Вероятностные и компактные генетические алгоритмы

8.2. Пошаговое обучение на основе виртуальной популяции

Следующим рассмотрим подход, предложенный в [2] – PBIL (Population-Based Incremental Learning). На основе представления популяции вектором вероятности вместо стандартного ГА используется следующий алгоритм поиска оптимального решения:

Как видно из псевдокода, виртуальная популяция каждый раз случайным образом генерируется согласно текущему вектору вероятностей, который корректируется в сторону лучшей особи. Метод корректировки вектора вероятностей, по сути, взят из конкурирующего метода обучения нейронных сетей без учителя. Таким образом, здесь "эволюционирует" вектор вероятностей. Этот подход развит многими авторами и некоторые его модификации допускают достаточно простую аппаратную реализацию.

8.3. Компактный генетический алгоритм

Компактный ГА (КГА)[3], как и PBIL, модифицирует вектор вероятности, однако помимо фазы кроссинговера здесь также игнорируется и фаза мутации, что позволяет сконцентрировать все внимание на механизме селекции, который основан на турнирном методе отбора особей. Кроме того, компактный ГА моделирует конечную популяцию и требует меньше вычислительных ресурсов. Псевдокод алгоритма представлен ниже:

Критерием остановки работы алгоритма выступает следующее условие: для всех .

8.4. Генетический алгоритм SELFISH

Данный алгоритм был разработан в [4] на основании современной интерпретации Дарвиновской теории механизмов естественного отбора, предложенной биологом Ричардом Доукинзом. Ключевым моментом нового подхода стала гипотеза о том, что базовым элементом эволюции является ген, а не особь. В связи с этим рассматриваются хромосомы, гены которых могут принимать различное количество значений в зависимости от своего расположения внутри хромосомы. Поэтому вектор вероятностей трансформируется в более сложную структуру: , где

Отметим, что здесь могут иметь различную мощность , поскольку разные гены могут принимать различное число значений. Псевдокод предложенного алгоритма SELFISH имеет следующий вид:

Здесь функция "поощрение" увеличивает, а функция "наказание" уменьшает текущие вероятности для соответствующих значений всех генов в хромосоме на . То есть

Функция "выбор_особи" выполняется следующим образом:

Как видно из псевдокода она, помимо всего прочего, реализует процесс мутирования генов.

В заключение добавим, что критерий останова работы алгоритма определяется как состояние, в котором для каждого гена (локуса) существует аллель (одно из возможных значений гена) , чья вероятность больше заданного (обычно принимает значение ).