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

Fitness function
в @two_min. 

Установить 
Number of variables
в 1 

Кликнуть кнопку Start. 
Генетический алгоритм возвратит точку очень близкую к локальному 
минимуму в точке x = 0. 
Далее на следующем специальном графике приведено отображение 
процесса как алгоритм скорее всего обнаруживает локальный 
минимум, а не глобальный. На графике представлены диапазон 
разброса индивидуумов для каждого поколения и их наилучшие 
значения. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
400 
Отметим, что все индивидуализированные объекты находятся в 
пределе от -2до 2.5. Поскольку этот диапазон больше принимаемого по 
умолчанию параметра 
Initial range
[0;1], то вследствие принятого типа 
функции мутационных процессов, он не является достаточно большим, 
что бы обрабатывать точки вблизи глобального минимума в точке x = 
21. 
Один из способов заставить Генетический алгоритм обрабатывать 
точки из более широкого диапазона, т.е. расширить диверсификацию 
семейств, заключается в увеличении параметра 
Initial range
. По свой 
сути параметр 
Initial range
не должен включать в себя точку x = 21, но 
он должен быть достаточно большим, так что бы данный алгоритм 
генерировал индивидуализированные объекты вблизи 21. Установим 
параметр 
Initial range
в [0;15], как это представлено на рисунке далее. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
401 
Затем кликнем мышкой кнопку Start. Генетический алгоритм возвратит 
точку очень близкую к 21. 
К данному моменту времени на специализированном графике можно 
видеть много больший диапазон индивидуализированных объектов. 
Уже для второго поколения индивидуализированные объекты уже 
охватывает точку со значением 21 и к 12 поколению алгоритм 
определяет наилучший индивидуализированный объект, который 
примерно равен 21.

---

А.Е. Кононюк Дискретно-непрерывная математика 
402