Генетика Скачать
презентацию
<<  Основные понятия генетики Наследование сцеплённое с полом  >>
Генетические алгоритмы
Генетические алгоритмы
Объекты исследования
Объекты исследования
Объекты исследования
Объекты исследования
Эволюционное моделирование (ЭМ)
Эволюционное моделирование (ЭМ)
Классификация алгоритмов эволюционного моделирования
Классификация алгоритмов эволюционного моделирования
Классификация стратегий поиска
Классификация стратегий поиска
Модель эволюции Ч. Дарвина
Модель эволюции Ч. Дарвина
Модель эволюции Ж. Ламарка
Модель эволюции Ж. Ламарка
Модель эволюции де Фриза
Модель эволюции де Фриза
Модель К. Поппера
Модель К. Поппера
Модель нейтральной эволюции М. Кимуры
Модель нейтральной эволюции М. Кимуры
Условная упрощенная модифицированная схема модели синтетической теории
Условная упрощенная модифицированная схема модели синтетической теории
Модифицированная базисная структура ПГА
Модифицированная базисная структура ПГА
Одноточечный кроссинговер
Одноточечный кроссинговер
Двухточечный кроссинговер
Двухточечный кроссинговер
Двухточечный кроссинговер
Двухточечный кроссинговер
Селекция
Селекция
Инверсия
Инверсия
Модели и архитектуры эволюции
Модели и архитектуры эволюции
Определения и понятия генетических алгоритмов
Определения и понятия генетических алгоритмов
Определения и понятия генетических алгоритмов
Определения и понятия генетических алгоритмов
Определения и понятия генетических алгоритмов
Определения и понятия генетических алгоритмов
Простой (одноточечный) оператор кроссинговера
Простой (одноточечный) оператор кроссинговера
Двухточечный и N-точечный оператор кроссинговера
Двухточечный и N-точечный оператор кроссинговера
Универсальный оператор кроссинговера
Универсальный оператор кроссинговера
Одноточечный и двухточечный операторы мутации
Одноточечный и двухточечный операторы мутации
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Архитектуры и стратегии генетического поиска
Основные принципы совместного поиска:
Основные принципы совместного поиска:
Основные принципы совместного поиска:
Основные принципы совместного поиска:
Схема параллельного поиска
Схема параллельного поиска
Методы повышения эффективности эволюционного моделирования
Методы повышения эффективности эволюционного моделирования
Методы повышения эффективности эволюционного моделирования
Методы повышения эффективности эволюционного моделирования
Инструментальная среда эволюционного моделирования
Инструментальная среда эволюционного моделирования
Инструментальная среда эволюционного моделирования (интерфейс)
Инструментальная среда эволюционного моделирования (интерфейс)
Экспериментальные исследования
Экспериментальные исследования
Основные результаты научной школы «Теория и принципы построения
Основные результаты научной школы «Теория и принципы построения
Эволюционный алгоритм для решения задач одномерной упаковки
Эволюционный алгоритм для решения задач одномерной упаковки
Эволюционный алгоритм для решения задач одномерной упаковки
Эволюционный алгоритм для решения задач одномерной упаковки
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм для оптимальной 2D упаковки со связями
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм канальной трассировки
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм N-мерной упаковки элементов со связями
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм генетического разбиения гиперграфа на подграфы с элементами
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм канальной трассировки для цепей различной ширины
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм размещения на основе поисковой адаптации
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм планирования кристалла СБИС
Алгоритм эволюционного проектирования высокопроизводительных
Алгоритм эволюционного проектирования высокопроизводительных
Алгоритм эволюционного проектирования высокопроизводительных
Алгоритм эволюционного проектирования высокопроизводительных
Картинки из презентации «Генетические алгоритмы» к уроку биологии на тему «Генетика»

Автор: Den. Чтобы познакомиться с картинкой полного размера, нажмите на её эскиз. Чтобы можно было использовать все картинки для урока биологии, скачайте бесплатно презентацию «Генетические алгоритмы.ppt» со всеми картинками в zip-архиве размером 2405 КБ.

