WYKAD 11 Algorytmy genetyczne Ryszard Myhan ALGORYTMY GENETYCZNE

WYKŁAD 11 Algorytmy genetyczne Ryszard Myhan

ALGORYTMY GENETYCZNE - PRZEZNACZENIE § Algorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji. Ä Optymalizacja, wyznaczenie spośród dopuszczalnych rozwiązań danego problemu rozwiązania najlepszego za względu na przyjęte kryterium (wskaźnik) jakości (np. koszt, zysk, niezawodność).

METODY I ALGORYTMY OPTYMALIZACJI § Istnieje wiele metod optymalizacji, typowe algorytmy optymalizacji to: 4 4 4 metoda enumeracyjna (wyliczeniowa); szukanie gradientowe; symulowane wyżarzanie; strategie ewolucyjne; algorytmy genetyczne; metody wyspecjalizowane (wykorzystujące szczegółową wiedzę o problemie).

PROBEMY OPTYMALIZACJI : Wiele problemów optymalizacji tym się cechuje, że znalezienie dokładnego rozwiązania może zajmować bardzo dużo czasu PRZYKŁAD: Problem komiwojażera Czas potrzebny do rozwiązania problemu komiwojażera w zależności od ilości miast (przy założeniu, że komputer przetwarza milion instrukcji na sekundę) Dla porównania – liczba mikrosekund od wielkiego wybuchu, w którym narodził się nasz Wszechświat jest rzędu 1024.

PROBEMY OPTYMALIZACJI : Poszukiwanie ukierunkowane zwykle oparte jest na jakiejś odmianie metody najszybszego spadku. : Źródłem problemów przy ukierunkowanej optymalizacji są głównie ekstrema lokalne. PRZYKŁAD: funkcja Rastrigina Funkcja ta posiada wartość najmniejszą w punkcie (0, 0, 0), jednak zanim algorytm przeszukiwania znajdzie to minimum globalne, może napotkać wiele minimów lokalnych.

METODY ANALITYCZNE _ Poszukuje się ekstremów lokalnych. _ Poszukiwanie ograniczamy do zbioru punktów w których pochodna równa jest zero i badamy najbliższe otoczenie tych punktów. F Poszukiwania często ograniczają się jednak do pewnego obszaru i możemy pominąć inne ekstrema leżące w pewnej odległości od obszaru badanego. F Pod drugie metody te uzależnione są od istnienie pochodnych. F Rzeczywisty świat optymalizacji pełny jest nieciągłości i przestrzeni o skomplikowanej topologii.

METODY ENUMERACYJNE _ Stosując dyskretny odpowiednik przestrzeni nieskończonej otrzymujemy skończoną przestrzeń poszukiwań. _ Algorytm wylicza wartość funkcji celu przeglądając po kolei wszystkie punkty przestrzeni. FW praktyce w wielu problemach przestrzenie rozwiązań wciąż są jednak zbyt wielkie, aby dało się sprawdzić wszystkie elementy po kolei.

METODY NIEDETERMINISTYCZNE _ Niedeterministyczne metody optymalizacji można podzielić na stochastyczne oraz ewolucyjne. 4 Metody stochastyczne polegają na losowym generowaniu punktów w n-wymiarowej przestrzeni, w których jest obliczana wartość funkcji celu. 4 Metody ewolucyjne polegają na wykorzystaniu do celów optymalizacji elementów teorii ewolucji gatunku, tzn. doboru naturalnego, selekcji oraz dziedziczenia.

METODY EWOLUCYJNE _ Metody ewolucyjne odznaczają się następującymi cechami, które odróżniają je od pozostałych metod optymalizacji: § poszukiwanie poprawy rozwiązań rozpoczyna się nie z pojedynczego punktu jak w metodach deterministycznych, ale z ich zbioru nazywanego populacją – przy czym zbiór ten może w szczególnym przypadku zawierać wielokrotne kopie jednego osobnika; § korzysta się w nich tylko z funkcji celu lub jej modyfikacji nazywanej funkcją przystosowania, a nie z jej pochodnych; § w większości z nich stosuje się stochastyczne, a nie deterministyczne sposoby wyboru parametrów określających strategię realizacji algorytmu.

