VISOKA POSLOVNA KOLA STRUKOVNIH STUDIJA BLACE

Tema: Primena genetskih algoritama

Profesor: Branislav Jevtovi Mladen Jankovi 24/10r

Student:

GENETSKI ALGORITMI

UVOD: Genetski algoritmi su osmiljeni tako da oponaaju procese u prirodi vezane za evoluciju, genetiku i prirodnu selekciju. Da li e neka jedinka preiveti i ostaviti potomstvo u velikoj meri zavisi od toga koliko dobro moe da iskoristi svoje osobine u datom okruzenju. Osobine svake jedinke su odreene su hromozomima. Prirodna selekcija omoguuju da se uspeni hromozomi reprodukuju mnogo vie nego oni koji to nisu. Pod uspenou se mogu podrazumevati razliite osobine zavisno od konteksta i okruenja. Prilikom procesa reprodukcije postoje dva dodatna mehanizma koja sam proces prirodne selekcije ini vrlo sloenim i nepredvidivim. Jedan je mutacija na osnovu koje potomak moe biti mnogo drugaiji od svojih biolokih roditelja, a drugi je proces rekombinacije po kome se razliitost potomka u odnosnu na roditelje obezbeuje kombinovanjem genetskog sadraja oba roditelja. Slino kao u prirodi, genetski algoritmi pokuavaju da nau najbolji hromozom manipuliui sa hromozomskim materijalom, i ne udubljujui se preterano u optimizacioni problem koji se reava. Kod genetskih algoritama pod hromozomom se smatra binarni zapis neke od analiziranih veliina. Jedino o emu genetski algoritmi vode rauna jeste nivo kvaliteta koji pokazuju proizvedeni hromozomi. Ovakvi postupci, manipulisanja nad binarnim zapisima (hromozomima), mogu da ree izuzetno sloene probleme a da pri tome nemaju uvid u kompleksnost i prirodu problema koji se reava. Osnovni element kojim se GA bavi jeste string, pri emu svaki string predstavlja binarni kod parametra u prostoru koji se pretrauje. Dakle, svaki string predstavlja taku u prostorupretrage. Tokom primena razliitih operatora genetskog algoritma, ukupni broj hromozoma ne menja, ali se menja njihov sastav. OSNOVNI OPERATORI GA: Osnovni operatori genetskog algoritma su: reprodukcija (reproduction), ukrtanje (crossover) mutacija (mutation).

Reprodukcija je proces u kome se pojedini hromozomi (binarni stringovi) kopiraju u sledeoj generaciji u skladu sa njihovim kriterijumskim funkcijama. Kriterijumska funkcija se pridruuje svakoj jedinki u populaciji, pri emu visoka vrednost ove funkcije oznaava visok kvalitet. Ova funkcija moe biti bilo koja linearna,

nelinearna, diferencijabilna ili nediferencijabilna funkcija sa ili bez prekida, pozitivna funkcija (jer algoritam gleda samo njenu vrednost i ni jednu drugu osobinu). Tehnika reprodukcije se realizuje kroz takozvani postupak ruleta (toka sree). Okretanjem ruleta odreuje se roditelj koji e se reprodukovati. Ova tehnika se moe formalizovati na sledei nain:

1. Saberu se kriterijumske funkcije svih lanova populacije. Ovaj zbir se naziva totalna performansa. 2. Generie se sluajno broj n iz intervala od nule do totalne performanse. 3. Izabere se prvi lan populacije ija je kriterijumska vrednost sabrana sa kriterijumskim vrednostima svih prethodnih lanova vea ili jednaka broju n. Primer: Posmatrajmo niz od est hromozoma (stringova) ije su fitnes funkcije date u sledeoj tabeli: Redni broj 1 2 3 4 5 6 Hromozom 01110 11000 00100 10010 01100 00011 Vrednost fitnes fje 8 15 2 5 12 8 Kumulativ na vrednost 8 23 25 30 42 50

Poto je totalna performansa ovog skupa hromozoma jednaka 50, u cilju izbora roditelja koji e se reprodukovati treba na sluajan nain, generisati brojeve iz intervala [0,50]. U sledeoj tabeli je prikazano kako sluajni izbor 7 ovakvih brojeva vri izbor roditelja iz populacije. Sluajni broj Izabrani hromozom 26 4 2 1 49 6 15 2 40 5 36 5 9 2

