1

I. STRATEGII N REZOLVAREA PROBLEMELOR

Goldstein i Levin (1987) au definit rezolvarea problemelor ca fiind procesul cognitiv de ordin nalt
care necesit modulaia i controlul mai multor capaciti / ndemnri fundamentale,
considernd-o cea mai complex dintre toate funciile intelectuale. Rezolvarea problemelor apare
atunci cnd un organism sau un sistem ce posed inteligen artificial nu cunoate drumul de la o
stare dat, ctre o stare scop dorit.
Procesul rezolvrii problemelor difer n funcie de domeniul de cunoatere i de nivelul de
expertiz. Rezultate obinute n laboratoare de multe ori nu pot fi extinse pentru situaii reale,
complexe. Din acest motiv, cele mai noi studii se concentreaz pe probleme ct mai complexe iar
utilizarea calculatoarelor a devenit o necesitate.
n rezolvarea de probleme cu ajutorul calculatorului sunt utilizate dou strategii: abordarea
determinist (care cuprinde algoritmi determiniti exaci i euristici) i abordarea probabilist.
Algoritmii determiniti produc aceeai soluie i urmeaz aceeai secven de stri pe o instan
dat la execuii repetate.
Algoritmii determiniti exaci obin soluii exacte dar nu sunt tot timpul utilizabili n practic
deoarece, de cele mai multe ori realizeaz o cutare exhaustiv n spaiul problemei. Considernd
pentru rezolvare clasa algoritmilor determiniti, a fost stabilit ierarhia de complexitate a
problemelor. Astfel, o problem are complexitatea dat de cel mai bun algoritm determinist precis
cunoscut spre a o rezolva.
Euristicile sunt algoritmi determiniti care obin soluii aproximative. Cu ct precizia soluiei este
mai bun, cu att complexitatea timp este mai mare.
Algoritmii probabiliti implic mcar un pas n care decizia se ia n mod aleatoriu. Acetia sunt
algoritmi impredictibili, la repetri succesive se obin soluii diferite datorit unor pai ce depind
de valori generate aleatoriu n timpul execuiei. Soluiile obinute sunt aproximative.
Un algoritm probabilist poate fi privit ca o distribuie de probabilitate peste o mulime de algoritmi
determiniti. Dac este uor s se gseasc o instan a unei probleme care s ridice dificulti
pentru unul sau mai muli algoritmi determiniti din aceast mulime, este dificil s se gseasc o
singur intrare cu anse mari de a bate un algoritm ales aleatoriu. Aceast paradigm st la baza
succesului oricrui algoritm probabilist (R. Motwani, P. Raghavan).
Din clasa algoritmilor probabiliti fac parte algoritmi precum Monte Carlo, Las Vegas i
metaeuristicile (algoritmi evolutivi, clirea simulat
1
etc.). Complexitatea timp pentru astfel de
algoritmi crete odat cu precizia soluiilor. Algoritmii genetici utilizeaz o schem polinomial. De
aceea unele strategii evolutive au o probabilitatea egal cu 1 s gseasc soluia exact.
Calitatea unei soluii aproximative se apreciaz cu ajutorul a doi indici: acurateea - care msoar
distana fa de optim a valorii acelei soluii, i precizia - care msoar apropierea variabilelor
soluiei de punctul n care se obine optimul (Fig.1.1.).

1
n literatura strin termenul este simulated annealing, termen care n limba romn a fost preluat i tradus, n diverse lucrri, n
mai multe variante, normalizare, regenerare, recoacere, clire simulat.
2

Fig. 1.1. Fig. Precizia i acurateea unei soluii aproximative: f este funcia de evaluare; x reprezint parametrii funciei.
Metodele convenionale de rezolvare de probleme precum calculul diferenial, calculul integral,
analiza numeric .a. sunt denumite tehnici hard computing. Aceste modele sunt rigide, statice,
fr posibilitate de adaptare; ele sunt complet formulate n prealabil i nu se pot modifica cu nimic
pe parcursul rezolvrii. Doar sisteme relativ simple pot fi descrise i analizate cu astfel de metode.
