8 Апреля 2019

Технологія застосування динамічних кіберакмеологічних автоматизованих робочих місць особистості

Інноваційна технологія проектування ОС

                Генетичні кіберакмеологічні автоматизовані робочі місця (АРМ) – менеджери (ГКА АРМ-М) – це засоби обчислення задач оптимізації, в основі яких лежать еволюційні принципи, тобто, зазвичай є деяка функція від декількох змінних (цільова функція), для якої потрібно знайти максимум (мінімум).

                Параметри функції – це генетичний матеріал – гени. А сукупність генів, як відомо, утворюють хромосому (набір параметрів), яка в свою чергу і характеризує будь-яку особистість.

                 Таким чином, підставляючи параметри у цільову функцію (ЦФ) – отримаємо якесь значення.

                Генетичні алгоритми (ГА), на основі яких функціонують ГКА АРМ-М, працюють з множиною варіантів (способів) проектування ГКА АРМ-М, які у подальшому можна оцінити специфікацією з метою прийняття рішення, який варіант краще (ефективніше). Варіанти «перемішуються» між собою за допомогою генетичних операторів (ГО), а вибір найкращих варіантів здійснюється у відповідності до ефективної стратегії. Потім сформовані варіанти знову оцінюються ГА, і знову обчислюються найкращі для наступного «перемішування» і вибору найефективніших і т.д.

                Процес продовжується до тих пір, поки не буде спроектований такий ГКА АРМ, гени-параметри якого будуть являти собою оптимістичний набір параметрів, при яких ЦФ буде наближатися до мінімуму або дорівнювати йому.

                Але процес може бути припинено у випадку «вироджування» варіантів, тобто, практично відсутнього варіанта реалізації ГКА АРМ. Це називається «достроковою сходимістю».

                Генетичні алгоритми (ГА) будуються на основі генетичних операторів (ГО), що реалізують інструментарій успадкування і зміни варіантів проектування ГКА АРМ.\

 

                Відомі такі основні ГО:

  1. Оператор схрещення (кросинговер або кроссовер) – за допомогою якого здійснюється комбінування генетичної інформації предків і передача її потомкам.

Наприклад, в обох батьків є свої хромосоми. Випадково обирається точка кроссовера, в якій хромосоми діляться на дві частини та обмінюються ними (Рис. 1). Як варіант отримаємо два потоки. Такий варіант називається: одноточечним. Але існує і 2-точечний і N-точечний кррссовер.2.Оператор мутації.

2. Мутації в ГА мають повну аналогію з природою, коли здійснюється замін одного гена-параметра іншим у ДНК під дією, наприклад, зовнішніх обставин (радіоактивність, механічні пошкодження тощо).

Вважається, що мутація – це причина скачкообразної еволюції і завдяки їй з’являються нові види.

                У ГА мутація стоїть на заваді від дострокового сходження. Реалізується вона шляхом вибору випадкового гену або групи генів та їх заміни за визначеними правилами (наприклад, інверсія).

                 Стратегія відбору – у природі за рахунок природного відбору виживають найбільш пристосовані особи. Так і у ГА – необхідно вибирати найбільш «пристосовані»  для «схрещування-проектування».

                Існують такі поширені стратегії відбору:

  • Пропорційний;
  • Турнірний;
  • Рулеточний;
  • Відсікання;

 Стратегії формування нового покоління. Зазвичай множина варіантів проектування ГКА АРМ – фіксована і завжди доводиться вибирати, який варіант залишити, а який відкинути, тобто, при цьому можна використовувати різні стратегії (обмежень тут немає):

  • Заміняти батьків їх потомками;
  • З двох потомків брати одного тощо.

Принцип елитиума – оснований на тому, що майбутні(наступні) варіанти для аналізу включають найкращі, найефективніші тощо.

Розмір множини варіантів («популяції») для проектування ГКА-АРМ.

                Прийнято визначати розмір множини варіантів у числах від 10 до 1000, в наслідок того, що маленький розмір (<10) веде до виродження , а великий (>1000) значно збільшує кількість обчислень у ГА. Зазвичай обирають варіанти 20-300, але все залежить від проблеми, що вирішується.

                Застосування ГА.

                Вважається недоцільним використання ГА, якщо існують інші ефективні методи, тому що ГА вимагають великих (у порівнянні зі стандартними методами) обчислювальних витрат.

                Застосовувати ГА доцільно для задач, для яких не існує ефективних алгоритмів, наприклад, задачі перебору, які не вирішуються за визначений час («задача комівояжера»).

                Можна назвати такі галузі застосування ГА:

  1. екстремальні задачі (мінімаксні);
  2. задачі про найкоротші шляхи;
  3. складання розкладів;
  4. апроксимація функцій;
  5. налаштування нейронних мереж;
  6. моделювання штучного життя;
  7. проектування ГКА систем;
  8. проектування ОС тощо

Ближайшие события

Все события
Новые книги

Свежие новости

Читать все новости