Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta

Wielkość: px
Rozpocząć pokaz od strony:

Download "Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta"

Transkrypt

1 Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej

2 Wprowadzenie Problemy rozwiązywane przez podglądanie biologii Selekcja naturalna i mechanizmy dziedziczenia Zadania optymalizacyjne funkcja przystosowania Kiedy podejście klasyczne zawodzi lub jest trudne Współpraca z sieciami neuronowymi

3 Historia zjawiska : początki - biolodzy Barricelli, Fraser symulacja algorytmów genetycznych 1962: algorytmy genetyczne w zastosowaniach poza biologią J. Holland 1967: algorytmy genetyczne w prostych grach 1970: rozpoznawanie osób - tam gdzie klasyczne podejście zawodzi 1971: algorytmy genetyczne w optymalizacji

4 Zastosowania Programowanie komputerów Sztuczna inteligencja Optymalizacja Sztuczne sieci neuronowe algorytmy uczenia

5 Algorytmy genetyczne - słownik (1) Populacja zbiór osobników Osobnicy z populacji chromosom koduje informacje o osobniku Chromosomy uporządkowane ciągi genów Gen pojedynczy element genotypu - w szczególności chromosomu

6 Algorytmy genetyczne - słownik (2) Genotyp zespół chromosomów osobnika Fenotyp zestaw wartości odpowiadających danemu genotypowi Allel wartość danego genu (wariant cechy) 1 Locus pozycja genu w chromosomie

7 Algorytmy genetyczne - słownik (3) Generacja kolejna iteracja w algorytmie genetycznym Pokolenie wynik generacji nowo utworzona populacja Funkcja przystosowania miara przystosowania danego osobnika w populacji ocena stopnia przystosowania danego osobnika w populacji wybór osobników najlepiej przystosowanych

8 x 2 Przykład optymalizacji (1) x Funkcja: f(x) = x 2, x [0, 31], x N Początkowa populacja: - wybrana i zakodowana Prawdopodobieństwo wyboru osobnika: Nr Osobnik Wartość x Przystosowanie f(x) p S p S f ( x) = f ( x) f(x) funkcja przystosowania f(x) przystosowanie dla populacji , , , ,31 Średnia 293 0,25 Max 576 0,49

9 Przykład optymalizacji (2) Wybór rodziców, kojarzenie par losowe, krzyżowanie Nr Rodzice Nr partnera Nowa populacja x f(x) Średnia 439 Max 729 Wygenerowano nowe pokolenie chromosomów New Average = 1.5 * Old Average New Max = 1.5 * Old Max

10 Klasyczny algorytm genetyczny (1) Inicjalizacja wybór początkowej populacji chromosomów losowy wybór żądanej liczby chromosomów reprezentowanych przez ciągi binarne o określonej długości Ocena przystosowanie chromosomów w populacji obliczenie wartości funkcji przystosowania dla każdego chromosomu populacji im większa wartość funkcji tym lepsze przystosowanie danego chromosomu Kontrola warunku zatrzymania uzyskanie żądanej wartości optymalnej z wymaganą dokładnością kolejne kroki algorytmu nie poprawiają uzyskanej już wartości ograniczenia na czas wykonania algorytmu lub liczbę iteracji

11 Klasyczny algorytm genetyczny (2) Selekcja chromosomów wybór chromosomów biorących udział w tworzeniu potomków następnego pokolenia zasada naturalnej selekcji największe szanse na wybór chromosomy o największej wartości funkcji przystosowania Reprodukcja tworzenie nowej populacji z wybranej puli rodziców krzyżowanie mutacja Nowa populacja otrzymane chromosomy nowa populacja nowa pula rodziców Chromosom najlepiej przystosowany

12 Metoda ruletki Generalia ciągi kodowe o lepszym przystosowaniu mają większe prawdopodobieństwo wprowadzenia potomków do kolejnego pokolenia Symulacja wykalibrowanej ruletki każdy chromosom to sektor wielkość sektora proporcjonalna do przystosowania n-krotne losowanie osobników z bieżącej populacji wybrane osobniki do nowej populacji ruletka startuje n-razy n liczba osobników w populacji Prawdopodobieństwo selekcji f(x) funkcja przystosowania f(x) przystosowanie dla populacji p S f ( x) = f ( x) 8% 1 1 % % % % %

13 Ranking liniowy Generalia przystosowanie zależy od położenia osobnika na liście posortowanej według funkcji oceny Cechy metody dostraja kompresuje - dystans do najlepszego rozwiązania redukuje gdy jest zbyt znaczący zwiększa gdy zbyt mały Prawdopodobieństwo wyboru p x x p x przystosowanie osobnika przystosowanie populacji p S = px p X X

