Page 6 - 4521

ВСТУП

Генетичні алгоритми представляють собою один із оп-
тимізаційних методів. Як відомо, оптимізаційні завдання поля-
гають в знаходженні мінімуму (максимуму) заданої функції.
Таку функцію називають цільовою. Як правило, цільова функ-
ція — складна функція, залежна від деяких вхідних парамет-
рів. У оптимізаційному завданні потрібно знайти значення вхі-
дних параметрів, при яких цільова функція досягає мінімаль-
ного (максимального) значення. Існує цілий клас оптимізацій-
них методів. Умовно всі оптимізаційні методи можна розділи-
ти на методи, що використовують поняття похідної (градієнтні
методи) і стохастичні методи (наприклад, методи групи Мон-
те-Карло). З їх допомогою можна знайти екстремальне значен-
ня цільової функції, але не завжди можна бути упевненим, що
отримане значення глобального екстремуму. Знаходження ло-
кального екстремуму замість глобального називається перед-
часною збіжністю. Крім проблеми передчасної збіжності існує
інша проблема — час процесу обчислень. Часто точніші опти-
мізаційні методи працюють дуже довго.
Для вирішення поставлених проблем і проводиться по-
шук нових оптимізаційних алгоритмів. Запропоновані порів-
няно недавно — в 1975 році — Джоном Холландом генетичні
алгоритми (ГА) засновані на принципах природного відбору Ч.
Дарвіна. ГА відносяться до стохастичних методів. Ці алгорит-
ми успішно застосовуються в різних областях діяльності (еко-
номіка, фізика, технічні науки і тому подібне). Створені різні
модифікації ГА і розроблений ряд тестових функцій. Розгля-
нути як працюють ГА, і які проблеми залишаються недозволе-
ними — мета даної роботи.
Генетичні алгоритми відносять до області м'яких обчи-
слень. Термін «м'які обчислення» введений Лофті Заде в 1994
році. Це поняття об'єднує такі області, як нечітка логіка, ней-
ронні мережі, ймовірнісні міркування, мережі довіри та ево-
люційні алгоритми, які доповнюють один одного і використо-

5