Непрерывные генетические алгоритмы
Федеральное агентство по образованию Российской Федерации
Государственное образовательное учреждение высшего профессионального
образования
Государственный университет управления
Институт информационных систем управления
Кафедра информационных систем
Курсовая работа
По дисциплине: «Теория систем и системный анализ»
По теме: «Непрерывные генетические алгоритмы»
Выполнила:
Студентка 3 курса 1 группы
Специальности ПИУ
Антипина Г.С.
Проверил:
Доцент кафедры Информационных систем,
к.ф-м.н. Фёдоров Л.И.
МОСКВА - 2006Содержание
+----------------------------------------------------------------------+
| Введение | 3 |
|-----------------------------------------------------------------+----|
| 1. Теория алгоритмов. Задача коммивояжера. | 6 |
|-----------------------------------------------------------------+----|
| 2. Генетические алгоритмы. Общее описание. Математический | 9 |
| аппарат. | |
|-----------------------------------------------------------------+----|
| 3. Непрерывные генетические алгоритмы. Математический аппарат. | 15 |
|-----------------------------------------------------------------+----|
| 4. Заключение. | 23 |
|-----------------------------------------------------------------+----|
| 5. Список использованной литературы. | 26 |
+----------------------------------------------------------------------+
Введение
В нашей жизни мы регулярно сталкиваемся с необходимостью решения
оптимизационных и прогностических задач. Так, например, доход любой
компании определяется качеством этих решений - точностью прогнозов и
оптимальностью выбранных стратегий.
Примерами таких задач могут являться:
* Прогнозирование курсов валют;
* Прогнозирование спроса;
* Прогнозирование дохода компании;
* Прогнозирование уровня безработицы;
* Оптимизация расписаний;
* Оптимизация плана закупок, плана инвестиций;
* Оптимизация стратегии развития.
Как правило, для реальных задач бизнеса не существует четких алгоритмов
решения. Раньше руководители и эксперты решали такие задачи только на
основе личного опыта. С помощью аналитических технологий строятся системы,
позволяющие существенно повысить эффективность решений.
Рассмотрим пример реальной задачи об оптимальном распределении инвестиций:
Имеется инвестиционный капитал, который нужно распределить среди 10
проектов. Для каждого проекта задана функция зависимости прибыли от объема
вложения. Требуется найти наиболее прибыльный вариант распределения
капитала, при условии, что заданы минимальный и максимальный объем
инвестиций для каждого проекта.
Традиционное решение: Чаще всего решение в данном случае принимает
руководитель, основываясь только на личных впечатлениях о проектах.
Размеры упущенной выгоды при этом не подсчитывают, и неоптимальность
решения может остаться незамеченной.
Если же руководитель поручает аналитикам выбрать наиболее прибыльный
вариант, применяются математические методы оптимизации. Если все данные
функции линейны, то можно применить методы линейного программирования
(симплекс-метод). Если хотя бы одна из функций нелинейна, то можно
использовать метод градиентного спуска или полного перебора.
К сожалению, классические методики оказываются малоэффективными во многих
практических задачах. Это связано с тем, что невозможно достаточно полно
описать реальность с помощью небольшого числа параметров модели, либо
расчет модели требует слишком много времени и вычислительных ресурсов.
В частности, рассмотрим проблемы, возникающие при решении этой задачи:
1. В реальной задаче ни одна из функций не известна точно - известны лишь
приблизительные или ожидаемые значения прибыли. Для того, чтобы
избавиться от неопределенности, мы вынуждены зафиксировать функции,
теряя при этом в точности описания задачи.
2. Детерминированный алгоритм для поиска оптимального решения
(симплекс-метод) применим только в том случае, если все данные функции
линейны. В реальных задачах бизнеса это условие не выполняется. Хотя
данные функции можно аппроксимировать линейными, решение в этом случае
будет далеким от оптимального.