Existena sistemelor complexe din domenii precum biologia i medicina, a dus la apariia
metodelor soft computing (Fig. 2.1.)care prezint posibilitate de auto-adaptare. Aceste metode
sunt bazate pe feed-back-ul intern al algoritmului i al structurilor de date iar proprietile
individuale ale instanei problemei sunt exploatate la maxim. Spre deosebire de metodele hard-
computing care pun accent pe exactitate, tehnicile soft-computing exploateaz adevrul parial
fcnd uz de modelarea i raionarea probabilist.
Principalele modele soft-computing sunt reelele neuronale artificiale, sistemele fuzzy (vagi) i
calculul evolutiv. Dac primele dou modele sunt dezvoltri moderne ale unor tehnici din statistic
i teoria mulimilor, calculul evolutiv a adus o abordare i un set de idei fundamental noi n
modelare, n conceptul de calcul i n paradigma general de rezolvare a problemelor de
optimizare.

Fig. 2.1. Calculul soft este situat ntre calculul convenional (hard) i sistemele de inteligen artificial.


3

II. ALGORITMI GENETICI I EVOLUTIVI. PRINCIPII GENERALE
Ideile inspirate de mecanismele evoluiei i seleciei naturale au condus la clase importante de
algoritmi de cutare i optimizare. Astfel s-au pus bazele principiilor algoritmilor genetici i
evolutivi.
II.1. Metafora evolutiv
Punctul de vedere acceptat n modelarea sistemelor n general este acela c ndeplinirea oricrei
sarcini poate fi privit ca rezolvarea unei probleme. La rndul ei, rezolvarea unei probleme poate fi
gndit ca o cutare n spaiul soluiilor posibile (spaiul strilor problemei). Aceast cutare poate
fi ghidat de o funcie de performan (fitness). Procesul de cutare este n acest caz nsoit de un
proces de optimizare: dintre soluiile posibile suntem interesai ntotdeauna de cea mai bun sau,
uneori, ne putem mulumi doar cu o soluie suficient de bun (aproximativ optim).
Pentru probleme de mare complexitate, gsirea soluiei optime, sau chiar a uneia acceptabile, este
dificil de realizat. Tehnicile clasice fie nu sunt aplicabile, fie necesit un timp de lucru prohibitiv.
Algoritmii genetici (AG) sunt adecvai tocmai pentru soluionarea unor astfel de probleme dificile.
Algoritmii genetici (Holland, 1975) reprezint tehnici de cutare i optimizare avnd ca punct de
pornire o metafor biologic. Aceast metafor biologic este reprezentat de motenirea
genetic i evoluia natural.
n cursul evoluiei, toate organismele sunt confruntate cu problema adaptrii la un mediu
complicat, n continu schimbare, sau ostil. n acest proces, fiecare specie nva, iar
cunoaterea
1
pe care a ctigat-o este codificat n cromozomii speciei. Evoluia este aadar un
proces care are loc la nivelul cromozomilor. Caracteristicile unei fiine vii sunt stabilite printr-un
proces de decodificare a cromozomilor si. Codificarea i decodificarea informaiei genetice la
nivelul cromozomilor nu este nc pe deplin elucidat.
Din perspectiva care ne intereseaz n acest context, reinem doar cteva caracteristici eseniale
ale procesului de evoluie genetic:
1. Cromozomii sunt purttorii informaiei genetice.
2. Fiecare individ al unei specii posed un numr determinat de cromozomi. Totalitatea
cromozomilor unui individ reprezint genotipul su.
3. Cromozomii sunt structuri liniare alctuite din gene. Genele poart caracteristicile
ereditare. O gen controleaz una sau mai multe caracteristici. Genele unei anumite
caracteristici ocup locuri determinate n cromozom, numite loci. O gen poate fi n mai
multe stri, numite alele (valori ale caracteristicilor).
