Генетический алгоритм

Взяв за основу работу мозга, нейросетевые технологии включили в себя и ряд биологических терминов, понятий, параметров, а метод получил название генетического алгоритма.  [c.228]


Применение генетических алгоритмов (ГА) позволило тренировать сеть с любым количеством активных нейронов скрытого слоя.  [c.135]

Генетические алгоритмы базируются на теоретических достижениях синтетической теории эволюции, учитывающей микробиологические  [c.135]

Методология генетических алгоритмов основывается на идее селекции чем выше приспосабливаемость особи, тем выше вероятность того, что в потомстве, полученном с ее участием, признаки, определяющие приспособляемость, будут выражены сильнее.  [c.136]

В условиях возрастающей неуправляемости мировых процессов в финансовой сфере традиционные методы чаще всего оказываются неспособными распознать ключевые перемены и тенденции на рынке. Общей чертой новых методов является возможность распознавания образов и вывода обобщающих правил. Составными частями нового метода являются нейронные сети и генетический алгоритм (методы, в которых, исходя из большого набора первоначальных предположений, вырабатываются все более правильные представления о поведении рынка и в конечном счете более содержательные рабочие гипотезы). При этом достигается точность, достаточная для практической потребности, и, как правило, не требуется специальных математических знаний.  [c.137]


Пакеты программ генетических алгоритмов  [c.151]

Решение задач оптимизации сопровождает любую аналитическую работу, при обработке значительных объемов информации на первое место выходит не столько точность, сколько скорость и эффективность работы оптимизирующего алгоритма. Генетические алгоритмы на сегодняшний день признаются наиболее совершенными в своей области. Это новый метод поиска оптимальных решений сложных задач, основанный на эволюционных принципах селекции лучших решений.  [c.151]

Крупнейшее хранилище информации в области эволюционного моделирования, это специализированная сеть, объединяющая FTP-серверы ведущих научно-исследовательских организаций и высших учебных заведений, известных своими разработками в области генетических алгоритмов и искусственных нейронных сетей.  [c.152]

Воронцов Г, К. Генетические алгоритмы и искусственные нейронные сети. Харьков, 1997.  [c.212]

Не существует хороших "механических систем", которым можно было бы следовать даже на этом уровне. По моему мнению, вообще никогда и не было успешной "механической" системы, которая описывалась бы линейной моделью. Не существует и теперь и, по всей вероятности, никогда не будет существовать, даже с использованием искусственного интеллекта, аналоговых процессоров, генетических алгоритмов, ортогональных регрессий и нейронных сетей.  [c.56]

Хотя вы можете использовать любой упомянутый алгоритм многомерной оптимизации, я предпочел генетический алгоритм потому, что он является, возможно, единственным наиболее устойчивым методом математической оптимизации, за исключением весьма грубых приемов перебора всех возможных комбинаций значений переменных.  [c.188]

Считается, что генетический алгоритм реализует принцип естественного отбора в природе. Так оно и происходит, но не совсем так, как в природе. Ведь в действительности мы многого не знаем о том, как природа осуществляет этот принцип.  [c.189]


По сравнению с этим генетический алгоритм много проще. Здесь у нас имеется одна целевая функция, которую мы пытаемся удовлетворить. Поэтому, хотя мы и говорим, что генетический алгоритм скопирован в природе, он настолько проще происходящего в природе, что вряд ли заслуживает своего названия.  [c.190]

Для примера рассмотрим реализацию генетического алгоритма с целевой функцией вида  [c.194]

В этом разделе мы очень кратко остановимся на них, поскольку эти подходы, так же как и нейросети, используют ясные и плодотворные биологические аналогии. Кроме того, генетические алгоритмы широко используются и для обучения нейронных сетей самих по себе, поскольку обучение нейросетей связано с минимизацией функционала ошибки.  [c.121]

Генетические алгоритмы используют соответствующую терминологию, конфигурации системы называют хромосомами, над которой можно производить операции кроссинговера и мутации. Хромосома является основной информационной единицей, кодирующей переменную, относительно которой ищется оптимум. Обычно она представляет собой битовую строку, хотя компоненты этой строки могут иметь и более общий вид (для задачи коммивояжера компоненты хромосом представляют собой последовательность номеров городов в данном маршруте, например (145321)). Каждая компонента хромосомы называется геном. Выбор удачного представления для хромосомы, или же кодировка искомого решения, могут значительно облегчить нахождение решения.  [c.121]

Подобный процесс может осуществляться и в компьютерном мире населенном Искусственными Муравьями (ИМ). Такие муравьи могут решить и нашу задачу коммивояжера. В этом случае они движутся от города к городу по ребрам соответствующего графа. При этом они выбирают направление движения, используя вероятностную функцию, зависящую как от предыдущих попыток движения по данному ребру, так и от эвристического значения, являющегося функцией длины ребра. ИМ с большей вероятностью будут предпочитать ближайшие города и города, связанные ребрами, наиболее богатыми феромонами. Первоначально N искусственных муравьев размещаются в случайно выбранных городах. В каждый последующий момент времени они перемещаются в соседние города и изменяют концентрацию феромона на своем пути (локальная модификация). После того, как все ИМ завершат движения по замкнутому маршруту, тот из них, который проделал кратчайший путь, добавляет к его звеньям количество феромона обратно пропорциональное длине этого пути (глобальная модификация). В отличие от живых муравьев ИМ обладают способностью определять расстояние до соседних городов и помнят, какие города они уже посетили. Оказывается, метод искусственных муравьиных колоний может давать результаты, лучшие чем при использовании имитации отжига, нейронных сетей, и генетических алгоритмов.  [c.123]

