Transcript L ogo ขั้นตอนการทำงาน Genetic Algorithm

Logo
Genetic Algorithm
Logo
Contents
ความหมายของ Genetic Algorithms
องค์ประกอบของ Genetic Algorithms
กระบวนการของ Genetic Operator
ขั้นตอนการทางาน Genetic Algorithm
สรุ ป
Logo
ความหมายของ Genetic Algorithms
Genetic Algorithms หมายถึง เป็ นวิธีการมาจาก
กระบวนการทางพันธุกรรมของสิ่ งมีชีวติ จากการวิวฒั นาการ
หรื อ การอยูร่ อดของสิ่ งมีชีวติ เราจึงได้นาวิธีการแก้ปัญหาที่ใช้
แนวทางเดียวกับ มาช่วยหาคาตอบที่เหมาะสมที่สุดให้กบั
ปัญหาโดยใช้กระบวนการทางพันธุศาสตร์เข้ามาช่วยใน
กระบวนการค้นหาคาตอบของปัญหา เช่น ระบบแขนกล หรื อ
ตรวจสอบระบบการทางานต่าง ๆ เป็ นต้น
Logo
องค์ ประกอบของ Genetic Algorithms
1. Chromosome Encoding
2. Initial population
3. Fitness Function
4. Genetic Operator
5. Parameter
Logo
1. Chromosome Encoding
Chromosome Encoding( รู ปแบบโครโมโซม )การ
ถอดรหัสหรื อการได้มาซึ่งโครโมโซม คือปัญหาแรกที่จะเริ่ ม
แก้ปัญหาโดยใช้ Genetic Algorithm ในการถอดรหัสนั้นจะ
ขึ้นอยูก่ บั ปัญหา และในปั จจุบนั ปัญหามีมากมายจึงทาให้
รู ปแบบของโครโมโซมมีความแตกต่างกันออกไปตามปัญหา
นั้นๆ เช่น
Logo
ตัวอย่ าง Chromosome Encoding
Binary Encodingเป็ นรู ปแบบโครโมโซมเริ่ มแรกที่
นามาใช้แก้ปัญหาของ Genetic Algorithm จึงทาให้รูปแบบ
โครโมโซมแบบนี้เป็ นเรื่ องธรรมดาที่สุด ลักษณะของ Binary
Encoding คือ ทุกตาแหน่งของยีนของโครโมโซมจะมีค่าเป็ น
bit 0 หรื อ 1 ดังรู ป
Chromosome A 101100101100101011100101
Chromosome B 111111100000110000011111
Logo
ตัวอย่ าง Chromosome Encoding
Value Encoding หรื อ Direct ทุกตาแหน่งของยีนบน
โครโมโซมจะมีค่าบางค่า ที่สามารถเชื่อมโยงไปยังปัญหาได้
เช่น ตัวอักษร จานวนจริ ง คาสัง่ หรื ออื่นๆ รู ปแบบโครโมโซม
แบบนี้สามารถใช้ได้กบั ปัญหาที่ค่อนข้างซับซ้อนค่าได้
Chromosome A 1.2324 5.3243 0.4556 2.3293 2.4545
Chromosome B ABDJEIFJDHDIERJFDLDFLFEGT
Chromosome C (back), (back), (right), (forward), (left)
Logo
ตัวอย่ าง Chromosome Encoding
Permutation Encoding เป็ นการกระทาดับแรกก่อนที่จะเข้า
กระบวนการของ Genetic Algorithm ประชากรที่เกิดจากการ
สุ่ ม Random เพื่อนาประชากรเข้าไปในกระบวน ในการสุ่ ม
จะต้องสุ่ มให้ได้จานวนเท่ากับขนาดของรุ่ นที่ได้กาหนดไว้โดย
ที่ยงั ไม่มีการสนใจค่าความเหมาะสมของแต่ละโครโมโซม B:
952146783
Chromosome A1 5 3 2 6 4 7 9 8
Chromosome B8 5 6 7 2 3 1 4 9
Logo
2. Initial population
Initial population คือ การสุ่ มเลือกเพื่อสร้างประชากร
ต้นแบบขึ้นมาเพื่อใช้เป็ นจุดเริ่ มต้นของขั้นตอนการวิวฒั นาการ
