Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Algoritmo genetico per il problema del set covering

L'anteprima di questa tesi è scaricabile in PDF gratuitamente.
Per scaricare il file PDF è necessario essere iscritto a Tesionline.
L'iscrizione non comporta alcun costo. Mostra/Nascondi contenuto.

Capitolo 1 Introduzione agli algoritmi genetici individui migliori delle precedenti: l’algoritmo evolve verso l’ottimo globale della funzione di fitness. In realtà, non è garantito che un GA trovi una soluzione ottima globale: un GA è in grado di trovare soluzioni buone in tempi ragionevoli. Nel modello tradizionale, i cromosomi sono stringhe di bit di lunghezza fissa e tutte le generazioni hanno la stessa dimensione (numero di individui). Ogni cromosoma rappresenta un punto nello spazio di ricerca. I più importanti operatori di ricerca sono la ricombinazione (o crossover) e la mutazione. Il crossover combina i geni tipici di due individui per produrre individui figli che ereditano caratteristiche da entrambi i genitori. La mutazione reintroduce nella popolazione materiale genetico perduto. La ricerca genetica realizza un compromesso tra ‘exploitation’ della soluzione disponibile migliore ed ‘exploration’ dello spazio di ricerca. Exploitation ed exploration corrispondono, rispettivamente, a ricerca locale e ricerca globale: un’exploitation eccessiva, può portare l’algoritmo a convergere ad una soluzione non accettabile (la ricerca resta intrappolata in un ottimo locale), mentre un’exploration eccessiva può non sfruttare appropriatamente la conoscenza già disponibile rendendo il processo di ricerca molto lento (un esempio è la ricerca casuale). 1.3 Elementi di base di un GA Vediamo ora di quali passi è composto di un GA. La nuova generazione indicata con P(t+1) è ottenuta dalla popolazione P(t) per mezzo dei seguenti passi: · Valutazione: si valuta la qualità di ogni individuo (tramite la funzione di fitness). · Selezione per riproduzione: gli individui migliori sono selezionati per la riproduzione. Sono inseriti in una popolazione intermedia P1. Gli individui 3

Anteprima della Tesi di Marco Golinelli

Anteprima della tesi: Algoritmo genetico per il problema del set covering, Pagina 5

Tesi di Laurea

Facoltà: Ingegneria

Autore: Marco Golinelli Contatta »

Composta da 122 pagine.

 

Questa tesi ha raggiunto 2687 click dal 20/03/2004.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.