Kategoria: Programy Matematyczne
Podkategoria: Algorytmy Genetyczne
Wymagania Systemowe: iOS 12 (lub wyższy)
Wersja Programu: 1.0(4)
Autor Programu: Ilona Dominika Kosińska
Cena: 0.00
Opis:
Pakiet numeryczny do symulacji algorytmów genetycznych. Aby dowiedzieć się więcej na temat algorytmów genetycznych przejdź do strony algorytmy genetyczne.
Zaktualizowana wersja programu OptFinder jest obecnie tylko dostępna na urządzenia mobilne jako aplikacja Genetic Algorithms na iOS, iPad, MacOS (wersja na iPad).
OPTFINDER - GENETIC ALGORITHMS RELEASE
Poniższa tabela przedstawia dostępne opcje programu.
Użytkownik na samym początku powinien zdecydować, jakiego typu genotypu użyje w symulacji. Istnieją dwie możliwe opcje: genotyp haploidalny lub genotyp diploidalny. Różnica między nimi polega na tym, że genotyp haploidalny składa się z pojedynczych chromosomów, podczas gdy genotyp diploidalny zbudowany jest z par chromosomów.
Kolejnym ważnym parametrem ustawianym w symulacji jest funkcja przystosowania. Funkcja przystosowania jest podstawową miarą siły chromosomu, która ma wystąpić w następnym pokoleniu. Można spróbować skalować funkcję przystosowania według liniowych lub innych dostępnych reguł (zestawionych w tabeli poniżej). Kiedy problem do rozwiązania jest bardziej skomplikowany i wiąże się z wszelkiego rodzaju ograniczeniami, algorytmy genetyczne również mogą sobie z nim poradzić. Odbywa się to poprzez funkcję kary. Stanowi karę, która jest dodawana/odejmowana od funkcji celu w przypadku naruszenia któregokolwiek z ograniczeń.
Mając wygenerowaną populację i obliczone współczynniki przystosowania dla każdego chromosomu w populacji, można wybrać grupę rodziców następnego pokolenia. Mechanizm selekcji opiera się na jednej głównej zasadzie: im lepsze przystosowanie, tym większa reprodukcja (więcej dzieci). Zatem reprodukcję w populacji uważa się za proces losowy oparty na funkcji przystosowania. W symulacji użytkownik może wybrać mechanizm selekcji spośród metod selekcji wymienionych w tabeli.
W modelach haploidalnych para chromosomów to para rodziców wymieniająca informacje genetyczne w procesie krzyżowania, podczas gdy w modelach diploidalnych proces gametogenezy wykorzystuje mechanizm krzyżowania do wymiany informacji genetycznej między gametami. Pomimo tej niewielkiej różnicy pomiędzy modelami haploidalnymi i diploidalnymi w obu przypadkach wymagane jest znalezienie punktu lub punktów przecięcia (w modelach z krzyżowaniami wielokrotnymi) na dwóch chromosomach rodzicielskich przy założonym prawdopodobieństwie skrzyżowania.
W symulacji algorytmów genetycznych informację genetyczną można również modyfikować poprzez mutacje. Są to zdarzenia losowe i zachodzą z założonym prawdopodobieństwem mutacji. Co więcej, jeśli chromosomy mają więcej niż jeden gen, lokalizacja alleli na chromosomie może nie być stała. Można to zmienić w procesie zwanym rekonfiguracją genetyczną. Ma to na celu zwiększenie zmienności genetycznej nowo utworzonej populacji. Poniższa tabela przedstawia główne typy rekonfiguracji genetycznych, które można wykorzystać w symulacjach.
Problemy wieloparametryczne reprezentowane są za pomocą funkcji wektorowych i w takich przypadkach należy zastosować podejście Pareto. Program Optfinder - Genetic Algorithms pozwala na rozwiązywanie problemów wieloparametrycznych.
GENOTYP
haploidalny
diploidalny
METODA KODOWANIA
binarna
inna
FUNKCJA PRZYSTOSOWANIA ZE SKALOWANIEM
liniowym
potęgowym
σ - obcinającym
METODA SELEKCJI
wybór losowy z powtórzeniami (metoda ruletki)
zmodyfikowana ruletka
wybór deterministyczny
wybór losowy wg reszt z powtórzeniami (typ I, metoda ruletki)
wybór losowy wg reszt bez powtórzeń (typ II, metoda Bernoulliego)