4. Evoluia este un proces ce opereaz la nivelul cromozomilor.
5. Selecia natural reprezint legtura dintre cromozomi i performanele indivizilor
(structurilor decodificate respective). Procesul seleciei naturale favorizeaz reproducerea
acelor cromozomi ce codific structuri de succes.
6. Evoluia se realizeaz n procesul reproducerii. n evoluie acioneaz procese de selecie
i mutaie. Foarte importante sunt procesele de recombinare a materialului genetic ce
caracterizeaz prinii.

1
Selecie, ctig adaptativ.
4
n 1965, John Holland de la Universitatea Michigan a avut ideea de a aplica modelul genetic al
evoluiei n rezolvarea unor probleme de cutare i optimizare. Sistemele construite n acest fel
utilizeaz o populaie de cromozomi ce reprezint o mulime de soluii poteniale. Prin procese de
selecie, mutaie i recombinare sistemul evolueaz spre stri mai apropiate de optim. Selecia
cromozomilor pentru modificare se face folosind o funcie de evaluare (adecvare). Putem admite
c aceast funcie descrie aciunea mediului.
Originea algoritmilor evolutivi poate fi pus n legtur cu unele lucrri din anii 50, cum ar fi cele
ale lui Box (1957) i Fraser (1957).
Algoritmii genetici reprezint o clas de algoritmi evolutivi. Algoritmii evolutivi implementeaz
proceduri care imit procesele de adaptare / cutare aprute n evoluia natural. Toi algoritmii
evolutivi folosesc populaii n care fiecare individ reprezint un punct din spaiul de cutare.
Algoritmii evolutivi se bazeaz pe principiul nvrii colective n cadrul unei populaii.
Programarea evolutiv (Fogel, Owens, Walsh, 1966), strategiile evolutive (Rechenberg, 1973;
Schwefel, 1981) i algoritmii genetici sunt cele mai cunoscute tipuri de algoritmi evolutivi.
II.2. Algoritmul evolutiv
Algoritmii evolutivi reprezint mai multe clase de metode aleatorii de cutare. Fiecare individ al
populaiilor implicate n procesul de cutare se descrie printr-un singur cromozom. Considerm
aadar c genotipul fiecrui individ conine un singur cromozom.
Orice algoritm evolutiv (sau program evolutiv) folosete o populaie de indivizi (cromozomi) care
este modificat prin intermediul unor operatori genetici cum ar fi cei de selecie, mutaie,
recombinare etc. Timpul variaz discret. Notm cu P(t) populaia de cromozomi de la momentul t,
unde t = 0, 1, 2,
Fie X spaiul de cutare (spaiul strilor problemei)
1
. Fiecare individ (cromozom) reprezint un
element din X, adic o soluie posibil a problemei. Un cromozom este un ir finit peste
elementele unui vocabular
2
. Evaluarea calitii indivizilor din spaiul de cutare se face cu ajutorul
unei funcii de performan (fitness). n literatur apar diverse denumiri pentru aceast funcie,
dar cu acelai sens, cum ar fi: funcie de potrivire, funcie de adecvare sau funcie de evaluare. Fie
f: X R, funcia de performan (sau funcia de adecvare). Fiecare individ (soluie) este evaluat
prin intermediul acestei funcii.
Dac considerm P(t) = { x
t
1
, x
t
2
, , x
t
n
} populaia la momentul t, atunci, n acest caz P(t) reprezint
o generaie. Noua generaie P(t+1) se formeaz selectnd cei mai performani indivizi din P(t)
aplicnd asupra lor operatorii genetici de recombinare, mutaie etc.
II.2.1. Operatorii
Operatorul de recombinare este folosit pentru a crea noi indivizi folosind segmente (subiruri) a
doi sau mai muli cromozomi. Operatorul de recombinare se poate defini ca o aplicaie R : X
p
X
q
.
n acest caz spunem c operatorul R realizeaz o transformare de tipul (p, q) n care p prini dau
natere la q descendeni.
Operatorul de mutaie reprezint o transformare unar
3
m : X X. Operatorul de mutaie m
creeaz noi indivizi prin schimbri (mici) ale unui singur individ. De exemplu m permite schimbarea

1
Mulimea tuturor cromozomilor.
