Đang tải... (xem toàn văn)
Thuật toán di truyền (Genetic Algorithm - GA) là thuật toán tìm kiếm lời giải dựa trên cơ chế chọn lọc và di truyền trong tự nhiên. Thuật toán là những thủ tục được thực hiện theo từng bước một để tìm các giải pháp cho các vấn đề. Thuật toán di truyền cũng cung cấp các thủ tục như thế để giải quyết vấn đề nhưng chúng được dựa trên các mô hình di truyền. Giải thuật di truyền đã được chứng minh về mặt lý thuyết lẫn thực nghiệm và cho thấy được hiệu quả mạnh mẽ trong việc tìm kiếm giải pháp ở những vấn đề phức tạp. Các thuật toán di truyền có khả năng cho tăng hiệu quả tìm kiếm trong kinh doanh, khoa học và kỹ thuật. Các thuật toán sẽ ít phức tạp hơn nhưng mạnh mẽ hơn trong tìm kiếm khi áp dụng nguyên lý di truyền. Trong tiểu luận này sẽ thảo luận các loại khác nhau của di truyền các thuật toán như GA song song, phân tán, ….
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÀNH PHỐ HỒ CHÍ MINH CÁC DẠNG CỦA THUẬT TOÁN DI TRUYỀN (CLASSIFICATION OF GENETIC ALGORITHM) Tiểu luận môn Các hệ sở tri thức NHÓM THỰC HIỆN: LÝ TRẦN THÁI HỌC NGUYỄN MINH PHƯƠNG LÊ XUÂN MẠNH HOÀNG HỮU HẢO GVHD: PGS TS LÊ HOÀNG THÁI TP HỒ CHÍ MINH - 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÀNH PHỐ HỒ CHÍ MINH CÁC DẠNG CỦA THUẬT TOÁN DI TRUYỀN (CLASSIFICATION OF GENETIC ALGORITHM) Tiểu luận môn Các hệ sở tri thức Người hướng dẫn khoa học: PGS.TS LÊ HOÀNG THÁI TP HỒ CHÍ MINH – 2015 Mục lục DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC HÌNH DANH MỤC CÁC BẢNG CHƯƠNG GIỚI THIỆU CHƯƠNG THUẬT TOÁN DI TRUYỀN ĐƠN GIẢN (SIMPLE GENETIC ALGORITHM - SGA) CHƯƠNG THUẬT TOÁN DI TRUYỀN SONG SONG VÀ PHÂN TÁN (PARALLEL AND DISTRIBUTED GENETIC ALGORITHM - PGA VÀ DGA) 3.1 Mô hình song song kiếu chủ - tớ (Master – Slave) 11 3.2 Thuật toán di truyền song song theo cách chia mịn hay mô hình thuật toán di truyền tế bào (Fine Grained Parallel GA – Cellular GA) 12 3.3 Thuật toán di truyền xử lý song song cách chia nhiều nhóm hay thuật toán di truyền phân tán, chia thô (Multiple – Deme Parallel GA, Distributed GA or Coarse Grained GA) 13 3.4 Các thuật toán song song thứ bậc (Hierarchical Parallel Algorithms) 15 CHƯƠNG 4: THUẬT TOÁN DI TRUYỀN DẠNG LAI (HYBRID GENETIC ALGORITHM - HGA) 18 4.1 Lai ghép chéo (Crossover) 19 4.2 Khởi tạo theo hướng Heuristic 19 4.3 Thủ tục RemoveSharp 20 4.4 Thủ tục LocalOpt 21 4.5 Độ phức tạp thủ tục RemoveSharp LocalOpt 21 4.5.1 Độ phức tạp thủ tục RemoveSharp 21 4.5.2 Độ phức tạp thủ tục LocalOpt 22 CHƯƠNG 5: THUẬT TOÁN DI TRUYỀN THÍCH NGHI (ADAPTIVE GENETIC ALGORITHM-AGA) 23 5.1 Khởi tạo 23 5.2 Hàm đánh giá 24 5.3 Hàm lựa chọn 24 5.4 Hàm lai ghép 25 5.5 Hàm đột biến 25 CHƯƠNG 6: THUẬT TOÁN DI TRUYỀN NHANH (FAST MESSY GENETIC ALGORITHM – FmGA) 26 CHƯƠNG 7: THUẬT TOÁN DI TRUYỀN VỚI MẪU ĐỘC LẬP (INDEPENDENT SAMPLING GENETIC ALGORITHM - ISGA) 27 7.1 Giai đoạn độc lập lấy mẫu 27 7.2 Giai đoạn sinh sản 28 CHƯƠNG 8: TỔNG KẾT 30 TRẢ LỜI CÂU