Дискретно-непрерывная математика. Кн. 0 : Алгоритмы. Ч. Генетические алгоритмы

 
Рис. 
5.12. 
Столбчатая 
диаграмма 
значений 
функции 
приспособленности особей в популяции при 
t = 
500 для примера 5.2. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
242 
Рис. 5.13 представляет значения переменных х
1
, х
2
, ..., х
6
и 
соответствующее им значение минимизируемой функции, полученное 
после 7975 «тактов» выполнения программы 
Evolver.
 
Рис. 5.13. 
Значения переменных и функции для примера 5.2 при
t = 
7975.
 
На рис. 5.14 и 5.15 приведены аналогичные результаты, но после 10623 
и 11953 «тактов».
 
Рис. 5.14. 
Значения переменных и функции для примера 5.2 при 
t 
= 
10623. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
243 
 
Рис. 5.15. 
Значения переменных и функции для примера 5.2 при 
t 
= 
11953. 
Их сопоставление показывает, как получаемые решения приближаются 
к оптимальному. Рис. 5.16 демонстрирует «наилучшее решение», 
выработанное после примерно 15000 «тактов» выполнения программы 
Evolver. 
Последующая работа программы уже не изменяет 
полученный результат. Итоговая популяция содержит 50 особей со 
значениями х
1
, х
2
, ..., х
6
, показанными на рис. 5.16. 
 
Рис. 5.16. 
Значения переменных и функции для примера 5.2 при 
t 
= 
15950. 
Повторное возобновление этого алгоритма при тех же начальных 
данных (рис. 5.10), но других случайных значениях остальных членов 
исходной популяции дает совершенно иной набор «наилучших» 

---

А.Е. Кононюк Дискретно-непрерывная математика 
244 
значений переменных х
1
, х
2
, ..., х
6
, которые тоже близки к опти-
мальным.
Следующие примеры связаны с минимизацией более сложной функции 
9 переменных, а именно - функции погрешности нейронной сети, 
реализующей логическую систему XOR.