3. Если одна из функций нелинейна, то симплекс-метод неприменим, и
остается два традиционных пути решения этой задачи:
a. Первый путь - использовать метод градиентного спуска для поиска
максимума прибыли. В данном случае область определения функции
прибыли имеет сложную форму, а сама функция - несколько локальных
максимумов, поэтому градиентный метод может привести к
неоптимальному решению.
b. Второй путь - провести полный перебор вариантов инвестирования.
Если каждая из 10 функций задана в 100 точках, то придется
проверить около 1020 вариантов, что потребует не менее нескольких
месяцев работы современного компьютера.
Из-за описанных выше недостатков традиционных методик в последние 10 лет
идет активное развитие аналитических систем нового типа. В их основе -
технологии искусственного интеллекта, имитирующие природные процессы,
такие как деятельность нейронов мозга или процесс естественного отбора.
Наиболее популярными и проверенными из этих технологий являются нейронные
сети и генетические алгоритмы. Первые коммерческие реализации на их основе
появились в 80-х годах и получили широкое распространение в развитых
странах.
1. Теория алгоритмов. Задача коммивояжера.
В настоящее время теория алгоритмов развивается, главным образом, по трем
направлениям.
* Классическая теория алгоритмов изучает проблемы формулировки задач в
терминах формальных языков, вводит понятие задачи разрешения, проводит
классификацию задач по классам сложности P, NP и другим.
* Теория асимптотического анализа алгоритмов рассматривает методы
получения асимптотических оценок ресурсоемкости или времени выполнения
алгоритмов, в частности, для рекурсивных алгоритмов. Асимптотический
анализ позволяет оценить рост потребности алгоритма в ресурсах
(например, времени выполнения) с увеличением объема входных данных.
* Теория практического анализа вычислительных алгоритмов решает задачи
получения явных функции трудоёмкости, интервального анализа функций,
поиска практических критериев качества алгоритмов, разработки методики
выбора рациональных алгоритмов.
В рамках классической теории осуществляется классификация задач по классам
сложности (P-сложные, NP-сложные, экспоненциально сложные и др.).
К классу P относятся задачи, которые могут быть решены за время,
полиномиально зависящее от объёма исходных данных, с помощью
детерминированной вычислительной машины (например, машины Тьюринга).
К классу NP - задачи, которые могут быть решены за полиномиально
выраженное время с помощью недетерминированной вычислительной машины, т.е.
машины, следующее состояние которой не всегда однозначно определяется
предыдущими. Работу такой машины можно представить как разветвляющийся на
каждой неоднозначности процесс: задача считается решённой, если хотя бы
одна ветвь процесса пришла к ответу.
Другое определение класса NP: классом NP (от англ. non-deterministic
polynomial) называют множество алгоритмов, время работы которых сильно
зависит от размера входных данных, но если предоставить алгоритму
некоторые дополнительные сведения (так называемых свидетелей решения), то
он сможет достаточно быстро (за время, не превосходящее многочлена от
размера данных) решить задачу. Проблема в том, что найти таких свидетелей
бывает сложно, поэтому многие алгоритмы из класса NP считаются долгими.
Классическим примером NP-задачи является задача коммивояжёра.
Задача коммивояжёра (коммивояжёр — бродячий торговец) заключается в
отыскании самого выгодного маршрута, проходящего через указанные города
хотя бы по одному разу. В условиях задачи указываются критерий выгодности
маршрута (кратчайший, самый дешёвый, совокупный критерий и т. п.) и
соответствующие матрицы расстояний, стоимости и т. п. Как правило,
указывается, что маршрут должен проходить через каждый город только один
раз, в таком случае выбор осуществляется среди гамильтоновых циклов.
Существует масса разновидностей обобщённой постановки задачи, в частности
геометрическая задача коммивояжёра (когда матрица расстояний отражает
расстояния между точками на плоскости), треугольная задача коммивояжёра
(когда на матрице стоимостей выполняется неравенство треугольника),
симметричная и асимметричная задачи коммивояжёра.
Простейшие методы решения задачи коммивояжёра: полный лексический перебор,
жадные алгоритмы (метод ближайшего соседа, метод включения ближайшего
города, метод самого дешёвого включения), метод минимального остовного
дерева. На практике применяются различные модификации более эффективных
