Огромное вам спасибо! Все четко, ясно, понятно и за короткий срок)
Подробнее о работе
Гарантия сервиса Автор24
Уникальность не ниже 50%
Как понятно, оптимизационные задачи содержатся в нахождении минимума либо максимума целевой функции. Как верховодило, целевая функция - непростая и довольно значимая функция, которая зависит в первую очередь от неких входных характеристик.
В оптимизационной задаче требуется отыскать значения входных параметров, при которых целевая функция достигает наибольшего или малого значения. Для достижения этого есть цельный класс оптимизационных способов, разрешённые условно поделить на способы, которые используют понятие производной (градиентные методы) и стохастические методы (методы, которые основаны на получении огромного числа реализаций стохастического (случайного) процесса). С их поддержкой можно найти экстремальный смысл целевой функции, но не постоянно можно существовать убежденным, что получено значение глобального экстремума. Местоположение локального экстремума вместо глобального во всей науке называется преждевременной сходимостью.
Для решения данной трудности именно и проводится розыск самых новейших оптимизационных алгоритмов.
Предложенные сравнительно недавно - в 1975 году в Мичиганском институте Джоном Холландом (John Holland) генетические методы (ГА), которые были основаны на принципах естественного отбора Ч. Дарвина и относятся к стохастическим способам.
Изначально самый новейший алгоритм действий получил заглавие «репродуктивный план Холланда», и в предстоящем деятельно употреблялся в качестве базисного метода в эволюционных вычислениях. Идеи Холланда развили его воспитанники Кеннет Де Йонг (Kenneth De Jong) из института Джорджа Мейсона (Вирджиния) и Дэвид Голдберг (David E. Goldberg) из лаборатории ГА Иллинойса. Благодаря им, был создан строгий ГА, описаны все операторы и изучено поведение группы тестовых функций (конкретно алгоритм Голдберга и получил название «генетический алгоритм»).
Генетические алгоритмы - это адаптивные методы поиска, которые в крайнее время употребляются для решения задач оптимизации. В них используются как аналог механизма генетического наследования, и в том числе и аналог естественного отбора.
Данные алгоритмы эффективно и удачно используются в самых разнообразных областях знаний и идей (экономика, физика, технические науки и т.п.). Созданы разные трансформации ГА и изобретен разряд тестовых функций.
СОДЕРЖАНИЕ 1
ВВЕДЕНИЕ 1
Что такое генетический алгоритм? 3
Постановка задачи 6
ЗАКЛЮЧЕНИЕ 8
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 10
На практическом применении достаточно часто бывает трудно, а иногда и нереально, закрепить характеристикимногофункциональной зависимости выходных характеристик от входных величин, еще труднее привести аналитическое отображение таковой зависимости.
Данное обстоятельство существенно затрудняет использование на стадии проектирования классических способов оптимизации, т.к самая большая часть из них базируются на применении априорной инфы о нраве поведения целевой функции
А задача определения принадлежности функции тому либо иному классу сравнима по трудности с исходной. В связи с это встает задача построения таковых методов оптимизации, которые были бы при каких-либо обстоятельствах способны искать решения фактически при наполненном неимении догадок о значении и характере исследуемой функции. Одними из именно таких методов являются так именуемые эволюционные способы розыска и, в том числе, генетические методы (ГА), которые моделируют разнообразные процессы естественной эволюции.
В предоставленной работе были рассмотрены одни из таких генетических алгоритмов для того, чтобы решить многопараметрической постоянной задачи оптимизации.
Нами использована хорошая от традиционной символьная модель, дозволяющая манипулировать наиболее короткими хромосомными комплектами. Предлагаются новейшие генетические операторы, использующие специфику такой модели. Обсуждаются вопросы, связанные с воздействием операторов и значений параметров на поведение ГА.
1. «Методы оптимального проектирования». Автор: Батищев Д. И., 2006 год.
2. «Генетические алгоритмы решения экстремальных задач». Автор: Батищев Д. И., 2007 год.
3. «Глобальная оптимизация с помощью эволюционно – генетических алгоритмов». Автор: Батищев Д.И., Скидкина Л.Н., Трапезникова Н.В.,2008 год.
4. «Генетический алгоритм для решения задач невыпуклой оптимизации». Автор: Батищев Д.И., Гуляева П.А., Исаев С.А., 2010год.
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
Как понятно, оптимизационные задачи содержатся в нахождении минимума либо максимума целевой функции. Как верховодило, целевая функция - непростая и довольно значимая функция, которая зависит в первую очередь от неких входных характеристик.
