Генетика Скачать
презентацию
<<  Основные понятия генетики Наследование сцеплённое с полом  >>
Двухточечный кроссинговер
Двухточечный кроссинговер
Эволюционный алгоритм для решения задач одномерной упаковки
Эволюционный алгоритм для решения задач одномерной упаковки
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм эволюционного проектирования высокопроизводительных
Алгоритм эволюционного проектирования высокопроизводительных
Фото из презентации «Генетические алгоритмы» к уроку биологии на тему «Генетика»

Автор: Den. Чтобы познакомиться с фотографией в полном размере, нажмите на её эскиз. Чтобы можно было использовать все фотографии на уроке биологии, скачайте бесплатно презентацию «Генетические алгоритмы» со всеми фотографиями в zip-архиве размером 2405 КБ.

Скачать презентацию

Генетические алгоритмы

содержание презентации «Генетические алгоритмы»
Сл Текст Эф Сл Текст Эф
1Генетические алгоритмы. Состояние. Проблемы.2 28Упрощенные схемы организации связей при эволюционном0
Перспективы. Лектор, заслуженный деятель науки и поиске на основе Платоновых графов додекаэдра. Отметим,
техники РФ, д.т.н., проф. Курейчик В.М. kur@tsure.ru. что здесь могут быть использованы и другие отношения
Технологический институт Южного Федерального вход-выход: «1 – 1»; «многие – 1»; «многие – многие».
университета в г. Таганроге. Схема поиска на основе додекаэдра.
2Объекты исследования. Схемотехническое и0 29Архитектуры и стратегии генетического поиска. Схема0
конструкторское проектирование РЭА и ЭВА. САПР печатных реализации процесса метагенетической оптимизации. Здесь
плат, БИС, СБИС, ССБИС, изделий микро и основным является первый блок, в котором осуществляется
наноэлектроники. Принятие решений в неопределенных и реализация ГА, генерация новых решений, определение
нечетких условиях. Проблема выбора оптимальных решений значения ЦФ и использование предыдущих решений для
в задачах науки и техники. генерации лучших результатов. Второй блок позволяет
3Объекты исследования. Решение многоэкстремальных0 использовать «историю» предыдущих решений для генерации
задач с линейными и нелинейными экстремальными лучшего множества параметров. В третьем блоке
функциями. Моделирование функциями ситуаций в реальном генерируется новое множество оптимизационных
масштабе времени. Решение линейных и нелинейных параметров. Метагенетический оптимизационный процесс.
транспортных задач. Решение комбинаторно логических 30Архитектуры и стратегии генетического поиска. А. Б.0
задач искусственного интеллекта. Решение задач принятия Оптимизационные задачи используют в качестве исходного
решений военного назначения. не одно, а несколько альтернативных решений. Причем в
4Эволюционное моделирование (ЭМ). - основано на0 зависимости от сложности перерабатываемой информации
аналогии с естественными процессами селекции и исходные решения могут быть получены на основе
генетическими преобразованиями, протекающими в природе. стохастических, детерминированных или комбинированных
Правила образования (синтаксис) системы ЭМ: построения алгоритмов. Далее полученные решения обрабатываются
модели эволюции; конструирования популяций; построения адаптированными к решаемой задачи генетическими
ЦФ; разработки ГО; репродукции популяций; рекомбинации алгоритмами.
популяций; редукции; Аксиомы системы ЭМ: «Выживание 31Архитектуры и стратегии генетического поиска.0
сильнейших», т.е. переход решений с лучшей целевой Горизонтальная схема стратегии «эволюция – поиск –
функцией в следующую генерацию. Размер популяции после эволюция». Внутри блоков «Поиск1 и Поиск2» организованы
каждой генерации остается постоянным. Обязательное коммутирующие блоки с n входами и n выходами. Это
применение во всех генетических алгоритмах операторов позволяет соединять входы блоков поиска с выходами n!