Ovo je potpuno ekvivalentno sa okretanjem toka sree. Vrednost fitness funkcije direktno utie na izbor hromozoma u procesu ruleta, kao to je ve i napomenuto:

Ukrtanje: Za razliku od reprodukcije koja zaista vodi rauna o najboljim jedinkama populacije ali koja ne generie novi kvalitet u smislu novih hromozoma, ukrtanje se trudi da iz najboljeg stvori jo bolje. U prirodi potomstvo ima dva roditelja i nasleuje gene od oba. Glavni operator koji radi nad genima roditelja jeste ukrtanje i ono se nad izabranim roditeljima vri se verovatnoom ukrtanja . Prvo se iz skupa jedinki koje su odreene za reprodukciju, na sluajan nain biraju dva, a zatim se opet na sluajan nain bira mesto prelaska (crossover point) ukoliko se jedinke sa verovatnoom ukrtanja odrede za ukrtanje. Delovi gena se meusobno razmenjuju na mestu prelaska. Ovim se dobijaju dva hromozoma koji imaju kao roditelje poetne hromozome. Reprodukcija i ukrtanje su osnovni mehanizmi kojima genetski algoritami usmeravaju pretragu ka boljim delovima prostora pretrage, a na osnovu postojeeg znanja.

Mutacija: Iako reprodukcija i ukrtanje generalno vode ga boljim rezultatima, oni ne donose nikakav nov kvalitet ili informacije na nivou bita. Kao izvor drugaijih vrednosti bita, koristi se mutacija bita sa malom verovatnoom , ime se sluajno izabrani bit u hromozomu invertuje. Kao i u prirodi, mutacija moe dovesti do degenerativnih jedinki (koje e proces reprodukcije/selekcije verovatno brzo eliminisati) ili do potpuno novog kvaliteta. Stepen mutacije treba paljivo birati jer je to operator sluajne pretrage.

1100110111 1100100111

PARAMETRI GA: Parametri koji definisu jedan genetski algoritam su navedeni ispod: N veliina populacije verovatnoa ukrtanja (crossover rate) verovatnoa mutacije

generacijski jaz (odreuje koliki procenat populacije e initi nove jedinke u sl. generaciji) Evaluaciona funkcija (ima istu ulogu kao i okruenje jedinke u prirodnoj evoluciji)

U sluaju jednostavnog genetskog algoritma, potrebno je osim evaluacione (fitnes) funkcije i naina kodovanja, specificirati i N veliinu populacije, pc verovatnou ukrtanja, pm verovatnou mutacije i G generacijski jaz (gap). Operatori reprodukcije, ukrtanja i mutacije se primenjuju na populaciji dok se ne dobije cela populacija potomstva. Ovo potomstvo moe biti mutirano nakon ukrtanja, zatim dobijeno ukrtanjem ali bez dodatnih mutacija ili samo odabrano za uestvovanje u narednoj generaciji ali bez ukrtanja ili mutacije. Generacijski razmak predstavlja deo populacije koji e biti zamenjen potomcima i dat je u kao . U procesu stvaranja potomstva se jedinki zamenjuje potomcima, dok se ostale prepisuju iz prethodne generacije.

Prilikom projektovanja genetskih algoritama potrebno je odluiti o velikom broju tehnikih pitanja. Neka od njih su: Kako formirati inicijalnu populaciju, kako izabrati terminacioni uslov, ta izabrati za evaluacionu (fitnes) funkciju, kako vriti reprodukciju (selekciju) jedinki, na koji nain vriti ukrtanje i mutaciju i dosta drugih pitanja. Uspenost GA kritino zavisi od odgovora na ova pitanja.

