机会发现为基础的探索力遗传演算法之研究.pptVIP

機會發現為基礎的探索力遺傳演算法之研究 林文修* 王鼎元 輔仁大學資訊管理學系所 wslin@im.fju.edu.tw 摘要(1/2) 遺傳演算法(Genetic Algorithms, GA)在許多領域的複雜問題求解上，已經展現其優越的能力，尤其在非線性複雜的單目標或多目標問題(multiple objective)的問題求解策略(problem solving Strategies)，具有多點平行搜尋的求解效率，以及易於跳脫區域最佳解以求得近似最佳解的特性。 遺傳演算法雖然有數個重要的特徵，但是一些復雜的設計問題，必須花費比較長的時間來傳遞較滿意的結果(Jozwiak Postula, 2002)。 機會發現 (Chance Discovery)的目標就是在發現對於未來有影響的現象或特徵，這些現象或特徵被稱作機會 (chance)，但是「機會」卻隱含了「機會」或「風險」意涵(Prendinger Ishizuka, 2001)。「機會」指的是可以帶來令人滿意的影響，而「風險」就是指帶來潛在的威脅。 摘要(2/2) 本研究將機會發現(chance discovery)的概念運用到GA幾個重要的操作因子上，再利用基因工程(Genetic Engineering)以及一些創新的基因操弄技術，以加速改善遺傳演算法一些侷限性，希望能快速的提升其收斂效率與問題解答品質。換言之，本研究最主要的目的是： (1) 提出一些機會發現與基因工程結合運用的機制 (2) 檢驗機會發現與基因工程結合機制運於GA演化上，改善GA的效率及效果的可能性 (3)探索改良後的探索力遺傳演算法以解決NP-Hard problems (Nondeterministic Polynomial Hard)的績效 Introduction 在商業智慧的領域之中，機會發現是ㄧ個新穎的研究領域，良好的發展將會對商業智慧應用上有著重大的貢獻。藉由整合機會發現以及演化式計算能力，在輔以嶄新基因工程概念，並加入良好探索力的概念，將可發展出非常強大的演化式機會探索演算法。 由基因工程的概念，加上搜尋演化式的基因組塊的概念，搜尋良好的Building Block，利用良好的Building Block，將其試圖修改解答空間中的族群染色體，以半決定性或完全決定性目標導向的方式，使得族群可以朝向全域最佳解的方向收斂。跳躍式的搜尋空間中的Building Block，將良好的Building Block保存下來，作以演化式的Building Block演進。 研究架構 本研究共分為三大模組，分別為 基因運作模組(Genetic Operational Module) 基因組塊演化模組(Genetic Building Block Evolution Module) 基因工程模組(Genetic Engineering Module)。 基礎流程 由基因切片以及演化基因組塊模組，藉由與遺傳演算法進行互動 (1)首先由遺傳演算法模組產生初始族群 (2)再由基因切片模組進行內部基因組塊適應力分析，將良好的基因組塊保存下來，建構優良樣板 (3)樣板以一定比例修改適應值較差的族群染色體之中 (4)而後再由遺傳演算法之操作進行演化，不斷重覆此流程直到滿足終止條件。 模組流程圖 基因組塊演化模組 由三主要引擎所組成 (1)基因切片引擎 (2)組塊適應力引擎 (3)基因組塊儲存庫 族群染色體進入基因組塊分析模組之後，每一條染色體會經過基因切片引擎進行基因組塊分離的步驟，再將分離的基因組塊經由組塊適應力引擎進行評估，組塊適應力引擎將會計算出組塊的適應值，並將分離出來良好的適應值組塊交由基因組塊儲存庫做為保存。 基因儲存庫會將現階段每個屬性中，最優良的基因組塊保存起來，當一基因組塊其適應值大於基因保存模組當中，所保存的基因組塊時，基因保存模組當中的基因組塊將會被取代，如此一來就能夠不斷的朝良好之方向演化每個屬性的基因組塊。 研究流程架構 基因切片引擎示意 針對染色體進行基因切片的動作，依照問題特徵來做切片，將每個屬性特徵都切割出來，以進行下一步驟的分析。 組塊適應力引擎示意 將切割出來的問題特徵進行適應力的分析，此適用於屬性特徵彼此為獨立的狀況之下，將分離的基因組塊套入一設定的染色體進行適應力分析，在相同條件下來分析每個染色體中其基因組塊的適應力。 基因組塊儲存庫 基因工程模組示意 針對族群中適應值較差的族群個體進行一定比例的修補以及改造，而修補與改造的依據，將由基因組塊演化模組中的基因組塊儲存庫獲得，取得當代每個屬性的最佳組塊樣板，來進行族群中較差個體的改造，此其超越原始個體，成為當代最佳個體。 實驗對象 本研究主要目的，就是希望透過機會發現模組與基因工程微調模組的