14 Ruletka ranking liniowy - przykład przystosowanie wartość prawdopodobieństwa wartość ruletka ranking liniowy 1 5 5/25 20% 1/6 16,6% (najgorszy) /25 52% 3/6 50% (najlepszy) 7 7/25 28% 2 2/6 33,3%

15 Turniej Generalia losowy wybór kilku osobników z całej populacji (grupa turniejowa) wybór najlepiej przystosowanego osobnika z grupy i wstawienie go do nowo tworzonej populacji Operacja powtarzana do momentu utworzenia całej nowej populacji Klucz decyzyjny ważna jest jedynie lepszość jednego rozwiązania nad innymi nie jest wymagana maksymalizacja funkcji oceny - jak w metodzie ruletki i rankingu liniowego

16 Krzyżowanie (1) Generalia wymiana materiału genetycznego pomiędzy dwoma osobnikami powstanie dwóch nowych osobników (dzieci) w wyniku operacji krzyżowania dwóch osobników (rodziców) zastąpienie rodziców przez dzieci w populacji Kroki wybór par chromosomów z puli rodzicielskiej w sposób losowy zgodnie z prawdopodobieństwem krzyżowania p c (0.5, 1) losowanie punktu krzyżowania l k (pozycji genu w chromosomie) poprzez losowanie liczby z przedziału [1, L-1], L długość chromosomu tworzenie potomków przez wymianę genów obu rodziców

17 Krzyżowanie (2) Rodzice Dzieci przed krzyżowaniem po krzyżowaniu

18 Krzyżowanie (3) jednopunktowe dwupunktowe Parent A Child A Child B Parent B wielopunktowe chromosomy rodziców są dzielone na kilka części dzieci tworzone są na podstawie przeplatanych wycinków rodziców równomierne wylosowany wzorzec wskazujący pokazuje, które geny są dziedziczone od pierwszego z rodziców a pozostałe od drugiego

19 Mutacja nie tak ważny operator częstość mutacji potrzebna do uzyskania dobrych wyników jest rzędu 1:1000 kopiowanych bitów droga wyjścia z lokalnych minimów zapobiega odrzuceniu wyeliminowanego przez selekcję i krzyżowanie potencjalnie obiecującego materiału genetycznego odwraca wartości genu w chromosomie 0 na 1 lub 1 na 0 - prawdopodobieństwo mutacji p m [0, 0.1] geny do zmutowania losowaniu liczby z przedziału [0, 1] dla każdego genu i wybraniu tych genów do mutacji, dla których wylosowana liczba jest mniejsza lub równa p m

20 Inwersja otrzymywanie nowych potomków - różniących się od chromosomów rodzicielskich - obok krzyżowania i mutacji działa na pojedynczym chromosomie - zmieniając kolejność alleli między dwiema losowo wybranymi pozycjami chromosomu występuje w rozszerzonych algorytmach genetycznych

21 Strategie szczególne reprodukcji strategia elitarna ochrona najlepszych chromosomów w kolejnych iteracjach - w algorytmie klasycznym osobniki najlepiej przystosowane nie zawsze wchodzą do następnej generacji z częściową wymianą populacji część populacji przechodzi do następnej generacji bez jakichkolwiek zmian - nie podlega operacjom krzyżowania i mutacji

22 Funkcja przystosowania (1) ocenia wynik każdego możliwego rozwiązania wartość numeryczna (dodatnia) pokazująca jak dane rozwiązanie rozwiązuje cały problem rosnące wartości oznaczają coraz lepsze przystosowanie zadanie algorytmu genetycznego: znalezienie, które rozwiązanie ma największą wartość funkcji przystosowania spośród całego zestawu możliwych rozwiązań przekształcanie funkcji celu w funkcję przystosowania funkcja celu może przyjmować wartości ujemne i dodatnie funkcja przystosowania jest nieujemnym kryterium oceny

23 Funkcja przystosowania (2) Funkcja celu g(x) w funkcję przystosowania f(x) czasem bezpośrednio f(x) = g(x) czasem przekształcenie liniowe Przykład 1: znaleźć maksimum g(x) Funkcja przystosowania: f(x) = g(x) + c min

24 Funkcja przystosowania (3) Przykład 2: znaleźć minimum funkcji g(x) Funkcja przystosowania: f(x) = c max - g(x)

25 Skalowanie przystosowania (1) gdy średnia wartość przystosowania f avg (x) << f max (x) zapobiega przedwczesnej zbieżności - ponadprzeciętnych osobników - w pierwszych pokoleniach Założenia: 1. f avg = f avg 2. C współczynnik zwielokrotnienia; średnia liczba potomków osobnika o maksymalnym przystosowaniu Zbliża osobniki przeciętne do najlepszych początek populacji