Технологии, о которых идет речь, основываются на нелинейных методах анализа экономической и финансовой информации. В условиях возрастающей неуправляемости мировых процессов в финансовой сфере традиционные (читай, линейные) методы все чаще оказываются неспособными распознать ключевые переломы в тенденциях рынка. Так было, например, в случаях с крахом фондового рынка в 1987 году или началом глубокого спада в экономике Великобритании. Разочарование в этих методах заставило вспомнить о некогда казавшейся невероятной идее, согласно которой изменение рыночных показателей во времени не есть чисто случайное блуждание, а размеры ожидаемых доходов и/или характеристики неустойчивости (волатильности) можно пытаться находить при помощи более мощных методов. Общей чертой новых методов является возможность распознавания образов и вывода обобщающих правил. Существенными составными частями нового подхода являются нейронные сети (сети компьютерных процессоров, взаимодействие которых построено по образцу процессов обучения, происходящих в человеческом мозге) и генетические алгоритмы (методы, в которых, исходя из большого набора первоначальных предположений, вырабатывают все более правильные представления о поведении рынка и, в конечном счете, более содержательные рабочие гипотезы). Про методы обоих видов говорят, что они управляются данными, в противоположность подходу, основанному на применении правил, который принят в экспертных системах. Системы, основанные на знаниях, обладают тем недостатком, что построенные на их основе методы торговли оказываются довольно негибкими. Наконец, совершенно новый взгляд на мир предлагает теория динамических систем или теория хаоса. С ее помощью в явлениях, ранее считавшихся случайными, удается обнаружить порядок или некоторую структуру. Основное предположение здесь состоит в том, что поведение системы есть результат множества нелинейных взаимодействий, вследствие чего даже небольшое изменение начальных данных может привести к совершенно другому дальнейшему поведению системы. Благодаря  [c.13]

В целом, можно сказать, что предварительная обработка через формирование совокупности переменных и проверку их значимости существенно улучшает качество модели. Если никаких теоретических методов проверки в распоряжении нет, переменные можно выбирать методом проб и ошибок, или с помощью формальных методов типа генетических алгоритмов [69], [70].  [c.61]

Несколько слов о самом термине НАД. Он кажется несколько рекламным. Первая вычислительная машина была создана для расчета атомной бомбы. Эти расчеты производили высококвалифицированные специалисты до и после создания ЭВМ. Но, несмотря на это, методы расчета атомной бомбы на ЭВМ никто не называл интеллектуальными. Методы, применяемые в НАД, например, статистический анализ данных, генетические алгоритмы, кластеризация и др., едва ли более интеллектуальны , чем математические методы, используемые в других областях применения компьютерных вычислений. Но поскольку термин устоялся, мы тоже будем его использовать.  [c.271]

Выше уже отмечалось, что интеллектуальный анализ данных появился в результате симбиоза средств вычислительной техники, программных технологий и математических методов. В НАД используются как сравнительно новые подходы, такие как генетические алгоритмы, нейронные сети, нечеткие множества, так и вполне традиционные, имеющие длительную историю развития, такие как статистика, деревья и таблицы решений. Хотя между этими методами не всегда можно установить точный водораздел (так, генетические алгоритмы используют статистические оценки и правила вывода, то же можно сказать и о деревьях решений и нечеткой логике и т.д.), но все же границы между ними существуют. Этого нельзя сказать о границах использования различных методов в приложении. Анализ одной и той же ситуации может быть произведен различными методами и> что очень важно, результаты анализа, проведенные одним методом, могут сильно отличаться от результатов анализа той же ситуации, проведенного другим методом. Выбор метода всегда определяется специалистом.  [c.274]

Генетические алгоритмы. Идея использования генетических алгоритмов может рассматриваться как разновидность метода слу-  [c.275]

Таким образом, в методе генетических алгоритмов сразу встает вопрос, какие параметры или характеристики при анализе ситуации следует варьировать, а какие сохранить без изменения. От этого, конечно, зависят и результаты анализа.  [c.276]

В теории генетических алгоритмов широко используется понятие схема, что значит вид или форма. Поясним это понятие следующим примером. Пусть две хромосомы, состоящие из 0 и 1, представлены векторами, показанными на рис. 5.1.  [c.276]

Сочетание генетических алгоритмов и нейронных сетей обеспечивает чрезвычайно большой потенциал. В связи с тем, что техника тренировки ba kpropogation и RBF сети являются существенно локальными, то генетические алгоритмы не знают конкурентов.  [c.135]

GeneHunter v. 2.0 — инструмент для решения оптимизационных задач с помощью генетических алгоритмов (ГА), включает  [c.146]