Скачать презентацию

Генетические алгоритмы

содержание презентации «Генетические алгоритмы.ppt»
Сл Текст Сл Текст
1Генетические алгоритмы. Состояние. Проблемы. Перспективы. 27достижения запланированных результатов. Схема поиска на основе
Лектор, заслуженный деятель науки и техники РФ, д.т.н., проф. тетраэдра.
Курейчик В.М. kur@tsure.ru. Технологический институт Южного 28Архитектуры и стратегии генетического поиска. Упрощенные
Федерального университета в г. Таганроге. схемы организации связей при эволюционном поиске на основе
2Объекты исследования. Схемотехническое и конструкторское Платоновых графов додекаэдра. Отметим, что здесь могут быть
проектирование РЭА и ЭВА. САПР печатных плат, БИС, СБИС, ССБИС, использованы и другие отношения вход-выход: «1 – 1»; «многие –
изделий микро и наноэлектроники. Принятие решений в 1»; «многие – многие». Схема поиска на основе додекаэдра.
неопределенных и нечетких условиях. Проблема выбора оптимальных 29Архитектуры и стратегии генетического поиска. Схема
решений в задачах науки и техники. реализации процесса метагенетической оптимизации. Здесь основным
3Объекты исследования. Решение многоэкстремальных задач с является первый блок, в котором осуществляется реализация ГА,
линейными и нелинейными экстремальными функциями. Моделирование генерация новых решений, определение значения ЦФ и использование
функциями ситуаций в реальном масштабе времени. Решение линейных предыдущих решений для генерации лучших результатов. Второй блок
и нелинейных транспортных задач. Решение комбинаторно логических позволяет использовать «историю» предыдущих решений для
задач искусственного интеллекта. Решение задач принятия решений генерации лучшего множества параметров. В третьем блоке
военного назначения. генерируется новое множество оптимизационных параметров.
4Эволюционное моделирование (ЭМ). - основано на аналогии с Метагенетический оптимизационный процесс.
естественными процессами селекции и генетическими 30Архитектуры и стратегии генетического поиска. А. Б.
преобразованиями, протекающими в природе. Правила образования Оптимизационные задачи используют в качестве исходного не одно,
(синтаксис) системы ЭМ: построения модели эволюции; а несколько альтернативных решений. Причем в зависимости от
конструирования популяций; построения ЦФ; разработки ГО; сложности перерабатываемой информации исходные решения могут
репродукции популяций; рекомбинации популяций; редукции; Аксиомы быть получены на основе стохастических, детерминированных или
системы ЭМ: «Выживание сильнейших», т.е. переход решений с комбинированных алгоритмов. Далее полученные решения
лучшей целевой функцией в следующую генерацию. Размер популяции обрабатываются адаптированными к решаемой задачи генетическими
после каждой генерации остается постоянным. Обязательное алгоритмами.
применение во всех генетических алгоритмах операторов 31Архитектуры и стратегии генетического поиска. Горизонтальная
кроссинговера и мутации. Число копий (решений), переходящих в схема стратегии «эволюция – поиск – эволюция». Внутри блоков
следующую генерацию, определяется по модифицированной формуле «Поиск1 и Поиск2» организованы коммутирующие блоки с n входами и
Холланда. n выходами. Это позволяет соединять входы блоков поиска с
5Классификация алгоритмов эволюционного моделирования. выходами n! способами, что дает возможность расширять просмотр
6Классификация стратегий поиска. пространства допустимых решений. Горизонтальная схема стратегии.
7Модель эволюции Ч. Дарвина. – Это условная структура, 32Архитектуры и стратегии генетического поиска. Схема
реализующая процесс, посредством которого особи (альтернативные реализации стратегий «эволюция – поиск – эволюция – поиск –
решения) некоторой популяции, имеющие более высокое эволюция – поиск – эволюция». Схема стратегии «эволюция – поиск
функциональное значение, получают большую возможность для – эволюция – поиск – эволюция – поиск – эволюция».