26 Skalowanie przystosowania (2) jeśli f avg (x) < f max (x) zapobiega błądzeniu przypadkowemu wśród przeciętniaków w najmłodszych pokoleniach populacji Założenia: 1. f avg = f avg 2. f min = 0 osobniki najgorzej przystosowane mają: f(x) = 0 najlepsi separowani są od przeciętnych dojrzała populacja

27 GA w służbie ANN optymalizacja topologii sieci neuronowych dobór wag sieci neuronowych algorytmy genetyczne w sieciach rekurencyjnych

28 Wnioskowanie rozmyte Plan Teoria logiki rozmytej Zbiory Rozmyte Logika Rozmyta Systemy bazujące na rozmytym wnioskowaniu Aplikacje

29 Teoria logiki rozmytej Zasadnicze założenie logiki rozmytej -to przynależność elementu do zbioru rozmytego z pewnym stopniem przynależności. Zbiór rozmyty ma rozmyte granice Nie mamy już logiki dwuwartościowej prawda i fałsz, mamy częściową prawdę i częściowy fałsz. Stopień przynależności do prawdy i fałszu to liczba z przedziału [0,1] Logika rozmyta to rozszerzenie logiki dwuwartościowej prawdziwość wyrażenia nie jest ograniczona to dwóch stanów

30 Zbiory rozmyte (1) Klasyczny przykład zbioru rozmytego - zbiór ludzi wysokich. Elementami zbioru rozmytego ludzi wysokich - są wszyscy, lecz stopień ich przynależności do tegoż zbioru zależy od ich wzrostu Name Chris Mark John Tom David Mike Bob Steven Bill Height, cm Degree of Membership Crisp Fuzzy Rozmyty zbiór ludzi wysokich Peter

31 Zbiory rozmyte (2) Degree of Membership 1.0 Crisp Sets Tall Men 0.4 Klasyczny i rozmyty zbiór ludzi wysokich Degree of Membership 1.0 Fuzzy Sets Height, cm Height, cm

32 Zbiory rozmyte (3) Oś x reprezentuje zakres zmienności dziedziny czyli zakres wszystkich możliwych wartości naszej zmiennej. ta zmienna to oczywiście wzrost człowieka. zakładamy, że do zbioru ludzi wysokich przynależą wszyscy. Oś y reprezentuje wartość przynależności do zbioru rozmytego. Innymi słowy zbiór ludzi wysokich powstaje przez mapowanie wzrostu człowieka z pewną wartością przynależności.

33 Zbiory rozmyte (4) Każdy zbiór rozmyty ma swoje ograniczenia Niech X to zbiór wartości wejściowych, a jego elementy to: x. W klasycznej teorii zbiorów, zbiór A w X jest definiowany funkcją f A (x) zwaną charakterystyką cechą zbioru A f A (x): X {0, 1}, gdzie f A ( x) = 1, if 0, if x x A A

34 Zbiory rozmyte (5) W teorii zbiorów rozmytych, zbiór rozmyty A przestrzeni X jest definiowany funkcją A (x) zwaną funkcją przynależności do zbioru A A (x): X [0, 1], gdzie A (x) = 1 gdy x w pełni zawarty w A; A (x) = 0 gdy x nie jest zawarty w A; 0 < A (x) < 1 gdy x jest częściowo zawarty w A. Dla każdego elementu x z przestrzeni X, wartość funkcji przynależności A (x) równa się stopniowi z jakim x jest elementem zbioru A. Ten stopień wartość zawarta między 0 a 1, reprezentuje stopień przynależności elementu x do zbioru A.

35 Zbiory rozmyte (6) Degree of Membership Crisp Sets Short Average Short Tall Tall Men Przykład opisu zbioru klasycznego i rozmytego Degree of Membership 1.0 Fuzzy Sets Height, cm Short Average Tall Tall

36 Zbiory rozmyte (7) X Fuzzy Subset A (x) 1 Crisp Subset A 0 Fuzziness Fuzziness x Typowymi funkcjami używanymi do opisu zbiorów rozmytych są: sigmoid, funkcja Gaussowska oraz PI. Funkcje bardziej złożone wyraźnie wydłużają czas przewarzania danych opisanych zbiorami rozmytymi. Stąd w praktyce najczęściej używane są liniowe funkcje wyznaczające przynależność do zbioru rozmytego.