кроссинговера и мутации. Число копий (решений), способами, что дает возможность расширять просмотр
переходящих в следующую генерацию, определяется по пространства допустимых решений. Горизонтальная схема
модифицированной формуле Холланда. стратегии.
5Классификация алгоритмов эволюционного1 32Архитектуры и стратегии генетического поиска. Схема0
моделирования. реализации стратегий «эволюция – поиск – эволюция –
6Классификация стратегий поиска.1 поиск – эволюция – поиск – эволюция». Схема стратегии
7Модель эволюции Ч. Дарвина. – Это условная1 «эволюция – поиск – эволюция – поиск – эволюция – поиск
структура, реализующая процесс, посредством которого – эволюция».
особи (альтернативные решения) некоторой популяции, 33Архитектуры и стратегии генетического поиска. Один0
имеющие более высокое функциональное значение, получают из возможных строительных блоков построения
большую возможность для воспроизведения потомков, чем многоуровневой архитектуры для решения инженерных
«слабые» особи. задач. Здесь Р – начальная популяция альтернативных
8Модель эволюции Ж. Ламарка. - основана на1 решений. На создание новой популяции Р' оказывают
предположении, что характеристики, приобретенные особью влияние не только генетический алгоритм и блок
в течение жизни, наследуются его потомками. Данная эволюционной адаптации, но и внешняя среда. Из таких
модель оказывается эффективной, когда популяция имеет строительных блоков, как из «кирпичиков», строится
сходимость в область локального оптимума. архитектура поиска любой сложности. Схема строительного
9Модель эволюции де Фриза. В ее основе лежит1 блока. Отметим, что принятие решений в неопределенных,
моделирование социальных и географических катастроф, расплывчатых условиях при решении инженерных задач –
приводящих к резкому изменению видов и популяций. это генерация возможных альтернативных решений, их
10Модель К. Поппера. Эволюционная последовательность3 оценка и выбор лучшей альтернативы.
событий представляется в виде схемы F1?TS????F2, где F1 34Архитектуры и стратегии генетического поиска.0
– исходная проблема, TS – пробные решения, ?? - Укрупненная схема параллельного эволюционного поиска
устранение ошибок, F2 – новая проблема. – Это условная при разбиении популяции на две подпопуляции. Здесь в
структура, реализующая иерархическую систему гибких блоках генетических операторов выполняются операторы
механизмов управления, в которых мутация ОК, ОМ, инверсии, сегрегации, транслокации, удаления и
интерпретируется как метод случайных проб и ошибок, а вставки. В блоке редукции производится удаление
отбор как один из способов управления с помощью хромосом со значением ЦФ ниже средней. Схема
устранения ошибок при взаимодействии с внешней средой. параллельного эволюционного поиска.
11Модель нейтральной эволюции М. Кимуры. Основана на4 35Основные принципы совместного поиска: Принцип6
нейтральном отборе. Эволюция заключается в реализации целостности. В генетических алгоритмах значение целевой
последовательностей поколений. В результате эволюции функции альтернативного решения не сводится к сумме
выбирается только один вид. целевых функций частичных решений. Принцип
12Условная упрощенная модифицированная схема модели1 дополнительности. При решении оптимизационных задач
синтетической теории эволюции. представляет интеграцию возникает необходимость использования различных не
различных моделей эволюций. Условия внешней среды здесь совместимых и взаимодополняющих моделей эволюции и
– не только факторы исключения неприспособленных особей исходных объектов. Принцип неточности. При росте
из популяции, но и формирующие особенности самой сложности анализируемой задачи уменьшается возможность
модели. Основным этапом в каждой модели является анализ построения точной модели. Принцип управления
популяции ее преобразование тем или иным способом и неопределенностью. Необходимо вводить различные виды
эволюционная смена форм. неопределенности в генетические алгоритмы. Принцип
13Модифицированная базисная структура ПГА.0 соответствия. Язык описания исходной задачи должен
14Одноточечный кроссинговер. Рекомбинация участков0 соответствовать наличию имеющейся о ней информации.
