niszowanie jako jedna z technik zapobiegających zjawisku przedwczesnej zbieżności ae
DESCRIPTION
Niszowanie jako jedna z technik zapobiegających zjawisku przedwczesnej zbieżności AE. Marcin Pilarski [email protected]. Agenda. optymalizacja wielomodalna przedwczesna zbieżność i metody jej zapobiegania niszowanie i modyfikacja funkcji przystosowania - PowerPoint PPT PresentationTRANSCRIPT
Niszowanie jako jedna z Niszowanie jako jedna z technik zapobiegających technik zapobiegających zjawisku przedwczesnejzjawisku przedwczesnej
zbieżności AE.zbieżności AE.
Niszowanie jako jedna z Niszowanie jako jedna z technik zapobiegających technik zapobiegających zjawisku przedwczesnejzjawisku przedwczesnej
zbieżności AE.zbieżności AE.
Marcin PilarskiMarcin [email protected]@mini.pw.edu.pl
Agenda
• optymalizacja wielomodalna• przedwczesna zbieżność i metody jej
zapobiegania• niszowanie i modyfikacja funkcji
przystosowania• niszowanie równoległe i sekwencyjne• funkcje testowe i wyniki
Optymalizacja wielomodalna
• Funkcja przystosowania może nie oddawać wszystkich wymagań stawianych w wymaganym rozwiązaniu np. poprzez świadome uproszczenia ...
• Nie zerowe prawdopodobieństwo istnienia maksimum lokalnego „lepszego” od maksimum globalnego np. przy rozwiązywaniu zadań inżynierskich
Optymalizacja wielomodalna
• czasami warto jest prowadzić poszukiwania rozwiązań optymalnych lub suboptymalnych równocześnie w wielu obszarach zbioru dopuszczalnego.
• sprowadza się do znalezienia jak największej liczby jak najlepszych, różnych maksimów lokalnych.
Przedwczesna zbieżność
• występuje, kiedy algorytm ewolucyjny traci zdolność przeszukiwania przestrzeni chromosomów przed osiągnięciem maksimum globalnego ...
• wynika bezpośrednio z nacisku selektywnego, a więc nie można całkowicie jej wyeliminować ...
Metody zapobiegania przedwczesnej
zbieżności – techniki
• połączenie algorytmu ewolucyjnego i przeszukiwań lokalnych
• techniki związane z czasem życia osobników.
• metody uzależniające nacisk selektywny od genotypu (nie tylko od przystosowania osobnika)
• metody deformujące funkcję przystosowania
Przeszukiwanie lokalne
• może występować jako jeden z operatorów genetycznych
• chromosom danego osobnika jest traktowany jako punkt startowy, a wynikiem jest modyfikacja chromosomu.
Zalety:• można wykorzystać
dodatkowe „dostępne” informacje np. gradient funkcji przystosowania
• optymalizacja lokalna nie musi być dokładna
Czas życia osobników
Limitowanie czasu życia• ustalony maksymalny
czas życia osobników • schemat sukcesji
• brak jasnych wskazówek dotyczących doboru K
Selekcja sterowana czasem życia
• liczność populacji zmienna tak aby „pomieścić” wszystkie żywe osobniki.
• funkcja „odliczania czasu” :– liniowa– biliniowa
, ,
Niszowanie – „stary” pomysł
• Mahfound Samir: A comparision of parallel and sequential niching methods, Proceedings 1st International Conference on Genetic Algorithms ICGA ’95 str. 144-150
• Nowsze podejście – niszowanie koewolucyjne (dwie populacje z innymi funkcjami przystosowania wymieniające się osobnikami) - pierwsze publikacje ‘97
Niszowanie - idea działania
• wykorzystuje metodę deformacji funkcji przystosowania.
