资料库行销基因演算法.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * 資料庫行銷 基因演算法 授課教授 周世玉 教授 研究生 包栯綺 王常翰 葉家祺 大量借用自生物領域，建立在類比生物思考過程上 似進化過程- 物競天擇，適者生存 　? 增加個體對環境的適應性來解決問題，即考慮個體加權數，用在訓練過程，若得到的適應性越高，則可視為基因演算法的預測能力越高 被應用在三個領域：訓練類神經網路(最常被應用)、生成記憶基礎理解的評分函數、排程的最適化功能 基因演算法 (Genetic Algorithms) 與自然界不同的是，母群體的數量是保持恆定，即該群體不致滅種 規則導向，而非資料導向 　?在同一個函數中加入許多限制條件做最適化運算 在資料採礦及資料分析上並不普遍，因為資料採礦著重分類、預測，而不是最適化 如果問題中的限制比變數還多時，基因演算法是個好工具 特性 1950 生物學家和電腦學家合作，模擬基因運作 1960初 學者電腦化的遺傳學- 染色體、基因、配 對基因、適配函數，應用到其他領域 　　　　　(約翰 賀藍) 1967 論文描述最適化技術，但過於倚賴隨機選 　　　　　擇而受質疑 1970 發展出這項技術的理論基礎，即如何運作 基因演算法的演進過程 1.設定問題 　?定義基因組及適配函數，創造第一代基 　　因組(五位元基因參數，ex: 01111) 2.藉由選擇、交配及突變來修訂起始群體 3.重複步驟2，直到這個群體不再進步為止 　?藉由適配函數的值不斷改善，得到一個基　　 　　因組及一組適配值 基因演算法的過程 案例 配適函數 (fitness function): 31p-p2 , p為0~31的整數 F.O.C 令f’(p) = 31- 2p=0 p=15.5 ?15,16 S.O.C f” (p) = -2 0 ? 有最大值 將母體中適者的基因組最大化 選擇 (selection) 三個運算元修訂起始群體 保持母體個數不變 (物種不滅)，但新 一代的適合度會比 上一代更好。 有較高的適合度基因 會存活(深色)，增殖 而陰影部份的基因死 亡 三個運算元修訂起始群體 交配 (crossover) 突變 (mutation) 2 個基因結合的方式。 基因交配的位置決定了 基因分裂與再度重組 基因在某個位置上突然 的改變，這會出現與原 先母體不曾有過的特徵 37.4% 31.8% 18.5% 12.3% 基因 p 適配度 母體適配值的百分比 期望子代數 10110 22 176 37.40% 1.50 00011 3 87 18.50% 0.74 00010 2 58 12.30% 0.49 11001 25 150 31.80% 1.27 生存是建立在依照比例再任意 選擇基因組的基準上 在輪盤上，各個基因組所佔的 面積與其適配值成正比(輪盤法則) 被選中的機率=176/471 = 37.4% x 4 = 31*22-222 平均配適度471/4= 117.75 選擇過程 基因 　 適配度 10110 176 11001 150 00010 58 10110 　 176 平均配適度117.75? 140 提升22.25 基因 　 適配度 10110 176 00011 87 00010 58 11001 　 150 被選中的機率較低 被選中的機率較高 基因 p 適配度 10010 17 238 11001 25 150 00110 6 150 10110 22 176 基因 　 適配度 10110 176 11001 150 00010 58 10110 　 176 平均配適度 117.75? 178.5 提升60.75 新產生的基因組 ?子嗣 (children) 隨機決定是否交配基因 ?交配機率 (crossover probability)　 選擇和交配後 選擇後 基因 p 適配度 10010 17 238 11101 29 58 00110 6 150 10110 22 176 基因 p 適配度 10010 17 238 11001 25 150 00110 6 150 10110 22 176 突變可以改善物種適應性， 但也往往是毀滅性的結果。 178.5? 155.5 降低 23，但比起起始的母群體，仍提升37.75 小結 基因演算法的主要方式是選擇與交配，突變是次要因素，為的是避免過早得到最適化(局部)的結果。 基因演算法作為資料採礦的工具之一，最佳的解決方案不一定