В оптимизационной задаче требуется отыскать значения входных параметров, при которых целевая функция достигает наибольшего или малого значения. Для достижения этого есть цельный класс оптимизационных способов, разрешённые условно поделить на способы, которые используют понятие производной (градиентные методы) и стохастические методы (методы, которые основаны на получении огромного числа реализаций стохастического (случайного) процесса). С их поддержкой можно найти экстремальный смысл целевой функции, но не постоянно можно существовать убежденным, что получено значение глобального экстремума. Местоположение локального экстремума вместо глобального во всей науке называется преждевременной сходимостью.
Для решения данной трудности именно и проводится розыск самых новейших оптимизационных алгоритмов.
Предложенные сравнительно недавно - в 1975 году в Мичиганском институте Джоном Холландом (John Holland) генетические методы (ГА), которые были основаны на принципах естественного отбора Ч. Дарвина и относятся к стохастическим способам.
Изначально самый новейший алгоритм действий получил заглавие «репродуктивный план Холланда», и в предстоящем деятельно употреблялся в качестве базисного метода в эволюционных вычислениях. Идеи Холланда развили его воспитанники Кеннет Де Йонг (Kenneth De Jong) из института Джорджа Мейсона (Вирджиния) и Дэвид Голдберг (David E. Goldberg) из лаборатории ГА Иллинойса. Благодаря им, был создан строгий ГА, описаны все операторы и изучено поведение группы тестовых функций (конкретно алгоритм Голдберга и получил название «генетический алгоритм»).
Генетические алгоритмы - это адаптивные методы поиска, которые в крайнее время употребляются для решения задач оптимизации. В них используются как аналог механизма генетического наследования, и в том числе и аналог естественного отбора.
Данные алгоритмы эффективно и удачно используются в самых разнообразных областях знаний и идей (экономика, физика, технические науки и т.п.). Созданы разные трансформации ГА и изобретен разряд тестовых функций.
СОДЕРЖАНИЕ 1
ВВЕДЕНИЕ 1
Что такое генетический алгоритм? 3
Постановка задачи 6
ЗАКЛЮЧЕНИЕ 8
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 10
На практическом применении достаточно часто бывает трудно, а иногда и нереально, закрепить характеристикимногофункциональной зависимости выходных характеристик от входных величин, еще труднее привести аналитическое отображение таковой зависимости.
Данное обстоятельство существенно затрудняет использование на стадии проектирования классических способов оптимизации, т.к самая большая часть из них базируются на применении априорной инфы о нраве поведения целевой функции
А задача определения принадлежности функции тому либо иному классу сравнима по трудности с исходной. В связи с это встает задача построения таковых методов оптимизации, которые были бы при каких-либо обстоятельствах способны искать решения фактически при наполненном неимении догадок о значении и характере исследуемой функции. Одними из именно таких методов являются так именуемые эволюционные способы розыска и, в том числе, генетические методы (ГА), которые моделируют разнообразные процессы естественной эволюции.
В предоставленной работе были рассмотрены одни из таких генетических алгоритмов для того, чтобы решить многопараметрической постоянной задачи оптимизации.
Нами использована хорошая от традиционной символьная модель, дозволяющая манипулировать наиболее короткими хромосомными комплектами. Предлагаются новейшие генетические операторы, использующие специфику такой модели. Обсуждаются вопросы, связанные с воздействием операторов и значений параметров на поведение ГА.
1. «Методы оптимального проектирования». Автор: Батищев Д. И., 2006 год.
2. «Генетические алгоритмы решения экстремальных задач». Автор: Батищев Д. И., 2007 год.
3. «Глобальная оптимизация с помощью эволюционно – генетических алгоритмов». Автор: Батищев Д.И., Скидкина Л.Н., Трапезникова Н.В.,2008 год.
4. «Генетический алгоритм для решения задач невыпуклой оптимизации». Автор: Батищев Д.И., Гуляева П.А., Исаев С.А., 2010год.
Купить эту работу vs Заказать новую | ||
---|---|---|
0 раз | Куплено | Выполняется индивидуально |
Не менее 40%
Исполнитель, загружая работу в «Банк готовых работ» подтверждает, что
уровень оригинальности
работы составляет не менее 40%
|
Уникальность | Выполняется индивидуально |
Сразу в личном кабинете | Доступность | Срок 1—4 дня |
400 ₽ | Цена | от 200 ₽ |
Не подошла эта работа?
В нашей базе 85964 Реферата — поможем найти подходящую