This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
kvadraticka_evoluce [2011/10/20 22:57] prokop |
kvadraticka_evoluce [2011/10/20 23:04] (current) |
||
|---|---|---|---|
| Line 4: | Line 4: | ||
| Klasické evoluční optimalizační metody (jako např. Differenciální evoluce) využívají obvykle lineárních vektorových operací s vybranými nejlepšími jedinci z populace. | Klasické evoluční optimalizační metody (jako např. Differenciální evoluce) využívají obvykle lineárních vektorových operací s vybranými nejlepšími jedinci z populace. | ||
| Tyto operace bývají nejčastěji dvojího druhu | Tyto operace bývají nejčastěji dvojího druhu | ||
| - | * Vyber dva jedince, a interpoluj nového jedince jako jejich konvexní lineární kombinaci. x_new = (1-t)*x1 + t*x2 | + | - Vyber dva jedince, a interpoluj nového jedince jako jejich konvexní lineární kombinaci. x_new = (1-t)*x1 + t*x2 |
| - | * Vyber dva jedince, a extrapoluj nového jedince na základě "gradientu" mezi těmito dvěma x_new = x_old + t*dEdx, kde gradient dEdx = (E1 - E2)/(x1 - x2) | + | - Vyber dva jedince, a extrapoluj nového jedince na základě "gradientu" mezi těmito dvěma x_new = x_old + t*dEdx, kde gradient dEdx = (E1 - E2)/(x1 - x2) |
| Oba případy je možné přirovnat ke klasickým (deterministickým, neevolučním) gadientním metodám, kde dva předešlé navzorkované body určují směr (resp. subprostor) a parametr "t" alias délka skoku v dané iteraci je nutné nějak vhodně nastavit. | Oba případy je možné přirovnat ke klasickým (deterministickým, neevolučním) gadientním metodám, kde dva předešlé navzorkované body určují směr (resp. subprostor) a parametr "t" alias délka skoku v dané iteraci je nutné nějak vhodně nastavit. | ||
| Line 13: | Line 13: | ||
| * Vyber 3 body na základě těchto pravidel | * Vyber 3 body na základě těchto pravidel | ||
| - | * * Body (A,B,C) májí mít co nejmenší energii (tím se odfiltrují lokální bariéry které má globalě optimalizační genetický algoritmus překonat) | + | - Body (A,B,C) májí mít co nejmenší energii (tím se odfiltrují lokální bariéry které má globalě optimalizační genetický algoritmus překonat) |
| - | * * Energie prostředního bodu (B) je nižší než energie obou bodů krajních (A,C) | + | - Energie prostředního bodu (B) je nižší než energie obou bodů krajních (A,C) |
| - | * * Krajní body A,C nejsou příliž daleko od B aby definovaly "okolí" bodu prostředního, a fitování praboly mělo smysl | + | - Krajní body A,C nejsou příliž daleko od B aby definovaly "okolí" bodu prostředního, a fitování praboly mělo smysl |
| - | * * Uhel mezi body (A-B-C) není příliž ostrý ( protože fitování paraboly funguje nejlépe pro body v jedné linii (line search) a nejhúře jsou li body AB identické) | + | - Uhel mezi body (A-B-C) není příliž ostrý ( protože fitování paraboly funguje nejlépe pro body v jedné linii (line search) a nejhúře jsou li body AB identické) |
| * Nafituj parabolu na všechny souřadnice "i" vektoru Ai,Bi,Ci a jejich energii E. Tzn. že vekotry A,B,C nyní nedefinují linearní subprostor v N-rozměrném prosotru, ale kvadratickou křivku fi(t) | * Nafituj parabolu na všechny souřadnice "i" vektoru Ai,Bi,Ci a jejich energii E. Tzn. že vekotry A,B,C nyní nedefinují linearní subprostor v N-rozměrném prosotru, ale kvadratickou křivku fi(t) | ||
| * Urči hodnotu parametru "t_min" jako minimum na parabole energie | * Urči hodnotu parametru "t_min" jako minimum na parabole energie | ||