,POGFSFODKBOBVLPXB,/84 v*OGPSNBUZLBT[UVLBD[ZS[FNJPTP D[FSXDB $[PDIB
METODY SZTUCZNEJ INTELIGENCJI W ROZWIĄZYWANIU ZADAē OPTYMALIZACJI
Izabela Skorupska Studium Doktoranckie, Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski e-mail: iskorups @willow.iie.uz.zgora.pl STRESZCZENIE Artykuł przedstawia zastosowanie metod sztucznej inteligencji do rozwiązywania zadaĔ optymalizacyjnych z ograniczeniami. Prezentuje przykładowy sposób kodowania chromosomu, który umoĪliwia zastosowanie algorytmów genetycznych do wspomagania decyzji dotyczących wybierania optymalnych rozwiązaĔ.
1. WPROWADZENIE
Szybki rozwój metod sztucznej inteligencji spowodował, Īe znajdują one zastosowanie w róĪnych dziedzinach nauki oraz w Īyciu codziennym. Przykładem moĪe byü ich uĪycie do wspomagania podejmowania decyzji przy wybieraniu optymalnego rozwiązania [3]. Jedną z metod moĪe byü zastosowanie algorytmów genetycznych. Algorytmy genetyczne oparte są na mechanizmach doboru naturalnego oraz dziedzicznoĞci. Łączą w sobie ewolucyjną zasadĊ przeĪycia najlepiej przystosowanych osobników z systematyczną, choü zrandomizowaną wymianą informacji [2]. Do opisu algorytmów genetycznych uĪywa siĊ słownictwa zapoĪyczonego z genetyki naturalnej. Mówi siĊ o osobnikach (lub genotypach, strukturach) w populacji. CzĊsto osobniki te są takĪe nazywane łaĔcuchami lub chromosomami. Chromosomy składają siĊ z genów (cech, znaków, dekoderów) uszeregowanych liniowo. KaĪdy gen decyduje o dziedzicznoĞci jednej lub kilku cech. Geny pewnych typów są umieszczone w pewnych miejscach chromosomu zwanych pozycją (locus – miejscem w łaĔcuchu). Jakakolwiek cecha osobnika (taka jak kolor włosów) objawia siĊ inaczej – mówi siĊ, Īe gen jest w kilku stanach, zwanych allelami (wartoĞciami cech) [1]. KaĪdy genotyp reprezentuje potencjalne rozwiązanie zadania (znaczenie poszczególnego chromosomu, tzn. jego fenotyp, jest definiowane zewnĊtrznie przez uĪytkownika). Proces ewolucyjny zachodzący w populacji chromosomów odpowiada przeszukaniu przestrzeni potencjalnych rozwiązaĔ [1]. Na algorytm genetyczny składają siĊ trzy nastĊpujące operacje:
155
reprodukcja krzyĪowanie mutacja Reprodukcja jest procesem, w którym indywidualne ciągi kodowe zostają powielone w stosunku zaleĪnym od wartoĞci, jakie przybiera dla nich funkcja celu f (biolodzy nazywają ją funkcją przystosowania). Operacja ta jest namiastką darwinowskiej zasady doboru naturalnego, zgodnie z którą przeĪywają najlepiej przystosowani [2]. Mutacja polega na losowej zmianie jednego lub wiĊcej genów wybranego chromosomu, z prawdopodobieĔstwem równym czĊstoĞci mutacji. KrzyĪowanie prowadzi do połączenia cech dwóch rodzicielskich chromosomów w chromosomach dwóch potomków przez wymianĊ odcinków chromosomów rodziców. 2. PRZYKŁAD PROCEDURY WSPOMAGANIA DECYZJI Z ZASTOSOWANIEM ALGORYTMU GENETYCZNEGO
Przykład zostanie oparty o typowy schemat działania algorytmu genetycznego opisany w [2, 3]. Zadanie polega na wybraniu piĊcioosobowej druĪyny biorącej udział w teleturnieju, w którym 30% pytaĔ jest z matematyki, 30% z informatyki, 20% z literatury, 15% z filmu, 5% z historii. Na wybór zdefiniowano nastĊpujące ograniczenia: łączny wiek zawodników nie moĪe przekroczyü 150 lat, w druĪynie muszą byü minimum dwie kobiety i dwóch mĊĪczyzn. 2.1. PodejĞcie tradycyjne
Aby wyznaczyü reprezentacjĊ naleĪałoby za pomocą obliczeĔ sprawdziü wszystkie moĪliwe kombinacje losowania 5-cio osobowej druĪyny spoĞród pewnej liczby kandydatów: (1) lk! C lk5 = 5!(lk − 5)! Dla 15 kandydatów naleĪałoby wypisaü 3003 moĪliwych kombinacji oraz kolejno sprawdziü, czy spełniają one warunki zadania. JuĪ samo ustalenie wszystkich moĪliwych kombinacji jest zajĊciem czasochłonnym, łącznie ze sprawdzaniem warunku zadania mogłoby zająü kilkanaĞcie godzin. Wydaje siĊ zasadne szukanie innego sposobu rozwiązania zadania. I jako taki uwzglĊdniony zostanie algorytm genetyczny. 2.2. Rozwiązanie z zastosowaniem algorytmu genetycznego Sformułowanie zadania do rozwiązania za pomocą algorytmu genetycznego wymaga
uwzglĊdnienia i ustalenia kilku elementów omówionych poniĪej.
156
1) WartoĞci parametrów algorytmu genetycznego: rozmiar populacji – 15 osobników, prawdopodobieĔstwo krzyĪowania 0.5