ขั้นตอนนี้จะเป็ นขั้นตอนแรกที่เกิดขึ้นก่อนที่จะเริ่ มเข้า
กระบวนการของ Genetic Algorithm โดยประชากรกลุ่มแรก
หรื อประชากรต้นกาเนิด จะเกิดจากการสุ่ มเลือกขึ้นมาจาก กลุ่ม
ของประชากรทั้งหมดที่มีอยู่ โดยในการสุ่ มเลือกจะทาการสุ่ ม
ตามจานวนของประชากรที่ได้กาหนดไว้เป็ น Parameter ของ
Algorithm
Logo
3. Fitness Function
Fitness Function เป็ นวิธีการสาหรับประเมินค่าความเหมาะสม
เพื่อให้คะแนนสาหรับคาตอบต่างๆ ที่เป็ นไปได้ของปัญหาโครโมโซม
ทุกตัวจะมีค่าความเหมาะสมของตัวเองเพื่อใช้สาหรับพิจารณาว่า
โครโมโซมตัวนั้น เหมาะหรื อไม่ที่จะนามาใช้สืบทอดพันธุกรรม
สาหรับสร้างโครโมโซมรุ่ มใหม่ เช่น กาหนดให้ค่าความเหมาะสม =
จานวนของบิต 1 ทั้งหมดในโครโมโซม
A: 100011100
ดังนั้นโครโมโซม A มีค่าความเหมาะสมเท่ากับ 4
Logo
4. Genetic Operator
Genetic Operator ซึ่งเป็ นวิธีการปรับเปลี่ยนองค์ประกอบ
ของข้อมูลทุกขั้นตอน Genetic Algorithm ซึ่งมีกระบวนการ
พื้นฐานที่สาคัญ มี 3 ส่ วน ดังนี้
1. Selection – การคัดเลือก
2. Crossover – การข้ามสายพันธุ์
3. Mutation – การกลายพันธุ์
Logo
กระบวนการของ Genetic Operator
- Selection เพื่อให้เกิดการอยูร่ อดของสิ่ งมีชีวิตนั้น โดยคัดเลือกมา
เป็ นโครโมโซมพ่อและโครโมโซมแม่ หรื อที่เรี ยกว่า Parentsในการสื บสาย
พันธุ์ ทาให้เกิดปัญหาว่าจะทาอย่างไรให้เกิดจากคัดเลือกโครโมโซมที่น่า
พอใจเพื่อที่จะเกิดการอยูร่ อดของสิ่ งมีชีวิตตามทฤษฏีของ Charles Darwin
จึงทาให้เกิดรู ปแบบมากมายในการเลือกโครโมโซมที่น่าพอใจที่สุดเพื่อ
นาไปสื บสายพันธ์ทาให้เกิดรู ปแบบการคัดเลือกมากมายเพื่อให้เกิดผลลัพธ์
น่าพอใจที่สุด เช่น การคัดเลือกแบบ Roulette Wheel การคัดเลือกแบบ
Ranking การคัดเลือกแบบ Tournament การคัดเลือกแบบ Elitist การ
คัดเลือกแบบ Steady-state และอื่นๆมากมายหลายวิธีเพื่อให้ได้มาซึ่ งวิธีการ
คัดเลือกโครโมโซมที่ดี
Logo
กระบวนการของ Genetic Operator
- Crossover เป็ นกระบวนการที่สาคัญ Genetic Algorithm เมื่อเกิดการ
Crossover ขึ้นในทาง พันธุศาสตร์จะทาให้เกิดการเปลี่ยนแปลงของสิ่ งมีชีวติ ที่
หลากหลาย ซึ่งการ Crossover จะต้องอาศัยวิวฒั นาการเป็ นเวลานาน จึง
สามารถเลือกเอาคาตอบที่เหมาะสมกับความต้องการได้มากที่สุดและ ขั้นตอน
ในการ Crossover คือ นา 2 โครโมโซม(Parent) มาผสมกันเพือ่ ให้ได้
โครโมโซมใหม่ข้ ึนมา จากนั้นใช้วธิ ีการที่ง่ายที่สุด คือ สุ่ มตาแหน่ง Crossover
และทาการคัดลอกทุกอย่างที่อยูห่ น้าตาแน่ง Crossover ของพ่อและคัดลอกทุก
อย่างหลังตาแหน่ง Crossover ของแม่รวมกันจะได้ลูกตัวที่ 1 ออกมา จากนั้น
ทาการคัดลอกทุกอย่างที่อยูห่ น้าตาแหน่ง Crossover ของแม่ และคัดลอกหลัง