воспроизведения потомков, чем «слабые» особи. 33Архитектуры и стратегии генетического поиска. Один из
8Модель эволюции Ж. Ламарка. - основана на предположении, что возможных строительных блоков построения многоуровневой
характеристики, приобретенные особью в течение жизни, архитектуры для решения инженерных задач. Здесь Р – начальная
наследуются его потомками. Данная модель оказывается популяция альтернативных решений. На создание новой популяции Р'
эффективной, когда популяция имеет сходимость в область оказывают влияние не только генетический алгоритм и блок
локального оптимума. эволюционной адаптации, но и внешняя среда. Из таких
9Модель эволюции де Фриза. В ее основе лежит моделирование строительных блоков, как из «кирпичиков», строится архитектура
социальных и географических катастроф, приводящих к резкому поиска любой сложности. Схема строительного блока. Отметим, что
изменению видов и популяций. принятие решений в неопределенных, расплывчатых условиях при
10Модель К. Поппера. Эволюционная последовательность событий решении инженерных задач – это генерация возможных
представляется в виде схемы F1?TS????F2, где F1 – исходная альтернативных решений, их оценка и выбор лучшей альтернативы.
проблема, TS – пробные решения, ?? - устранение ошибок, F2 – 34Архитектуры и стратегии генетического поиска. Укрупненная
новая проблема. – Это условная структура, реализующая схема параллельного эволюционного поиска при разбиении популяции
иерархическую систему гибких механизмов управления, в которых на две подпопуляции. Здесь в блоках генетических операторов
мутация интерпретируется как метод случайных проб и ошибок, а выполняются операторы ОК, ОМ, инверсии, сегрегации,
отбор как один из способов управления с помощью устранения транслокации, удаления и вставки. В блоке редукции производится
ошибок при взаимодействии с внешней средой. удаление хромосом со значением ЦФ ниже средней. Схема
11Модель нейтральной эволюции М. Кимуры. Основана на параллельного эволюционного поиска.
нейтральном отборе. Эволюция заключается в реализации 35Основные принципы совместного поиска: Принцип целостности. В
последовательностей поколений. В результате эволюции выбирается генетических алгоритмах значение целевой функции альтернативного
только один вид. решения не сводится к сумме целевых функций частичных решений.
12Условная упрощенная модифицированная схема модели Принцип дополнительности. При решении оптимизационных задач
синтетической теории эволюции. представляет интеграцию различных возникает необходимость использования различных не совместимых и
моделей эволюций. Условия внешней среды здесь – не только взаимодополняющих моделей эволюции и исходных объектов. Принцип
факторы исключения неприспособленных особей из популяции, но и неточности. При росте сложности анализируемой задачи уменьшается
формирующие особенности самой модели. Основным этапом в каждой возможность построения точной модели. Принцип управления
модели является анализ популяции ее преобразование тем или иным неопределенностью. Необходимо вводить различные виды
способом и эволюционная смена форм. неопределенности в генетические алгоритмы. Принцип соответствия.
13Модифицированная базисная структура ПГА. Язык описания исходной задачи должен соответствовать наличию
14Одноточечный кроссинговер. Рекомбинация участков хромосом, имеющейся о ней информации. Принцип разнообразия путей развития.
представленных непрерывными моледкулами ДНК. Здесь может быть Реализация генетических алгоритмов многовариантна и
выделено несколько подтипов рекомбинации: Схема реализации альтернативна. Существует много путей эволюции. Основная задача
одноточечного кроссинговера. регулярная (общая) рекомбинация, выбрать путь, приводящий к получению оптимального решения.
представляющая собой кроссинговер, т.е. обмен гомологичными 36Основные принципы совместного поиска: Окончание. Принцип
участками в различных точках гомологичных хромосом, приводящий к единства и противоположности порядка и хаоса. «Хаос не только
появлению нового сочетания сцепленных генов; спрайт - разрушителен, но и конструктивен», т.е. в хаосе области
специфическая рекомбинация, т.е. обмен генных носителей, часто допустимых решений обязательно содержится порядок, определяющий
разных по объему и составу, на коротких специализированных искомое решение. Принцип совместимости и разделительности.