FAZE PROJEKTOVANJA GENETSKIH ALGORITAMA: Vrlo opta struktura genetskog algoritma koja podrazumeva iskljuivo poznavanje evaluacione funkcije koja svakom hromozomu pridruuje brojnu vrednost je data sledeim koracima: 1.Inicijalizuje se odreena populacija hromozoma 2.Evaluira se svaki hromozom u populaciji 3.Formiraju se novi hromozomi pri emu se za roditelje uzimaju ve postojei hromozomi, a primenom mehanizama mutacije i rekombinacije. 4.Obriu se neki od postojeih hromozoma kako bi ostavili prostora za potomke. 5.Evaluairaju se potomci i pridrue postojeoj populaciji. 6.Ukoliko je kriterijum za zaustavljanje zadovoljen, algoritam se zavrava. U protivnom, vraamo se na korak broj 3. Jedine veze izmeu ovako opte strukture genetskog algoritma i konkretnog problema koji se reava jesu u postupku kodiranja hromozoma (formiranja binarnog stringa) i evaluacione funkcije. Postupak kodiranja moe biti razliit i pokazano je da je binarno kodiranje optimalno. Sutina ovog dokaza lei u injenici da je bolje imati mnogo bita sa manjim brojem moguih vrednosti za svaki bit, nego imati mali broj bita sa veim brojem bitskih vrednosti. Evaluaciona funkcija, sa druge strane, uzima bitski zapis (hromozom) kao ulaznu promenljivu, a na svom izlazu generie kriterijum performanse koji se pridruuje tom hromozomu. Evaluaciona funkcija u

genetskim algoritmima zapravo igra istu ulogu koju ima okruenje u prirodnoj evoluciji. Interakcija izmeu individue sa okruenjem pokazuje meru kvaliteta hromozomskog reenja.

PROJEKTOVANJE EVALUACIONE (FITNES) FUNKCIJE: Fitnes funkcija treba da zadovolji bar dva uslova: da se moe upotrebiti u algoritmu GA i da oslikava vezu sa stvarnim problemom koji elimo da optimizujemo (vezu sa objektivnom funkcijom). Prvi uslov se svodi na to da je fitnes funkcija nenegativna. Drugi uslov je posledica toga to GA koristi samo fitnes funkciju kao vezu sa stvarnim problemom i u krajnjoj liniji GA e optimizovati ono to od njega traimo, tako da fitnes funkcija treba da dobro reprezentuje objektivnu funkciju bar u delu prostora pretrage u kojima oekujemo reenja.

PRILAGOENJE FITNES FUNKCIJE: Najjednostavnije prilagoenje objektivne funkcije g je odsecanje. U sluaju da se eli minimizirati funkcije g odabir fitnes funkcije f je prikazan na slici koja sledi:

U sluaju maksimizacije funkcije g, odabir fitnes funkcije f prikazan je na slici ispod:

SKALIRANJE FITNES FUNKCIJE:

U procesu selekcije, verovatnoa odabira jedinke je direktno proporcionalna vrednosti fitnes funkcije date jedinke. Ovim se dobija da bolje jedinke imaju veu prednost u odnosu na one loije. Ponekad je meutim dinamika fitnes funkcije takva da daje isuvie veliku prednost boljim jedinkama. Drugaije ponaanje GA se dobija ako su verovatnoe selekcije za neke dve jedinke 0.7 i 0.2 nego ako su 0.98 i 0.03. U drugom sluaju se ne daje gotovo nikakva ansa loijoj jedinki. Ovako velika dinamika fitnes funkcije moe dovesti do efekta super jedinki, to je naroito loe u poetnim fazama GA. Ukoliko postoji jedinka ija je fitnes funkcija znaajno vea u odnosu na ostale jedinke, ova jedinka e dominirati i praktino e unititi mogunost za otkrivanje potencijalno dobrih drugih delova prostora pretrage. Bitno je dopustiti i loijim jedinkama da opstanu u ivotu kako bi one moda evoluirale u znaajno bolje jedinke u drugim delovima prostora pretrage i time otkrile bolji lokalni maksimum. Jedan od osnovnih kompromisa GA je izmeu brzine konvergencije i dela prostora obuhvaenog pretragom.