2
Toate combinaiile posibile ale caracterelor unui alfabet.
3
O modificare care nu implic un al doilea element. Ex. operaia logic de negare schimb valoarea elementului creia i se aplic.
De aceea mutaia este considerat un operator unar pentru c transform coninutul cromozomului fr intervenia unui alt
element suplimentar. Adunarea este un operator binar, ea necesit cel puin dou elemente.
5
unei singure gene a individului (cromozomului) respectiv, mutaia realiznd astfel mici perturbri
ale cromozomilor obinui prin recombinare.
Operatorul de supravieuire decide care cromozomi (prinii i descendenii lor obinui prin
recombinare i mutaie) vor forma efectiv noua generaie. Fiecare tip de algoritm evolutiv are un
mecanism propriu ce realizeaz supravieuirea.
Populaia iniial se genereaz de regul prin selectarea aleatorie a unor puncte din spaiul de
cutare. n unele cazuri cunotinele specifice despre domeniul problemei pot servi pentru a ghida
cutarea. Criteriul de oprire pentru un algoritm evolutiv este de regul legat de numrul de
generaii. Cel mai performant individ al ultimei generaii (sau cel mai performant individ din
ntreaga istorie a procesului) reprezint soluia obinut pentru problema n discuie.
Consideraiile de mai sus conduc la urmtoarea structur a unui algoritm evolutiv:
II.2.2. Structura general a unui algoritm evolutiv
O procedur evolutiv se desfoar n urmtorii pai.
P1. Se stabilete t = 0 ;
P2. Se iniializeaz populaia P(t) ;
P3. Se evalueaz P(t) utiliznd o funcie de performan f ;
P4. Pn cnd (condiie) se execut
{
t = t + 1 ;
Selecia P(t) ;
Recombinarea asupra lui P(t) ;
Mutaia asupra lui P(t) ;
Evaluarea lui P(t ) ;
Supravieuirea n P(t) ;
}
Observaie:
La pasul P4 apare o condiie de oprire a algoritmului. De regul, aceast condiie se refer la
atingerea numrului de generaii prescris.
Orice procedur evolutiv trebuie s furnizeze urmtoarele elemente:
1. O reprezentare genetic a spaiului de cutare (spaiul strilor problemei sau spaiul
soluiilor poteniale ale problemei).
2. O populaie iniial de soluii poteniale
1
. De regul, populaia iniial se alege n mod
arbitrar.
3. O funcie de evaluare ce msoar performana fiecrui individ n raport cu scopul
urmrit.
4. O metod de selectare a cromozomilor pentru modificare i recombinare (reproducere).
5. Operatorii genetici pentru crearea de noi cromozomi prin recombinare, mutaie,
inversiune etc.
6. Valorile parametrilor ce apar n algoritmul evolutiv (dimensiunea populaiei,
probabilitile de aplicare a diferiilor operatori genetici, numrul total de generaii etc.).

1
Se favorizeaz o populaie iniial capabil s genereze soluia convenabil.
6
II.2.3. Modulele unui algoritm evolutiv
Din cele prezentate anterior rezult c un algoritm evolutiv are mai multe componente. Ele pot fi
grupate n trei module:
Modulul Populaie;
Modulul Evaluare;
Modulul Recombinare i Mutaie.
Modulul Populaie
Conine o metod pentru iniializarea unei populaii de cromozomi. Modulul conine tehnica de
reprezentare a cromozomilor i tehnici pentru crearea i manipularea noilor generaii ale
populaiei. n acest modul se specific felul n care se trece de la o populaie la alta. Aceast
trecere se poate face prin nlocuirea total sau parial a cromozomilor generaiei vechi cu noua
generaie de cromozomi. Modulul indic metoda de selecie a cromozomilor, dimensiunea
populaiei i numrul total de generaii.
Modulul Evaluare
Conine funcia de performan folosit pentru compararea cromozomilor.