ตาแหน่ง Crossover ของพ่อรวมกันจะได้ลูกตัวที่ 2 ออกมา
Logo
การ Crossover
Logo
กระบวนการของ Genetic Operator
- Mutation เกิดขึ้นหลังจากการ Crossover เสร็ จสิ้ นจะทาการสุ่ ม
ประชากรเปลี่ยนแปลงผลที่ได้จากการ Crossover หมายความว่า รุ่ นลูก
ที่เกิดจากผสมจากรุ่ นพ่อแม่แล้วจึงนารุ่ นลูกมาดาเนินการ Mutation
ต่อไป ซึ่งการ Mutation ทางพันธุศาสตร์จะทาให้ได้ลกั ษณะใหม่ๆ
เกิดขึ้น ขั้นตอนในการ Mutation เมื่อได้ตาแหน่ง Mutation แล้วเปลี่ยน
แปลงค่า ณ ตาแหน่งที่สุ่มนั้น ในตัวอย่างต่อไปนี้จะดาเนินการ
Mutation กับรู ปแบบโครโมโซมแบบ Binary เราจะสุ่ มเลือก bit เพียง
เล็กน้อย จะมีการเปลี่ยนแปลงค่าจาก 1 เป็ น 0 หรื อจาก 0 เป็ น 1
Logo
การ Mutation
Logo
5. Parameter
Parameter เป็ นวิธีการที่ใช้ในการสร้างจานวนโครโมโซมรุ่ น
ถัดไป ถ้ากาหนดให้จานวนโครโมโซมในแต่ละรุ่ นมากจะทาให้
Genetic Algorithm ประมวลผลได้ชา้ ลง เช่น ขนาดของประชากร
Population size ความน่าจะเป็ นของ Crossover หรื อ Probability
Crossover ส่ วนใหญ่มีค่าอยูท่ ี่ 60% -95% ความน่าจะเป็ นของ Mutation
หรื อ Probability Mutation ส่ วนใหญ่มีค่าอยูท่ ี่ 0%-1% และจานวน
โครโมโซมที่ใช้ในการสร้างรุ่ นถัดไป ถ้ากาหนดให้จานวนโครโมโซม
ในแต่ละรุ่ นมากจะทาให้ Genetic Algorithm ประมวลผลได้ชา้ ลง
Logo
ขั้นตอนการทางาน Genetic Algorithm
ขั้นตอนการทางานค้นหาคาตอบของ Genetic Algorithm นั้นมีดงั นี้
 เริ่ มทาการค้นหา ปั ญหาที่เกิดขึ้น
 ถ้ายังไม่พบคาตอบ แต่ครบจานวนรอบที่ได้กาหนดไว้ ก็จะหยุด
ทาการค้นหา
 ทาการค้นหาจนพบเป้ าหมายหรื อคาตอบที่ตอ
้ งการ ก็จะหยุดทา
การค้นหา
 พบว่าคาตอบที่ได้เริ่ มลู่เข้าสู่ คาตอบที่เป็ นคาตอบที่ดีที่สุด เช่น
คาตอบที่ได้จากประชากรแต่ละรุ่ นไม่มีการเปลี่ยนแปลงหรื อ
คงที่เป็ นจานวนที่ติดต่อกัน
Logo
สรุป
ปัจจุบนั การวิเคราะห์ขอ้ มูลมีหลายวิธี ซึ่งแต่ละวิธีกจ็ ะให้ผลลัพธ์
การวิเคราะห์ที่แตกต่างกันไปตามความสัมพันธ์ของสมการ ซึ่งถ้าหาก
กาหนดรู ปแบบสมการไม่ถูกต้อง ผลลัพธ์ที่ได้อาจมีความคลาดเคลื่อน
จากความเป็ นจริ ง ซึ่งส่ งผลให้การวิเคราะห์ขอ้ มูลเกิดความผิดพลาดขึ้น
ได้ ดังนั้นจึงมีแนวคิดวิธีการของ Genetic Algorithms เพื่อเป็ น
ทางเลือกในการแก้ปัญหาความผิดพลาดในการวิเคราะห์ขอ้ มูล โดยได้
มีการนากระบวนการ Genetic Algorithms ซึ่งเป็ นความรู ้เกี่ยวกับ
ทฤษฎีทางธรรมชาติมาช่วย เพื่อหาคาตอบที่เหมาะสมและตรงกับ
ความสัมพันธ์ของข้อมูล
Logo
รายชื่อสมาชิก
นางสาวนุจรี ย ์
นายวรุ ฒ
นางสาวศิรินทรา
นางสาวศิรินนั ท์
นางสาวอุษา
วิชยั วงษ์
ชัยวงษ์
พาเฮือง
ประเสริ ฐสังข์
พิจารณ์
สาขาสารสนเทศสถิติ
513020737-4
513020752-8
513020757-8
513020759-4
513020768-3
Logo