Еволюционен алгоритъм - Редакционна история

Detelina Staneva: /* Вижте също */

2013-08-01T07:47:35Z

Вижте също

Detelina Staneva: /* Схема на еволюционните алгоритми */

2013-08-01T07:46:49Z

Схема на еволюционните алгоритми

Detelina Staneva: /* Схема на еволюционните алгоритми */

2013-08-01T07:45:41Z

Схема на еволюционните алгоритми

Detelina Staneva в 07:44, 1 август 2013

2013-08-01T07:44:50Z

Detelina Staneva в 14:56, 17 юни 2012

2012-06-17T14:56:29Z

Detelina Staneva в 11:32, 24 март 2012

2012-03-24T11:32:59Z

Detelina Staneva: /* Източници */

2012-03-24T11:32:17Z

Източници

Detelina Staneva: /* Схема на еволюционните алгоритми */

2012-03-24T11:32:02Z

Схема на еволюционните алгоритми

Detelina Staneva: /* Схема на еволюционните алгоритми */

2012-03-24T11:31:15Z

Схема на еволюционните алгоритми

Detelina Staneva: /* Схема на еволюционните алгоритми */

2012-03-24T11:30:39Z

Схема на еволюционните алгоритми

@@ Ред 60: / Ред 60: @@
 * [[Експертни системи]]
 * [[Комбинаторика]]
-* [[Методи на Парето]]
+* [[Принцип на Парето]]
 * [[Програми за оптимизация]]
 * [[Теория на информацията]]

@@ Ред 18: / Ред 18: @@
 Една от най-често използваните схеми на еволюционните алгоритми включва следните стъпки:
-[[Image:Genetic_Algorithms-Image1.png|alt=]]
+[[Image:Genetic_Algorithms-Image1.png|right]]
 . Създаване на начално поколение
 При повечето алгоритми първото поколение се генерира на случаен принцип – [[ген]]ите на отделните [[хромозома|хромозоми]] се избират случайно измежду азбуката на допустимите гени. Заради по-лесната изчислителна [[процедура]] се приема, че всички поколения се състоят от еднакъв брой индивиди (''N ''на брой).
 . Изчисляване на стойността на функцията, която минимизираме или максимизираме
 . Проверка за край на алгоритъма
 Както при всички алгоритми за оптимизация и тук е възможно алгоритъмът да бъде прекратен по:
-* Стойност на функцията'' – стойността на функцията на най-добрия индивид става достатъчно близка до зададена стойност. Обикновено не се препоръчва използването само на този критерий, защото поради [[стохастичния характер]] на търсенето не може да се гарантира достигане до желания екстремум в разумно време;
+* Стойност на функцията – стойността на функцията на най-добрия индивид става достатъчно близка до зададена стойност. Обикновено не се препоръчва използването само на този критерий, защото поради [[стохастичния характер]] на търсенето не може да се гарантира достигане до желания екстремум в разумно време;
-* Максимален брой [[итерации]]'' – това е най-често използвания критерий за спиране. Той гарантира, че независимо дали алгоритъмът е достигнал до екстремум или не ще спре след определено време;
+* Максимален брой [[итерации]] – това е най-често използвания критерий за спиране. Той гарантира, че независимо дали алгоритъмът е достигнал до екстремум или не ще спре след определено време;
-* Достигане на установена стойност'' – ако в продължение на  предварително зададен брой итерации (поколения) не е настъпило подобрение на стойността на функцията, алгоритъмът спира.
+* Достигане на установена стойност – ако в продължение на  предварително зададен брой итерации (поколения) не е настъпило подобрение на стойността на функцията, алгоритъмът спира.
 . Селекция
 Измежду всички индивиди в текущото поколение се избират тези, които да продължат развитието си в [[кръстосване]]то и  [[мутация]]та. На този етап може да се използва [[елитарен подход]]. Това означава част от най-добрите индивиди (''n ''на брой) да се прехвърлят без промяна в следващото поколение. По този начин се гарантира, че достигнатата стойност на функцията не може да се влоши (веднъж достигнат екстремумът няма да бъде изпуснат).
 . Кръстосване
 Избраните чрез селекция индивиди се [[кръстосват]]. По този начин се получават нови индивиди, като стремежът е тези индивиди да наследят възможно най-добрата комбинация от характеристики на родителите си.
 . Мутация
 Чрез случайна промяна на някои от [[ген]]ите се гарантира, че дори нито един от индивидите в текущото поколението да не съдържа необходимият ген, пак е възможно да се достигне до екстремум.
 . Ново поколение
 Избраните от селекцията индивиди се обединяват с получените чрез селекция и мутация и образува следващото поколение.