HỎI CUỐI CHƯƠNG 31 DANH MỤC CÁC TỪ VIẾT TẮT Genetic Algorithm GA Simple Genetic Algorithm SGA Parallel Genetic Algorithm PGA Distributed Genetic Algorithm DGA DANH MỤC CÁC HÌNH Hình Sơ đồ mô hình master-slave GA xử lý song song 10 Hình Sơ đồ di truyền song song theo cách chia mịn 14 Hình Sơ đồ Thuật toán di truyền xử lý song song cách chia nhiều nhóm hay thuật toán di truyền phân tán, chia thô 14 Hình Sơ đồ kết hợp mô hình xử lý song song nhiều nhóm (mức cao) xử lý song song cách chia mịn (mức thấp) 16 Hình Sơ đồ xử lý Master – Slave (mức cao) mô hình xử lý cách chia nhiều nhóm (mức thấp) 16 Hình Sơ đồ kết hợp xử lý song song cách chia nhiều nhóm mức 16 DANH MỤC CÁC BẢNG Bảng Bảng so sánh phương pháp song song hóa giải thuật di truyền 16 Bảng Bảng so sánh phương thức thực giải thuật di truyền song song 17 CHƯƠNG GIỚI THIỆU Thuật toán di truyền (Genetic Algorithm - GA) thuật toán tìm kiếm lời giải dựa chế chọn lọc di truyền tự nhiên Thuật toán thủ tục thực theo bước để tìm giải pháp cho vấn đề Thuật toán di truyền cung cấp thủ tục để giải vấn đề chúng dựa mô hình di truyền Giải thuật di truyền chứng minh mặt lý thuyết lẫn thực nghiệm cho thấy hiệu mạnh mẽ việc tìm kiếm giải pháp vấn đề phức tạp Các thuật toán di truyền có khả cho tăng hiệu tìm kiếm kinh doanh, khoa học kỹ thuật Các thuật toán phức tạp mạnh mẽ tìm kiếm áp dụng nguyên lý di truyền Trong tiểu luận thảo luận loại khác di truyền thuật toán GA song song, phân tán, … CHƯƠNG THUẬT TOÁN DI TRUYỀN ĐƠN GIẢN (SIMPLE GENETIC ALGORITHM - SGA) Đối với nhiều thuật toán tìm kiếm cần nhiều thông tin phụ trợ có liên quan đến cấu trúc liệu toán để đưa kết Ví dụ kỹ thuật tìm kiếm truyền thống thuật toán tham lam cần quyền truy cập vào thông số để tính toán, thuật toán di truyền không cần phải truy cập tất Đối với GA, tìm kiếm kết đạt hiệu cao “mù” cấu trúc thông tin GA sử dụng quy tắc chuyển đổi kiểu xác suất để hướng đến không gian tìm kiếm có khả đạt kết có hiệu Các chế thuật toán di truyền đơn giản phức tạp, đơn giản chép chuỗi trao đổi phần chuỗi Một thuật toán di truyền đơn giản mà mang lại kết tốt nhiều vấn đề thực tế gồm ba hoạt động Đó là: Sinh sản Lai ghép Đột biến Sinh sản trình chép phần chuỗi (còn gọi gen) cá thể theo giá trị hàm mục tiêu f Ta xem xét hàm mục tiêu f biện pháp tối đa hóa lợi nhuận, hữu ích, hay điều tốt đẹp mà ta muốn có Chuỗi chép theo kiểu xác suất để độ thích nghi cao hệ Trong thuật toán thực sinh sản với nhiều phương thức khác Cách đơn giản thực sinh sản sử dụng vòng Roulette Trong vòng Roulette chuỗi quần thể có có kích thước tỷ lệ thuận với độ thích nghi Các bước chuẩn cho việc chạy thuật toán di truyền đơn giản là: randomly generate population // tạo cách ngẫu nhiên quần thể select parents (using fitness function) // chọn cha mẹ (dùng hàm thích nghi) selection methods: // phương pháp lựa chọn roulette wheel// dựng vòng tròn roulette tournament // chạy vòng tròn chọn số lượng