi puse n anumite casue.
Reprezentarea folosit este natural : exist o gen pentru fiecare examen, allele fiind
date de mulimea casuelor din orar. Evident, majoritatea cromozomilor generai
aleator vor nclca mai multe restricii. Funcia de fitness conine termini de
penalizare pentru fiecare restricie nclcat i se dovedete stabil fa de valorile
efective ale acestor termeni. Algoritmul genetic are deci o form convenional, cu
excepia unui operator de mutaie mai deosebit. Acesta exercit o uoar presiune
pentru mbuntirea orarului. Implementarea unui operator mai tare, care efectueaz
acea schimbare care duce la cea mai bun mbuntire a unui cromozom, se
dovedete extrem de duntoare. Algoritmul genetic a gsit o soluie n care doar
3

Algoritmi genetici

unul dintre studeni a avut de susinut dou examene consecutive. Algoritmul a

obinut o astfel de soluie, nu ntotdeauna aceeai, n 50% din rulri.
S-a aplicat metode similare pentru a genera orarul cursurilor; aici un cromozom
reprezint, pentru fiecare curs, ora de ncepere i locul de desfurare, existnd
penalizri pentru lipsa de spaiu n sala de curs, pentru distane prea mari ntre slile
unde se desfoar dou cursuri consecutive. Metodele tardiionale de plnificare, sun
mai rapide dac restriciile sunt de tip aceste evenimente nu pot avea loc simultan,
dar algoritmii genetici reprezint o soluie superioar dac exist i alte restricii mai
complicate.
Numeroase articole, programe pot fi gsite pe internet la adresele :
garbo.uwasa.fi:pc/reseach/2500Garefs.ps.gz
ftp.cs.cuhk:pub/EC
ftp.germany.eu.net:pub/research/softcomp/EC
alife.sanatatefe.edu:pub/USER-AREA/EC
ftp.dcs.warwick.ac.uk:pub/mirrors/EC
SISTEME INTELIGENTE BAZATE PE ALGORITMI GENETICI
Mecanismul specific acestor sisteme este inspirat din funcionare sistemelor
biologice, n sensul c ncurajeaz soluiile candidat capabile s rezolve o problem i
penalizeaz soluiile fr succes. n felul acesta se obin, dup mai multe generaii,
soluii foarte bune pentru probleme de optimizare complexe, cu un mare numr de
parametri.
Ideea de baz a unui algoritm genetic const n a ncepe cu o populaie de
soluii, fiecare mai performant dect precedentele. Fazele ciclului prin care opereaz
un asemenea algoritm sunt:
1. creearea unei populaii de membri,(soluii candidat la rezolvrea unei
probleme),
2. selecia membrilor care s-au adaptat cel mai bine necesitilor problemei de
soluionat,
3. reproducerea (se folosesc operatorii genetici de ncruciare i mutaie, pentru a
obine noi membri),
4. evaluarea gradului n care noii membri corespund mai bine soluionrii
problemei,
5. abandonarea populaiei vechi prin nlocuirea ei cu populaia nou din noua
generaie.
4

Algoritmi genetici

Un asemenea ciclu se repet pn cnd este identificat cea mai bun soluie la
problema n cauz.

Abandonarea

Populaia

Evaluarea

Selecia

Reproducerea
fazele ciclului algoritmilor genetici
Datorit structurii lor inerent paralele, sisteme inteligente bazate pe algoritmi
genetici s-au dovedit performante n problemele de cutare i identificare a
structurilor i relaiilor specifice n cadrul bazelor de date i bazelor de cunotine
voluminoase (data mining). Un succes particular s-a obinut cu ele n problemele de
optimizare referitoare la selectrea personalului i selectrea portofoliilor.
i aceste sisteme, deorece pot nva relaii i structuri complexe n cadrul
seturilor de informaii i cunotine incomplete, se pot adapta schimbrilor survenite
n mediile n care funcioneaz, i pot fi utilizate ca instrumente pentru descoperirea
unor cunotine noi.Ele pot oferi explicaii la deciziile luate ntr-un format perceptibil
de ctre om.
Aplicaiile acestor sisteme s-au diversificat rapid i s-au dovedit utile domeniul
afacerilor financiare, comerului cu titluri, evalurii creditelor, deteciei fraudelor i
prediciei falimentului. De exemplu, unii cercettori au folosit asemenea sisteme la
inferarea unor reguli pentru predicia falimentului ntreprinderilor, pe baza
indicatorilor financiari obinui din bilan (financial ratios). Ali cercettori descriu
5

Algoritmi genetici

modul de utilizare a algoritmilor genetici n alocarea bugetar, n vederea asistrii

guvernelor i administraiilor locale la adoptarea celor mai bune decizii.

Problem :
Se consider {0,1}L mulimea irurilor binare de lungime L. Pentru un ir s din
aceast mulime notm cu s1 numrul de componente egale cu 1 ale irului. Fie N un
numr natural nenul mai mic dect L, i f o funcie care asociaz fiecrui ir s o
valoare egal cu s1 dac s1 nu este multiplu de N, i 2s1 n caz contrar. S se gseasc
un ir s* care maimizeaz f. Se va lua valorile L=10 i N=3.
Exemplu de utilizare :
Program ce const n maximizarea unei funcii definite f(s)=s 1 Se deschide
fiierul ex1.prj din Borland i se modific fiierul ex1.c. Fiierul rezultat va avea
forma :
#include<stdio.h>
#includesugar.h
int evaluate(SuChromosome*chrom,double*fitness);
main( int argc,char*arvg[] )
{
SuaEvaluationFunction=evaluate;
SuRun( ex1.cfg,argc,argv );
}
int evaluate (SuChromosome*chrom,double*fitness);
{
int i;
int N=3;
int count=0;
double result=0.0;
for( i=0; i<chrom->length;++i )
count+=SuGetBit( chrom->string,i );
if(count%N==0)result=2*count;
6

Algoritmi genetici

else result =count;

*fitness=result
return 0;
}
Modificrile au fost fcute n funcia de evaluare. Pentru a seta
parametrii algoritmului genetic am schimbat liniile fiierului ex1.cfg dup cum
urmeaz :
generation 10
population 10
length 10
n
generation 100
population 50
length 10
(ntmpltor, lungimea irului binar era predefinit ca 10, n general ea va trebui
modificat).
Rularea algoritmului se face prin comanda ex1.exe. n urma rulrii programul
obine valoarea 1101111111, una dintre cele care maximizeaz f.
Concuzie - Puterea algoritmilor genetici const n uurina cu care sunt
implementai i n faptul c dau de multe ori rezultate bune, chiar dac nu gsesc
ntotdeauna optimul global.