участках; нереальная рекомбинация, реализующая негомологичные Процесс эволюции носит поступательный, пульсирующий или
обмены. Негомологичный обмен в целом не представляет интереса, комбинированный характер. Поэтому модель синтетической эволюции
т.к. появляются нереальные решения исследуемой задачи. должна сочетать все эти принципы. Принцип иерархичности.
15Двухточечный кроссинговер. Т. Морган предположил, что Генетические алгоритмы могут подстраиваться сверху вниз и снизу
кроссинговер может происходить не только в одной, но и в двух и вверх. Принцип «Бритвы Оккама». Нежелательно увеличивать
даже большем числе точек. Схема двойного кроссинговера: а - до сложность архитектуры поиска без необходимости. Бритва Оккама –
кроссинговера; б - во время кроссинговера; в - после принцип выдвинутый английским философом XIV века Уильямом
кроссинговера. На рисунке представлена экспериментально Оккамом «Понятия, не сводимые к интуитивному и опытному знанию
установленная схема двойного кроссинговерамежду хромосомами (w и следует исключать из науки». Принцип гомеостаза. Генетические
f). алгоритмы конструируются таким образом, что любое полученное
16Селекция. Оператор репродукции (селекция) (ОР) ? это альтернативное решение не выходило из области допустимых.
процесс, посредством которого хромосомы (альтернативные 37Схема параллельного поиска.
решения), имеющие более высокое значение ЦФ (с «лучшими» 38Методы повышения эффективности эволюционного моделирования.
признаками), получают большую возможность для воспроизводства 39Методы повышения эффективности эволюционного моделирования.
(репродукции) потомков, чем «худшие» хромосомы. Селекция на 40Инструментальная среда эволюционного моделирования.
основе рулетки. Существует большое число видов операторов 41Инструментальная среда эволюционного моделирования
репродукции. К ним относятся: селекция на основе (интерфейс).
рулетки,селекция на основе заданной шкалы, элитная селекция , 42Экспериментальные исследования.
турнирная селекция. 43Основные результаты научной школы «Теория и принципы
17Инверсия. Инверсии – повороты участка или всей хромосомы на построения интеллектуальных САПР на основе бионических и
180 градусов. Инвертированный участок при нечетной длине эволюционных моделей». Специальные математические модели на
хромосомы включает центральный ген (перецентрическая инверсия) основе графов и гиперграфов для решения оптимизационных задач;
или не включает его при четной длине хромосомы Интеллектуальные процедуры решения оптимизационных задач; Новые
(парацентрическая). здесь длина участка инвертированной стратегии моделирования различных эволюций; Наборы правил и
хромосомы L(P1) = 3. А парацентрическая инверсия, например, знаний для интеллектуальных решателей задач; Архитектура
такова: интеллектуальной программной среды для применения методов
18Модели и архитектуры эволюции. Модель прерывистого генетической оптимизации; Экспертные оболочки для решения
равновесия Гулда-Элдриджа. Согласно этой модели эволюция оптимизационных задач; Исследование механизмов основных
происходит редкими и быстрыми толчками. Структура микроэволюции. генетических операторов и на их основе разработка новых
Структура макроэволюции. Эта модель является развитием и модификаций алгоритмов, обеспечивающих оптимизацию структуры
модификацией модели Г. де Фриза. Здесь отмечается различие поиска; Новые подходы к решению оптимизационных задач на основе
причин, от которых зависят темпы микро- и макроэволюции. стратегий «поиск – эволюция – поиск», «эволюция – поиск –
19Определения и понятия генетических алгоритмов. Цель эволюция»; Новые технологии решения оптимизационных задач на
генетических алгоритмов состоит в том, чтобы: абстрактно и основе методов агрегации фракталов; Проблемно-ориентированные
формально объяснить адаптацию процессов в ЕС и интеллектуальной ГА, вырабатывающие решение комбинаторных задач, представленных
ИС; моделировать естественные эволюционные процессы для как задачи параметрической оптимизации; Новые подходы к решению
эффективного решения оптимизационных задач науки и техники. В оптимизационных задач на основе системного подхода и принципов
настоящее время используется новая парадигма решений самоорганизации и саморегулирования; Разработка алгоритмов
оптимизационных задач на основе генетических алгоритмов и их решения комбинаторно-логических задач на основе генетических,
различных модификаций. Генетические алгоритмы осуществляют поиск синергетических методов и методов самообучения адаптивных
баланса между эффективностью и качеством решений за счет систем; Реализация программного комплекса поддержки среды
«выживания сильнейших альтернативных решений», в неопределенных решения оптимизационных задач и управления на основе адаптивных
и нечетких условиях. Генетические алгоритмы отличаются от других поисковых алгоритмов. Комплекс ориентирован на работу с IBM PC,
оптимизационных и поисковых процедур следующим: работают в допускается также использование комплекса в корпоративной сети
основном не с параметрами задачи, а с закодированным множеством предприятия. Демонстрационная версия комплекса представлялась
параметров; осуществляют поиск не путем улучшения одного различных на научно-технических конференциях и семинарах, также
решения, а путем использования сразу нескольких альтернатив на на международной выставке CEBIT’98 в Ганновере (Германия),
заданном множестве решений; используют целевую функцию (ЦФ), а международной конференции «Искусственные интеллектуальные
не ее различные приращения для оценки качества принятия решений; системы IEEE AIS’02».