cá thể demetic// nhóm cá thể crossover parent chromosomes // lai ghép chéo mutate offspring chromosomes // đột biến add offspring back into pool // thêm cá thể vào quần thể e litism // xét quần thể ưu tú (select parents) // chọn lại cá thể cha mẹ SGA có tác dụng hiệu khi: không gian tìm kiếm lớn, phức tạp chưa hiểu rõ Khó mã hóa để thu hẹp không gian tìm kiếm Không có phân tích toán học Các phương pháp tìm kiếm truyền thống thất bại Ưu điểm phương pháp SGA dễ dàng xử lý khó khăn đạt mục tiêu; tất điều xử lý thành phần có trọng số hàm thích nghi, làm cho dễ dàng để thích ứng với tiến trình SGA để cụ thể yêu cầu có phạm vi rộng mục tiêu tổng thể CHƯƠNG THUẬT TOÁN DI TRUYỀN SONG SONG VÀ PHÂN TÁN (PARALLEL AND DISTRIBUTED GENETIC ALGORITHM - PGA VÀ DGA) Thuật toán di truyền song song (Parallel Genetic Algorithm - PGA) thực song song nhiều tiến trình SGA khác Các thuật toán di truyền song song (PGAs) phát triển để giảm thời gian thực tìm kiếm giải pháp gần tối ưu toán có không gian tìm kiếm lớn PGAs có lợi ích đáng kể hiệu suất khả mở rộng quy mô PGAs dễ dàng thực hệ thống máy tính không đồng máy tính lớn cho phép chạy song song Cách thức thực PGAs phụ thuộc vào yếu tố sau: Hàm thích nghi đột biến áp dụng nào? Cá thể lựa chọn cục toàn thể áp dụng sao? Sử dụng hay nhiều nhóm quần thể? Nếu có nhiều quần thể, việc lai ghép cá thể sao? Cách đơn giản PGA tạo nhiều cho SGA phần tử xử lý (Processing Element - PE) Mỗi PE khác bắt đầu với quần thể ban đầu, tiến hóa dừng lại cách độc lập PGA hoàn toàn ngừng tất PE dừng PGA có nhiều phương pháp khác để thực hiện: PGA hoạt động kiểu độc lập (Independent PGA) PGA cho phép di chuyển cá thể (Migration PGA) PGA hoạt động theo kiểu phân vùng (Partition PGA) PGA hoạt động theo kiểu phân đoạn (Segmentation PGA) PGA hỗn hợp vừa phân đoạn di chuyển cá thể (Segmentation–Migration PGA) Ưu điểm phương pháp tiếp cận PGA hoạt động độc lập PE bắt đầu với quần thể độc lập Đa quần thể làm giảm hội phát triễn cá thể ưu tú dẫn đến tất PE sớm hội tụ dẫn đến giải pháp có chất lượng Cách tiếp cận đơn giản dùng giải pháp tốt sau nhiều lần thực SGA quần thể ban đầu khác Cách tiếp cận thứ hai PGA, PGA cho phép di chuyển cá thể, tăng hiệu so với phương pháp tiếp cận độc lập cho phép di chuyển nhiễm sắc thể PE để ngăn ngừa hội tụ xấu chia sẻ giải pháp chất lượng cao Di chuyển nhiễm sắc thể xảy sau số lần lặp định, với PE gửi nhiễm sắc thể tốt quần thể cục đến PE khác Nhiễm sắc thể nhận thay nhiễm sắc thể xấu quần thể cục PE trừ trường hợp nhiễm sắc thể giống hệt tồn cá thể cục PGA hoạt động theo kiểu phân vùng (Partition PGA) phân chia không gian tìm kiếm vào vùng rời bắt buộc PE tìm kiếm vùng khác PGA hoạt động theo kiểu phân đoạn (Segmentation PGA) bắt đầu cách phân chia việc tuyển chọn vào tiến trình phụ Sau đó, kết hợp trở lại tiến hành tuyển chọn tiến trình Sự kết hợp phân đoạn di chuyển 4.1 Lai ghép chéo (Crossover) Phương thức lai ghép