хромосом, представленных непрерывными моледкулами ДНК. Принцип разнообразия путей развития. Реализация
Здесь может быть выделено несколько подтипов генетических алгоритмов многовариантна и альтернативна.
рекомбинации: Схема реализации одноточечного Существует много путей эволюции. Основная задача
кроссинговера. регулярная (общая) рекомбинация, выбрать путь, приводящий к получению оптимального
представляющая собой кроссинговер, т.е. обмен решения.
гомологичными участками в различных точках гомологичных 36Основные принципы совместного поиска: Окончание.5
хромосом, приводящий к появлению нового сочетания Принцип единства и противоположности порядка и хаоса.
сцепленных генов; спрайт - специфическая рекомбинация, «Хаос не только разрушителен, но и конструктивен», т.е.
т.е. обмен генных носителей, часто разных по объему и в хаосе области допустимых решений обязательно
составу, на коротких специализированных участках; содержится порядок, определяющий искомое решение.
нереальная рекомбинация, реализующая негомологичные Принцип совместимости и разделительности. Процесс
обмены. Негомологичный обмен в целом не представляет эволюции носит поступательный, пульсирующий или
интереса, т.к. появляются нереальные решения комбинированный характер. Поэтому модель синтетической
исследуемой задачи. эволюции должна сочетать все эти принципы. Принцип
15Двухточечный кроссинговер. Т. Морган предположил,0 иерархичности. Генетические алгоритмы могут
что кроссинговер может происходить не только в одной, подстраиваться сверху вниз и снизу вверх. Принцип
но и в двух и даже большем числе точек. Схема двойного «Бритвы Оккама». Нежелательно увеличивать сложность
кроссинговера: а - до кроссинговера; б - во время архитектуры поиска без необходимости. Бритва Оккама –
кроссинговера; в - после кроссинговера. На рисунке принцип выдвинутый английским философом XIV века
представлена экспериментально установленная схема Уильямом Оккамом «Понятия, не сводимые к интуитивному и
двойного кроссинговерамежду хромосомами (w и f). опытному знанию следует исключать из науки». Принцип
16Селекция. Оператор репродукции (селекция) (ОР) ?0 гомеостаза. Генетические алгоритмы конструируются таким
это процесс, посредством которого хромосомы образом, что любое полученное альтернативное решение не
(альтернативные решения), имеющие более высокое выходило из области допустимых.
значение ЦФ (с «лучшими» признаками), получают большую 37Схема параллельного поиска.0
возможность для воспроизводства (репродукции) потомков, 38Методы повышения эффективности эволюционного0
чем «худшие» хромосомы. Селекция на основе рулетки. моделирования.
Существует большое число видов операторов репродукции. 39Методы повышения эффективности эволюционного0
К ним относятся: селекция на основе рулетки,селекция на моделирования.
основе заданной шкалы, элитная селекция , турнирная 40Инструментальная среда эволюционного моделирования.0
селекция. 41Инструментальная среда эволюционного моделирования0
17Инверсия. Инверсии – повороты участка или всей0 (интерфейс).
