Системыанализаивизуализациирезультатовработыгенетическихалгоритмов

А. М. ДРОЗДОВ.

Научный руководитель –И. А. ЛИСЕНКОВ

Национальный исследовательский ядерный университет «МИФИ»

СИСТЕМЫАНАЛИЗАИВИЗУАЛИЗАЦИИРЕЗУЛЬТАТОВРАБОТЫГЕНЕТИЧЕСКИХАЛГОРИТМОВ

Представлен метод статистической обработки результатов работы генетического алгоритма и компонент визуализации ее результатов.

Задачи моделирования и оптимизации довольно часто имеют совсем не тривиальные решения. В случае если, в явном виде получить некий результат становится практически невозможно прибегают к эвристическим алгоритмам поиска путем случайного подбора и комбинирования промежуточных результатов. Логика работы такой системы напоминают биологическую эволюцию, поэтому данный класс алгоритмов называется “генетические”.Особенностью генетического алгоритма является частое использование операции скрещивания для промежуточных результатов, иными словами происходит рекомбинация решений, наиболее похожих на верное решение (кандидатов).

Пусть нам необходимо создать сущность решающую задачу, решение которой есть комбинация неких функций. Например, для предсказания индекса Доу-Джонса можно анализировать текущие котировки этого индекса, котировки других индексов или, например “положение луны на небе”, что даст куда менее точный результат. Таким образом, при создании новой популяции будет вестись выборка из набора доступных методов решения задачи (или их комбинация).В общем случае, когда возможных примитивов может быть достаточно много – отслеживать и анализировать результаты работы генетического алгоритма крайне сложно.

Чтобы было проще отследить, какие примитивы были использованы на каждом шаге работы генетического алгоритма, какие популяции чаще используют тот или иной примитив, и прочие статистические данные удобно ввести статистический функционал, показывающий частоты использования функции особями определенной популяции, число выживших особей популяции, использующих определенную функцию и число выживших во всех отборах особей, использующих определенную функцию, начиная с заданной популяции.

Для отображения статистических данных удобно использовать 3d-диаграммы со слоями. Чтобы более наглядно представлять работу в реальном времени можно ввести четвертое измерение, тогда работа генетического алгоритма будет представляться в виде, представленном на рисунке 1.

Реализовав и интегрировав в систему компонент визуализации, мы можем удаленно управлять всей системой расчетов и создания сущности, и в реальном времени отслеживать результаты ее работы через интернет. Такой подход позволяет создать пользователю полную картину построения сущности на всех этапах работы системы, не требуя от оператора присутствия в центре обработки данных. Таким образом, пользователь всегда сможет понять на каком этапе произошла ошибка, в какую сторону идет развитие популяций. В итоге пользователь сможет правильно принять решение о результатах работы генетического алгоритма на основе собранных статистических данных.

Список литературы

1.  Д. Рутковская, М. Пилиньский, Л. Рутковский «Нейронные сети, генетические алгоритмы и нечеткие системы»

2.  John R. Koza «Genetic Programming: On the Programming of Computers by Means of Natural Selection (Complex Adaptive Systems) »

3.  , , Курейчик алгоритмы: Учебное пособие — 2-е изд..