Типовой цикл эволюции

Адаптивные взаимодействующие системы

К равноправному объединению генетических алгоритмов и ней­ронных сетей следует отнести комбинацию адаптивных стратегий обоих методов, составляющую единую адаптивную систему. Можно привести три примера систем такого типа [39]. Первый из них - это нейронная сеть для оптимизационной задачи с генетическим алгорит­мом для определения весов сети [1]. Второй пример относится к реа­лизации генетического алгоритма с помощью нейронной сети. В этом случае нейронные подсистемы применяются для выполнения генети­ческих операций репродукции и скрещивания [16]. В третьем приме­ре, несколько похожем на предыдущий, нейронная сеть также приме­няется в качестве оператора скрещивания в генетическом алгоритме, предназначенном для решения оптимизационных задач [41]. Пред­ставленные примеры касаются такого равноправного объединения генетических алгоритмов и нейронных сетей, которое в результате позволяет получить более эффективный алгоритм, объединяющий лучшие качества обоих методов.

Как только определенный вид эволюции вводится в искусствен­ную нейронную сеть, сразу возникает потребность в соответствующей ему схеме хромосомного представления данных, т.е. должен быть со­здан способ генетического кодирования особей популяции. Разработ­ка способа кодирования считается первым этапом такого эволюцион­ного подхода, наряду с которым типовой процесс эволюции включает следующие шаги [47]:

- декодирование;
обучение;

г- оценивание приспособленности;

- репродукция;

- формирование нового поколения.

Приведенная на рис. 4.3 блок-схема сохраняет свою актуаль­ность, поскольку (как уже упоминалось в разд. 4.10) она отображает и классический генетический алгоритм, и так называемые эволюцион­ные программы, которые основаны на генетическом подходе и обоб­щают его принципы. Следовательно, этой универсальной блок-схеме соответствуют различные эволюционные алгоритмы, и в каждом из них в первую очередь должна быть сгенерирована исходная популя­ция хромосом. По аналогии с классическим генетическим алгоритмом инициализация (т.е. формирование этой исходной популяции) заклю-

Глава 4. Генетические алгоритмы

4.12. Эволюционные алгоритмы в нейронных сетя

чается в случайном выборе требуемого количества включаемых в нее хромосом, что предполагает соответствующее генетическое кодиро­вание каждой особи. В классическом генетическом алгоритме хромо­сомы представляются только двоичными последовательностями. При эволюционном подходе выбор способа кодирования представляет со­бой важную и актуальную задачу.

Далее в соответствии с типовым циклом эволюции следует де­кодировать каждую особь (хромосому) исходной или текущей популя­ции для того, чтобы получить множество решений (фенотипов) дан­ной задачи. В случае эволюции весов, архитектур и/или правил обу­чения фенотипы представляют соответственно множества весов, ар­хитектур и правил обучения.

Впоследствии согласно генетическому алгоритму рассчитыва­ются значения функции приспособленности особей исходной (или те­кущей) популяции. При нейросетевом подходе после декодирования хромосом получается множество нейронных сетей, для которых сте­пень приспособленности определяется по результатам обучения этих сетей.

При реализации типового цикла эволюции необходимо сконст­руировать множество соответствующих нейронных сетей (феноти­пов):

- сети с фиксированной архитектурой и множеством закодиро­
ванных хромосомами весов - в случае эволюции весов;

- сети с закодированной хромосомами архитектурой - в случае
эволюции архитектуры;

- сети со случайно сгенерированными архитектурами и началь­
ными весами - в случае эволюции правил обучения.

После обучения оценивается приспособленность каждой осо­би, входящей в текущую популяцию. Заметим, что также как и в при­мере максимизации функции (пример 4.5), для оценивания приспо­собленности хромосом необходимо их вначале декодировать и лишь затем рассчитать значения функции приспособленности особей по их фенотипам.

Следующий шаг генетического алгоритма - это селекция хро­мосом. Выбираются хромосомы, подлежащие репродукции, т.е. фор­мируется родительский пул, особи которого в результате применения генетических операторов сформируют популяцию потомков. Селек­ция может быть основана на методе рулетки или любом другом (см. п. 4.8.1), например, по алгоритму Уитли (Whitley) [44]. Согласно этим методам селекция производится с вероятностью, пропорцио­нальной приспособленности хромосом, либо согласно их рангу (при использовании рангового метода). Под репродукцией в данном слу­чае понимается процесс отбора (селекции) и копирования (размноже­ния) хромосом для формирования из них переходной популяции (ро­дительского пула), особи которой будут подвергаться воздействию ге­нетических операторов скрещивания, мутации и, возможно, инверсии.

Применение генетических операторов с выбранным методом селекции хромосом происходит аналогично классическому генетиче-

скому алгоритму, причем эти операторы могут отличаться от скрещи­вания и мутации базового алгоритма. Как отмечалось в разд. 4.10, для конкретной задачи генетические операторы могут определяться в индивидуальном порядке.

Также как и в классическом генетическом алгоритме, в резуль­тате применения генетических операторов с выбранным методом се­лекции хромосом формируется новая популяция особей (потомков). Последующие шаги алгоритма повторяются для очередной популя­ции вплоть до выполнения условия завершения генетического алго­ритма. На каждой итерации формируется новое поколение потомков.

Наилучшая особь из последнего поколения считается искомым решением данной задачи. Таким образом получается наилучшее мно­жество весов, наилучшая архитектура либо наилучшее правило обу­чения.

Дата добавления: 2015-06-04