Данная схема дает нам понимание как ГА работает. Но работает, не всегда значит хорошо работает. От чего зависит эффективность ГА? Мы можем сказать, что для получения хорошего результата, пользователь должен:
• подобрать некоторое представление для рассматриваемого решения в виде строки, дерева и т. д.;
• выбрать или разработать операторы, которые формируют новые решения на основе имеющихся, так, чтобы наилучшим образом учесть особенности пространства поиска (например, симметрию) если о нем есть какая-либо информация, и как можно более полно соблюсти принцип наследственности;
• выбрать подходящий объем и структуру популяции;
• отобрать индивидов для выживания и/или скрещивания на основе их «пригодности» (например, по значению целевой функции);
• применить различные операторы и установить соответствующие значения параметров, чтобы обеспечить сходимость процедуры поиска в важных областях пространства поиска, избегая при этом сходимости к субоптимальным решениям (локальным оптимумам).
Но так ли это? Безусловно, все вышеперечисленные шаги необходимы для получения хорошего результата, но, увы, вовсе не достаточны. На сегодняшний день очень трудно дать определенный ответ на целый ряд практических и теоретических вопросов, касающихся функционирования ГА. Фактически, сейчас нет универсальных методов, способных дать четкий ответ, будет ли данный ГА эффективен и насколько. Тем не менее, существуют некоторые методы оценки и даже предсказания ГА, но их результативность во многом зависит от сложности и структуры данного ГА. Это методы описания ГА с помощью марковских цепей [35], [36], и статистической механики [37].
При отсутствии оценочного аппарата, разработка новых решений в создании ГА становиться чрезвычайно трудоемким делом. Все результаты, как правило, получены с помощью эксперимента. Сюда относится и основная задача управляемости ГА. Т.е. задача о том, каким образом достичь баланса «исследование – освоение», т.е. объема поиска ГА и его скорости схождения.
Loading ...