применяют не детерминированные, а вероятностные правила анализа 44Эволюционный алгоритм для решения задач одномерной упаковки.
оптимизационных задач. Предлагаемый алгоритм использует эволюционные процедуры для
20Определения и понятия генетических алгоритмов. Генетический одномерной упаковки произвольно заданного количества элементов в
алгоритм дает преимущества при решении практических задач. Одно блоки. Программный продукт реализован в среде MS Windows на
из них – это адаптация к изменяющейся окружающей среде. При языке Borland C++ 4.5. Среда функционирования: MS WINDOWS 98,
использовании традиционных методов все вычисления приходится XP, 2000. Системные требования: Pentium 333, 128Mb RAM, + 4 Mb
начинать заново, что приводит к большим затратам машинного дискового пространства, графическое разрешение 800 Х 600
времени. При эволюционном подходе популяцию можно анализировать, пикселей.
дополнять и видоизменять применительно к изменяющимся условиям. 45Алгоритм для оптимальной 2D упаковки со связями. Алгоритм
Преимущество генетических алгоритмов для решения задач состоит в для оптимальной 2D упаковки со связями разработан для решения
способности быстрой генерации достаточно хороших решений. При проблемы упаковки элементов СБИС. Элементом СБИС представляется
решении практических задач с использованием генетических в виде прямоугольника с входами/выходами, расположенными по
алгоритмов обычно выполняют четыре предварительных этапа: выбор краям. Программный продукт оптимальной 2D упаковки со связями
способа представления решения; разработка операторов случайных имеет удобный и наглядный интерфейс. Имеется встроенный редактор
изменений; определение способов «выживания» решений; создание задач. В программе имеются три основных блока: Окно Редактора,
начальной популяции альтернативных решений. Окно Инспектора свойств, Окно Алгоритма. Среда функционирования:
21Определения и понятия генетических алгоритмов. Эффективность MS WINDOWS 98, XP, 2000. Системные требования: Pentium 333,
генетического алгоритма – степень реализации запланированных 128Mb RAM, + 4 Mb дискового пространства, графическое разрешение
действий алгоритма и достижение требуемых значений целевой 800 Х 600 пикселей.
функции. Эффективность во многом определяется структурой и 46Алгоритм канальной трассировки. Алгоритм предназначен для
составом начальной популяции. При создании начального множества проектирования двухслойных СБИС. Область трассировки - канал,
решений происходит формирование популяции на основе четырех ограниченный двумя линейками контактов. Цель - размещение
основных принципов: «одеяла» – генерируется полная популяция, фрагментов цепей в минимальном числе магистралей. Программный
включающая все возможные решения в некоторой заданной области; продукт реализован в среде Windows на языке Си++ для IВМ РС. При
«дробовика» – подразумевает случайный выбор альтернатив из всей фиксированных значениях управляющих параметров программа имеет
области решений данной задачи. «фокусировки» – реализует оценку временной и пространствеpной сложности О(K), где K -
случайный выбор допустимых альтернатив из заданной области число связываемых контактов. Предложенная программа с небольшой
решений данной задачи. Комбинирования – состоит в различных модификацией применима для без сеточной трассировки соединений
совместных реализациях первых трех принципов. разной ширины в многослойной СБИС.
