Труды КНЦ вып.29 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ вып. 3/2015(29))

При взаимодействии особи с внешней средой её генотип Н{ порождает фенотип F i f l l ) , который можно оценить количественно с помощью функции приспособленности (функции фитнесса) к внешней среде. Фитнесс F itiH l) каждой особи Н ‘к равен численному значению функции J(X). вычисленной для допустимого решения X е D с его именем Н[ . Чем больше значение функции фитнесса при решении задач нахождения J{X), тем лучше особь приспособлена к внешней среде. Основные отличия ГА от стандартных локальных (например, градиент­ ных) и глобальных (например, случайных) алгоритмов оптимизации: • поиск субоптимального решения основан на оптимизации не одного, а множества решений, что позволяет одновременно анализировать несколько путей приближения к экстремуму; при этом оценка получаемых результатов на каждом шаге позволяет учитывать предыдущую информацию, т. е. происходит эволюционное развитие оптимальных решений; • решения рассматриваются как некоторые закодированные структуры (символьные модели), а не как совокупность параметров, что позволяет в некоторых случаях значительно уменьшить время преобразования данных, т. е. увеличить скорость приближения к экстремуму; • для оценки «пригодности» решения и последующего эволюционного развития наряду с использованием целевой функции дополнительно модели­ руются «правила выживания», которые расширяют разнообразие множества решений и определяют эволюционное развитие; • при инициализации, преобразовании и других видах операции с решениями используются вероятностные, а не детерминированные правила, которые вносят в направленность генетического поиска элементы случайности; тем самым решается проблема выхода из локальных оптимумов; • отсутствует необходимость расчета производных от целевой функции (как в градиентных методах) или матрицы производных второго порядка (как в квазиньютоновских). Стратегии формирования популяции В настоящее время наиболее известными являются три стратегии создания начального множества решений: 1) формирование полной популяции; 2) генерация случайного множества решений, достаточно большого, но не исчерпывающего все возможные варианты; 3) генерация множества решений, включающего разновидности одного решения. При первой стратегии должен быть реализован полный набор всевозможных решений, но это невозможно из-за чрезмерных вычислительных затрат и большой области поиска для задач высокой размерности. Стартовая популяция, созданная на основе данной стратегии, не может развиваться, т. к. в ней уже содержатся все решения, в том числе и оптимальные. Третью стратегию применяют, когда есть предположение, что некоторое решение является разновидностью известного. В этом случае происходит выход 61