Искусство в IT-технологиях...

Тавридович Станислав Александрович. Оптимизация WEB-сайта интернет-магазина с использованием генетического алгоритма, 2004

3.3.5. Генетические алгоритмы

Идея генетических алгоритмов заимствована у живой природы и состоит в организации эволюционного процесса, конечной целью которого является получение оптимального решения в сложной комбинаторной задаче.
Разработчик генетических алгоритмов выступает в данном случае как «создатель», который должен правильно установить законы эволюции, чтобы достичь желаемой цели как можно быстрее. Впервые эти нестандартные идеи были применены к решению оптимизационных задач в середине 70-х годов XX века. Примерно через десять лет появились первые теоретические обоснования этого подхода.
На сегодняшний день генетические алгоритмы доказали свою конкурентоспособность при решении многих оптимизационных задач и особенно в практических приложениях, где математические модели имеют сложную структуру и применение стандартных методов типа метода ветвей и границ, динамического и линейного программирования крайне затруднено1.
предыдущий следующий
= К содержанию =


3.3.5. Генетические алгоритмы - релевантная информация:

  1. Задачи исследования
    генетических алгоритмов, ¦ математический аппарат линейной алгебры, * моделирования оптимизационных процессов в информационных
  2. Научная новизна исследований
    генетических алгоритмов. Методика оптимизации информационной структуры адаптивного корпоративного сайта. Интерактивные инструментальные средства моделирования корпоративного сайта и алгоритм их применения для анализа его информационной структуры с целью повышения эффективности сайта и поддержки принятия решений корпоративного
  3. 1.1.2. Специфика маркетинговой деятельности корпорации в информационном обществе
    генетические алгоритмы как средство оптимизации базы знаний. Способ формирования информационного потребления базируется на широкой доступности современных информационных технологий и, прежде всего, средств Internet. В этой связи корпоративный сайт является точкой доступа к информационным ресурсам Internet и средством воздействия на потребителя с целью формирования необходимого для корпорации
  4. 1.2.2. Оптимизация сайта с целью повышения эффективности маркетинговой деятельности корпорации
    генетических алгоритмов (ГА) позволяет считать НС, НЛ и ГА перспективной базой для систем интеллектуального анализа данных. Причем последние ориентированы на решение задач оптимизации, в то время как НС и НЛ - задач анализа и выявления скрытых закономерностей в нечетких и не вполне достоверных данных. Основным достоинством ЭС является «прозрачность» процесса формирования базы знаний в виде
  5. Обучение НС с использованием генетического алгоритма
    алгоритм оптимизации весов связей [85] включает обязательные этапы: выделения хромосом в структуре НС, задания целевой функции для осуществления отбора отдельных вариантов НС в процессе их эволюции, Наибольшее распространение для адаптации многослойных нейронных сетей с прямыми связями получил метод обучения с учителем, а самой популярной реализацией данного метода является алгоритм обратного
  6. Обучение НС по алгоритму обратного распространения ошибки
    генетических операторов для моделирования эволюции, как правило, скрещивание и мутация. Сначала нумеруют все узлы нейронной сети (рис. 1.3), начиная с входного слоя, и размещают в квадратной матрице связей, число строк и столбцов которой равно количеству узлов в НС. Каждый элемент матрицы соответствует отдельной межнейронной связи и равен значению веса связи. Для отсутствующих межнейронных связей
  7. 1.3.3. Гибридные системы для анализа информации
    генетических алгоритмов [3, 47, 95], которые составляют основу мягких вычислений. Перечисленные средства являются основными компонентами гибридных интеллектуальных систем, способными к извлечению знаний даже в условиях неполной достоверности и наличии неточных данных. Гибридные интеллектуальные системы являются комбинацией по крайней мере двух различных интеллектуальных технологий [94 - 96].
  8. Нейро-экспертные системы
    генетических операторов для моделирования эволюционных процессов, как правило, пересечения и мутации (рис.1.4). Эволюционные вычисления могут использоваться для отбора нечетких правил при решении задачи классификации: числовые данные, находящиеся в таблицах нечетких правил, используются для формирования полной системы нечетких правил IF-THEN, генетический алгоритм - для выбора ограниченного
  9. Выводы по главе 1
    генетические алгоритмы как средство оптимизации базы знаний. Показано, что для придания корпоративному сайту адаптивных свойств необходимо привлечение современных интеллектуальных средств. При решении экономических задач, для которых характерно наличие неполной и недостаточно достоверной информации, хорошо зарекомендовали себя системы интеллектуального анализа данных. Нейронные сети, системы
  10. 2.4.2. Алгоритм обучения НС с нечеткими связями в составе корпоративного сайта
    генетических алгоритмов, причем в качестве отдельной хромосомы (как вариант, гена в хромосоме) можно рассматривать отдельную нечеткую связь, случайно выбранные составляющие которой -гены (связи с различными значениями истинности, образующие семантику нечеткой связи) меняются местами (кроссовер) в соответствии с конкретным эволюционным