13-ma'ruza. Genetik algoritmlar

GAlarning an'anaviy qidiruv usullaridan farqlari. Farqlari quyidagilardan iborat:

• 
  GAlar optimal echimni topish uchun an'anaviy usullarda bo'lgani kabi bir nuqtadan boshqa nuqtaga o'tishdan ko'ra, bir vaqtning o'zida bir nechta nuqtalardan foydalanadilar. Bu maqsad funksiyasining lokal ekstremumiga tushish xavfini oldini oladi, agarda u unimodal bo'lmasa, ya'ni bir nechta ekstremumga ega bo’lsa. Bir vaqtning o'zida bir nechta nuqtalardan foydalanish bu imkoniyatni sezilarli darajada kamaytiradi;
  
• 
  GAlar ishlash jarayonida hech qanday qo'shimcha ma'lumotlarni talab qilmaydi va bu algoritmning ishlash tezligini oshirishga olib keladi. GAlarda yagona ma'lumot: qabul qilinadigan qiymatlar diapazoni va muayyan nuqtalarda MFni hisoblashdan foyfalaniladi;
  
• 
  GAlar bir nuqtadan ikkinchisiga o'tish uchun deterministik qoidalardan va yangi tahlil nuqtalarini yaratish uchun ehtimollik qoidalaridan foydalanadilar;
  
• 
  GAlar maqsad funksiyasi argumentlariga bog'liq bo'lgan parametrlar to'plamini ifodalovchi kodlar bilan ishlaydi. Ushbu kodlarning talqini faqat algoritm boshlanishidan oldin va natijani olish uchun uning ishi tugagandan so'ng sodir bo'ladi. Ish jarayonida kodlar bilan manipulyatsiya ularning izohlanishidan butunlay mustaqil ravishda sodir bo'ladi va kod oddiygina bitli satr sifatida qaraladi.
  

GA ning afzalliklari. GA ularni juda mashhur qilgan turli xil afzalliklarga ega. Bunga quyidagilar kiradi:

• 
  hech qanday yasama ma'lumotlarini talab qilmaydi (ular haqiqiy hayotdagi ko'plab muammolar uchun mavjud bo'lmasligi mumkin);
  
• 
  bu an'anaviy usullarga qaraganda tezroq va samaraliroq ishlaydi;
  
• 
  juda yaxshi parallel ishlash imkoniyatlarga ega;
  
• 
  uzluksiz va diskret funksiyalarni hamda ko'p maqsadli masalalarni optimallashtiradi;
  
• 
  bitta yechim emas, balki "yaxshi" echimlar ro'yxatini taqdim etadi;
  
• 
  vaqt o'tishi bilan yaxshilanadigan muammoga doimo javob oladi;
  
• 
  qidiruv fazosi juda katta bo'lganida va ko'plab parametrlar mavjud bo'lganda foydalanish qulay.
  

Adabiyotlarda tasvirlangan tajribalar shuni ko'rsatadiki, GAlar adaptiv releflarning global minimalarini topishda juda samarali, chunki ular neyron tarmoqlari parametrlarining qabul qilinadigan qiymatlarining katta diapazonlarini o'rganishadi. (Gradient algoritmlari faqat lokal minimumlarni topishga imkon beradi.)
GAlar neyron tarmoqlari parametrlarining diskret qiymatlari bilan ishlashga imkon beradi. Bu neyron tarmoqlarning raqamli apparat dasturlarini ishlab chiqishni soddalashtiradi. Uskunani amalga oshirishga yo'naltirilmagan kompyuterda neyron tarmoqlarni o'rgatish paytida ba'zi holatlarda parametrlarning alohida qiymatlarini ishlatish imkoniyati o'qitish (o’rgatish) vaqtining qisqarishiga olib kelishi mumkin. GA ning cheklovlari va kamchiliklari. Har qanday texnikada bo'lgani kabi
GA ham bir nechta cheklovlardan holi emas. Bunga quyidagilar kiradi:

• 
  GA barcha muammolarga mos kelmaydi, ayniqsa, sodda va ular uchun ma'lumot mavjud bo'lgan muammolar uchun;
  
• 
  MF qiymati maslani echishda bir necha bor hisoblab chiqiladi, bu esa ba'zi masalalarni echishda hisoblashlar hajmining oshishiga olib keladi;
  
• 
  stoxastik bo'lganligi sababli echimning optimalligi yoki sifatiga hech qanday kafolat mavjud emasligi;
  
• 
  agar GA to'g'ri bajarilmasa u optimal echimga yaqinlashmasligi mumkin.
  

Genetik algoritmlari yordamida o’qitishni tushunish va uni dasturiy ta’minot sifatida amalga oshirish murakkab hisoblanadi. GAlardan foydalanib masalalarni echishda quyidagi muammoli holatlar paydo bo’lishi mumkin: aniq global optimallashtirish kerak bo'lganda; funksiyani baholashni bajarish vaqti uzoq bo’lganda; masalaning birortasini emas, balki barcha echimlarini topish kerak bo’lganda; echimlarni kodlash oddiy bo’lmaganda.

3.