• idea deformacji polega na uruchamianiu lokalnej metody optymalizacji w otoczeniu ekstremów lokalnych
• po osiągnięciu maksimum lokalnego deformujemy funkcję przystosowania tak aby uniemożliwić ponowne dojście do tego punktu
Modyfikacja funkcji przystosowania
występuje w dwóch rodzajach:• poprzez dodanie funkcji
deformującej• poprzez wymnożenie
dotychczasowej funkcji przystosowania
Parametry:
• Parametry niszowania:– stromość funkcji deformującej– zasięg deformacji
• Istotne znaczenie ma właściwy dobór zasięgu deformacji. – Zbyt mały promień zasięgu powoduje powstanie
dodatkowych maksimów funkcji przystosowania. – Zbyt duży może powodować przesunięcie
położeń lub zanik maksimów lokalnych.
Niszowanie równoległe
• znajdowanie rozwiązań winno odbywać się w trakcie każdego uruchomienia algorytmu ewolucyjnego
• tj. wszyscy/większość osobników winno się znajdować w obszarach przyciągania różnych maksimów globalnych (lub lokalnych)
Niszowanie sekwencyjne
• znajdowanie maksimów globalnych po kolei.
• najpierw zostaje znalezione maksimum globalne, następnie AE przenosi populację w obszary gdzie mogą potencjalnie znajdować się inne maksima globalne.
Funkcja Ackley’a
• jedno minimum globalne
• wiele minimów lokalnych z wartościami coraz większymi im bardziej oddalonymi od centrum
Funkcja Shubert’a
• wiele równorzędnych maksimów i minimów globalnych
• dla funkcji 2 wymiarowej na przestrzeni <-32;32> 18 sztuk minimów/maksimów globalnych
Przykładowe parametry algorytmu
ewolucyjnego• Liczność populacji = 50• Sukcesja prosta• Reprodukcja Turniejowa ze zwracaniem• Wielkość turnieju = 10• Warunek Stopu Przekroczenie max
liczby generacji = 400 • ograniczenia kostkowe 2D <-10 10>• Krzyżowanie jednopunktowe
Funkcja Ackley’arównoległe
• wraz ze wzrostem promienia niszowania następuje rozproszenie populacji tak, że nie jest ona w stanie znaleźć rozwiązania globalnego
Funkcja Ackley’arównoległe cd ...
• promień niszy można dobierać na podstawie zerowania się gradientu funkcji przystosowania
Funkcja Ackley’asekwencyjnie
• kolor czerwony „czysty” algorytm ewolucyjny
• kolor zielony niszowanie dla promienia niszy 0.5
• kolor niebieski niszowanie dla promienia 5
Funkcja Shubert’asekwencyjnie
• kolor czerwony „czysty” algorytm ewolucyjny
• kolor zielony niszowanie dla promienia niszy 0.1
• kolor niebieski niszowanie dla promienia 0.3
Wnioski niszowanie równoległe• Zwiększa zróżnicowanie populacji, ale
średnie odchylenie jest niewiele większe niż dla podstawowego AE.
• Nawet najlepsze maksima globalne osiągnięte dla niszowania równoległego są gorsze niż dla zwykłego algorytmu ewolucyjnego.
• Ilość wywołań funkcji celu jest większa.
Wnioski niszowanie
sekwencyjne• Zwiększa zróżnicowanie populacji. • Więcej osiągniętych maksimów
globalnych dla funkcji Shubert’a niż w standartowym AE.
• Duża czasochłonność tego typu niszowania. (Długi czas potrzebny do zlokalizowania wielu maksimów globalnych)
Bibliografia
• Jarosław Arabas : „Wykłady z algorytmów ewolucyjnych” – Warszawa WNT 2001
• Jarosław Arabas : „Algorytmy ewolucyjne ze zmienną licznością populacji i zmiennym zasięgiem krzyżowania” Rozprawa doktorska Warszawa, PW 1995
• Jacek Stefan Leśniewski : „Porównanie Algorytmów ewolucyjnych do optymalizacji wielomodalnej” Praca inżynierska, Warszawa PW 2000
• Michalewicz Zbigniew : „Algorytmy ewolucyjne + struktury danych = programy ewolucyjne” Warszawa WNT 1995
• Jarosław Arabas: oprogramowanie gabi – http://elektron.elka.pw.edu.pl/~jarabas/