AUTOMATYKA • 2007 • Tom 11 • Zeszyt 1–2 Wspó³bie¿ny algorytm ewolucyjny wykorzystuj¹cy mechanizm samoadaptacji 1. Wprowadzenie

Katedra Automatyki, Akademia Górniczo-Hutnicza, Krakowie, Piotr Kad³uczka, Jacek Piwowarczyk, Wojciech Chmiel
unpublished
Inspiracj¹ podjêcia rozwa¿añ na temat inteligentnych systemów agentowych by³y pra-ce nad równoleg³ymi wielopopulacyjnymi algorytmami ewolucyjnymi. W ramach prowa-dzonych badañ nad efektywnoœci¹ metod ewolucyjnych [1], analizuj¹c sposób tworzenia tych algorytmów, doszliœmy do wniosku, ¿e zestawienie elementów konstrukcyjnych algo-rytmu jest dokonywane w du¿ej mierze intuicyjnie, na podstawie doœwiadczenia twórców (w³asnego oraz zaczerpniêtego z literatury), a nastêpnie weryfikowane
more » ... ie. W powy¿szym sposobie dzia³ania, problemem jest mnogoœae mo¿liwych koncepcji ka¿dego elementu algorytmu. Nale¿y okreœliae: postaae rozwi¹zania (reprezentacja, sposób kodowania) i funkcji oceny przystosowania, sposób przetwarzania populacji (generacja po-pulacji startowej, pokolenie, selekcja, elita), typy i mechanizm u¿ycia operatorów gene-tycznych (krzy¿owania, mutacji, dodatkowych np. optymalizacji lokalnej), kryteria zakoñ-czenia obliczeñ, restartu, odœwie¿ania populacji oraz wiele innych. Mechanizmy te opisane s¹ wieloma parametrami (np. wielkoœae populacji, elity, prawdopodobieñstwa u¿ycia opera-torów), których prawid³owy dobór wartoœci powinien byae przeprowadzony dla reprezenta-tywnego zbioru zadañ testowych (indywidualnie dla ka¿dego zadania lub wszystkich ra-zem). Wymagane jest te¿ wielokrotne powtórzenie ka¿dego eksperymentu, gdy¿ jedynie statystyczna ocena efektywnoœci jest miarodajna dla metod losowych, do których nale¿¹ tak¿e EA (Evolutionary Algorithm). Przedstawiona metodyka prowadzenia badañ skutkuje du¿ym nak³adem pracy nawet przy wprowadzeniu niewielkich zmian w algorytmie, ze wzglêdu na wystêpuj¹c¹ "interfe-rencjê" wszystkich jego elementów. Zamiar przerzucenia odpowiedzialnoœci za dobór swo-ich elementów konstrukcyjnych i wartoœci parametrów na sam algorytm nie jest podejœciem nowym. Zosta³o ono przedstawione w 1985 r. przez M.L. Cramera pod nazw¹ programowa-nia genetycznego GP (Genetic Programming), a nastêpnie ponownie odkryte i spopulary-zowane przez J. Koza w 1992. GP to metoda automatycznego tworzenia programów kom-puterowych w oparciu o wysokopoziomow¹ definicjê zagadnienia, które ma zostaae rozwi¹-zane. Mimo ¿e wielokrotnie powracano do tej koncepcji, s³aboœae teorii oraz ograniczenia
fatcat:n4uqxednf5aqvohvowup6ufbjq