37 Zbiory rozmyte (8) Zmienna lingwistyczna jest zmienną rozmytą. Dla przykładu Janek jest wysoki - implikuje zmienną lingwistyczną Janek - przyjmującą lingwistyczną wartość wysoki. Zakres możliwych wartości lingwistycznej zmiennej reprezentuje przestrzeń zmienności tej wartości. Przykład zakres zmienności lingwistycznej zmiennej prędkość opisanej liczbowo od 0 do 220 km/h może przyjmować wartości rozmyte takie jak: bardzo wolno, wolno, średnio, szybko, i bardzo szybko. Innymi słowy zmienne lingwistyczne mogą mieć dodatkowe parametry rozmyte, zwane przedrostkami. Przedrostki modyfikują kształt zbioru rozmytego. To określenia takie jak: bardzo, trochę, nieco, więcej, mniej, znacząco.

38 Przedrostek bardzo zbioru rozmytego Degree of Membership Short Average Short Tall Very Short Very Tall Tall Height, cm

39 Zbiory rozmyte (9) Operacje na zbiorach rozmytych - dopełnienie Zbiór klasyczny: Kto/co do zbioru nie należy? Zbiór rozmyty: W jakim stopniu ktoś/coś nie należy do zbioru? Przykład mamy zbiór osób wysokich, dopełnienie zbiór osób niewysokich. Jeśli A jest zbiorem rozmytym, to dopełnienie -A opisujemy następująco: -A (x) = 1 A (x)

40 Zbiory rozmyte (10) Operacje na zbiorach rozmytych - zawieranie Zbiór klasyczny: Które elementy należą do innych zbiorów? Zbiór rozmyty: Które elementy należą do innych zbiorów?? W zbiorze ludzi wysokich zbiór ludzi bardzo wysokich jest podzbiorem ludzi wysokich. Zauważmy, że zbiór ludzi wysokich jest także podzbiorem zbioru ludzie. W zbiorach klasycznych elementy podzbiorów przynależą w całości do zbioru większego. W zbiorach rozmytych sytuacja jest podobna, lecz: elementy mają mniejszą wartość przynależności do podzbioru niż do zbioru większego.

41 Zbiory rozmyte (11) Operacje na zbiorach rozmytych - przekrój Zbiór klasyczny: Które elementy należą do obu zbiorów? Zbiór rozmyty: Jak mocno elementy należą do obu zbiorów?? W zbiorach klasycznych do przekroju należą elementy nakładające się zbiorów macierzystych. W zbiorach rozmytych elementy mogą należeć do obu zbiorów macierzystych z różnymi wartościami funkcji przynależności. Rozmyty przekrój to niższa wartość funkcji przynależności. Zatem rozmyty przekrój zbiorów rozmytych A i B w przestrzeni X: A B (x) = min [ A (x), B (x)] = A (x) B (x), gdzie: x X

42 Zbiory rozmyte (12) Operacje na zbiorach rozmytych - suma Zbiór klasyczny: Który element należy do któregoś ze zbiorów? Zbiór rozmyty: Jak mocno element należy do któregoś ze zbiorów?? Dla zbiorów klasycznych suma zbiorów jest wynikiem logicznej operacji OR. Dla zbiorów rozmytych suma jest odwrotnością przekroju. Tym samym, suma powstaje jako produkt największej wartości funkcji przynależności. Suma rozmyta dwóch rozmytych zbiorów A i B w przestrzeni X może być opisana jako: A B (x) = max [ A (x), B (x)] = A (x) B (x), gdzie: x X

43 Zbiory rozmyte (13) ( x ) A Not A x ( x ) A B A B x Operacje na zbiorach rozmytych 0 0 Complement x Containment ( x ) ( x ) x 1 A B 1 A B 0 x 0 x 1 A B 1 0 Intersection x 0 A B Union x

44 Logika rozmyta (1) Logika rozmyta to rozszerzenie logiki dwuwartościowej prawdziwość zdania is nie jest ograniczona do prawdy i fałszu Przykłady zdań rozmytych: Φ = Height(John, tall) Φ = 0.9 Ψ = Speed(Mazda, fast) Ψ = 0.3 Prawdziwość zdania może być definiowana: -Φ = 1 Φ Φ Ψ = min { Φ, Ψ } /* t-norm */ Φ Ψ = max { Φ, Ψ } /* t-conorm */ Φ Ψ = min {1 - Φ + Ψ, 1} /* Lukasiewicz */