хромосомы на 180 градусов. Инвертированный участок при 42Экспериментальные исследования.0
нечетной длине хромосомы включает центральный ген 43Основные результаты научной школы «Теория и0
(перецентрическая инверсия) или не включает его при принципы построения интеллектуальных САПР на основе
четной длине хромосомы (парацентрическая). здесь длина бионических и эволюционных моделей». Специальные
участка инвертированной хромосомы L(P1) = 3. А математические модели на основе графов и гиперграфов
парацентрическая инверсия, например, такова: для решения оптимизационных задач; Интеллектуальные
18Модели и архитектуры эволюции. Модель прерывистого0 процедуры решения оптимизационных задач; Новые
равновесия Гулда-Элдриджа. Согласно этой модели стратегии моделирования различных эволюций; Наборы
эволюция происходит редкими и быстрыми толчками. правил и знаний для интеллектуальных решателей задач;
Структура микроэволюции. Структура макроэволюции. Эта Архитектура интеллектуальной программной среды для
модель является развитием и модификацией модели Г. де применения методов генетической оптимизации; Экспертные
Фриза. Здесь отмечается различие причин, от которых оболочки для решения оптимизационных задач;
зависят темпы микро- и макроэволюции. Исследование механизмов основных генетических
19Определения и понятия генетических алгоритмов. Цель0 операторов и на их основе разработка новых модификаций
генетических алгоритмов состоит в том, чтобы: алгоритмов, обеспечивающих оптимизацию структуры
абстрактно и формально объяснить адаптацию процессов в поиска; Новые подходы к решению оптимизационных задач
ЕС и интеллектуальной ИС; моделировать естественные на основе стратегий «поиск – эволюция – поиск»,
эволюционные процессы для эффективного решения «эволюция – поиск – эволюция»; Новые технологии решения
оптимизационных задач науки и техники. В настоящее оптимизационных задач на основе методов агрегации
время используется новая парадигма решений фракталов; Проблемно-ориентированные ГА, вырабатывающие
оптимизационных задач на основе генетических алгоритмов решение комбинаторных задач, представленных как задачи
и их различных модификаций. Генетические алгоритмы параметрической оптимизации; Новые подходы к решению
осуществляют поиск баланса между эффективностью и оптимизационных задач на основе системного подхода и
качеством решений за счет «выживания сильнейших принципов самоорганизации и саморегулирования;
альтернативных решений», в неопределенных и нечетких Разработка алгоритмов решения комбинаторно-логических
условиях. Генетические алгоритмы отличаются от других задач на основе генетических, синергетических методов и
оптимизационных и поисковых процедур следующим: методов самообучения адаптивных систем; Реализация
работают в основном не с параметрами задачи, а с программного комплекса поддержки среды решения
закодированным множеством параметров; осуществляют оптимизационных задач и управления на основе адаптивных
поиск не путем улучшения одного решения, а путем поисковых алгоритмов. Комплекс ориентирован на работу с
использования сразу нескольких альтернатив на заданном IBM PC, допускается также использование комплекса в
множестве решений; используют целевую функцию (ЦФ), а корпоративной сети предприятия. Демонстрационная версия
не ее различные приращения для оценки качества принятия комплекса представлялась различных на
решений; применяют не детерминированные, а научно-технических конференциях и семинарах, также на
вероятностные правила анализа оптимизационных задач. международной выставке CEBIT’98 в Ганновере (Германия),
20Определения и понятия генетических алгоритмов.0 международной конференции «Искусственные
Генетический алгоритм дает преимущества при решении интеллектуальные системы IEEE AIS’02».
практических задач. Одно из них – это адаптация к 44Эволюционный алгоритм для решения задач одномерной0
изменяющейся окружающей среде. При использовании упаковки. Предлагаемый алгоритм использует эволюционные
традиционных методов все вычисления приходится начинать процедуры для одномерной упаковки произвольно заданного
заново, что приводит к большим затратам машинного количества элементов в блоки. Программный продукт
времени. При эволюционном подходе популяцию можно реализован в среде MS Windows на языке Borland C++ 4.5.
анализировать, дополнять и видоизменять применительно к Среда функционирования: MS WINDOWS 98, XP, 2000.
изменяющимся условиям. Преимущество генетических Системные требования: Pentium 333, 128Mb RAM, + 4 Mb
алгоритмов для решения задач состоит в способности дискового пространства, графическое разрешение 800 Х
быстрой генерации достаточно хороших решений. При 600 пикселей.