ALGORYTMY GENETYCZNE _ Algorytmy realizujące zadania optymalizacji metodami ewolucyjnymi można podzielić na: • • • strategie ewolucyjne; programowanie ewolucyjne; algorytmy genetyczne. 4 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. 4 Mechanizmy te polegają na przetrwaniu osobników najlepiej dostosowanych w danym środowisku, podczas gdy osobniki gorzej przystosowane są eliminowane.

ALGORYTMY GENETYCZNE funkcja przystosowania maksimum globalne 1. pokolenie 2. pokolenie itd.

ALGORYTMY GENETYCZNE w Algorytmy genetyczne nie przetwarzają bezpośrednio parametrów zadania lecz ich postać zakodowaną w Algorytmy genetyczne prowadzą poszukiwania wychodząc nie z jednego, lecz z wielu punktów (populacji). w Algorytmy genetyczne korzystają tylko z funkcji celu, nie zaś jej pochodnych lub innych przekształceń. w Algorytmy genetyczne stosują probabilistyczne, a nie deterministyczne reguły wyboru.

KLASYCZNY ALGORYTM GENETYCZNY _ Mechanizm działania klasycznego polega na kopiowaniu ciągów i wymianie podciągów. START INICJALIZACJA OCENA PRZYSTOSOWANIA SELEKCJA OCENA PRZYSTOSOWANIA NOWA POPULACJA • Nową populację tworzą chromosomy powstałe w wyniku selekcji i działania operatorów genetycznych. • Nowa populacja zastępuje w całości starą, i staje się bieżącą w kolejnej generacji (iteracji) algorytmu genetycznego.

KLASYCZNY ALGORYTM GENETYCZNY Generowanie populacji potomnej: • Reprodukcja • Krzyżowanie • Mutacja Start Losowa generacja populacji osobników Ocena populacji osobników Koniec Tak Czy koniec ewolucji? Nie

KLASYCZNY ALGORYTM GENETYCZNY Inicjalizacja - czyli utworzenie populacji początkowej, polega na losowym wyborze żądanej liczby chromosomów (osobników) reprezentowanych przez ciągi binarne o określonej długości. Ocena przystosowania chromosomów - polega na obliczeniu wartości funkcji przystosowania dla każdego chromosomu z tej populacji. Ä Im większa jest wartość tej funkcji tym lepsza "jakość" chromosomów. Ä Postać funkcji przystosowania zależy od rodzaju rozwiązywanego problemu. Ä Funkcja ta przyjmuje zawsze wartości nieujemne i dodatkowo rozwiązywany problem optymalizacji jest problemem poszukiwania maksimum funkcji.

KLASYCZNY ALGORYTM GENETYCZNY Sprawdzenie warunków zatrzymania - określenie takiego warunku dla algorytmu genetycznego zależy od jego konkretnego zastosowania. Ä Zatrzymanie algorytmu w zagadnieniach optymalizacji następuje po uzyskaniu żądanej wartości optymalnej lub w przypadku, gdy jego dalsze działanie poprawia już uzyskanej najlepszej wartości. Ä Algorytm może zostać zatrzymany po upływie określonego czasu lub określonej ilości iteracji. Ä Jeśli warunek zatrzymania jest spełniony następuje przejście do ostatniego kroku, czyli wyprowadzenia "najlepszego" chromosomu. Ä W przypadku niespełnienia powyższego warunku następnym krokiem jest selekcja.

KLASYCZNY ALGORYTM GENETYCZNY Selekcja chromosomów - polega na wybraniu na podstawie obliczonych wartości funkcji przystosowania (krok 2), tych chromosomów, które brały udział w tworzeniu potomków do następnego pokolenia (następnej generacji). Ä Wybór jest zgodny z zasadą naturalnej selekcji tzn. największe szanse na udział w tworzeniu nowych osobników mają chromosomy o największej wartości funkcji przystosowania. Ä W wyniku procesu selekcji zostaje utworzona populacja rodzicielska zwana pulą rodzicielską o liczebności równej liczebności bieżącej populacji.