45 Logika rozmyta (2) Cztery klasy logiki rozmytej Logika klasyczna klasyczne wyrażenie: Height(John, 180) Weight(John, 60) klasyczne dane: Height(John, 180) Rozmyta baza wiedzy rozmyte wyrażenie: Height(John, tall) Weight(John, heavy) klasyczne dane: Height(John, 180) Niepewna baza wiedzy klasyczne wyrażenie: Height(John, 180) Weight(John, 60) rozmyte dane: Height(John, tall) Niepewna rozmyta baza wiedzy rozmyte wyrażenie: Height(John, tall) Weight(John, heavy) rozmyte dane: Height(John, tall)

46 Rozmyte systemy bazy wiedzy (1) Rozmyte systemy bazy wiedzy lub systemy sterowania rozmytego są specjalnym typem wielowartościowej logiki Reguły rozmyte są użyte do operowania na zbiorach rozmytych Prawdziwość każdej reguły rozmytej jest równa 1 Reprezentacja reguły rozmytej IF x is A THEN y is B gdzie x i y są zmiennymi lingwistycznymi; A i B są wartościami lingwistycznymi pozyskiwanymi ze zbiorów rozmytych odpowiednio w przestrzeni X i Y.

47 Rozmyte systemy bazy wiedzy (2) Reguła rozmyta może mieć wiele założeń: IF AND AND THEN project_duration is long project_staffing is large project_funding is inadequate risk is high Podobnie możemy mieć wiele wyników: IF temperature is hot THEN hot_water is reduced; cold_water is increased

48 Rozmyte systemy bazy wiedzy (3) Reguły wnioskowania klasyczne i rozmyte: Reguła klasyczna: IF speed is >100 THEN stopping_distance is long reguła rozmyta: IF speed is fast THEN stopping_distance is long W systemach rozmytych reguły mogą być odpalane etapami. Założenie i reakcja wniosek mają ten sam poziom przynależności.

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana

Bardziej szczegółowo

6. Klasyczny algorytm genetyczny. 1

6. Klasyczny algorytm genetyczny. 1 6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu

Bardziej szczegółowo

Algorytm genetyczny (genetic algorithm)-

Algorytm genetyczny (genetic algorithm)- Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania

Bardziej szczegółowo

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w

Bardziej szczegółowo

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów

Bardziej szczegółowo

Algorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki

Algorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane

Bardziej szczegółowo

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć

Bardziej szczegółowo

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG PLAN WYKŁADU OPTYMALIZACJA GLOBALNA Wykład 2 dr inż. Agnieszka Bołtuć Historia Zadania Co odróżnia od klasycznych algorytmów Nazewnictwo Etapy Kodowanie, inicjalizacja, transformacja funkcji celu Selekcja

Bardziej szczegółowo

Algorytmy ewolucyjne NAZEWNICTWO

Algorytmy ewolucyjne NAZEWNICTWO Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne

Bardziej szczegółowo

Obliczenia ewolucyjne - plan wykładu

Obliczenia ewolucyjne - plan wykładu Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja

Bardziej szczegółowo

ALGORYTMY GENETYCZNE ćwiczenia

ALGORYTMY GENETYCZNE ćwiczenia ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację

Bardziej szczegółowo

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,

Bardziej szczegółowo

Algorytmy genetyczne w optymalizacji

Algorytmy genetyczne w optymalizacji Algorytmy genetyczne w optymalizacji Literatura 1. David E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1998; 2. Zbigniew Michalewicz, Algorytmy genetyczne + struktury danych = programy

Bardziej szczegółowo

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009 Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania

Bardziej szczegółowo

Metody Rozmyte i Algorytmy Ewolucyjne

Metody Rozmyte i Algorytmy Ewolucyjne mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb

Bardziej szczegółowo

Zadanie 5 - Algorytmy genetyczne (optymalizacja)

Zadanie 5 - Algorytmy genetyczne (optymalizacja) Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania

Bardziej szczegółowo

Algorytmy ewolucyjne. wprowadzenie

Algorytmy ewolucyjne. wprowadzenie Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą

Bardziej szczegółowo

Równoważność algorytmów optymalizacji

Równoważność algorytmów optymalizacji Równoważność algorytmów optymalizacji Reguła nie ma nic za darmo (ang. no free lunch theory): efektywność różnych typowych algorytmów szukania uśredniona po wszystkich możliwych problemach optymalizacyjnych

Bardziej szczegółowo

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata

Bardziej szczegółowo

Algorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS

Algorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,

Bardziej szczegółowo

Algorytmy genetyczne (AG)

Algorytmy genetyczne (AG) Algorytmy genetyczne (AG) 1. Wprowadzenie do AG a) ewolucja darwinowska b) podstawowe definicje c) operatory genetyczne d) konstruowanie AG e) standardowy AG f) przykład rozwiązania g) naprawdę bardzo,

