Genetik algoritmlarni sun'iy neyron tarmoqlarning og'irlik koeffitsientlarini sozlashning eng maqbul usuli deb hisoblash mumkin

Guruch. 4. Klassik ko'p nuqtali mutatsiya operatori.
Formuladan ko'rinib turibdiki, algoritm foizlarda klassik ko'p nuqtali mutatsiya operatori va d-o'sish asosida mutatsiya o'rtasidagi muvozanatni sozlash imkonini beradi. Ushbu funktsiyadan foydalanib, siz algoritmni muayyan muammoning shartlariga moslashingiz mumkin. Klassik mutatsiya operatoridan foydalanish ulushining ortishi bilan, mavjud genetik materialga asoslangan eng yaxshi echimlar yaqinida izlanishning puxtaligi ortadi va mutatsiyalar ulushining ortishi bilan umumiy qidiruv hajmi oshadi. makon shunga mos ravishda oshadi va populyatsiyaning gen tarkibi yangilanadi.
Ishlab chiqilgan genetik algoritmning keyingi bosqichi yangi populyatsiyani shakllantirishdir. Populyatsiya qancha koʻpayganligi K mutatsiyaning umumiy darajasi bilan belgilanadi_mva krossover faktor K_k. Umuman olganda, hozirgi aholi soni quyidagi formula bo'yicha hisoblanadi:
hajmi_p= Hajmi_p+Hisoblash_p+Hisoblash_m, (5)
qaerda Count_p- olingan nasllarning soni, hisoblash_mmutatsiyalar natijasida olingan shaxslar soni va Hajmi_p- aholi soni.
Yangi populyatsiyaning shakllanish bosqichi populyatsiyani dastlabki qiymatiga qaytarish uchun mo'ljallangan. Populyatsiyada bo'lgan shaxslar - ota-onalarning fitnes funktsiyalarining ahamiyati ma'lum. Algoritm krossing-over operatsiyasi natijasida olingan shaxslar - avlodlarning yaroqliligini, shuningdek, mutatsiya operatori natijasida olingan shaxslarning bahosini baholaydi. Yangi populyatsiyaning har bir individual uchun fitnes funktsiyasining olingan qiymatlariga asoslanib, eng past fitnes funktsiyasi qiymatlariga ega bo'lgan shaxslar olib tashlanadi. Algoritm ushbu vazifani populyatsiya hajmi dastlabki qiymatga qaytgunga qadar fitnes funksiyasining minimal qiymatiga ega bo'lgan shaxsni ketma-ket olib tashlash orqali amalga oshiradi. "O'lgan" shaxslar soni quyidagi formula bo'yicha hisoblanadi:
Hisoblash_d=Hisoblash_p+Hisoblash_m, (6)
qaerda Count_d- "o'lgan" shaxslar soni, Count_p- qabul qilingan bolalar soni, hisoblash_m- mutatsiya operatori yordamida olingan individlar soni.
Yangi populyatsiyani shakllantirish bosqichida eng yaxshi yechimni izlash ham amalga oshiriladi - fitnes funktsiyasining maksimal qiymatiga ega bo'lgan shaxs. Ushbu operatsiya populyatsiya hajmi boshlang'ich qiymatga o'rnatilgandan so'ng amalga oshiriladi. Eng yaxshi shaxsni tanlagandan so'ng, algoritm jarayonni boshqarishni keyingi bosqichga o'tkazadi - algoritmning to'xtashini tekshirish.
Genetik algoritmni to'xtatish mezonini aniqlash to'g'ridan-to'g'ri hal qilinayotgan muammoning o'ziga xos xususiyatlariga va qidiruv ob'ekti haqidagi mavjud ma'lumotlarga bog'liq. Fitnes funksiyasining optimal qiymati ma'lum bo'lgan ko'pgina optimallashtirish muammolarida, algoritm eng yaxshi shaxs ushbu qiymatga yetganda, ehtimol ba'zi xato bilan to'xtatilishi mumkin. Hal qilinayotgan muammo aslida fitnes funktsiyasining optimal qiymati haqida ma'lumotga ega emas. Boshqacha qilib aytadigan bo'lsak, algoritm tanib olish xatosi nolga moyilligini hisobga olib, fitnes funksiyasini maksimal darajada oshirishga intiladi. Shuning uchun yaratilgan algoritm genetik algoritmning parametri sifatida o'rnatiladigan ma'lum miqdordagi iteratsiyalar uchun eng yaxshi shaxsning fitnes funksiyasida o'zgarish yo'qligiga asoslangan qidiruvni to'xtatish mexanizmini amalga oshiradi. Bundan tashqari, algoritm ma'lum miqdordagi iteratsiyalardan so'ng o'z ishini to'xtatishni ta'minlaydi, bu ham parametr sifatida o'rnatiladi. Agar to'xtash sharti bajarilgan bo'lsa, algoritm optimal echim sifatida yangi populyatsiyani shakllantirish bosqichida aniqlangan eng yaxshi shaxs tomonidan taqdim etilgan echimni chiqaradi. Agar shart bajarilmasa, algoritm boshqaruvni tanlash bosqichiga o'tkazadi.
Shunday qilib, genetik algoritmning ishi natijasida neyron tarmoqning to'g'ri ishlashini ta'minlaydigan og'irlik koeffitsientlari to'plami olindi. Shuni ham ta'kidlash kerakki, maxsus mutatsiya operatoridan foydalanish tarmoqni o'qitish vaqtini qisqartirish imkonini berdi. Trening uchun 180 ta elementdan iborat o'quv majmuasi tanlangan. Vang-Mendel loyqa tarmog'ining o'sishiga asoslangan mutatsiyadan foydalangan holda tavsiflangan genetik algoritmdan foydalangan holda ushbu to'plamdagi mashg'ulot vaqti 2 minut edi. 50 sek., klassik ko'p nuqtali mutatsiya operatoridan foydalangan holda algoritmdan foydalangan holda trening 3 daqiqa davom etdi. 10 sek va gibrid mutatsiya operatoridan foydalanish mashg'ulot vaqtini 1 minutgacha qisqartirish imkonini berdi. 20 sek. Shunday qilib, olingan genetik algoritm vazifa doirasida eng yaxshi yechimni qidirish vaqtini qisqartirish imkonini beradi.