решении практических задач с использованием 45Алгоритм для оптимальной 2D упаковки со связями.0
генетических алгоритмов обычно выполняют четыре Алгоритм для оптимальной 2D упаковки со связями
предварительных этапа: выбор способа представления разработан для решения проблемы упаковки элементов
решения; разработка операторов случайных изменений; СБИС. Элементом СБИС представляется в виде
определение способов «выживания» решений; создание прямоугольника с входами/выходами, расположенными по
начальной популяции альтернативных решений. краям. Программный продукт оптимальной 2D упаковки со
21Определения и понятия генетических алгоритмов.0 связями имеет удобный и наглядный интерфейс. Имеется
Эффективность генетического алгоритма – степень встроенный редактор задач. В программе имеются три
реализации запланированных действий алгоритма и основных блока: Окно Редактора, Окно Инспектора
достижение требуемых значений целевой функции. свойств, Окно Алгоритма. Среда функционирования: MS
Эффективность во многом определяется структурой и WINDOWS 98, XP, 2000. Системные требования: Pentium
составом начальной популяции. При создании начального 333, 128Mb RAM, + 4 Mb дискового пространства,
множества решений происходит формирование популяции на графическое разрешение 800 Х 600 пикселей.
основе четырех основных принципов: «одеяла» – 46Алгоритм канальной трассировки. Алгоритм0
генерируется полная популяция, включающая все возможные предназначен для проектирования двухслойных СБИС.
решения в некоторой заданной области; «дробовика» – Область трассировки - канал, ограниченный двумя
подразумевает случайный выбор альтернатив из всей линейками контактов. Цель - размещение фрагментов цепей
области решений данной задачи. «фокусировки» – в минимальном числе магистралей. Программный продукт
реализует случайный выбор допустимых альтернатив из реализован в среде Windows на языке Си++ для IВМ РС.
заданной области решений данной задачи. Комбинирования При фиксированных значениях управляющих параметров
– состоит в различных совместных реализациях первых программа имеет оценку временной и пространствеpной
трех принципов. сложности О(K), где K - число связываемых контактов.
22Простой (одноточечный) оператор кроссинговера. Р1 :0 Предложенная программа с небольшой модификацией
1 1 | 1 1 1 р2 : 0 0 | 0 0 0 ________________ р'1 : 1 1 применима для без сеточной трассировки соединений
| 0 0 0 р'2 : 0 0 | 1 1 1. Перед началом работы разной ширины в многослойной СБИС.
одноточечного оператора кроссинговера определяется так 47Алгоритм N-мерной упаковки элементов со связями.0
называемая точка оператора кроссинговера, или Алгоритм оптимальной N-мерной упаковки со связями
разрезающая точка оператора кроссинговера, которая разработан для решения проблемы упаковки элементов,
обычно определяется случайно. Эта точка определяет имеющих любое количество измерений. Целью упаковки
место в двух хромосомах, где они должны быть является нахождение такого легального размещения
«разрезаны». Одноточечный оператор кроссинговера. элементов, при котором объем ограничивающей
Одноточечный оператор кроссинговера выполняется в три прямоугольной области будет минимален. Программный
этапа: Две хромосомы A = а1, а2,.., аL и B = a?1, продукт N-мерной упаковки элементов со связями имеет
a?2,.., a?L выбираются случайно из текущей популяции. удобный и наглядный интерфейс. Имеется встроенный
Число k выбирается из {1,2,...,L-1} также случайно. редактор задач. В программе имеются три основных блока:
Здесь L - длина хромосомы, k - точка оператора Окно Редактора, Окно Инспектора свойств, Окно
кроссинговера (номер, значение или код гена, после Алгоритма. Среда функционирования: MS WINDOWS 98, XP,
которого выполняется разрез хромосомы). Две новые 2000. Системные требования: Pentium 333, 128Mb RAM, + 4
хромосомы формируются из A и B путем перестановок Mb дискового пространства, графическое разрешение 800 Х
элементов согласно правилу. 600 пикселей.