Хаос не относится к разряду беспорядочных структур. Скорее, истинно обратное. Хаос - более высокая форма порядка, где случайность и бессистемные импульсы становятся организующим принципом скорее, нежели более традиционные причинно-следственные отношения в теориях Ньютона и Евклида. Поскольку природа человека и его мозг хаотичны, рынки, являясь продуктом природы и отражающие мышление человека, также представляют собой хаотичные процессы. Пришло время признать, что наше традиционное обучение дает трейдерам неверное представление и неправильные логические картосхемы. Независимо от того, какого уровня сложности применяется линейная математика, с ее преобразованиями Фурье, ортогональными функциями, методами регрессии, или за-действуется искусственный интеллект, нейронные сети, генетические алгоритмы и так далее. Все это неизбежно вводит в заблуждения трейдеров на кардинально нелинейных рынках. Рынки -порождения Хаоса.  [c.34]

Основной недостаток алгоритма — это большой объем накладных расходов на обработку данных, требуемых для расчета и хранения вариантов решений. Тем не менее, благодаря своей конструктивной устойчивости и эффективности приложений в области оптимизационных проблем, будь то крупные, нелинейные или зашумленные, по убеждению автора, он станет фактически предпочтительным методом оптимизации в будущем (не считая появления лучших алгоритмов, обладающих теми же желательными свойствами). По мере того, как компьютеры становятся все более мощными и дешевыми, проблема вычислительных издержек утрачивает свою остроту. Воистину, если бы скорость обработки была нулевой, если бы скорость не играла роли, то генетический алгоритм стал бы предпочтительным методом решения для почти всех задач математической оптимизации.  [c.191]

После каждого шага эволюции - генерации, на котором мутируют и подвергаются кросеннговеру все хромосомы, для каждой из новых хромосом вычисляется значение целевого функционала, которое достигается на кодируемых ими решениях. Чем меньше это значение для данной хромосомы, тем с большей вероятностью она отбираются для кроссинговера. В ходе эволюции усредненное по популяции значение функционала будет уменьшаться, и после завершения процесса (проведения заданного числа генераций) хромосома с минимальным его значаением выбирается в качестве приближенного решения поставленной задачи. Можно значительно улучшить свойства генетического алгоритма если после порождения новой генерации N хромосом предварительно объединить ее с предыдущей популяцией и выбрать из 2N полученных хромосом N наилучших. Опыт показывает, что генетические алгоритмы особенно эффективны при поиске глобального оптимума, поскольку они осуществляют поиск в широком пространстве решений. Если закодировать в виде хромосом значения весов и порогов нейронной сети заданной архитектуры и использовать в роли минимизируемой функции функционал ошибки то генетические алгоритмы можно использовать для обучения этой нейронной сети. Очевидно что для этой же цели можно использовать и описанный ранее метод иммитации отжига.  [c.122]

Типично для школы Санта-Фе, Палмер (Palmer) и др. [329,21,258] моделируют трейдеров как, так называемые "генетические алгоритмы", которые являются программными созданиями, маскирующимися под адаптивные и развивающиеся биологические гены, которые конкурируют за выживание и репликацию. Эти интеллектуальные алгоритмы делают предсказания о будущем, покупают и продают акции в соответствии с их ожиданиями будущего риска и дохода. При определенных характеристиках определено, что эти компьютерные агенты способны коллективно обучаться, чтобы создавать гомогенное рациональное равновесие ожиданий, то есть динамически обнаруживать экономическое равновесие, воображаемое чисто теоретическими экономистами. В этом высоко конкурентном искусственном мире, ген-трейдер, решающий сделать себе "каникулы" теряет свою "рубашку" при возвращении назад, на арену рынка акций, потому что он больше не приспособлен к новым структурам, которые были развиты рынком в его отсутствии Фармер (Farmer)[123] упростил этот подход, используя аналогию между финансовыми рынками и экологией стратегий. Во множестве примеров, он показывает, что разнообразие появляется автоматически, поскольку новые стратегии эксплуатируют неэффективность старых стратегий.  [c.138]

Многочисленные исследования посвящены сравнению различных обучающих эвристик (см., например, [104]). В большинстве имеющихся нейронно-сетевых пакетов реализованы методы пакетной обработки, импульса, изменения величины шага, и даже более совершенные варианты алгоритмов типа алгоритма обратного распространения ошибки и квази-ньютоновские методы. В литературе описано много других алгоритмов, реализующих иные подходы к задаче оптимизации. Так, в основанном на идеях статистической физики методе замораживания стабилизация алгоритма осуществляется за счет понижения температурного параметра. Другие подходы, такие, как метод случайного блуждания [13] или Alopex [269] используют случайный поиск в пространстве весов, и это принципиально отличает их от систематического поиска в методе обратного распространения ошибки (см. [78]). Наконец, в последнее время пользуются успехом так называемые генетические алгоритмы, в которых набор весов рассматривается как индивид, подверженный мутациям и скрещиванию, а в качестве показателя его качества берется критерий ошибки. По мере того, как нарождаются новые поколения, все более вероятным становится появление оптимального индивида.  [c.33]