chéo sử dụng Darrell Whitley đưa biến thể phương thức lai thông thường Phương thức lai ghéo chéo sử dụng “bản đồ cạnh” (edge map) để xây dựng cá thể mà kế thừa nhiều thông tin tốt từ cấu trúc cha mẹ Bản đồ lưu trữ thông tin tất kết nối dẫn vào thành phố toán Do khoảng cách đỉnh hay cạnh khoảng cách hai thành phố, thành phố có hai tối đa bốn cạnh (trong có hai từ bố mẹ) giao Thuật toán sau: Bước 1: Chọn điểm ban đầu từ hai đường cha mẹ (có thể từ bước cách tạo ngẫu nhiên” Đặt tên “điểm tại” Bước 2: Hủy bỏ tất lần xuất “điểm tại” từ phía bên trái danh sách cạnh đồ Bước 3: Nếu “điểm tại” có danh sách cạnh (edgelist) đến bước xử lý; không, đến bước Bước 4: Xác định thành phố edgelist “điểm tại”, có cạnh ngắn với “điểm tại” Các thành phố với cạnh ngắn bao gồm tour thành phố trở thành “điểm tại” Dừng việc tạo ngẫu nhiên đến bước Bước 5: Nếu không thành phố chưa đến, sau DỪNG Nếu không, ngẫu nhiên chọn thành phố chưa đến đến bước Sự khác biệt thuật toán lai chéo Darrell Whitley thuật toán chuẩn bước thứ tư Ông chọn thành phố với cạnh đến thành phố kế tiếp, thông thường chọn thành phố gần đến thành phố nay, điều cho thấy vận dụng heuristic lai chéo 4.2 Khởi tạo theo hướng Heuristic Thủ tục InitializationHeuristics (IH) áp dụng TSP theo ý tưởng sau: Dùng thuật toán tham lam để khởi tạo quần thể cách xếp thứ tự thành phố phụ thuộc vào tọa độ x y 19 Các tour du lịch đại diện danh sách kết nối với Danh sách ban đầu lấy theo thứ tự đầu vào InputList (danh sách nhập) Các danh sách kết nối thu sau áp dụng heuristic OutputList Trong trình áp dụng heuristic cho tất thành phố InputList di chuyển đỉnh vào OutputList Thuật toán cho TSP sau: Bước 1: Chọn bốn thành phố, có tọa độ x, y mang giá trị lớn nhỏ chuyển vào OutputList từ InputList Bước 2: Từ trình tự di chuyển có bốn thành phố, ta tìm chuỗi có chi phí tối thiểu thay đổi trình tự bốn thành phố OutputList đến trình tự có mức tối thiểu Bước 3: Chọn ngẫu nhiên đỉnh lại Inputlist Bước 4: Loại bỏ đỉnh phía trước InputList chèn vào OutputList vị trí mà gia tăng chi phí tour du lịch tối thiểu Giả sử M chi phí tour du lịch trước chèn N chi phí chuyến sau chèn Các vị trí chèn lựa chọn mà NM tối thiểu Bước 5: Lặp lại bước tất đỉnh InputList chuyển đến OutputList Tùy thuộc vào tiêu chí phân loại Bước kết lấy khác Áp dụng heuristic cho RemoveSharp LocalOpt ta thu cá thể thêm vào dân số ban đầu 4.3 Thủ tục RemoveSharp Thủ tục RemoveSharp nhằm loại bỏ tăng mạnh mẽ chi phí tour thành phố bị xem cá thể xấu Thủ tục trải qua bước đây: Bước 1: Một danh sách (NEARLIST) chứa m thành phố gần đến thành phố chọn Bước 2: RemoveSharp loại bỏ thành phố lựa chọn từ tour du lịch tạo thành tour du lịch với N - 1cities Bước 3: Bây thành phố chọn lồng vào tour trước sau thành phố NEARLIST chi phí tour du lịch tính cho trường hợp Bước 4: 20 Theo trình tự đó, chi phí thấp chọn Bước 5: Các bước lặp lại cho thành phố tour 4.4 Thủ tục LocalOpt Thuật toán