@@ Ред 16: / Ред 16: @@
 ==Схема на еволюционните алгоритми==
-Една от най-често използваните схеми на еволюционните алгоритми включва следните '''стъпки''':
+Една от най-често използваните схеми на еволюционните алгоритми включва следните стъпки:
 [[Image:Genetic_Algorithms-Image1.png|alt=]]
@@ Ред 37: / Ред 37: @@
 Както при всички алгоритми за оптимизация и тук е възможно алгоритъмът да бъде прекратен по:
-* ''Стойност на функцията'' – стойността на функцията на най-добрия индивид става достатъчно близка до зададена стойност. Обикновено не се препоръчва използването само на този критерий, защото поради [[стохастичния характер]] на търсенето не може да се гарантира достигане до желания екстремум в разумно време;
+* Стойност на функцията'' – стойността на функцията на най-добрия индивид става достатъчно близка до зададена стойност. Обикновено не се препоръчва използването само на този критерий, защото поради [[стохастичния характер]] на търсенето не може да се гарантира достигане до желания екстремум в разумно време;
-* ''Максимален брой [[итерации]]'' – това е най-често използвания критерий за спиране. Той гарантира, че независимо дали алгоритъмът е достигнал до екстремум или не ще спре след определено време;
+* Максимален брой [[итерации]]'' – това е най-често използвания критерий за спиране. Той гарантира, че независимо дали алгоритъмът е достигнал до екстремум или не ще спре след определено време;
-* ''Достигане на установена стойност'' – ако в продължение на  предварително зададен брой итерации (поколения) не е настъпило подобрение на стойността на функцията, алгоритъмът спира.
+* Достигане на установена стойност'' – ако в продължение на  предварително зададен брой итерации (поколения) не е настъпило подобрение на стойността на функцията, алгоритъмът спира.

@@ Ред 1: / Ред 1: @@
-'''Еволюционните алгоритми''' ('''ЕА''') (на [[английски език|английски]]: Evolutionary Algorithms (EA)) '''използват и моделират [[биологичната еволюция]]'''. Еволюционните алгоритми поддържат популация от индивиди  ([[хромозоми]]), които еволюират чрез използване на [[селекция]] и други операции като кръстосване и мутация. Всеки индивид в популацията получава оценка за приспособимостта си (fitness function) към средата. В термините на [[оптимизация]]та това означава, че за всеки набор от променливи се изчислява [[стойност]]та на [[функция]]та, която се минимизира или максимизира. [[Селекция]]та служи за избор на най-добрите комбинации, които чрез кръстосване и [[мутация]] трябва да доведат до по-добри решения в следващото поколение.
+'''Еволюционните алгоритми''' ('''ЕА''') (на [[английски език|английски]]: Evolutionary Algorithms (EA)) '''използват и моделират [[биологичната еволюция]]'''.
 Идеята за еволюционни изчисления е била представена през 1960 г. от I. Rechenberg в неговия труд "Еволюционни стратегии”.
 Връзката между природата и еволюционните алгоритми е интуитивна:

← По-стара версия		Версия от 14:56, 17 юни 2012
Ред 1:		Ред 1:
−	'''Еволюционните алгоритми''' ('''ЕА''') (на [[английски]]: Evolutionary Algorithms (EA)) '''използват и моделират [[биологичната еволюция]]'''. Еволюционните алгоритми поддържат популация от индивиди ([[хромозоми]]), които еволюират чрез използване на [[селекция]] и други операции като кръстосване и мутация. Всеки индивид в популацията получава оценка за приспособимостта си (fitness function) към средата. В термините на [[оптимизация]]та това означава, че за всеки набор от променливи се изчислява [[стойност]]та на [[функция]]та, която се минимизира или максимизира. [[Селекция]]та служи за избор на най-добрите комбинации, които чрез кръстосване и [[мутация]] трябва да доведат до по-добри решения в следващото поколение.	+	'''Еволюционните алгоритми''' ('''ЕА''') (на [[английски език\|английски]]: Evolutionary Algorithms (EA)) '''използват и моделират [[биологичната еволюция]]'''. Еволюционните алгоритми поддържат популация от индивиди ([[хромозоми]]), които еволюират чрез използване на [[селекция]] и други операции като кръстосване и мутация. Всеки индивид в популацията получава оценка за приспособимостта си (fitness function) към средата. В термините на [[оптимизация]]та това означава, че за всеки набор от променливи се изчислява [[стойност]]та на [[функция]]та, която се минимизира или максимизира. [[Селекция]]та служи за избор на най-добрите комбинации, които чрез кръстосване и [[мутация]] трябва да доведат до по-добри решения в следващото поколение.

	Идеята за еволюционни изчисления е била представена през 1960 г. от I. Rechenberg в неговия труд "Еволюционни стратегии”.		Идеята за еволюционни изчисления е била представена през 1960 г. от I. Rechenberg в неговия труд "Еволюционни стратегии”.

@@ Ред 73: / Ред 73: @@
 * [[еволюционни стратегии]] (на английски: Evolutionary Strategies) и
 * [[генетични алгоритми]] (на английски: Genetic Algorithms).
 ==Източници==
@@ Ред 80: / Ред 89: @@
 * Spears, W.  M., Evolutionary algorithms: the role of mutation and recombination. Springer, 2000 – Книга, посветена на еволюционните алгоритми
 * Жуков В.Г., Золотарев В.В., Заблоцкая Н.С., Паротькин Н.Ю., Ширкова Е.А. - Системы управления и информационные технологии, 2009 – Разработен е подход за управление на информационните рискове с помощта на факторния анализ и еволюционен алгоритъм
 ==Външни препратки==
@@ Ред 95: / Ред 94: @@
 * [http://algolist.manual.ru/ai/ga/ga1.php  Историята на развитието на еволюционните алгоритми](ru)
-*  [http://eprints.ecs.soton.ac.uk/6641/  Материали за еволюционни алгоритми](en)
+* [http://eprints.ecs.soton.ac.uk/6641/  Материали за еволюционни алгоритми](en)
 [[category:Моделиране и прогнозиране в управлението]]