1. Введение
2. Генетические алгоритмы (1)
3. Генетические алгоритмы (2)
4. Генетические алгоритмы (3)
5. Тренды
6. Полиномиальные тренды
7. Тригонометрические тренды
8. Нейронные сети
9. Метод наименьших квадратов
10. Метод обратного распространения ошибки
11. Множественная линейная модель
12. Нестандартный выпуск. Анкета
13. МЛМ. Пример расчета
14. RBF-сеть
15. Сеть встречного распространения
16. Первая интерполяционная формула Ньютона
17. МГУА (1)
18. Вторая интерполяционная формула Ньютона
19. Метод Брандона
20. МГУА (2)
21. Интерполяционные формулы Гаусса
22. Интерполяционные формулы Стирлинга и Лагранжа
23. МГУА (3)
24. МГУА (4)
25. Предварительная обработка данных (1)
26. Предварительная обработка данных (2)
27. Предварительная обработка данных (3)
28. Box-counting
29. Гетероскедастичность
30. Введение в нечеткую логику
31. Обобщённый метод наименьших квадратов
32. Прогнозирование с помощью функций с гибкой структурой
33. Автокорреляция
34. Дистрибутивно-лаговые модели (1)
35. Дистрибутивно-лаговые модели (2)
36. Дистрибутивно-лаговые модели (3)
37. Моделирование данных при помощи кривых для восстановления пробелов в таблицах (1)
38. Нестандартный выпуск. Анонс книги Цейтлина Н.А."Опыт аналитического статистика"
39. Алгоритм ZET
40. Алгоритм ZetBraid
41. Метод эволюционной кластеризации
42. Эволюционный метод восстановления пропусков в данных
43. Алгоритмы кластеризации класса FOREL

В   предыдущем выпуске  были закончены все подготовительные операции для генетического алгоритма. Сам алгоритм приведен в выпуске 2.  Выпуск 4 посвящен некоторым частным операциям, применяемым в ГА.  Во-первых, кроссовер может быть как одноточечным так и двухточечным и многоточечным (описание такого не встречалось, но теоретически вполне возможно, причем вариантов алгоритма - множество). Вероятности выбора родительских пар тоже могут определяться по-разному. Известны следующие способы [7]:  

• панмиксия, когда родители выбираются из популяции случайным образом, так что один родитель может составлять пару с самим собой или участвовать в нескольких   парах;      
• селекция, когда значения функции приспособленности родителей выше среднего значения  по популяции;                                                                                                      
• инбридинг, когда первый родитель выбирается случайным образом, а вторым родителем с большей вероятностью является член популяции ближайший к первому;                                                                                        
• аутбридинг, когда первый родитель выбирается случайным образом, а вторым родителем с большей вероятностью является член популяции наиболее далекий от первого;                                                                                     
• пропорциональный, когда родители выбираются с вероятностями, пропорциональными их значениям функции приспособленности.                 

Инбридинг и аутбридинг бывает генотипным и фенотипным. Существует также два механизма отбора членов новой популяции: элитный и отбор с вытеснением. В первом случае новая популяция состоит из наилучших членов репродукционной группы, которая объединяет в себе родителей, детей и мутантов. При отборе с вытеснением то, будет ли член репродукционной группы вноситься в новую популяцию, определяется не только величиной ее приспособленности, но и тем, есть ли в новой популяции особь с аналогичным набором хромосом. Вариантов алгоритмов ГА существует множество, но каждый год появляются новые и новые. Но появление лучшего все еще впереди. Может и Вы захотите поучаствовать в этом процессе. Больше информации, также программные фрагменты на сайте (здесь>>>).        

{Процедура мутации. P-вероятность мутации, Str_Mut1- начальная бинарная строка, Str_Mut2 - результат мутации, raz - размер бинарной строки}

Procedure Tgenetic.Mutation(var Str_Mut1,Str_Mut2:string;raz:integer);
var r1:real;sm1,s3:string;k:integer;
begin
r1:=random; sm1:=Str_Mut1;
if r1<P_mutation then begin
k:=random(raz-1)+1;
s3:=copy(sm1,k,1);
delete(sm1,k,1);
if s3='0' then insert('1',sm1,k) else insert('0',sm1,k);
Str_Mut2:=sm1;
end
else Str_Mut2:=Str_Mut1;
end;

{Процедура кроссовера. Par_1,Par_2 - родители-генотипы, Son - потомок, raz - размер бинарной строки, kk - случайное число, указывающее на точку деления} Procedure Tgenetic.Crossover(var Par_1,Par_2,Son:string;var raz:integer;var kk:byte);
var l:integer;c1,c2,P_1,P_2:string;r1:real;
begin
l:=length(Par_1);
kk:=random(raz-1)+1;
P_1:=Par_1;
P_2:=Par_2;
c1:=copy(P_1,kk,l-kk+1);
c2:=copy(P_2,1,kk-1);
delete(P_1,kk,l-kk+1);
delete(P_2,1,kk-1);
P_2:=concat(P_1,P_2);
P_1:=concat(c2,c1);
r1:=random;
if r1<0.5 then Son:=P_1 else Son:=P_2;
end;