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne 9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom

Bardziej szczegółowo

METODY HEURYSTYCZNE wykład 3

METODY HEURYSTYCZNE wykład 3 METODY HEURYSTYCZNE wykład 3 1 Przykład: Znaleźć max { f (x)=x 2 } dla wartości całkowitych x z zakresu 0-31. Populacja w chwili t: P(t)= {x t 1,...x t n} Założenia: - łańcuchy 5-bitowe (x=0,1,...,31);

Bardziej szczegółowo

Standardowy algorytm genetyczny

Standardowy algorytm genetyczny Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria

Bardziej szczegółowo

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania

Bardziej szczegółowo

Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści

Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania

Bardziej szczegółowo

Rozmyte systemy doradcze

Rozmyte systemy doradcze Systemy ekspertowe Rozmyte systemy doradcze Plan. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte (systemy doradcze). typu

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium

Bardziej szczegółowo

Algorytmy ewolucyjne `

Algorytmy ewolucyjne ` Algorytmy ewolucyjne ` Wstęp Czym są algorytmy ewolucyjne? Rodzaje algorytmów ewolucyjnych Algorytmy genetyczne Strategie ewolucyjne Programowanie genetyczne Zarys historyczny Alan Turing, 1950 Nils Aall

Bardziej szczegółowo

WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)

WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte) WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte) Motywacje:! przezwyciężenie wad tradycyjnych algorytmów komputerowych, które zawodzą zwłaszcza w sytuacjach, w których człowiek

Bardziej szczegółowo

Automatyczny dobór parametrów algorytmu genetycznego

Automatyczny dobór parametrów algorytmu genetycznego Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja

Bardziej szczegółowo

METODY HEURYSTYCZNE wykład 3

METODY HEURYSTYCZNE wykład 3 SCHEMAT DZIAŁANIA AG: METODY HEURYSTYCZNE wykład 3 procedure Algorytm_genetyczny t:=0 wybierz populację początkową P(t) oceń P(t) while (not warunek_zakończenia) do t:=t+ wybierz P(t) z P(t-) (selekcja)

Bardziej szczegółowo

Wstęp do Sztucznej Inteligencji

Wstęp do Sztucznej Inteligencji Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony

Bardziej szczegółowo

Inteligencja obliczeniowa

Inteligencja obliczeniowa Ćwiczenie nr 1 Zbiory rozmyte logika rozmyta Tworzenie: termów zmiennej lingwistycznej o różnych kształtach, modyfikatorów, zmiennych o wielu termach; operacje przecięcia, połączenia i dopełnienia 1. Wprowadzenie

Bardziej szczegółowo

Sztuczna inteligencja : Zbiory rozmyte cz. 2

Sztuczna inteligencja : Zbiory rozmyte cz. 2 Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:

Bardziej szczegółowo

Algorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny

Algorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny

Bardziej szczegółowo

Program "FLiNN-GA" wersja 2.10.β

Program FLiNN-GA wersja 2.10.β POLSKIE TOWARZYSTWO SIECI NEURONOWYCH POLITECHNIKA CZĘSTOCHOWSKA Zakład Elektroniki, Informatyki i Automatyki Maciej Piliński Robert Nowicki - GA Program "FLiNN-GA" wersja 2.10.β Podręcznik użytkownika

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice

Bardziej szczegółowo

Sztuczna inteligencja: zbiory rozmyte

Sztuczna inteligencja: zbiory rozmyte Instytut Informatyki Uniwersytetu Śląskiego lab 1 1 Klasyczna teoria zbiorów 2 Teoria zbiorów rozmytych 3 Zmienne lingwistyczne i funkcje przynależności 4 System rozmyty 5 Preprocesing danych Każdy element

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

Inżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska

Inżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo

Bardziej szczegółowo

BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza

BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii

Bardziej szczegółowo

Zadania laboratoryjne i projektowe - wersja β

Zadania laboratoryjne i projektowe - wersja β Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki

Bardziej szczegółowo

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar

Bardziej szczegółowo

Strategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek

Strategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania

Bardziej szczegółowo

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,

Bardziej szczegółowo

Metody przeszukiwania

Metody przeszukiwania Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania

Bardziej szczegółowo

Generowanie i optymalizacja harmonogramu za pomoca

Generowanie i optymalizacja harmonogramu za pomoca Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska

Bardziej szczegółowo

Katedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa

Katedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne

Bardziej szczegółowo

Techniki ewolucyjne - algorytm genetyczny i nie tylko

Techniki ewolucyjne - algorytm genetyczny i nie tylko Reprezentacja binarna W reprezentacji binarnej wybór populacji początkowej tworzymy poprzez tablice genotypów (rys.1.), dla osobników o zadanej przez użytkownika wielkości i danej długości genotypów wypełniamy

Bardziej szczegółowo

Jeśli X jest przestrzenią o nieskończonej liczbie elementów:

Jeśli X jest przestrzenią o nieskończonej liczbie elementów: Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów

Bardziej szczegółowo

Dobór parametrów algorytmu ewolucyjnego

Dobór parametrów algorytmu ewolucyjnego Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.

