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

Document Outline

• Титульный лист
• А. Е. Кононюк. Фото.
• Структурная схема развивающейся панмедийной системы наук 
• Структура открытой развивающейся панмедийной системы математических наук (дисциплин) "Дискретно-непрерывная математика"
• Оглавление
• Введение
• 1. Основные положения
  • 1.1. Базовые понятия
  • 1.2. Природный механизм (Естественный отбор в природе)
  • 1.3. Особенности ГА
  • 1.4. Задачи оптимизации и применение алгоритмов
  • 1.5. Мягкие вычисления
  • 1.6. Эволюционные вычисления
  • 1.7. Описание генетического алгоритма
• 2. Классический генетический алгоритм и его релизация
  • 2.1. Функция приспособленности и кодирование решений
  • 2.2. Классический генетический алгоритм
  • 2.3. Принцип и алгоритм работы ГА
  • 2.4. Применение генетических алгоритмов
  • 2.5. Пример выполнения классического генетического алгоритма
  • 2.6. Представление данных в генах
  • 2.7. Примеры кодирования параметров задачи в генетическом алгоритме
• 3. Основы теории ГА
  • 3.1. Шаблоны
  • 3.2. Настройка ГА
  • 3.3. Другие модели ГА
  • 3.4. Некоторые модели генетических алгоритмов
  • 3.5. Параллельные ГА
  • 3.6. Наблюдения
  • 3.7. Основная теорема о генетических алгоритмах
  • 3.8. Строительные блоки (Building blocks)
  • 3.9. Модификации классического генетического алгоритма
    • 3.9.1. Методы селекции
    • 3.9.2. Особые процедуры репродукции
    • 3.9.3. Генетические операторы
    • 3.9.4. Методы кодирования
    • 3.9.5. Масштабирование функции приспособленности
    • 3.9.6. Ниши в генетическом алгоритме
    • 3.9.7. Генетические алгоритмы для многокритериальной оптимизации
    • 3.9.8. Генетические микроалгоритмы
• 4. Модели генетических алгоритмов
  • 4.1. Модели генетических алгоритмов и стратегии отбара и формирования нового поколения
  • 4.2. Проверка эффективности ГА с использованием тестовых функций
  • 4.3. Примеры оптимизации функции с помощью программы FlexTool
  • 4.4. Генетические алгоритмы и математический аппарат
• 5. Эволюционное моделирование
  • 5.1. Эволюционные алгоритмы
  • 5.2. Приложения эволюционных алгоритмов
    • 5.2.1. Примеры оптимизации функции с помощью программы Evolver
    • 5.2.2. Решение комбинаторных задач с помощью программы Evolver
  • 5.3. Эволюционные алгоритмы в нейронных сетях
    • 5.3.1. Независимое применение генетических алгоритмов и нейронных сетей
    • 5.3.2. Нейронные сети для поддержки генетических алгоритмов
    • 5.3.3. Генетические алгоритмы для поддержки нейронных сетей
    • 5.3.4. Применение генетических алгоритмов для обучения нейронных сетей
    • 5.3.5. Генетические алгоритмы для выбора топологии нейронных сетей
    • 5.3.6. Адаптивные взаимодействующие системы
    • 5.3.7. Типовой цикл эволюции
      • 5.3.7.1. Эволюция весов связей
      • 5.3.7.2. Эволюция архитектуры сети
      • 5.3.7.3. Эволюция правил обучения
  • 5.4. Примеры моделирования эволюционных алгоритмов в приложении к нейронным сетям
    • 5.4.1. Программы Evolver и BrainMaker
    • 5.4.2. Программа GTO
• 6. Применение генетических алгоритмов
  • 6.1. Применение ГА для автоматической генерации тестов
  • 6.2. Генетические алгоритмы, распознающие изображения
  • 6.3. Генетические алгоритмы в MATLAB
    • 6.3.1. Суть генетических алгоритмов
    • 6.3.2. Работа с GENETIC ALGORITHM TOOL
  • 6.4. Аппроксимация изображений генетическим алгоритмом при помощи EvoJ
    • 6.4.1. Выбор способа описания решения
    • 6.4.2. Кофигурирование EvoJ при помощи Detached Annotations
    • 6.4.3. Создание фитнес функции
    • 6.4.4. Осуществление итераций
    • 6.4.5. Улучшение алгоритма
  • 6.5. Разработка и исследование гибридного алгоритма решения сложных задач оптимизации
    • 6.5.1. Генетический алгоритм (ГА)
  • 6.6. Примеры генетического алгоритма
    • 6.6.1. Масштаб пригодности
    • 6.6.2. Сопоставление ранга и Масштабирования высшего уровня
    • 6.6.3. Селекция
    • 6.6.4. Опции репродуцирования
    • 6.6.5. Мутация и кроссовер
    • 6.6.6. Установка числа мутаций
    • 6.6.7. Установка кроссоверной доли
    • 6.6.8. Установка без Мутаций
    • 6.6.9. Мутации без кроссовера
    • 6.6.10. Сравнение результатов с фракциями измененных после операции кроссовера
    • 6.6.11. Пример – сравнение глобального и локального минимумов
    • 6.6.12. Пример решения данной задачи с помощью Генетического алгоритма
    • 6.6.13. Использование гибридной функции
    • 6.6.14. Установка максимального числа поколений
    • 6.6.15. Векторизация функции пригодности
    • 6.6.16. Минимизация при наличии ограничений с использованием функции ga
    • 6.6.17. Параметризация функций, вызываемых с помощью ga
    • 6.6.18. Параметризация функций при помощи анонимных функций для ga
    • 6.6.19. Параметризация функции при помощи вложенной функции для ga
• Приложение. Практическая часть реализации генетических алгоритмов
  • 1. Математическое обоснование принципа работы программы
    • 1. 1 Принцип работы программы
  • 2. Листинг программы
  • Примеры применения ГА
• Литература