Super jedinke u ranoj fazi GA dovode do preuranjene konvergencije ali mogueg mimoilaenja globalnog ekstrema, to je posledica smanjenja raznolikosti usled dominacije super jedinke. Kao reenje ovog problema pogodno je skalirati fitnes funkciju f tako da se dobije pogodnija fitnes funkcija

Koeficijenti a i b se biraju tako da je srednja vrednost funkcija

ista:

i da je:

gde je Cmax odabrana konstanta. Konstantom Cmax se moe kontrolisati oekivani broj najboljih jedinki koji se odabira za uee u narednoj generaciji. Npr. ukoliko je Cmax=1.2 oekivani broj najboljih jedinki koji se odabira za sledeu generaciju je 1.2. Nakon skaliranja mogue je da se dobiju negativne vrednosti fitnes funkcije, koje je potrebno zatim postaviti na vrednost 0.

FITNES FUNKCIJA I NEDOZVOLJENA STANJA: Tipian situacija u praktinim problemima je da nisu dozvoljena sva stanja iz neke oblasti prostora pretrage. Ovakvi problemi se najee reavaju dozvolom da se promenljiva nae u nedozvoljenoj oblasti ali modifikovanjem fitnes funkcije tako da se vri kanjavanje ili penalizacija ukoliko je promenljiva u nedozvoljenoj oblasti. Vrednost fitnes funkcije se moe postaviti na 0 u nedozvoljenim delovima prostora pretrage (zeleni grafik na slici koja sledi), a mogue je i penalizovati nivo naruavanja nekog uslova (plavi grafik na istoj slici). Na primer, ukoliko je potrebno maksimizovati funkciju g(x), sa ogranicenjem , tada problem moemo svesti na maksimizaciju funkcije f(x): gde je penalizaciona funkcija, a r koeficient penala. Primer penalizacione funkcije je , za sve i.

IZBOR NAINA KODIRANJA: Kako svi operatori GA funkcioniu na kodiranim hormozomima, to je nain kodiranja jedan od kljunih izbora pri projektovanju GA koji e odrediti mogunost ostalih operatora da efikasno vre ono za ta su projektovani. Za bolje razumevanje uticaja operatora GA na performanse GA u odnosu na nain kodiranja, definisan je pojam ema. eme su abloni koji opisuju skup kodovanih jedinki. Npr. na skupu gde su sve jedinke predstavljene sa 5 bita, ema *110* predstavlja skup svih jedinki kojima su biti na pozicijama 2 do 4 jednaki sa 110, dok za bite na poziciji 1 i 5 nije bitna vrednost, dakle skup {01100, 01101, 11100, 11101}. Duina eme se definie kao rastojanje izmeu prvog i poslednjeg fiksiranog bita, npr. , se definie kao broj fiksiranih bita u emi, npr.

Red eme

Primetimo da eme velike duine imaju velike anse da budu unitene rekombinacijom, a da eme velikog reda imaju velike anse da budu unitene

mutacijom. Zbog toga se defineu eme malog reda i male duine, koje imaju natprosene vrednosti fitnes funkcije - gradivni blokovi (building blocks). Oni imaju najvie anse da preive. Ovo je dokazano u vidu ema teoreme ili Fundamentalne teoreme GA.

Fundamentalna Teoremom GA: Broj jedinki gradivnih blokova se eksponencijalno poveava u narednim generacijama. Hipoteza gradivnih blokova tvrdi da se optimalno reenje moe rastaviti na gradivne blokove i da se gradivni blokovi kombinuju tako da konvergiraju optimalnom reenju.

IZBOR NAINA REPRODUKCIJE - SELEKCIJA: Osnovni zadatak selekcije je da obezbedi da bolje jedinke imaju veu ansu da preive. Veina strategija su elitistike, to znai da garantuju boljim jedinkama sigurno mesto u narednoj generaciji. Znaaj elitistikih strategija selekcije se moe videti na primeru sa slike koja sledi. Oznaena jedinka je meu boljima u populaciji i po svemu sudei bi trebala da vodi do nalaenja globalnog maksimuma. U sluaju rulet selekcije, ova jedinka moda ne bi bila odabrana u narednu generaciju i time bi mogue globalni maksimum ostao dugo neotkriven (do neke znaajnije mutacije) jer bi dominirale jedinke oko lokalnog maksimuma. U sluaju elitistike strategije, ova jedinka bi ostala u igri sve dok je meu boljima u celoj populaciji (ali bi time smanjila broj mesta za jedinke koje pokuavaju da nau neke druge pogodnije delove prostora pretrage). Elitistike strategije ubrzavaju konvergenciju na raun globalne perspektive, ali u proseku ini se da poboljavaju performanse GA.