KLASYCZNY ALGORYTM GENETYCZNY Zastosowanie algorytmów genetycznych do chromosomów wybranych metodą selekcji - prowadzi do utworzenia nowej populacji. Ä Stanowi ona populację potomków otrzymanych z wybranej populacji rodziców (metodą selekcji). Ä W algorytmach genetycznych mamy dwa podstawowe operatory genetyczne: § operator krzyżowania § operator mutacji

KLASYCZNY ALGORYTM GENETYCZNY Utworzenie nowej populacji - chromosomy otrzymane w wyniku działania operatorów genetycznych na chromosomy tymczasowej populacji rodzicielskiej wchodzą w skład nowej populacji, która staje się populacją bieżącą dla danej iteracji. Ä W każdej kolejnej iteracji oblicza się wartość funkcji przystosowania każdego z chromosomów tej populacji. Ä Następnie sprawdza się warunek zatrzymania i wyprowadza wynik, lub powraca się do selekcji. Wyprowadzenie "najlepszego" chromosomu - najlepszym rozwiązaniem jest chromosom o największej wartości funkcji przystosowania.

PODSTAWOWE OPERATORY GENETYCZNE _ Elementarny algorytm genetyczny składa się z trzech następujących operacji: § reprodukcja – polega na wyborze z bieżącej populacji najlepiej przystosowanych osobników, których materiał genetyczny zostanie poddany operacji krzyżowania i przekazany osobnikom następnej populacji; § krzyżowanie – polega na wymianie materiału genetycznego pomiędzy losowo dobranymi parami osobników wybranych podczas selekcji. W wyniku krzyżowania powstają nowe chromosomy, które wejdą w skład kolejnej populacji (pokolenia); § mutacja – polega na zmianie wartości losowo wybranego genu. Zadaniem operatora mutacji jest zapewnienie zmienności chromosomów (np. niedopuszczenie do powstania całej populacji identycznych osobników).

OPERATORY GENETYCZNE - REPRODUKCJA ô Operacja te jest namiastką darwinowskiej zasady doboru naturalnego. ÊReprodukcja – wybór najlepiej przystosowanych osobników (rozwiązań) do następnego pokolenia. ÊReprodukcja polega na tym, że ciągi kodowe z wyższym przystosowaniem mają większe prawdopodobieństwo wprowadzenie jednego lub więcej potomków do następnego pokolenia. ÊW zależności od wartości funkcji oceny dany osobnik ma większe (gdy jest „dobry”') lub mniejsze (gdy jest „słaby”) szanse na znalezienie się w kolejnym pokoleniu. ô Istnieje kilka sposobów obliczania szansy poszczególnych osobników: koło ruletki, ranking liniowy, turniej

REPRODUKCJA – KOŁO RULETKI [ Budujemy wirtualnie koło, którego wycinki odpowiadają poszczególnym osobnikom. [ Im lepszy osobnik, tym większy wycinek koła zajmuje. [ Rozmiar wycinków może zależeć od wartości funkcji oceny, jeśli wysoka wartość oceny oznacza wysokie przystosowanie to prawdopodobieństwo, że lepszy osobnik zostanie wybrany jako rodzic, jest większe. Przykład: optymalizacja funkcji Nr Ciąg kodowy Przystosowanie % całości 1 01101 169 14, 4 2 11000 576 49, 2 3 01000 64 5, 5 4 10011 361 30, 9 1170 100, 0 Łącznie

REPRODUKCJA – METODA RANKINGOWA [ Obliczamy dla każdego osobnika funkcję oceny i ustawiamy je w szeregu najlepszy-najgorszy. [ Tylko pierwsi na liście dostają prawo do rozmnażania. Metody wyznaczania prawdopodobieństwa reprodukcji: • liniowa: • potęgowa: gdzie: r(X) – ranga rozwiązania X, rmax – ranga maksymalna, a, b, k – stałe spełniające warunki: Wyznaczanie prawdopodobieństwa reprodukcji metodą liniową dla funkcji przystosowania p(X) dla k=2/3 i a=0 Nr Ciąg kodowy Przystoso wanie Ranga r(X) 1 01101 169 3 0, 25 0, 17 2 11000 576 1 0, 75 0, 50 3 01000 64 4 0 0 4 10011 361 2 0, 50 0, 33 1, 5 1, 0 Łącznie 1170

REPRODUKCJA – METODA TURNIEJOWA [ Metoda zupełnie różna od powyższych - polega na losowym wyborze z całej populacji kilku osobników (jest to tzw. grupa turniejowa), a później z tej grupy wybierany jest osobnik najlepiej przystosowany i on przepisywany jest do nowo tworzonej populacji. [ Losowanie grup turniejowych oraz wybieranie z nich najlepszego osobnika należy powtórzyć aż do utworzenia całej nowej populacji. Selekcja metodą turniejową jest pozbawiona niedogodności metody koła ruletki, gdzie wymagana jest maksymalizacja funkcji oceny, w turnieju ważna jest jedynie informacja o „lepszości” jednego rozwiązania nad innym.

