Moderní evoluční algoritmy pro hledání oblastí s vysokou fitness

Abstract

Evoluční algoritmy jsou optimizační techniky inspirované vývojem biologických druhů v přírodě. Používají konceptuálně jednoduchý proces střídající dvě fáze, a to reprodukci a výběr na základě fitness, a iterativně tak vyvíjejí stále lepší řešení. Evolučním algoritmům je věnováno dost pozornosti díky jejich schopnosti řešit i velmi komplikované optimizační problémy, na kterých jiné optimalizační metody mohou selhat kvůli existenci mnoha lokálních optim. Různých typů evolučních algoritmů byla navrhnuta celá šíře. V této diplomové práci se budeme věnovat skupině algoritmů "EDA" (z anglického Estimation of Distribution Algorithms), tedy algoritmy odhadující pravděpodobnostní rozdělení. Ve fázi vytváření nové generace EDA odhadne z vybrané rodičovské populace pravděpodobnostní rozložení a novou generaci generuje na základě tohoto rozdělení. V této práci naimplementujeme a použijeme několik existujících EDA tak, aby pracovaly v dohodnutém specifickém prostředí, které lze zhruba charakterizovat jako stromovité struktury obsahující jak diskrétní, tak spojité veličiny. Navíc také pro jedince zavádíme další omezení ve formě lineárních nerovnic. Implementovaná aplikace je navržená pro komunikaci přes dohodnutá rozhraní, od nějž získává informace o modelu a o ukládání řešení do databáze. Do databáze se pak všem...

Evolutionary algorithms are optimization techniques inspired by the actual evolution of biological species. They use conceptually simple process of two repeating phases of reproduction and fitness-based selection, that iteratively evolves each time better solutions. Evolutionary algorithms receive a lot of attention for being able to solve very hard optimization problems, where other optimization techniques might fail due to existence of many local optima. Wide range of different variants of evolutionary algorithms have been proposed. In this thesis, we will focus on the area of Estimation of Distribution Algorithms (EDA). When creating the next generation, EDAs transform the selected high-fitness population into a probability distribution. New generation is obtained by sampling the estimated distribution. We will design and and implement combinations of existing EDAs that will operate in business-specific environment, that can be characterized as tree-like structure of both discrete and continuous variables. Also, additional linear inequality constraints are specified to applicable solutions. Implemented application communicates with provided interfaces, retrieving the problem model specification and storing populations into database. Database is used to assign externally computed fitness values from...