22Простой (одноточечный) оператор кроссинговера. Р1 : 1 1 | 1 47Алгоритм N-мерной упаковки элементов со связями. Алгоритм
1 1 р2 : 0 0 | 0 0 0 ________________ р'1 : 1 1 | 0 0 0 р'2 : 0 оптимальной N-мерной упаковки со связями разработан для решения
0 | 1 1 1. Перед началом работы одноточечного оператора проблемы упаковки элементов, имеющих любое количество измерений.
кроссинговера определяется так называемая точка оператора Целью упаковки является нахождение такого легального размещения
кроссинговера, или разрезающая точка оператора кроссинговера, элементов, при котором объем ограничивающей прямоугольной
которая обычно определяется случайно. Эта точка определяет место области будет минимален. Программный продукт N-мерной упаковки
в двух хромосомах, где они должны быть «разрезаны». Одноточечный элементов со связями имеет удобный и наглядный интерфейс.
оператор кроссинговера. Одноточечный оператор кроссинговера Имеется встроенный редактор задач. В программе имеются три
выполняется в три этапа: Две хромосомы A = а1, а2,.., аL и B = основных блока: Окно Редактора, Окно Инспектора свойств, Окно
a?1, a?2,.., a?L выбираются случайно из текущей популяции. Число Алгоритма. Среда функционирования: MS WINDOWS 98, XP, 2000.
k выбирается из {1,2,...,L-1} также случайно. Здесь L - длина Системные требования: Pentium 333, 128Mb RAM, + 4 Mb дискового
хромосомы, k - точка оператора кроссинговера (номер, значение пространства, графическое разрешение 800 Х 600 пикселей.
или код гена, после которого выполняется разрез хромосомы). Две 48Алгоритм генетического разбиения гиперграфа на подграфы с
новые хромосомы формируются из A и B путем перестановок элементами самоорганизации (ГАСЭС). Алгоритм ГАСЭС позволяет
элементов согласно правилу. решать задачу компоновки элементов СБИС по критерию суммарного
23Двухточечный и N-точечный оператор кроссинговера. Р1 : 1 1 1 числа цепей между узлами, с учётом тепловой совместимости
| 0 1 | 0 0 р2 : 0 0 0 | 1 1 | 1 0 ____________________ р'1 : 1 компонуемых элементов. Программный продукт, позволяет проводить
1 1 | 1 1 | 0 0 р'2 : 0 0 0 | 0 1 | 1 0. Пример трехточечного экспериментальные исследования в зависимости от значений
оператора кроссинговера. Р1 : 1 | 1 1 |0 1 | 0 0 р2 : 0 |0 0 |1 основных параметров алгоритма и динамических параметров. В
0 | 1 1 ____________________ р'1 : 1| 0 0 | 0 1 | 1 1 р'2 : 0 |1 главном окне отображается процесс работы алгоритма и другая
1 | 1 0 | 0 0. В каждой хромосоме определяются две точки вспомогательная информация. Результаты экспериментальных
оператора кроссинговера, и хромосомы обмениваются участками, исследований показали, что ГАСЭС по сравнению с простым
расположенными между двумя точками оператора кроссинговера. генетическим алгоритмом (ПГА) позволяет повысить качество
Пример двухточечного оператора кроссинговера. Развитием компоновки схем от 2% до 5%, в зависимости от задачи. Системные
двухточечного оператора кроссинговера является многоточечный требования: Pentium II 400, 128MB RAM, HDD 5MB. Среда
оператор кроссинговера или N-точечный оператор кроссинговера. функционирования: MS Windows 9x, 2000, XP.
Многоточечный оператор кроссинговера выполняется аналогично 49Алгоритм канальной трассировки для цепей различной ширины.