OPERATORY GENETYCZNE - KRZYŻOWANIE ô Zadaniem kroku krzyżowania jest wymiana "materiału genetycznego" między dwoma rozwiązaniami w populacji. Ê W wyniku krzyżowania na podstawie dwóch rozwiązań (rodzice) tworzone są dwa nowe osobniki (dzieci). Ê Po wykonaniu krzyżowania dzieci zastępują w populacji rodziców, przy czym nie wszystkie rozwiązania muszą się ze sobą krzyżować. Ê Liczbę krzyżowań określa tzw. współczynnik krzyżowania (o wartości od 0 do 1), który pokazuje jaka liczba osobników powinna być w jednej iteracji skrzyżowana, bądź określa prawdopodobieństwo z jakim każde rozwiązanie może wziąć udział w krzyżowaniu.

KRZYŻOWANIE ¥ W przypadku binarnej reprezentacji chromosomu najprostsze krzyżowanie polega na podziale dwóch chromosomów (rodzice) na dwie części (niekoniecznie równe) i z nich tworzone są dzieci: § § pierwsze dziecko składa się z początkowej części pierwszego rodzica i końcówki drugiego; natomiast drugie dziecko odwrotnie - początek drugiego rodzica i koniec pierwszego. dzieci rodzice "

TYPY KRZYŻOWANIA ¥ Ze względu na sposób kojarzenia osobników: § Kojarzenie losowe - jednakowe prawdopodobieństwo dla wszystkich par. § Kojarzenie krewniacze (endogamia) - wśród osobników pokrewnych. § Kojarzenie według linii - szczególnie wartościowy osobnik jest kojarzony ze wszystkimi członkami populacji. § Kojarzenie selektywne dodatnie - kojarzenie osobników podobnych np. w sensie odległości Hamminga. § Kojarzenie selektywnie ujemne - kojarzenie osobników niepodobnych.

TYPY KRZYŻOWANIA ¥ Ze względu na liczbę przecięć: § § Jednopunktowe Wielopunktowe ¥ Ze względu na liczbę osobników: § § Dwuosobnicze Wieloosobnicze ¥ W przypadku rzeczywistoliczbowej reprezentacji genotypu: § § Przez wymianę wartości genów Przez uśrednienie wartości genów

TYPY KRZYŻOWANIA a) krzyżowanie jednopunktowe (one-point crossover), b) krzyżowanie dwupunktowe (two-point crossover).

OPERATORY GENETYCZNE - MUTACJA ô Mutacja podobnie jak krzyżowanie zapewnia dodawanie do populacji nowych osobników. Ê Jednak w odróżnieniu od krzyżowania w przypadku mutacji modyfikowany jest jeden a nie dwa osobniki. Ê Podobnie jak w przypadku krzyżowania istnieje tzw. współczynnik mutacji, który określa ile osobników będzie w jednej iteracji ulegało mutacji. Ê W przypadku reprezentacji binarnej sprawa mutacji jest bardzo prosta wystarczy np. zanegować jeden bit w rozwiązaniu aby otrzymać zupełnie nowego osobnika.

MUTACJE ¥ Mutacje mogą także przyjmować bardziej skomplikowane formy:

PROCES TWORZENIA NOWEJ POPULACJI słaba Jednostka a 1 Reprodukcja Jednostka b 1 dobra Jednostka b 2 Jednostka a 2 średnia Krzyżowanie Jednostka a 3 Mutacja Jednostka b 3 średnia Jednostka a 4 Populacja n Mutacja Jednostka b 4 Populacja n+1

DEFINIOWANIE OSOBNIKÓW _ Pierwszym krokiem implementacji algorytmu genetycznego jest określenie struktury danych dla osobników tworzących populację podlegającą ewolucji. _ Struktura ta określana jest często terminem chromosom. § Bez względu na to, jak złożony jest chromosom przyjmuje się, że składa sie on z liniowo uszeregowanych genów (tzn. znaków, cech lub dekoderów), które mogą występować w pewnej liczbie odmian nazywanych allelami. § Pozycję genu w chromosomie określa sie terminem locus. genotyp: 1 0 0 1 0 gen x allel(gen x) = 1 zbiór alleli (gen x) = {0, 1} locus(gen x) = 3