LocalOpt chọn q thành phố liên tiếp (Sp + 0, Sp + 1, , Sp + q-1) từ tour du lịch xếp thành phố Sp + 1, Sp + 2, , Sp + q-2 theo cách khoảng cách tối thiểu thành phố Sp + Sp + q-1 cách tìm kiếm tất thỏa thuận Giá trị p thay đổi từ đến n-q, n số thành phố 4.5 Độ phức tạp thủ tục RemoveSharp LocalOpt 4.5.1 Độ phức tạp thủ tục RemoveSharp Như thảo luận bước thủ tục, thành phố loại bỏ RemoveSharp có sụt giảm chi phí tour Giả sử trình tự thành phố - - -P - C - N - - - - - - - AP - A - AN - - - C thành phố phải loại bỏ để thực RemoveSharp Ví dụ P thành phố trước đến thành phố C N thành phố bên cạnh RemoveSharp di chuyển thành phố C đến vị trí, độ tăng chiều dài chuyến sau di chuyển đến vị trí so với việc giảm chi phí loại bỏ từ vị trí P N Nếu thành phố A danh sách gần đó, RemoveSharp kiểm tra khả chuyển đến địa điểm trước A (như AP) sau A (tức AN) Việc giảm chiều dài tour du lịch là: DECREASE = Khoảng cách (P, C) + Khoảng cách (C, N) – Khoảng cách (P, N) Nếu C di chuyển đến vị trí trước đến A (ví dụ AP), tăng chi phí tour là: INCREASEP = Khoảng cách (AP, C) + Khoảng cách (C, A) - Khoảng cách (AP, A) Nếu C di chuyển vị trí bên cạnh A tức AN tăng chi phí tour là: INCREASEN = Khoảng cách (A, C) + Khoảng cách (C, AN) - Khoảng cách (A, AN) Khi áp dụng RemoveSharp, DECREASE tính lần, INCREASEN INCREASEP tính cho thành phố NEARLIST Phức tạp thời gian cho DECREASE, INCREASEN INCREASEP x INCREASEN INCREASEP nên so sánh với DECREASE cho thành phố NEARLIST Nếu y thời gian thực cho so sánh Tất tính toán cần phải thực cho tất thành phố tour Thời gian thực với RemoveSharp = n * (x + 2m * x + 2m * y) Ở đây, m kích thước NERALIST, x thời gian cho DECREASE, INCREASEN INCREASEP y thời gian thực để so sánh số Do đó, Độ phức tạp thủ tục RemoveSharp O (n) 21 4.5.2 Độ phức tạp thủ tục LocalOpt Độ phức tạp LocalOpt thay đổi theo giá trị q, số liên tiếp thành phố thực cho LocalOpt thời điểm Khi xếp q thành phố theo trình tự kết hợp từ q-2 thành phố xen Ta có (q-2)! kết hợp, trường hợp có q-1 bổ sung để thực đánh giá chi phí trình tự so sánh để kiểm tra xem chuỗi tối thiểu hay không Do đó, chuỗi n liên tiếp thành phố q có độ phức tạp LocalOpt n * (((q-2)! * (q-1)) (phép bổ sung) + (q-2)! (phép so sánh) Trong đó: n biến Xét với q nhỏ (q≤6) độ phúc tạp LocalOpt O(n) 22 CHƯƠNG 5: THUẬT TOÁN DI TRUYỀN THÍCH NGHI (ADAPTIVE GENETIC ALGORITHM-AGA) Các thuật toán di truyền thích nghi (AGA) thuật toán di truyền cho phép tham số thay đổi, chẳng hạn quy mô dân số, xác suất lai ghép, hay xác suất đột biến,… trình GA chạy thực Một biến thể đơn giản sau: Tỷ lệ đột biến thay đổi theo quy mô dân số; tăng quy mô dân số tăng ngược lại, giảm sau cải tiến dân số xảy Thuật toán tiến hành sau: Bước 1: Khởi tạo dân số ban đầu Tạo dân số hệ số ngẫu nhiên Bước 2: Thực di truyền Lựa chọn: tạo chiến lược không gian lấy mẫu mở rộng Lai ghép: Có thứ tự ưu tiên lai ghép Đột biến: Tìm kiếm cho đột biến có tính chất