23Двухточечный и N-точечный оператор кроссинговера.0 48Алгоритм генетического разбиения гиперграфа на0
Р1 : 1 1 1 | 0 1 | 0 0 р2 : 0 0 0 | 1 1 | 1 0 подграфы с элементами самоорганизации (ГАСЭС). Алгоритм
____________________ р'1 : 1 1 1 | 1 1 | 0 0 р'2 : 0 0 ГАСЭС позволяет решать задачу компоновки элементов СБИС
0 | 0 1 | 1 0. Пример трехточечного оператора по критерию суммарного числа цепей между узлами, с
кроссинговера. Р1 : 1 | 1 1 |0 1 | 0 0 р2 : 0 |0 0 |1 0 учётом тепловой совместимости компонуемых элементов.
| 1 1 ____________________ р'1 : 1| 0 0 | 0 1 | 1 1 р'2 Программный продукт, позволяет проводить
: 0 |1 1 | 1 0 | 0 0. В каждой хромосоме определяются экспериментальные исследования в зависимости от
две точки оператора кроссинговера, и хромосомы значений основных параметров алгоритма и динамических
обмениваются участками, расположенными между двумя параметров. В главном окне отображается процесс работы
точками оператора кроссинговера. Пример двухточечного алгоритма и другая вспомогательная информация.
оператора кроссинговера. Развитием двухточечного Результаты экспериментальных исследований показали, что
оператора кроссинговера является многоточечный оператор ГАСЭС по сравнению с простым генетическим алгоритмом
кроссинговера или N-точечный оператор кроссинговера. (ПГА) позволяет повысить качество компоновки схем от 2%
Многоточечный оператор кроссинговера выполняется до 5%, в зависимости от задачи. Системные требования:
аналогично двухточечному оператору кроссиновера, хотя Pentium II 400, 128MB RAM, HDD 5MB. Среда
большое число «разрезающих» точек может привести к функционирования: MS Windows 9x, 2000, XP.
потере «хороших» родительских свойств. 49Алгоритм канальной трассировки для цепей различной0
24Универсальный оператор кроссинговера. Р1 : 0 1 1 00 ширины. Алгоритм канальной трассировки для цепей
0 1 P2 : 0 1 0 1 1 1 ________________ 0 1 1 0 1 0 ? различной ширины позволяет получить топологию канальной
маска _______________ P'1 : 0 0 0 0 1 1 P'2 : 0 0 1 1 0 области с цепями, имеющими различную ширину. Алгоритм
1. Маска может быть задана или выбирается случайно с использует теорию эволюционного моделирования и методы
заданной вероятностью или на основе генератора генетического поиска. Программный продукт канальной
случайных чисел. При этом чередование 0 и 1 в маске трассировки позволяет проводить экспериментальные
происходит с вероятностью ?50%. В некоторых случаях исследования в автоматическом и пошаговом режиме.
используется параметризированный универсальный оператор Критерии оптимизации алгоритма канального
кроссинговера, где маска может выбираться с трассировщика: ширина канальной области, суммарная
вероятностью для 1 или 0 выше, чем 50%. Такой вид маски длина цепей, число межслойных переходов. Входные
эффективен, когда хромосомы кодируются в двоичном данные: число выводов; ширины цепей; номера цепей,
алфавите. Вместо использования разрезающей точки подключаемых к выводам. Выходные данные: топология
(точек) в универсальный оператор кроссинговера канала Среда функционирования: MS WINDOWS 98, XP 2000.
определяют двоичную маску, длина которой равна длине Системные требования: Pentium 333, 128Mb RAM, + 70 Mb
заданных хромосом. Первый потомок получается сложением дискового пространства, разреш. 800*600.
первого родителя с маской на основе следующих правил 50Алгоритм размещения на основе поисковой адаптации.0
(0+0=0, 0+1=1, 1+1=0). Второй потомок получается Алгоритм решает задачу размещения множества элементов в
аналогичным образом. Для каждого элемента в Р1, Р2 гены непересекающемся множестве позиций. Используется новый
меняются. Универсальный оператор кроссинговера. критерий, учитывающий распределение ресурсов
25Одноточечный и двухточечный операторы мутации. Р1 :0 коммутационного поля. Процесс решения задачи размещения
0 1 1 | 0 1 1 р'1 : 0 1 0 | 1 1 1. Р : a | b c d | e f осуществляется адаптивной поисковой процедурой,
p' : a e с d b f. Оператор мутации – это языковая основанной на сочетании генетического поиска с
конструкция, позволяющая на основе преобразования адаптацией на основе самообучения и самоорганизации.
