Эволюционирующий генетический алгоритм
Общие вопросы программированиягенетические алгоритм дерево иерархия изменяющаяся структура методы оптимизации
Имеется архитектура построенная на базисе состоящим из небольшого числа операторов, у каждого оператора есть небольшое количество числовых параметров (variables), но у каждого свое количество. Результат строится комбинирую различные операторы в иерархическое дерево, где вершина дерева является результатом. Я знаю, что существуют методы оптимизации и генетические алгоритмы, но они работают когда количество параметров (variables) не меняется, но в этой задаче количество параметров меняется из-за добавление новых элементов в существующее дерево. По сути алгоритм поиска решения бесконечен, необходимо лишь найти несколько приблеженных решений (несколько минимумов), каждый оператор имеет определенный вес нежелательности добавления в дерево и решение характеризуется соотношением достигнутой точностью деленной на суммарный вес нежелательности, поэтому дерево может расти в глубину. Примерно как в шахматах, решение можно искать бесконечно, но через определенное время надо выдать наиболее выгодный из найденных результатов. Изначально дерево состоит из одного вспомогательного оператора, который сравнивает достигнутую точность.
Вопрос: Существуют ли научные работы по данный задаче, когда количество параметров генетического алгоритма должно меняться и какие операторы с учетом их веса нежелательности и куда стоит их вставлять в дерево?
Возможно я немного неправильно изложил задачу, поэтому если что-то схожее слышали, видели, читали.
Вопрос: Существуют ли научные работы по данный задаче, когда количество параметров генетического алгоритма должно меняться и какие операторы с учетом их веса нежелательности и куда стоит их вставлять в дерево?
Возможно я немного неправильно изложил задачу, поэтому если что-то схожее слышали, видели, читали.
Возможно не совсем правильно понял, но в чем трудность с изменением размера хромосомы у определенной популяции? Если сформулировать какое-либо условие (которое зависит скорее всего от конкретной задачи), опираясь на которое необходимо вводить дополнительные параметры в задачу, то в момент исполнения этого условия всем особям популяции просто увеличивать хромосому, таким образом внедряя дополнительные параметры в систему (в этом случае конечно надо еще продумать инициализацию "достроенной" части, но это не очень сложно и зависит от задачи).
Кроме того, есть саморазвивающиеся нейронные сети, есть алгоритмы модификации структуры сети на основе алгоритма обратного распространения. Я в своей работе однажды использовал такую сеть, так что могу привести алгоритм модификации подробно. Правда он был адаптирован только для скрытых слоев, но думаю при небольшой модификации позволит и входной слой модифицировать.
Кроме того, есть саморазвивающиеся нейронные сети, есть алгоритмы модификации структуры сети на основе алгоритма обратного распространения. Я в своей работе однажды использовал такую сеть, так что могу привести алгоритм модификации подробно. Правда он был адаптирован только для скрытых слоев, но думаю при небольшой модификации позволит и входной слой модифицировать.