Elitizam predstavlja nain selekcije u kome se neki broj najboljih jedinki direktno kopira u narednu generaciju. Deterministiki odabir se vri tako to se svakoj jedinki garantuje onoliko kopija koliki je oekivani broj odabira te jedinke u procesu roulet-wheela. Dakle, za jedinku i bira se garantovanih kopija (pri emu se vri odsecanje razlomljenog dela). Preostali broj jedinki se bira po redu od najboljih jedinki ka gorim.

Odabiranje ostataka sa zamenom se razlikuje od prethodne samo po odabiru preostalog broja jedinki. U ovom sluaju se one biraju tako to razlomljeni (decimalni) delovi oekivanog broja kopija uestvuju u ponovnom rulet algoritmu. Npr. ukoliko je oekivani broj 2.73 jedinke, garantovane su 2 kopije jedinke, dok u rulet algoritmu ova jedinka uestvuje sa brojem 0.73.

Odabiranje ostataka bez zamenom se razlikuje od prethodne samo po odabiru preostalog broja jedinki. U ovom sluaju se one biraju tako to razlomljeni (decimalni) delovi oekivanog broja kopija predstavljaju verovatnou da e jedinka dobiti jo jednu kopiju vie u odnosu na garantovani broj jedinki. Npr. ukoliko je oekivani broj 2.73 jedinke, garantovane su 2 kopije jedinke, dok je verovatnoa da e ova jedinka imati 3 kopije jednaka 0.73. Rangiranje predstavlja proces u kome se vri anuliranje loe dinamike fitnes funkcije, tako to se jedinke biraju samo na osnovu ranga u celoj populaciji. Npr. najbolja jedinka dobija 3 kopije, sledeih 10 najboljih 2 kopije, narednih 20 najboljih 1 kopiju i ostali nijednu. Turnir je nain selekcije u kome se sve jedinke podele u k grupa na sluajan nain i iz svake grupe izabere po jedna najbolja jedinka. Zatim se ovaj proces ponavlja dok se ne izaberu sve jedinke. Slino rangiranju, ovim se donekle vri kompenzacija loe dinamike fitnes funkcije jer verovatnoa izbora jedinke ne zavisi od apsolutne vrednosti fitnes funkcije nego od ranga meu ostalim jedinkama.
Dodavanje sluajnih jedinki je jedan od retkih metoda selekcije koji nije elitstiki i koji dodavanjem sluajno generisanih jedinki tei da povea raznovrsnost cele populacije. esto se vri i kombinacija opisanih metoda selekcije, npr. u poetku se vri selekcija sa blaim elitizmom i dodavanjem sluajnih jedinki kako bi se poveala raznovrsnost, dok se kasnije (kada su ve ustanovljeni pogodni delovi prostora pretrage) vri prelazak na elitistikije metode selekcije kako bi se ubrzala konvergencija.

IZBOR NAINA UKRTANJA REKOMBINACIJA: Do sada smo pokazali ukrtanje u kome se vri razmena hromozoma na samo jednom mestu:

Jedan od nedostataka ukrtanja na jednom mestu je sledei: pri ukrtajnu dva

hromozoma iji su gradivni blokovi podvueni, ni na jedan nain se ne mogu iskobinovati gradivni blokovi oba hromozoma i dobiti jo bolja jedinka. Ovaj problem se moe reiti ukrtanjem na vie mesta (multi point crossover), to je ilustrovano na slici koja sledi:

Problem ukrtanja na vie mesta je poveava anse za razgradnju gradivnih blokova. Jedan od estih metoda je i uniformno ukrtanje. Kod ovog tipa ukrtanja se razmenjuju samo biti hormozoma koji su odreeni sluajno generisanom maskom:

Roditelji Deca 1011001000 1001001001 10 10 0001111101 0011111100 11 11 0010001001 00 Maska