Modulul Recombinare i Mutaie
Conine metodele folosite pentru a crea noi cromozomi. Sunt specificai parametrii operatorilor
genetici utilizai, cum ar fi probabilitatea de mutaie, probabilitatea de ncruciare etc.
II.3. Algoritmul genetic
ntr-un algoritm genetic, fiecare element al spaiului de cutare se poate reprezenta ca un individ
(sau un cromozom) al unei populaii. Dup cum s-a precizat anterior, fiecare cromozom este
constituit dintr-o mulime de elemente numite caracteristici sau gene. Fiecare gen se poate afla
n mai multe stri, numite alele. Acestea din urm indic valori (nu neaprat numerice) ale
caracteristicilor (genelor). n abordrile standard numrul de gene dintr-un cromozom este
constant pentru o problem dat, iar numrul genelor definete lungimea cromozomului. Se va
nota cu r lungimea cromozomilor unei populaii.
Fie V alfabetul
1
ce corespunde valorilor alelelor. Un cromozom se reprezint printr-o secven de
lungime r format cu elemente ale lui V. Rezult c orice cromozom este un element din V
r
.
Alfabetul V depinde de clasa de probleme la care se aplic algoritmul genetic. Lungimea
cromozomilor este stabilit n funcie de natura problemei. Cea mai rspndit este codificarea
binar a valorilor genelor. n acest caz, alfabetul este V = {0, 1}, iar un cromozom este o secven
binar de lungime r 1.
II.3.1. Echilibrul explorare exploatare
Fiecare cromozom reprezint o soluie potenial a problemei. Un algoritm genetic realizeaz
cutarea n spaiul soluiilor problemei prin modificarea unei populaii de cromozomi. Cutarea
soluiei ntr-un spaiu complex implic realizarea unui compromis ntre dou obiective aparent
contradictorii: exploatarea celor mai bune soluii disponibile Ia un moment dat i explorarea
eficient a spaiului soluiilor posibile. Cele dou aspecte corespund cutrii locale i respectiv
cutrii globale n spaiul soluiilor problemei.
Obinerea unui echilibru ntre exploatarea informaiei obinute pn la momentul curent i
explorarea spaiului strilor pentru a obine soluii noi, mai bune, este specific tuturor metodelor
puternice de optimizare. Dac soluiile obinute sunt exploatate prea mult atunci se atinge o
convergen prematur, iar procedura se oprete cu o soluie care poate s nu fie acceptabil. Pe

1
n cazul concret al macromoleculei de ADN alfabetul este limitat la ACGT
7
de alt parte, dac accentul cade prea mult pe explorare, este posibil ca informaia deja obinut
s nu fie utilizat n mod corespunztor. Acest lucru face ca timpul de cutare s creasc foarte
mult, ceea ce apropie procedurile respective de metodele aleatorii de cutare. Se va indica n
continuare felul n care unele clase de metode rezolv problema echilibrului dintre exploatare i
explorare.
Metodele de coborre (de tip gradient) reprezint o situaie extrem n compromisul explorare-
exploatare. Ele sunt strategii care exploateaz cea mai bun soluie pentru mbuntiri ulterioare
ale acestei soluii. Se neglijeaz ns explorarea spaiului de cutare i, n consecin, metoda
sufer din cauza caracterului local al optimului gsit.
n mod similar, metoda Box (Box, 1957), dei este bazat pe utilizarea unei populaii de soluii
poteniale, nu are nici un mecanism de explorare. Din acest motiv metoda nu este foarte eficient.
Metodele de cutare aleatorii reprezint cealalt situaie extrem. Cutarea pur aleatorie este un
exemplu tipic de strategie care exploreaz spaiul de cutare, ignornd exploatarea regiunilor
promitoare ale spaiului. Metodele de acest tip sunt lente i aceasta le face inaplicabile pentru
probleme practice dificile.
