Mühazirə 6 Sistemli analizdə çoxvariantlı seçim məsələləri

r
X
(
r
- populyasiyada fərdin nömrəsi,
ps
r
,...,
2
,
1

)) axtarış 
parametrlərinin sayına bərabər ölçülü ədəd vektoru kimi (başqa sözlə, axtarış fəzasının 
ölçüsü) təsvir olunur. Belə ki, burada fenotip-genotip çevrilmə prosesi( daha doğrusu, 
həllər oblastının fərdlər oblastına çevrilməsi prosesi) genetik alqoritmdən(burada bitlər 
sətri, xromosomun strukturu istifadə olunu) fərqli olaraq trivial(adi) olub , kompüterdə 
emal zamanı sürət baxımından üstünlük əldə etməyə ümkan verir.
Populyasiyanın inkişafı və yeni nəslin formalaşdırılması (daha doğrusu, yoxlama 
üçün istifadə olunan həll) üçün genetik operatorlar adlanan operatorlardan- diferensial 
mutasiya, ehtimallı calama, ehtimallı seçmə (genetik alqoritmdəkinə müvafiq) istifadə 
olunur. 
ps
X
X
,...,
1
populyasiyasında fərdlərin sayı ps hər bir yeni generasiyadan sonra 
saxlanılır. Yeni vektor populyasiyanın üç müxtəlif fərdinin 
3
2
1
r
r
r


birinci və ikinci 
vektorların əmsallaşdırılmış fərqlərinin üçüncü ilə toplanmasının köməyilə təsadüfi 
seçilməsindən mutasiya nəticəsində alınır. Mutasiya nəticəsində alınmış yeni fərd test 
vektoru- populyasiyanın yeni fərdini almaq üçün başqa vektorla calamaya uğradılır. Sonra 
seçmə prosesi baş verir, bu da onunla nəticələnir ki, əgər test vektorunun məqsəd 
funksiyasının qiyməti populyasiyanın hər hansı ardıcıl seçilmiş üzvünün qiymətindən 
kiçik olarsa, axırıncı test vektoru ilə -yeni fərdlə əvəz olunur. 
Çoxsaylı məsələlər üçün optimallaşdırma üsulu kimi genetik alqoritmlər istifadə 
olunur. Onlar klassik metodların istifadə oluna bilmədiyi hallarda geniş tətbiq olunur. 
Neyron şəbəkələrin öyrənməsinə genetik alqoritmlərin tətbiqi ilə bağlı müxtəlif yanaşmalar 
təklif olunmuşdur. Onlardan bəziləri çəki əmsallarını, digərləri şəbəkənin quruluşunu 
dəyişir. 
Aydındır ki, genetik alqoritmlər ayrılıqda da bir çox məsələlərin həllində istifadə 
oluna bilər. Əgər məqsəd funksiyasının qradiyentini almaq mümkündürsə, çəkilərin 
axtarışı üçün hibrid genetik alqoritmlərin (GA/qradiyent) istifadə olunması əlverişlidir. Bu 
zaman qradiyent eniş addımı genetik alqoirtmlərin operatorlarından biri kimi götürülə bilər. 
Genetik alqoritmlərin təkamül xüsusiyyəti və neyron şəbəkələrin öyrənmə xüsusiyyəti bir-
birini qarşılıqlı tamamlayır, ayrı-ayrılıqda istifadə olunduğundan daha səmərəli nəticə verir. 
Xüsusi halda, GA-lər təkamül modelini, supervizor öyrənmə (və ya öyrənmənin digər 
paradiqmləri) isə, öyrənmənin güclü mexanizmini təmin edə bilər. 
Növbəti mühazirədə genetik alqoritmdən istifadə ilə optimal həllin təyini 
məsələsinə baxacağıq. 

---