Page 32 - 4521

В деяких випадках застосовується альтернативна формула:

exp( f / ) (i T )
p 
exp( f / ) (i T )
(1.6)
де — середнє по популяції на ітерації з номером t. Якщо p

опиниться більше випадкового числа на інтервалі (0; 1), то
особина f(i) потрапить в нову популяцію.
У даному методі першим поколінням відповідають ви-
сокі температури, і вірогідність відбору особин велика (під-
тримується різноманіття в новій популяції). Поступово із зрос-
танням кількості поколінь ГА температура знижується, вірогі-
дність відбору зменшується і в нову популяцію потрапляють ті
особини, пристосованість яких мінімальна. Даний метод від-
бору використовується для вузького класу завдань (наприклад,
знаходження основного стану спінових стекол).

1.7 Різноманітність генетичних алгоритмів
Слід зазначити, що в даний час ГА — це цілий клас ал-
горитмів, направлений на вирішення різноманітних завдань.
Прикладами різних ГА можуть бути наступні алгоритми.

1.7.1 Канонічний ГА

Дана модель алгоритму є класичною. Вона була запро-
понована Джоном Холландом в його роботі [8]. Згідно їй, по-
пуляція складається з N хромосом з фіксованою розрядністю
генів. За допомогою пропорційного відбору формується про-
міжний масив, з якого випадковим чином вибираються два
батько. Далі проводиться одноточковий кросинговер, і створе-
ні два нащадки мутують (одноточкова мутація) із заданою ві-
рогідністю. Нащадки, що мутують, займають місця своїх бать-
ків. Процес продовжується до тих пір, поки не буде досягну-
тий критерій закінчення алгоритму.

31