METODY KODOWANIA _ Ze względu na typ wartości genu - allelu: § § § Binarne np. 1000110 Całkowitoliczbowe O wartościach rzeczywistych (fenotypowe) § Klasyczne - każda cecha fenotypu jest kodowana przez wartość odpowiedniego genu niezależnie od jego umiejscowienia. Permutacyjne - cechy kodowane są przez pozycje genów (locus). Mieszane - cechy kodowane zarówno przez pozycje jak i umiejscowienie genów _ Ze względu na sposób reprezentowania cech: § § ð Ze względu na strukturę genotypu: § § Za pomocą ciągów Za pomocą innych struktur np. drzew, grafów, sieci

KODOWANIE BINARNE Kodowanie pozycyjne: liczba gdzie x - parametr rozwiązania, - element ciągu kodowego Kodowanie Graya: Przykład konstruowania kodu 2 -bitowego kod 1 -bitowy odbicie lustrzane dopisanie zer i jedynek 0 0 00 1 1 01 1 11 0 10 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 kod pozycyjny kod Graya 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111 0000 0001 0010 0111 0100 1101 1110 1011 1000

ALGORYTM GENETYCZNY - PRZYKŁAD § Przykładem jest komiwojażera, gdzie należy znaleźć _ Ze względu nanp. typproblem wartości genu - allelu: § najkrótszą drogę wszystkie miasta, tak by przez każde § Binarne np. łączącą 1000110 miasto przejść tylko raz. § Całkowitoliczbowe Na§początek załóżmy, rzeczywistych że mamy 7 miast, a przykładowa mapa O wartościach (fenotypowe ) może wyglądaćnatak jak na rysunku poniżej. cech: Ze względu sposób reprezentowania _ § § § Klasyczne każda cecha fenotypu jest kodowana przez Fenotypem w tym- zadaniu jest mapa z zaznaczonymi drogami, wartość odpowiedniego genu niezależnie od jego które dają przykładową drogę komiwojażera. umiejscowienia. Funkcją oceny jest droga, § długość Permutacyjne - cechy są przez pozycje genów czyli całego cyklu w kodowane grafie. (locus). § Mieszane - cechy kodowane zarówno przez pozycje jak i umiejscowienie genów ð Ze względu na strukturę genotypu: § § Za pomocą ciągów Za pomocą innych struktur np. drzew, grafów, sieci

PRZYKŁAD – BUDOWA CHROMOSOMU Sposób pierwszy klasycznemu: _ Ze względu na- bliski typ wartości genu - allelu: § § Numerujemy miasta (wierzchołki grafu). § Binarnewszystkie np. 1000110 § Całkowitoliczbowe Tworzymy chromosom o długości takiej, jaka jest liczba miast (czyli każde miasto ma swój gen. § 7)O -wartościach rzeczywistych (fenotypowe) WZe genie danego zapisujemy numer innego względu namiasta sposób reprezentowania cech: miasta, do którego chcemy przejść danego. § Klasyczne - każdazcecha fenotypu jest kodowana przez • Czyli jeśli wodpowiedniego chromosomie gen numer X ma wartość Y oznacza to, wartość genu niezależnie od jego żeumiejscowienia. z miasta numer X idziemy do miasta Y. • §W Permutacyjne genie Y mamy wartość i stąd wiemy, z miasta numer Y - cechy. Zkodowane są że przez pozycje genów mamy iść do miasta numer Z. (locus). • §WMieszane ten sposób- kodujemy całą mapęzarówno z przykładową cechy kodowane przez drogą pozycje jak komiwojażera (w chromosomie i umiejscowienie genów zapisana jest informacja o § _ wszystkich miast). ð Zenastępnikach względu na strukturę genotypu: ð Chromosom opisujący podaną w § Za pomocą ciągów przykładzie trasę będzie wyglądał taknp. : drzew, grafów, sieci § Za pomocą innych struktur