IZBOR NAINA MUTACIJE: Mutacije je kljuni faktor u dobijanju novog kvaliteta. Prevelika mutacija moe meutim degradirati performanse GA usled este mutacije dobrih jedinki. Na sledeoj slici su prikazani scenariji bez (dovoljne) i sa mutacijom. Prikazane su vrednosti najboljih jedinki u populaciji u prostoru pretrage. Mutacija je u drugom sluaju dovela do trenutnog pogoranja situacije ali na raun otkrivanja globalnog maksimuma. U drugim sluajevima mutacija moe dovesti do pogoranja situacije koja nee doneti nikakav novi kvalitet. Mali stepen mutacije dovodi do bre konvergencije lokalnom maksimumu, a vei stepen mutacije vodi ka veem pokrivanju prostora pretrage, dok veliki stepeni mutacije vode ka algoritmima pretraga na sluajan nain.

Bit inverzna mutacija je tip mutacije koji je do sada razmatran, gde se sluajno izabrani bit u hromozomu invertuje. Uniforma i neuniformna mutacija se odnose na mutacije gde se vrednost mutiranog simbola dobija iz neke sluajne raspodele. Npr. ako je oekivano da optimalno reenje ima male vrednosti simbola, mogu se mutirane vrednosti birati iz raspodele koja ima takav neki oblik. Mutacija centar i krajevi mutira neku taku tako da joj menja koordinatu na maksimalnu moguu, minimalnu moguu ili na aritmetiku sredinu ove dve. Cilj ove mutacije je to vee poveanje raznovrsnosti populacije (razbacivanje u granine delove prostora pretrage). Mutacija je najefikasnija u poetnim fazama kada treba ustanoviti plodne delove prostora pretrage rasprivanjem jedinki po to veem delu prostora stanja, dok u kasnijim fazama moe moe usporiti GA zbog unitavanja dobrih jedinki. Nonuniform decay je princip po kome se nakon nekog trenutka ( praga slabljenja) verovatnoe mutacije smanjuje:

gde je:

verovatnoca mutacije prag slabljenja redni broj generacije

POVEANJE RAZNOVRSNOSTI POPULACIJE SHARING:

Jedan od procesa u prirodi koji poveava verovatnou preivaljanja neke vrste je specijalizacija. Vrste koje su specifinije i koje se razlikuju od veine imaju bar po neemu veu ansu da preive (ako sve ivotinje u nekom regionu jedu travu, one koje ne jedu su verovatno u prednosti po pitanju nalaenja hrane). Ovo dovodi do poveanja raznovrsnosti (diversity). U prirodi neke od specijalizovanih vrsta jednostavno izumru,

dok neke budu uspene i prevladaju. Jedan od naina modelovanja ovih mehanizama u sklopu GA se ogleda u uvoenju sharing funkcije. Cilj sharing funkcije je da modifikacije

fitnes funkcije dozvoli jedinkama koje su razliite od veije jedinki (koje poveavaju diversity, koje su specifine) da opstanu iako nisu meu najboljima. Ovo se najee realizuje korienjem Hamming-ovog rastojanja dve binarne sekvence. To rastojanje predstavlja broj bita na kojima se ove sekvence razlikuju. Hamming-ovo rastojanje hromozoma 10110 i 10011 je d(10110, 10011)=2. Sharing funkcija s(d( )) se bira tako da opada sa porastom Hamming-ovog rastojanja d( )), jer manja vrednost sharing funkcije znai i manje slinosti:

Uticaj sharing funkcije na evaluacionu funkciju, ime dobijamo modifikovanu evaluacionu funkciju, dat je sledeim izrazom:

Sledi da jedinke koje se nalaze u istoj okolini smanjuju meusobno vrednost svojih fitnes funkcija. Kao rezultat dobijamo ogranienje nekontrolisanog rasta odraene vrste unutar populacije. Rezultati bez i sa upotrebom sharing funkcije su dati na slici koja sledi:

PRAKTINI PROBLEMI U PROJEKTOVANJU: Neki od najeih praktinih problema u projektovanju GA su naznaeni ovde: Generisanje moguih reenja. Nekada nije trivijalno nai inicijalnu populaciju. Problem moe biti u pronalaenju bilo kakvih validnih jedinki ili moe biti u nemogunosti da se izabere inicijalna populacija koja relativno ravnomerno prekriva prostor pretrage. Merenje kvaliteta jedinki. Vrlo esto je izraunavanje fitnes funkcije na nekoj od jedinki iz populacije dugotrajan proces koji umnogome usporava kompletan GA. U praktinim sluajevima, evaluacija jedinki se vrlo verovatno vri pokretanjem posebne simulacije koja ima za cilj nalaenjem parametara koji su od vanosti za reavani problem. Podeavanje parametara. Izbor velikog broja parametara GA drastino utie na performanse: brzinu konvergencije i relevantnost naenog reenja. HIBRIDIZACIJA: Hibridizacija je spoj GA i specijalizovanih optimizacionih metoda razvijenih za razne specifine oblasti. Ideja je da GA preuzme ulogu globalne pretrage, dok bi nakon nalaenja oblasti gde se nalaze maksimumi optimizaciju preuzeli specijalizovani algoritmi razvijani nezavisno od GA za tu specifinu oblast. Tipini rezultati sa i bez hibridizacije prikazani su na slici koja sledi: Hibridizacija GA metodom simuliranog kaljenja (simulated annealing) mogla bi da znai modifikaciju mutacije i rekombinacije tako da se one vre samo ukoliko su rezultujue jedinke zadovoljavajueg kvaliteta.Mutacija ili rekombinacija bi bile dozvoljene ako je novodobijena jedinka bolja od polazne jedinke. U poetku izvravanja ovog algoritma bi bile dozvoljene i novodobijene jedinke koje su gore od polazne jedinke sa veom verovatnoom da budu prihvaene, dok bi kasnije ova verovatnoa opala i gore jedinke bi tee bile prihvatane. Ovime se postie efekat poveanja raznovrsnosti u ranim fazama (globana pretraga GA) i efekat simuliranog kaljenja kasnije (lokalna pretraga).

GENETSKO PROGRAMIRANJE:
Genetsko programirajne je podvrsta GA koja je specijalizovana za traenje reenja u vidu algebarskih izraza. Dok su opisani GA uglavnom prilagoeni nalaenju optimalne take u viedimenzionalnom prostoru stanja, GP ima mogunost da kao reenje vrati itav izraz, npr. . Za definisanje problema GP potrebno je odrediti skup terminala i skup funkcija ili operacija. Terminali predstavljaju objekte koji se mogu pojavljivati u reenju Funkcije ili operacije su problema, npr. funkcije koje se mogu izvravati nad terminalima ili drugim funkcijama ili operacijama. Primeri funkcija su

, , , i slino. Kodovanje kod GP se vri u vidu drveta u ijim vorovima su funkcije, a u listovima drveta su terminali. Primer jednog drveta koje predstavlja funkciju dat je na slici ispod:

Ukrtanje se vri tako to se razmene dva poddrveta dva izabrana drveta (roditelja), to je prikazano na narednoj slici:

Mutacija se vrti mutiranjem terminala i funkcija, i u nekim sluajevima produbljivanjem ili skraenjem poddrveta. Kod mutacije treba voditi da se zadovolji uslov n-arnosti funkcije, npr. da IFLTE vor ima zaista 4 podstabla.

ZAKLJUAK: Genetski algoritmi predstavljaju stohastike optimizacione metode za reavanje problema. GA se razlikuju od uobiajenih optimizacionih metoda. Prvo, GA manipuliu sa velikim brojem stringova, traei vei broj lokalnih maksimuma u paraleli. Primenjujui mehanizme genetskih algoritama, razmenjuju se informacije o ovim lokalnim maksimuma, sa ciljem da se algoritam ne zavri u jednom od njih, ve da se meu njima prepozna onaj koji je istovremeno i globalni maksimum. Druga znaajna razlika jeste da ovi algoritmi rade sa kodiranim vrednostima argumenata a ne sa samim argumentima. Trea, vrlo znaajna razlika jeste da GA zahtevaju samo poznavanje evaluacionih funkcija, a ne i njenih izvoda. Konano, poslednja razlika lei u injenici da je trajektorija pretraivanja stohastika, ne moe se predvideti. Primenjujui operacije genetskih algoritama, ovo pretraivanje efikasno ispituje delove prostora u kome lee argumenti funkcija koje se optimiziraju, sa velikom verovatnoom poveanja kriterijumske funkcije.