Bardziej szczegółowo

Programowanie genetyczne, gra SNAKE

Programowanie genetyczne, gra SNAKE STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................

Bardziej szczegółowo

Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne

Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-27 1 Mutacje algorytmu genetycznego 2 Dziedzina niewypukła abstrakcyjna

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA MODUŁU KSZTAŁCENIA KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia

Bardziej szczegółowo

Zadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą

Zadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą Zadanie 0 gdy nie mamy logiki rozmytej Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad

Bardziej szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie

Bardziej szczegółowo

STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.

STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F. METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI

Bardziej szczegółowo

INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie

Bardziej szczegółowo

Obliczenia Naturalne - Algorytmy genetyczne

Obliczenia Naturalne - Algorytmy genetyczne Literatura Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 20 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura 1 Literatura

Bardziej szczegółowo

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,

Bardziej szczegółowo

ALGORYTMY GENETYCZNE (wykład + ćwiczenia)

ALGORYTMY GENETYCZNE (wykład + ćwiczenia) ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja

Bardziej szczegółowo

ALGORYTMY GENETYCZNE

ALGORYTMY GENETYCZNE ALGORYTMY GENETYCZNE Algorytmy Genetyczne I. Co to są algorytmy genetyczne? II. Podstawowe pojęcia algorytmów genetycznych III. Proste algorytmy genetyczne IV. Kodowanie osobników i operacje genetyczne.

Bardziej szczegółowo

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50 Anna Landowska KLASYCZNY ALGORYTM GENETYCZNY W DYNAMICZNEJ OPTYMALIZACJI MODELU

Bardziej szczegółowo

Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne)

Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań

Bardziej szczegółowo

Wnioskowanie rozmyte. Krzysztof Patan

Wnioskowanie rozmyte. Krzysztof Patan Wnioskowanie rozmyte Krzysztof Patan Wprowadzenie Informacja precyzyjna jest to jedyna postać informacji akceptowanej przez konwencjonalne metody matematyczne, najczęściej dostarczana jest przez precyzyjne

Bardziej szczegółowo

Algorytmy ewolucyjne (2)

Algorytmy ewolucyjne (2) Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania

Bardziej szczegółowo

Modyfikacje i ulepszenia standardowego algorytmu genetycznego

Modyfikacje i ulepszenia standardowego algorytmu genetycznego Modyfikacje i ulepszenia standardowego algorytmu genetycznego 1 2 Przypomnienie: pseudokod SGA t=0; initialize(p 0 ); while(!termination_condition(p t )) { evaluate(p t ); T t =selection(p t ); O t =crossover(t

Bardziej szczegółowo

Reprezentacja rozmyta - zastosowania logiki rozmytej

Reprezentacja rozmyta - zastosowania logiki rozmytej 17.06.2009 Wrocław Bartosz Chabasinski 148384 Reprezentacja rozmyta - zastosowania logiki rozmytej 1. Wstęp Celem wprowadzenia pojęcia teorii zbiorów rozmytych była potrzeba matematycznego opisania tych

Bardziej szczegółowo

Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek

Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę

Bardziej szczegółowo

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO

Bardziej szczegółowo

Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna)

Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna) 1 Zagadnienia Sztucznej Inteligencji laboratorium Wprowadzenie Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna) Dana jest funkcja f, jednej lub wielu zmiennych. Należy określić wartości

Bardziej szczegółowo

Algorytmy genetyczne w interpolacji wielomianowej

Algorytmy genetyczne w interpolacji wielomianowej Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego

Bardziej szczegółowo

6. Zagadnienie parkowania ciężarówki.

6. Zagadnienie parkowania ciężarówki. 6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można

Bardziej szczegółowo

W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.