cục Bước 3: Áp dụng tìm kiếm cục lặp lại theo phương pháp leo đồi Bước 4: Áp dụng heuristic cho việc tinh chỉnh thông số GA (các giá lai ghép đột biến) Bước 5: Dừng điều kiện Nếu số hệ đạt tối đa xác định giải pháp tối ưu sau dừng lại; không, chuyển sang Bước Khác với SGA, tham số xác xuất lai ghép pc xác suất đột biến pm cố định, thuật toán cho phép tự động thay đổi 02 tham số pc pm cách vận dụng heuristic để thuật toán có tính thích nghi cho kết tốt 5.1 Khởi tạo Xác định số nguyên H số nhiễm sắc thể quần thể ngẫu nhiên ban đầu, ta áp dụng dạng mã hóa số thực Mỗi nhiễm sắc thể bao gồm n gen Xem xét thiết lập hàm sau: Trong xi…x giá trị gen, (ui, wi) miền giá trị tương ứng xi 23 Hàm tạo số ngẫu nhiên từ Ω kiểm tra tính khả thi Nếu khả thi thành viên dân số ban đầu, không, tạo số ngẫu nhiên khác từ Ω có giải pháp khả thi Khi số mẫu đạt mức hữu hạn, ta có H nhiễm sắc thể khả thi ban đầu 5.2 Hàm đánh giá Thông qua hàm đánh giá eval (V), ta thiết lập xác suất cho nhiễm sắc thể V, xác suất lựa chọn có tỷ lệ thuận với độ thích nghi Bằng cách lựa chọn bánh xe roulette, nhiễm sắc thể có giá trị thích nghi cao có hội cao để lựa chọn nhằm tạo cá thể cho hệ Để đánh giá tốt xấu, ta thiết lập α ∈ (0,1) xác định hàm đánh sau: 5.3 Hàm lựa chọn Việc lựa chọn tạo theo bước sau, xem giải pháp mở rộng vòng tròn roulette Bước 1: Theo quy tắc mà hàm lựa chọn quy định lựa chọn thể với xác suất tương ứng với độ thích nghi NST với độ thích nghi cao lựa chọn để tạo thể cho hệ tiếp, hai cá nhân lựa chọn, gọi cha mẹ Ta xác định xác suất sinh sản cho vj (k) j = có nghĩa nhiễm sắc thể tốt j = H có nghĩa nhiễm sắc thể xấu Bước 2: Đối với vj (k), j = 1, 2, Λ, H tính toán xác suất qj: Bước 3: Tạo số ngẫu nhiên r(0, qH) Nếu qj-1 [...]... Algorithm-SGA) Thuật toán di truyền song song và phân tán (Parallel and Distributed Genetic Algorithm - PGA và DGA) Thuật toán di truyền dạng lai (Hybrid Genetic Algorithm - HGA) Thuật toán di truyền thích nghi (Adaptive Genetic Algorithm-AGA) Thuật toán di truyền nhanh (Fast Messy Genetic Algorithm - FmGA) Thuật toán di truyền với mẫu độc lập (Independent Sampling Genetic Algorithm - ISGA) Câu 2:... cao hơn giữa hai cá thể cha mẹ; pm1=0.1, pm2=0.001 25 CHƯƠNG 6: THUẬT TOÁN DI TRUYỀN NHANH (FAST MESSY GENETIC ALGORITHM – FmGA) Thuật toán FmGA là thuật toán biểu diễn biến dạng chuỗi nhị phân để giải quyết vấn đề tối ưu hóa do Goldberg, Deb và Kargupta đề xuất Sự khác biệt chính giữa FmGA và phương pháp tiếp cận di truyền khác là khả năng của FmGA để thao tác một cách rõ ràng các khối xây dựng (BBs)... loại bỏ cá thể xấu end while PGA kiểu Master - Slave dễ thực hiện và có hiệu quả tính toán cải thiện đáng kể Bên cạnh đó, phương pháp này có ưu điểm là không làm thay đổi hành vi tìm kiếm của GA, vì vậy ta có thể áp dụng trực tiếp giống như SGA 3.2 Thuật toán di truyền song song theo cách chia mịn hay mô hình thuật toán di truyền tế bào (Fine Grained Parallel