Využití umělých neuronových sítí k řízení genetických algoritmů

Abstract

Genetické algoritmy jsou jedny z nejvíce flexibilních optimalizačních metod. Mají minimální požadavky na zadání, a tedy jsou schopny řešit široké spektrum úloh. Tato flexibilita je však místy vykoupena nižší efektivitou. Ve srovnání s více specializovanými metodami se genetické algoritmy obvykle ukazují méně výkonné. Tato práce zkoumá možnosti jak navýšit jejich efektivitu pomocí řízení umělou neuronovou sítí. Je v ní popsán způsob řízení běhu genetického algoritmu pomocí samoorganizující mapy. Práce obsahuje návrh algoritmu, pokusnou implementaci a sérii testů, která má za úkol ověřit jeho účinnost. Ukazuje se, že i když výsledky na benchmarkových funkcích poukazují na jisté pozitivní vlastnosti algoritmu, výsledky na úlohách vyšší složitosti jsou méně optimistické.

Genetic algorithms are some of the most flexible among optimization methods. Because of their low requirements on input data, they are able to solve a wide array of problems. The flexibility is balanced by their lower effectiveness. When compared to more specialized methods, their results are inferior. This thesis examines the possibility of increasing their effectiveness by means of controlling their run by an artificial neural network. Presented inside are means of controlling a run of a genetic algorithm by a self-organizing map. The thesis contains an algorithm proposal, a prototype implementation of such algorithm and a series of tests to assess its efficiency. While the results on benchmark functions show some positive properties, the problems of greater complexity yield less optimistic results.