W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco. Zadanie 0 Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad wartośd funkcji przynależności

Bardziej szczegółowo

Optymalizacja optymalizacji

Optymalizacja optymalizacji 7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja

Bardziej szczegółowo

Piotr Sobolewski Krzysztof Skorupski

Piotr Sobolewski Krzysztof Skorupski Plan prezentacji Logika rodzaje Logika klasyczna Logika wielowartościowa Logika rozmyta Historia powstania Definicje Zbiory rozmyte Relacje rozmyte Systemy rozmyte Modele Zastosowanie w optymalizacji przykłady

Bardziej szczegółowo

Technologia informacyjna Sztuczna Inteligencja Janusz Uriasz

Technologia informacyjna Sztuczna Inteligencja Janusz Uriasz Technologia informacyjna Sztuczna Inteligencja Janusz Uriasz 4. Sztuczna inteligencja Sztuczna inteligencja (SI) - dziedzina informatyki związana z koncepcjami i metodami wnioskowania symbolicznego, wykonywanego

Bardziej szczegółowo

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Algorytmy genetyczne jako metoda wyszukiwania wzorców Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Marcin Borkowski Krótko i na temat: Cel pracy Opis modyfikacji AG Zastosowania

Bardziej szczegółowo

Podstawy sztucznej inteligencji

Podstawy sztucznej inteligencji wykład 4 (Fuzzy logic) 23 listopad 2011 Plan wykładu 1 Systemy wnioskowania z danymi niepewnymi 2 3 Inteligentne systemy z wiedzą Systemy z wiedzą składają się z dwóch części: 1 Baza wiedzy (KB): zbioru

Bardziej szczegółowo

ALGORYTMY GENETYCZNE I EWOLUCYJNE

ALGORYTMY GENETYCZNE I EWOLUCYJNE http://wazniak.mimuw.edu.pl INTELIGENTNE TECHNIKI KOMPUTEROWE wykład Karol Darwin (59 On the origin of species ): ALGORYTMY GENETYCZNE I EWOLUCYJNE Gregor Johann Mel (-) - austriacki zakonnik, augustianin,

Bardziej szczegółowo

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda

Bardziej szczegółowo

ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE

ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE SYSTEMY ROZMYTE ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 2 965 Lotfi A. Zadeh: Fuzzy sets Metoda reprezentacji wiedzy wyrażonej w języku naturalnym: Temperatura wynosi 29 o C informacja liczbowa - naturalna

Bardziej szczegółowo

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska Inżynieria Wiedzy i Systemy Ekspertowe Logika rozmyta dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Wyostrzanie Ostateczna, ostra wartość

Bardziej szczegółowo

Algorytmy ewolucyjne 1

Algorytmy ewolucyjne 1 Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz

Bardziej szczegółowo

7. Zagadnienie parkowania ciężarówki.

7. Zagadnienie parkowania ciężarówki. 7. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można

Bardziej szczegółowo

ALGORYTMY EWOLUCYJNE. INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 011. Napór selekcyjny (selektywny nacisk. Superosobniki: SELEKCJA

ALGORYTMY EWOLUCYJNE. INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 011. Napór selekcyjny (selektywny nacisk. Superosobniki: SELEKCJA INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 0 ALGORYTMY EWOLUCYJNE 2 Dla danego problemu można określić wiele sposobów kodowania i zdefiniować szereg operatorów (np. zadanie komiwojażera). AE to rozwinięcie

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE METODY ANALITYCZNE kontra AG/AE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS AND RECEIVING

Bardziej szczegółowo

Algorytmy ewolucyjne Część II

Algorytmy ewolucyjne Część II Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Część II Metaheurystyki Treść wykładu Zastosowania Praktyczne aspekty GA Reprezentacja Funkcja dopasowania Zróżnicowanie dopasowania

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE 1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 2 communication

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni

Bardziej szczegółowo

INTELIGENCJA OBLICZENIOWA. dr Katarzyna Grzesiak-Kopeć

INTELIGENCJA OBLICZENIOWA. dr Katarzyna Grzesiak-Kopeć INTELIGENCJA OBLICZENIOWA dr Katarzyna Grzesiak-Kopeć obliczenia ewolucyjne 2 Plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne

Bardziej szczegółowo

1. Logika, funkcje logiczne, preceptron.

1. Logika, funkcje logiczne, preceptron. Sieci neuronowe 1. Logika, funkcje logiczne, preceptron. 1. (Logika) Udowodnij prawa de Morgana, prawo pochłaniania p (p q), prawo wyłączonego środka p p oraz prawo sprzeczności (p p). 2. Wyraź funkcję

Bardziej szczegółowo

Algorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji

Algorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji Kolejna metoda informatyczna inspirowana przez Naturę - algorytmy genetyczne Struktura molekuły DNA nośnika informacji genetycznej w biologii Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania

Bardziej szczegółowo

Tomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej

Tomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej 1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane

Bardziej szczegółowo

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu Podstawy baz danych PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych

Bardziej szczegółowo