Metoda clirii simulate (simulated annealing) reprezint o procedur de cutare aleatorie n
care este prezent i exploatarea. Acest lucru se realizeaz printr-un mecanism ce asigur
stabilirea unui echilibru la fiecare valoare a unui parametru care are semnificaia temperaturii
termodinamice (Pentru detalii se poate consulta monografia Dumitrescu i Costin, 1996).
n contrast cu cele descrise, algoritmii genetici reprezint o clas de strategii de cutare general
(strategii independente de domeniu) care realizeaz un compromis rezonabil ntre explorarea i
exploatarea spaiului soluiilor. Studii teoretice (Holland, 1975) au artat c algoritmii genetici
realizeaz acest compromis de o manier aproape optimal. Exploatarea i explorarea sunt
aspecte ce pot fi controlate aproape independent, ceea ce permite o mare flexibilitate n
proiectarea algoritmilor genetici.
II.3.2. Rezolvarea problemelor utiliznd algoritmi genetici
Pentru rezolvarea unei probleme folosind un algoritm genetic este necesar definirea de ctre
utilizator a unei funcii care msoar performana (adecvarea) fiecrui cromozom. Funcia de
performan (adecvare) depinde de abilitatea utilizatorului de a codifica n mod adecvat problema
sa. Dac se rezolv o problem clasic de optimizare sau una de optimizare combinatorial, funcia
de adecvare poate coincide cu funcia criteriu (funcia obiectiv) asociat problemei sau se obine
prin transformri simple (de exemplu prin scalare) aplicate funciei criteriu. n alte situaii funcia
de evaluare reprezint o funcie de cost, o funcie de ctig etc., sau este dedus dintr-o astfel
de funcie.
Un algoritm genetic este o procedur iterativ de cutare global avnd drept scop optimizarea
funciei de evaluare. Algoritmul lucreaz n paralel asupra unei populaii de soluii poteniale
(cromozomi) distribuite peste ntreg spaiul de cutare. n mod obinuit, valoarea performanei
unui cromozom este independent de performanele celorlali indivizi ai populaiei. O alt
posibilitate este de a considera o funcie de adecvare implicit ale crei valori depind i de restul
populaiei prin intermediul anumitor interaciuni ntre indivizi. n acest caz putem vorbi de o
adaptare intrinsec (Packard, 1988) ce asigur co-evoluia indivizilor (Kaufman i Johnsen, 1991).
Dinamica procesului de cutare generat de un algoritm genetic se ilustreaz prin combinarea i
modificarea cromozomilor. Scopul este gsirea combinaiei optime, adic a acelei combinaii ce
corespunde adecvrii maxime. La fiecare iteraie a algoritmului se creeaz o nou populaie,
numit generaie. Toate generaiile au acelai numr de indivizi. Se admite c, n general, noua
8
generaie const din indivizi mai performani, adic mai bine adaptai la mediul reprezentat de
funcia de adecvare. Pe msur ce se succed generaiile se va nregistra o tendin de evoluie a
indivizilor spre optimul global al funciei de adecvare.
Obinerea unei noi generaii plecnd de la precedenta are loc n trei etape:
1. Evaluarea: algoritmul genetic calculeaz valoarea funciei de adecvare pentru fiecare individ al
vechii populaii.
2. Selecia: algoritmul genetic selecioneaz indivizii unei populaii P(t) n funcie de performanele
lor. Indivizii selecionai vor reprezenta o populaie intermediar P
1
. Cromozomii populaiei P
1

devin prinii noii generaii P(t+1).
3. Recombinarea i modificarea: Algoritmul genetic recombin i modific indivizii selecionai. n
acest scop se utilizeaz operatorii genetici de ncruciare (recombinare), mutaie, inversiune etc.
Din punct de vedere algoritmic, operatorii genetici reprezint metode de a schimba local soluiile
reprezentate de prini (mutaia i inversia) sau de a combina aceste soluii (ncruciarea), aceasta
din urm constnd ntr-un transfer de gene ntre doi cromozomi.
