Використання генетичних алгоритмів для моделювання інформаційних процесів

1
Національний університет "Львівська політехніка", кафедра систем штучного інтелекту

У статті розглядається поняття  генетичних алгоритмів. Подаються практичні підходи та різно­види генетичних алгоритмів. Проведено дослідження наукових робіт вітчизняних та зарубіжних дослід­ників. Наведено методи та приклади розв’язку задач дейтамайнінгу (data mining) для генетичних алго­ритмів. Наводиться тезаурус основних складових моделей генетичних алгоритмів. Наводиться пара­лель між біологічними системами та системами направленими на вирішення технічних завдань. Проведено огляд та аналіз підходів до моделювання інформаційних процесів із використання генетичних алгоритмів. Проаналі­зовано базовий принцип моделювання інформацій­них процесів на підставі еволюційного підходу. Виділяються моделі еволюційного процесу інформаційної системи. У статті висвітлено питання практичного застосування інструментарію генетичних алгоритмів для класич­них задач оптимізації. Окреслено проблеми, що виникли з популяризацією інструментарію генетич­них алго­ритмів. Проаналізовано декілька завдань виду функціональної оптимізації, описаних матема­тичними засобами.

  1. D. Whitley, An Overview of Evolutionary Algo­rithms: Practical Issues and Common Pitfalls, Journal of Information and Software Technology, vol. 43, no. 14, pp. 817-831, 2001.
  2. D. Whitley, Genetic Algorithm Tutorial, Sta­tistics and Computing, vol. 4, no. 2, pp. 65-85, 1994.
  3. D.E. Goldberg and K. Sastry, A Practical Schema Theorem for Genetic Algorithm Design and Tuning, in Proc. 2001 Genetic and Evolutionary Computation Conference, pp. 328-335, 2001.
  4. J. Holland, Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. London, UK: Bradford book edition, 1994.
  5. K. Deb and S. Agrawal, Understanding Interactions Among Genetic Algorithm Parameters, 1998.
  6.  K.A. De Jong and W.M. Spears, A formal analysis of the role of multi-point crossover in genetic algo­rithms, Annals of Mathematics and Artificial Intelligence, no. 5(1), pp. 135-142, 1992.
  7. K.A. De Jong and W.M. Spears, An Analysis of the Interacting Roles of Population Size and Crossover, in Proc. International Workshop «Parallel Problems Solving from Nature» (PPSN’90), pp. 458-470, 1990.
  8. M. Mitchell, An Introduction to Genetic Algorithms. Cambridge, MA, USA: The MIT Press, 1996.
  9. R. Biesbroek, Genetic Algorithm Tutorial. 4.1 Mathematical foundations. 1999.
  10.  J.R.Koza, Genetic programming: on the program­ming of computers by means of natural selection, London, UK: A Bradford book, The MIT Press, 1992.
  11. S. Rana, Examining the Role of Local Optima and Schema Processing in Genetic Search. PhD thesis, Fort Collons, CO, USA: Colorado State University, 1998.