genetski algoritmi antonio bukvic
DESCRIPTION
Kolegij Otkrivanje znanja u podacima. Kako se koriste genetski algoritmi u informatici.TRANSCRIPT
![Page 1: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/1.jpg)
Genetski algoritmi
Kolegij: Otkrivanje znanja u podacimaStudent: Antonio Bukvić (Informacijski i komunikacijski sustavi)
U Rijeci, 13. 01. 2012.
![Page 2: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/2.jpg)
2
SADRŽAJ
1. Uvod2. Povijest3. Optimizacija4. Kako rade
4.1. Genetika na računalima4.2. Selekcija4.3. Križanje4.4. Mutacije
5. Ostali pojmovi genetskih algoritama6. Korištenje genetskih algoritama za optimizaciju resursa7. Razvoj rješenja za modeliranje odgovora8. Primjena na neuronskim mrežama9. Zaključak10. Literatura
![Page 3: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/3.jpg)
3
1. Uvod
temelje se na analogiji s biološkim procesima cilj je povećavanje "prilagodbe" pojedinca vjerojatnost igra značajnu ulogu optimizacija problema
![Page 4: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/4.jpg)
4
2. Povijest
krajem 1950-ih, biolozi i računalni znanstvenici
1960-ih, prof John Holland sa Sveučilišta u Michiganu
1967. J.D. Bagley 1970-ih, prof Holland razvija teoretske
temelje
![Page 5: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/5.jpg)
5
3. Optimizacija
Značajke: set parametara - genomi funkcija prilagodbe skup ograničenja u parametrima
Cilj je pronaći parametre koji maksimiziraju ili minimiziraju funkciju prilagodbe, u skladu s ograničenjima
Simplex metoda
![Page 6: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/6.jpg)
6
4. Kako rade4.1. Genetika na računalima
f(p)=31p-p^2, 0 =< p =< 31
Parametar p izražava se kao niz od 5 bita
15 i 16 –> 01111 i 10000
![Page 7: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/7.jpg)
7
4.1. Genetika na računalima
Koraci evolucije:2. Identificirati genom i funkciju prilagodbe. 3. Stvoriti početne generacije genoma. 4. Izmjena početne populacije primjenom operatora genetskih algoritama (selekcije,
križanja i mutacije).5. Ponoviti korak 3 sve dok se prilagodba populacije više ne unapređuje.
• prosječna prilagodba 122,5 (max 240)
![Page 8: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/8.jpg)
8
4.2. Selekcija
čuva broj stanovnika stalnim i povećava prilagodbu sljedeće generacije
![Page 9: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/9.jpg)
9
4.2. Selekcija
• 122,5 na 151,0
![Page 10: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/10.jpg)
10
4.3. Križanje
stvara dva nova genoma iz dva postojećih lijepljenjem zajedno komade svakog od njih
1 0 | 1 1 0 - p = 220 0 | 0 1 0 - p = 2 Nakon križanja1 0 | 0 1 0 - p =180 0 | 1 1 0 - p = 6
![Page 11: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/11.jpg)
11
4.3. Križanje
• sa 151,0 na 183,0
![Page 12: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/12.jpg)
12
4.4. Mutacije
rezultat je krivo kodiranog genetskog materijala omogućuje da se pojave značajke koje možda nisu u izvornom
stanovništvu
stopa je vrlo mala - ne više od jedne mutacije po generaciji
![Page 13: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/13.jpg)
13
4.4. Mutacije
• sa 183,0 na 160,0
![Page 14: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/14.jpg)
14
4.4. Mutacije
Dobiveni genomi izvan početnih intervala ograničenja
Kada određeni uzorak bitova nema smisla, onda funkcija prilagodbe treba vratiti vrlo niske vrijednosti, tako da uzorak ne bi prošao na buduće generacije
![Page 15: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/15.jpg)
15
5. Ostali pojmovi genetskih algoritama
Shema - uzorak prisutnih genoma (0,1,*) npr. 1 0 * *
Red sheme - broj fiksnih pozicija koje sadrži npr. red 1*10111 je 6, od 1010***** 1 je 5, a od 0******* je 1
Duljina sheme - udaljenost između najudaljenijih fiksnih pozicijanpr. duljina od 1*10111 je 6 (računajući od lijevog, 7 - 1), od
***1010**1 je 6 (10 - 4) i od 0************** je 0 (1 - 1)
![Page 16: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/16.jpg)
16
5. Ostali pojmovi genetskih algoritama
![Page 17: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/17.jpg)
17
6. Korištenje genetskih algoritama za optimizaciju resursa
raspoređivanje resursa uz širok raspon ograničenja podijela 40 medicinskih zaposlenika na razne dužnosti u
ambulanti Kriteriji: klinika mora imati osoblje u svakom trenutku. klinika mora imati ravnotežu između jednogodišnjih, dvogodišnjih i trogodišnjih
zaposlenika. trogodišnji zaposlenici pregledavaju osam pacijenata dnevno, dvogodišnji
zaposlenici pregledavaju šest, a jednogodišnji zaposlenici, četiri.
Dr. Ewen – početak(130 do 140 ), kraj 21
![Page 18: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/18.jpg)
18
7. Razvoj rješenja za modeliranje odgovora
Zrakoplovna kompanija – pritužbe putnika
![Page 19: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/19.jpg)
19
7. Razvoj rješenja za modeliranje odgovora
•Nakon nekoliko desetaka tisuća generacija, konačni model je bio u mogućnosti ispravno klasificirati 85 posto zapisa
![Page 20: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/20.jpg)
20
8. Primjena na neuronskim mrežama
![Page 21: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/21.jpg)
21
9. Zaključak
GA ovise o genomu i funkciji prilagodbe Proces evolucije počinje nasumičnom
populacijom, a zatim primjenjuje tri koraka transformacije (selekcija, križanje i mutacija).
Primijenjuju se na praktične probleme, često na probleme optimizacije resursa
![Page 22: Genetski algoritmi antonio bukvic](https://reader034.vdocuments.pub/reader034/viewer/2022042511/5596a8611a28abdf408b45a6/html5/thumbnails/22.jpg)
22
10. Literatura
Data Mining Techniques For Marketing, Sales, and Customer Relationship Management Second Edition, Michael J.A. Berry, Gordon S. Linoff