Fiecrui operator genetic i corespunde o probabilitate de aplicare. Aceste probabiliti sunt
parametri ai algoritmului. Operatorii genetici de recombinare i modificare se aplic, cu
probabilitile respective asupra populaiei intermediare. Aplicnd operatorul de ncruciare
asupra populaiei P
1
se obine o populaie P
2
. Asupra indivizilor din P
2
se aplic operatorii de
mutaie, inversie etc. Indivizii din P
2
mpreun cu acei indivizi din P
1
care nu au suferit
recombinarea vor constitui noua generaie P(t+1). Sunt posibile numeroase alte modaliti de a
selecta cromozomii populaiei P(t+1).
II.3.3. Algoritmul genetic fundamental (AGF)
Etapele implementrii i utilizrii unui algoritm genetic sunt urmtoarele:
- definirea elementelor algoritmului (reprezentarea, funcia de performan (fitness),
mecanismul de selecie, operatorii genetici, parametrii).
- proiectarea experimentului.
- execuia experimentului.
- interpretarea rezultatelor.
Analiza unui algoritm evolutiv se face empiric, pe baza rezultatelor unor experimente ce urmresc
fie performana de calcul absolut a algoritmului studiat, fie compararea algoritmului genetic
studiat cu un alt algoritm ce rezolv aceeai problem (studiu relativ). De aceea, n faza de
proiectare a experimentului trebuie avut n vedere optimizarea algoritmului genetic, iar pentru
faza de comparare, trebuie luate n considerare i alte tipuri de algoritmi dect cei genetici pentru
efectuarea de comparaii.
n algoritmul genetic clasic, funcia de evaluare trebuie s fie strict pozitiv, iar asupra ei s se
realizeze maximizare. Ambele condiii sunt uor de satisfcut atunci cnd funcia de performan
este dat de o funcie real: funcia de evaluare poate fi uor modificat prin translarea cu o
constant iar, dac este cazul, problema de minimizare poate fi exprimat ca problem de
maximizare prin nmulirea cu -1 a funciei de performan.
Nu orice problem poate fi exprimat ca problem de optimizare a unei funcii reale. Pentru
situaii n care funcia de performan nu are o expresie algoritmic sau este necunoscut (n
unele aplicaii de inteligen artificial) se poate folosi evaluarea interactiv n care utilizatorul
stabilete on-line performana fiecrui individ sau ierarhia generaiei.
Algoritmii genetici clasici sunt formulai pentru optimizarea uni-criterial. n practic ns, sunt
numeroase probleme n care trebuie urmrite mai multe obiective. Un exemplu este problema
9
orarului n care, n afara constrngerilor de natur material care trebuie satisfcute
(suprapunerea a dou cursuri n aceeai sal, resursele materiale ce trebuie distribuite ntre
profesori sunt limitate: videoproiector, laptop etc.), sunt necesare i optimizri din punct de
vedere al timpului alocat (ct mai puine ferestre n orarul unui profesor/student).
Soluia preferat n rezolvarea unor astfel de probleme este construirea unui criteriu global
(modele liniare sau neliniare) n care fiecrui subcriteriu i se acord mai mult sau mai puin
importan.
Algoritmii genetici sunt algoritmi care mbuntesc soluia pas cu pas de-a lungul mai multor
generaii. Exist probleme ns de tipul acul n carul cu fn care prin formulare nu permit o
mbuntire pas cu pas. Un exemplu n acest sens este problema satisfiabilitii
1
n care, fiind dat
o formul n logica boolean, peste un numr de k variabile booleene, se cere o asignare a
acestora astfel nct ntreaga formul sa fie satisfiabil (rezultatul evalurii s fie 1 ca echivalen a
valorii booleene adevrat). Pentru o astfel problem poate fi scris un algoritm genetic clasic n
care reprezentarea soluiilor se face sub forma unui ir de k bii, iar operatorii genetici sunt cei
standard. Funcia de performan (fitness) d valoarea de adevr a expresiei booleene sub
asignrile date de cromozomi. Dificultatea rezid n faptul c evalund cromozomii cu o funcie de
performan (fitness) ce are doar dou valori, nu se poate face o mbuntire pas cu pas, iar
nvarea devine imposibil. Trebuie gsit o modalitate de a ierarhiza indivizii ne-satisfiabili iar
acest lucru este posibil utiliznd cunotine suplimentare din domeniul problemei. O soluie este
exprimarea problemei n form normal conjunctiv echivalent. Pentru o astfel de formulare a
problemei, mbuntirea soluiilor poate fi realizat pas cu pas considernd ca funcie de
performan numrul de termeni care se evalueaz la valoarea boolean adevrat.