GA – Cellular GA) Để minh họa cho mô hình... toán di truyền song song (Parallel Genetic Algorithm - PGA) là thực hiện song song của nhiều tiến trình SGA khác nhau Các thuật toán di truyền song song (PGAs) được phát triển để giảm thời gian thực hiện tìm kiếm các giải pháp gần tối ưu trong các bài toán có không gian tìm kiếm lớn PGAs có lợi ích đáng kể về hiệu suất và khả năng mở rộng quy mô PGAs có thể dễ dàng thực hiện trên hệ thống máy tính không... nhiều quần thể phụ và phân phối cho nhiều bộ xử lý Các quần thể phụ có thể tồn tại độc lập hay tương tác với nhau (chia thô hoặc phân phối GA - coarse grained or distributed GA) hoặc chỉ có một quần thể với các quần thể thành viên khác (chia mịn GA - Fine grained GA) Sự tương tác giữa các quần thể phụ tùy theo cấu trúc không gian của quần thể Những mô hình duy trì sự đa dạng quần thể hơn và giảm thiểu... thuật toán di truyền lý tưởng (Idealized Genetic Algorithm - IGA) cho phép mỗi cá thể phát triển hoàn toàn độc lập; do đó các mẫu mới được đưa ra một cách độc lập với từng vùng được xét Tuy nhiên, các IGA là không thực tế bởi vì nó đòi hỏi những kiến thức chính xác của lược đồ mong muốn trước Một phần được thúc đẩy bởi ý tưởng của IGA, một GA mạnh mẽ hơn được đề nghị tiền thu được trong hai giai đoạn:... một biến Xét với q nhỏ (q≤6) thì độ phúc tạp của LocalOpt là O(n) 22 CHƯƠNG 5: THUẬT TOÁN DI TRUYỀN THÍCH NGHI (ADAPTIVE GENETIC ALGORITHM-AGA) Các thuật toán di truyền thích nghi (AGA) là thuật toán di truyền cho phép các tham số thay đổi, chẳng hạn như quy mô dân số, xác suất lai ghép, hay xác suất đột biến,… trong quá trình GA chạy thực hiện Một biến thể đơn giản như sau: Tỷ lệ đột biến có thể thay... số GA (các giá lai ghép và các đột biến) Bước 5: Dừng điều kiện Nếu số thế hệ đạt tối đa hoặc xác định được một giải pháp tối ưu sau đó dừng lại; nếu không, chuyển sang Bước 2 Khác với SGA, các tham số xác xuất lai ghép pc và xác suất đột biến pm cố định, thuật toán này cho phép tự động thay đổi 02 tham số pc và pm bằng cách vận dụng heuristic để thuật toán có tính thích nghi và cho kết quả tốt hơn 5. 1... 3, ta có thể có được H nhiễm sắc thể sao chép, xác định bởi 24 5. 4 Hàm lai ghép Thay vì sử dụng tham số cố định, ta điều chỉnh thích nghi dựa trên công thức sau: Trong đó f max là giá trị thích nghi cao nhất trong dân số; favg là giá trị thích nghi trung bình; f’ là giá trị thích nghi cao hơn giữa hai cá thể cha mẹ; pc1=0.9, pc2=0.6 5. 5 Hàm đột biến Tương tự, ta điều chỉnh pm theo công thức sau đây:... bởi tác động của chức năng di cư không được hiểu đầy đủ Mô hình này đã thay đổi cơ bản phương thức hoạt động của GA và khác nhiều so với SGA Thuật toán di truyền xử lý song song bằng cách chia nhiều nhóm được biết đến với nhiều tên gọi khác nhau Điển hình như thuật toán di truyền phân tán (DGA), bởi vì thuật toán thường được thực hiện trên bộ nhớ phân tán trên máy tính Hoặc xét về tỷ lệ tính toán cao,