двухточечному оператору кроссиновера, хотя большое число Алгоритм канальной трассировки для цепей различной ширины
«разрезающих» точек может привести к потере «хороших» позволяет получить топологию канальной области с цепями,
родительских свойств. имеющими различную ширину. Алгоритм использует теорию
24Универсальный оператор кроссинговера. Р1 : 0 1 1 0 0 1 P2 : эволюционного моделирования и методы генетического поиска.
0 1 0 1 1 1 ________________ 0 1 1 0 1 0 ? маска _______________ Программный продукт канальной трассировки позволяет проводить
P'1 : 0 0 0 0 1 1 P'2 : 0 0 1 1 0 1. Маска может быть задана или экспериментальные исследования в автоматическом и пошаговом
выбирается случайно с заданной вероятностью или на основе режиме. Критерии оптимизации алгоритма канального трассировщика:
генератора случайных чисел. При этом чередование 0 и 1 в маске ширина канальной области, суммарная длина цепей, число
происходит с вероятностью ?50%. В некоторых случаях используется межслойных переходов. Входные данные: число выводов; ширины
параметризированный универсальный оператор кроссинговера, где цепей; номера цепей, подключаемых к выводам. Выходные данные:
маска может выбираться с вероятностью для 1 или 0 выше, чем 50%. топология канала Среда функционирования: MS WINDOWS 98, XP 2000.
Такой вид маски эффективен, когда хромосомы кодируются в Системные требования: Pentium 333, 128Mb RAM, + 70 Mb дискового
двоичном алфавите. Вместо использования разрезающей точки пространства, разреш. 800*600.
(точек) в универсальный оператор кроссинговера определяют 50Алгоритм размещения на основе поисковой адаптации. Алгоритм
двоичную маску, длина которой равна длине заданных хромосом. решает задачу размещения множества элементов в непересекающемся
Первый потомок получается сложением первого родителя с маской на множестве позиций. Используется новый критерий, учитывающий
основе следующих правил (0+0=0, 0+1=1, 1+1=0). Второй потомок распределение ресурсов коммутационного поля. Процесс решения
получается аналогичным образом. Для каждого элемента в Р1, Р2 задачи размещения осуществляется адаптивной поисковой
гены меняются. Универсальный оператор кроссинговера. процедурой, основанной на сочетании генетического поиска с
25Одноточечный и двухточечный операторы мутации. Р1 : 0 1 1 | адаптацией на основе самообучения и самоорганизации. Программный
0 1 1 р'1 : 0 1 0 | 1 1 1. Р : a | b c d | e f p' : a e с d b f. продукт реализован в среде Windows на языке Си++ для IВМ РС
Оператор мутации – это языковая конструкция, позволяющая на Временная сложность при совместной работе алгоритмов и при
основе преобразования родительской хромосомы (или ее части) фиксированных значениях управляющих параметров на одной итерации
создавать хромосому потомка. Простейшим оператором мутации имеет оценку О(n). При совместной работе алгоритмов вероятность
является одноточечный. При его реализации случайно выбирают ген получения глобального оптимума составила 0.95. В среднем, трех
в родительской хромосоме и, обменивая его на рядом расположенный запусков программы со случайными начальными популяциями
ген, получают хромосому потомка. Одноточечный оператор мутации. достаточно для нахождения решения со средним отклонением от
Р1 – родительская хромосома, а Р'1 – хромосома-потомок после глобального оптимума в 1%. Системные требования: Pentium II 400,
применения одноточечного оператора мутации. При реализации 128MB RAM, HDD 5MB. Среда функционирования: MS Windows 98, 2000,
двухточечного оператора мутации случайным или направленным XP.
образом выбираются две точки разреза. Затем производится 51Алгоритм планирования кристалла СБИС. Алгоритм планирования
перестановка генов между собой, расположенных справа от точек кристалла СБИС решает задачу размещении на поле кристалла
разреза. Двухточечный оператор мутации. Р1 – родительская блоков, имеющих заданную площадь и не имеющих фиксированных
хромосома, а Р'1 – хромосома-потомок после применения размеров. Блоки и кристалл имеют форму прямоугольников.
