Podsumowanie wyników i dalsze perspektywy prac
1. Spośród przebadanych cech algorytmu wielopopulacyjnego najważniejszy wpływ na zbieżność ma topologia. Wybranie niewłaściwej sprawia, że algorytm może stać się całkowicie nieskuteczny. W szczególności źle wypadły topologie hierarchiczne z uwagi na jednokierunkowy przebieg migracji. W przyszłych badaniach możnaby jednak przetestować skuteczność hierarchicznych topologii, w których, w przeciwieństwie do topologii użytych w niniejszej pracy, podpopulacje należące do jednego "poziomu" wymieniałyby między sobą osobniki. Zgodnie z wynikami innych badań dobre wyniki osiągnęły topologie o dużej liczbie połączeń, w których każda podpopulacja otrzymywała i wysyłała migrantów.
2. Częstość migracji nie wpływa w sposób znaczący na wartość ostatecznego rozwiązania, lecz ma wpływ na szybkość zbieżności. Im krótszy interwał, tym krótszy czas obliczeń. Z tego punktu widzenia, przy tworzeniu algorytmu warto przetestować częstości migracji dla krótkich interwałów, np. od 1 do 10 generacji.
3. Liczba migrantów przypadająca na generację ma duży wpływ na zbieżność. Wyniki niniejszych badań potwierdzają tezę mówiącą, że optymalna liczba migrantów leży pomiędzy skrajnymi wartościami. Zbyt małe migracje nie mają wystarczającej mocy, aby zmienić trajektorię ewolucji, a zbyt duże mogą doprowadzić do zbyt szybkiego upodobnienia się sąsiednich podpopulacji. Kilka badań (w tym niniejsze) wskazuje, że migracja w liczbie odpowiadającej 10% populacji stanowi dobry punkt wyjścia.
4. Algorytmy ewolucyjne opierają się w dużej części na losowości. Dzięki niej dobrze radzą sobie z funkcjami zwodniczymi, potrafią odnajdywać "ukryte" minima. Dlatego nie jest zaskoczeniem, że wybór losowy osobników do migracji uzyskał najlepszy wynik w badaniach. Czas konwergencji jest dłuższy, niż w przypadku selekcji statystycznie lepszych osobników. W zamian za to, algorytm przeszukuje jednak większą przestrzeń rozwiązań i na koniec zwraca lepsze rozwiązanie.
5. Obserwacja trajektorii różnorodności w czasie może być bardzo pomocna przy doborze odpowiednich parametrów. Szczególnie wtedy, gdy dobór jest nieoczywisty lub zależny od instancji testowej. Ponadto można w czasie trwania algorytmu wyznaczać wartość różnorodności i na jej podstawie sterować przebiegiem algorytmu. Z pewnością dalsze badania mogą iść w tym kierunku.
komentarze
Copyright © 2008-2010 EPrace oraz autorzy prac.