родительской хромосомы (или ее части) создавать Программный продукт реализован в среде Windows на языке
хромосому потомка. Простейшим оператором мутации Си++ для IВМ РС Временная сложность при совместной
является одноточечный. При его реализации случайно работе алгоритмов и при фиксированных значениях
выбирают ген в родительской хромосоме и, обменивая его управляющих параметров на одной итерации имеет оценку
на рядом расположенный ген, получают хромосому потомка. О(n). При совместной работе алгоритмов вероятность
Одноточечный оператор мутации. Р1 – родительская получения глобального оптимума составила 0.95. В
хромосома, а Р'1 – хромосома-потомок после применения среднем, трех запусков программы со случайными
одноточечного оператора мутации. При реализации начальными популяциями достаточно для нахождения
двухточечного оператора мутации случайным или решения со средним отклонением от глобального оптимума
направленным образом выбираются две точки разреза. в 1%. Системные требования: Pentium II 400, 128MB RAM,
Затем производится перестановка генов между собой, HDD 5MB. Среда функционирования: MS Windows 98, 2000,
расположенных справа от точек разреза. Двухточечный XP.
оператор мутации. Р1 – родительская хромосома, а Р'1 – 51Алгоритм планирования кристалла СБИС. Алгоритм0
хромосома-потомок после применения двухточечного планирования кристалла СБИС решает задачу размещении на
оператора мутации. поле кристалла блоков, имеющих заданную площадь и не
26Архитектуры и стратегии генетического поиска. Схема0 имеющих фиксированных размеров. Блоки и кристалл имеют
при наличии большого количества вычислительных ресурсов форму прямоугольников. Программный продукт реализован в
может быть доведена до N блоков. Причем N ? 1 блоков среде Windows на языке Си++ для IВМ РС. Оценка
могут параллельно осуществлять эволюционную адаптацию и временной сложности на одной итерации – О(N). N-число
через блоки миграции обмениваться лучшими блоков. Среда функционирования: MS WINDOWS 98, XP,
представителями решений. Последний блок собирает лучшие 2000. Системные требования: Pentium 333, 128Mb RAM, HDD
решения, может окончить результат работы или продолжить 5MB.
эволюционный поиск. Схема эволюционного поиска на 52Алгоритм эволюционного проектирования0
основе миграции. высокопроизводительных интегральных схем. Входные
27Архитектуры и стратегии генетического поиска.0 данные: набор элементов, описание связей между
Платоновы графы, то есть правильные многоугольники, элементами. Результат: размещение элементов на
которые, как считалось в древних учениях, обладают коммутационном поле. Операционная система: Windows
внутренней красотой и гармонией. Использовано отношение 95\98\2000\XP. Оперативная память: 128 MB. Процессор:
вход-выход «1 – многие». Отметим, что здесь могут быть Pentium II 667. При этих условиях размещение 4,5 тыс.
использованы и другие отношения вход-выход: «1 – 1»; элементов производится за 420 секунд. Алгоритм
«многие – 1»; «многие – многие». Эффективность таких предназначен для многослойного размещения элементов
отношений проверяется экспериментально. Под интегральных схем с учетом неоднородности межэлементных
эффективностью понимается степень реализации соединений. Размещение элементов производится в
запланированной деятельности и достижения нескольких слоях. При расчете функции пригодности
запланированных результатов. Схема поиска на основе используется модель задержки распространения сигналов
тетраэдра. Элмора. Результат работы программы.
28Архитектуры и стратегии генетического поиска.0
52 «Генетические алгоритмы» | Генетические алгоритмы 26
http://900igr.net/fotografii/biologija/Geneticheskie-algoritmy/Geneticheskie-algoritmy.html
cсылка на страницу
Урок

Биология

134 темы
Фото
Презентация: Генетические алгоритмы | Тема: Генетика | Урок: Биология | Вид: Фото
900igr.net > Презентации по биологии > Генетика > Генетические алгоритмы