PRZYKŁAD – BUDOWA CHROMOSOMU Sposób drugi - bardziej intuicyjny dla -problemu: _ Ze względu na typ wartości genu allelu: § § § Numerujemy miasta (wierzchołki grafu). § Binarnewszystkie np. 1000110 § Całkowitoliczbowe Tworzymy chromosom o długości takiej, jaka jest liczba miast. O wartościach rzeczywistych (fenotypowe ) drodze. W§ kolejnych genach zapisujemy kolejne miasta na _ Ze względu sposób • Czyli, jeśli wna genie numerreprezentowania 1 siedzi miasto X a cech: w genie numer 2 • Y to oznacza to, cecha że idziemy z miasta do Y. §miasto Klasyczne - każda fenotypu jest. Xkodowana przez W wartość ten sposób geny w chromosomie układają sięod dokładnie odpowiedniego genu niezależnie jego tak, jakumiejscowienia. miasta w cyklu. W Permutacyjne tym wypadku nie ma stałego przypisania miasta do genu, więc - cechy kodowane są przez pozycje genów każda przykładowa trasa może być zapisana na wiele sposobów. (locus). • § Mieszane - cechy kodowane zarówno przez pozycje jak ð Dla§podanych siedmiu miast połączonych drogą dwa przykładowe chromosomy odwzorowujące ten i umiejscowienie genów mogą wyglądać tak: genotypu: ðsam Ze cykl względu na strukturę § § Za pomocą ciągów Za pomocą innych struktur np. drzew, grafów, sieci

PRZYKŁAD – CHROMOSOMY I CYKLE Sposób pierwszy: _ Ze względu na typ wartości genu - allelu: § Binarne np. 1000110 ð Przykładowe chromosomy i odpowiadające im cykle na dwóch mapach: § Całkowitoliczbowe § O wartościach rzeczywistych (fenotypowe) _ Ze względu na sposób reprezentowania cech: § § § Klasyczne - każda cecha fenotypu jest kodowana przez wartość odpowiedniego genu niezależnie od jego umiejscowienia. Permutacyjne - cechy kodowane są przez pozycje genów (locus). Mieszane - cechy kodowane zarówno przez pozycje jak i umiejscowienie genów ð Ze względu na strukturę genotypu: § § Za pomocą ciągów Za pomocą innych struktur np. drzew, grafów, sieci

PRZYKŁAD – KRZYŻOWANIE CHROMOSOMÓW ð Wybieramy jeden krzyżowania i wymieniamy _ Ze względu napunkt typ wartości genu - allelu: kawałki chromosomów w wyniku czego powstają dwa nowe: § § § Binarne np. 1000110 Całkowitoliczbowe O wartościach rzeczywistych (fenotypowe) § Klasyczne - każda cecha fenotypu jest kodowana przez wartość odpowiedniego genu niezależnie od jego umiejscowienia. Permutacyjne - cechy kodowane są przez pozycje genów (locus). Mieszane - cechy kodowane zarówno przez pozycje jak i umiejscowienie genów _ Ze względu na sposób reprezentowania cech: § § ð Ze względu na strukturę genotypu: § § Za pomocą ciągów Za pomocą innych struktur np. drzew, grafów, sieci

PRZYKŁAD – WYNIK KRZYŻOWANIA ¥ Po takim krzyżowaniu uzyskaliśmy dwa niedozwolone rozwiązania ¥ Drogi na mapach nie tworzą cykli tylko chaotyczne powiązania między miastami. ð Wyszukujemy wszystkie miasta, których w chromosomie brakuje i te, które występują wielokrotnie i losowo zamieniamy powtarzające się na brakujące ð Wtedy pozostaje inny problem: po takim losowym łączeniu może się okazać, że miasta dalej nie tworzą jednego cyklu, ale np. są spięte w kilku rozłącznych cyklach - musimy więc jeszcze porozcinać cykle i połączyć je ze sobą.

ALGORYTMY GENETYCZNE - PODSUMOWANIE Zalety AG Wady AG + odporność na lokalne ekstrema – słabsza podbudowa teoretyczna + niepotrzebna wstępna wiedza (punkt startowy) – kodowanie (czasem konieczność naprawy chromosomów) + słabe założenia co do FP – często koniecznośc skalowania FP + wydajność + prostota pojęciowa Ø rozpoznawanie obrazów Zastosowania Ø synteza i optymalizacja układów (mechanicznych, elektronicznych) Ø sterowanie sztuczny mózg Ø strategia gier Ø klasyfikacja i automatyczne wnioskowanie Ø analiza danych (dopasowanie, modelowanie) … ale na razie ostatnie słowo ma człowiek.