Использование эволюционных алгоритмов позволяет решать различные задачи оптимизации: навигационные задачи и задачи оптимизации управления подвижными объектами; задачи оптимизации нечетких баз знаний; задачи оптимизации простых функций; задачи оптимального распределения объектов; генетические алгоритмы широко используются в процессах принятия решений, в финансовых и экономических моделях.

Генетические алгоритмы (ГА) не гарантируют нахождение оптимального решения, но позволяют сделать ошибку крайне маленькой.

Перспективной и интенсивно развиваемой является двунаправленная интеграция ГА и нечеткой логики (НЛ) [1]. Она может быть создана таким образом, что принесет пользу обоим методам. Хорошо известно, что НЛ позволяет принимать решения в условиях неопределенности. Например, НЛ обеспечивает базис для представления различных форм знаний в неопределенных средах, позволяет моделировать взаимодействие переменных информационной системы. ГА дают возможность обучения, глобального и локального поиска. Объединению этих двух методов посвящено большое количество работ [2]. Такое объединение используется для оптимизации нечетких систем, для нейронных нечетких сетей, нечеткого информационного поиска и обработки баз данных, в нечетком распознавании образов и обработки изображений, в нечетких контроллерах (проектировании, обучении, настройке).

Интегрированная среда DSK-GEN предназначена для исследования различных вариантов генетических алгоритмов. Функционально ее можно разделить на следующие блоки: модель объекта, операционный базис, анализ результатов.

Модель объекта. Объект должен обнаружить элементы, произвольным образом расположенные на координатной плоскости размером 20? 20 клеток за заданное число шагов (шаг - переход на следующую клетку) [3].

Модель объекта задается:

• кодировкой исходной информационной системы;
• оценкой стратегий в популяции - при этом каждой задаче соответствует своя оценочная функция, в соответствии с которой формируются значения показателя качества каждой из стратегий. Моделирование поведения объекта в соответствии с заданной стратегией является неотъемлемой частью решения задачи и осуществляется в соответствии с установленной кодировкой.

Связующим звеном между блоком модели и блоком операционного базиса является задание следующих параметров: длины стратегии (числа состояний), количества стратегий в популяции, критерия качества и времени моделирования при оценке каждой стратегии. Для работы алгоритма также необходимо задать вариант схемы алгоритма, количество поколений (число шагов процесса оптимизации).

Операционный базис представляет собой набор генетических операторов, применяемых для решения той или иной задачи. Операционный базис не зависит от выбранной задачи. Задавая различные типы генетических операторов, схемы их применения, а также вероятности их выполнения, можно сформировать генетический алгоритм, в соответствии с которым будет осуществляться процесс оптимизации.

Важными параметрами генетических алгоритмов являются: размер популяции n, вероятность мутации, вероятность скрещивания. Небольшой размер популяции приводит к быстрой сходимости алгоритма, с другой стороны, слишком большой размер популяции имеет большое количество вычислений.

Для оценки алгоритмов использовались функции on-line и off-line, определенные в [4]:

On-line(T)=1/Tna _t=1^Ta _i=1ⁿ f(d_t,i);

Off-line(T)=1/Ta _t=1^Ta _i=1ⁿ f(d_t^*);

где f(d_t,i) – одно значение функции в одной популяции,

f(d_t^*) – лучшее значение в популяции.

Другими словами, on-line показывает среднее значение по всем функциям, а off-line – среднее значение по всем лучшим значениям популяций.

Тестирование проходило с усреднением результатов по 100 запускам, число поколений (число шагов) каждого запуска –100. Основные результаты следующие:

Тест 1. Результаты тестирования программы DSK-GEN подтвердили результаты [6], которые сравнили различные схемы селекции и пришли к выводу, что эффективность методов селекции примерно одинаковая.

Тест 3. Однородное скрещивание лучше, чем одноточечное и двухточечное и сравнимо с адаптивным однобитовым локальным скрещиванием, которое все же может дать несколько лучшие результаты, однако значительного улучшения не дает (результаты эксперимента совпадают с экспериментами [6]).

Тест 4. Алгоритм различных типов скрещивания с мутацией лучше алгоритма только с мутацией, особенно по характеристике on-line, которая считается наиболее показательной.

Тест 5. Использование алгоритмов только с оператором скрещивания приводит к быстрой сходимости далеко от оптимума, но находит подтверждение тот факт, что однородное скрещивание эффективнее одноточечного. Однако первые два варианта существенно хуже варианта с использованием только оператора мутации, который, в свою очередь, уступает вариантам алгоритма с использованием двух операторов - скрещивания и мутации.

Тест 6. Варианты схем генетического алгоритма (алгоритм с выполнением одноточечного скрещивания с последующей мутацией скрещенных стратегий; алгоритм с выполнением одноточечного скрещивания и мутацией остальных стратегий). Результаты эксперимента говорят о том, что схема 1 несколько лучше схемы 2 при одинаковых вероятностях скрещивания и мутации. Улучшения со схемой 1 возможны при увеличении интенсивности скрещивания и мутации.

На основании полученных результатов можно сделать вывод о том, что существует зависимость эффективности ГА от типа, схемы и вероятности использования генетических операторов. Адаптация или самоадаптация генетических алгоритмов позволяет повысить эффективность ГА. В дальнейшем предполагается расширение возможностей интегрированной среды DSK-GEN в результате использования многоуровневой структуры ГА-НЛ-ГА для реализации механизма самоадаптации ГА.