двухточечного оператора мутации. Программный продукт реализован в среде Windows на языке Си++ для
26Архитектуры и стратегии генетического поиска. Схема при IВМ РС. Оценка временной сложности на одной итерации – О(N).
наличии большого количества вычислительных ресурсов может быть N-число блоков. Среда функционирования: MS WINDOWS 98, XP, 2000.
доведена до N блоков. Причем N ? 1 блоков могут параллельно Системные требования: Pentium 333, 128Mb RAM, HDD 5MB.
осуществлять эволюционную адаптацию и через блоки миграции 52Алгоритм эволюционного проектирования высокопроизводительных
обмениваться лучшими представителями решений. Последний блок интегральных схем. Входные данные: набор элементов, описание
собирает лучшие решения, может окончить результат работы или связей между элементами. Результат: размещение элементов на
продолжить эволюционный поиск. Схема эволюционного поиска на коммутационном поле. Операционная система: Windows
основе миграции. 95\98\2000\XP. Оперативная память: 128 MB. Процессор: Pentium II
27Архитектуры и стратегии генетического поиска. Платоновы 667. При этих условиях размещение 4,5 тыс. элементов
графы, то есть правильные многоугольники, которые, как считалось производится за 420 секунд. Алгоритм предназначен для
в древних учениях, обладают внутренней красотой и гармонией. многослойного размещения элементов интегральных схем с учетом
Использовано отношение вход-выход «1 – многие». Отметим, что неоднородности межэлементных соединений. Размещение элементов
здесь могут быть использованы и другие отношения вход-выход: «1 производится в нескольких слоях. При расчете функции пригодности
– 1»; «многие – 1»; «многие – многие». Эффективность таких используется модель задержки распространения сигналов Элмора.
отношений проверяется экспериментально. Под эффективностью Результат работы программы.
понимается степень реализации запланированной деятельности и
«Генетические алгоритмы» | Генетические алгоритмы.ppt
http://900igr.net/kartinki/biologija/Geneticheskie-algoritmy/Geneticheskie-algoritmy.html
cсылка на страницу

Генетика

другие презентации о генетике

«Ненаследственная изменчивость» - Делаем измерение. Норма реакции- степень варьирования признака от минимального до максимального значения. Цель занятия: Сущность метода. Проводится с использованием компьютерной технологии. Свойства модификационной изменчивости. Для удобства обработки результаты стоит немного округлить. Значение для отдельной особи, вида.

«Закономерности изменчивости» - Ген. 1.-Г 2.-Б 3.-Б 4.-А 5.-Б. Факторы окружающей среды. Проверка результатов теста. Лабораторная работа. Выводы: Фенотип. Формы изменчивости. Ген Фенотип Факторы окружающей среды Признак Генотип. Белок. Что изучает генетика? Составьте таблицу вариационнного ряда изменчивости фасоли. Каким способом передаются наследственные признаки?

«Наследственность и изменчивость» - Популяция состоит из наследственно различных особей или родственных групп – линий. На Тему: История развития генетики. Презентация. Экспериментально доказывая, что основными носителями генов являются хромосомы, и что гены располагаются в хромосомах линейно. Сам Дарвин приложил немало усилий для изучения наследственности и изменчивости.

«Законы Менделя» - При моногибридном скрещивании брались особи, различавшиеся только по одному признаку. Ab. Какое скрещивание называется моногибридным? AB. Р. Составитель учитель высшей категории Горячкина О.Ю. ?. AABB. П о в т о р и м. Третий закон Менделя – закон независимого комбинирования.

«Первый закон Менделя» - Генетические символы. История развития генетики. А. Объект изучения. Грегор иоганн мендель 1822-1884. Дано: Решение: А – желтые семена Р: ?АА х ?аа а– зеленые семена G А а. Задачи и методы генетики.Первый и второй законы г.Менделя. Моногибридное скрещивание. Первый закон менделя.

Урок

Биология

134 темы
Картинки
Презентация: Генетические алгоритмы | Тема: Генетика | Урок: Биология | Вид: Картинки
900igr.net > Презентации по биологии > Генетика > Генетические алгоритмы.ppt