Structura unui algoritm genetic este identic, n esen, cu cea a unei proceduri evolutive.
Cromozomii utilizai au lungime constant. Populaia (generaia) P(t+1) la momentul (t+1) se
obine reinnd toi descendenii populaiei P(t) i tergnd apoi complet cromozomii generaiei
precedente (P(t)). Numrul cromozomilor n fiecare generaie este constant. Principalii operatori
genetici utilizai sunt cei de mutaie, ncruciare i inversiune. Algoritmul genetic standard
(algoritmul canonic) are ca operatori principali ncruciarea i mutaia. Structura acestui algoritm
genetic se poate reprezenta astfel:
P1. Se stabilete t = 0 ;
P2. Se iniializeaz aleatoriu populaia P(t) ;
P3. Se evalueaz. cromozomii populaiei P(t) ;
n acest scop se utilizeaz o funcie de performan ce depinde de problema dat.
P4. Ct timp (nu se ntrunete condiia C) execut:
P4.1. Selecteaz cromozomii din P(t) care vor contribui la formarea noii generaii.
Fie P
1
mulimea cromozomilor selectai. (P
1
reprezint o populaie intermediar) ;
P4.2. Se aplic cromozomilor din P
1
operatorii genetici. Cei mai utilizai sunt
operatorii de mutaie i ncruciare. n funcie de problem se pot alege i ali
operatori (inversiune, reordonare, operatori speciali) ; Fie P
2
populaia astfel
obinut (descendenii populaiei P(t)). Se terg din P
1
prinii noilor indivizi
obinui. Cromozomii rmai n P
1
sunt atribuii populaiei P
2
. Se construiete noua
generaie:
P(t+1) = P
2
;

1
n logica matematic, satisfiabilitatea i validitatea sunt concepte elementare de natur semantic. O formul este satisfiabil
dac exist posibilitatea de a gsi o interpretare (model) care s o fac adevrat. O formul este valid dac toate interpretrile
sale sunt adevrate.
10
Se terg toi cromozomii din P(t) ;
Se modific t = t+1 ;
Se evalueaz P(t) ;
Sfrit Ct timp ;
Observaii:
1. Condiia de oprire C se refer, de regul, la atingerea numrului de generaii specificate. Dac
numrul maxim admis de generaii este N, atunci condiia de oprire C este t > N.
2. De obicei se admite c rezultatul algoritmului este codificat de cel mai performant individ din
ultima generaie. n realitate, nimic nu ne garanteaz c un individ mai performant nu a fost
obinut ntr-o generaie anterioar. Este deci natural ca la fiecare pas (la fiecare moment t) s
reinem cel mai bun individ care a fost generat pn atunci. Pentru a implementa aceast strategie
sunt necesare cteva mici modificri n algoritmul de mai sus.
3. Modificarea propus n observaia precedent poate fi extrem de util. n acest fel suntem siguri
c cea mai bun soluie gsit nu s-a pierdut pe parcurs. Natura acestei modificri este similar cu
cea propus de Gallant n raport cu algoritmul de instruire al perceptronului
1
(vezi, Dumitrescu i
Costin, 1996).
4. Sunt posibile i numeroase alte variante de supravieuire. Putem de exemplu s considerm c
cei mai buni q indivizi din generaia P(t) vor fi inclui n mod automat n generaia urmtoare.
Totodat ei vor putea s sufere i operaiile de recombinare, mutaie etc.
I.3.4. Modulele unui algoritm genetic
Implementarea unui algoritm genetic se poate face utiliznd modulele POPULAIE, EVALUARE i
RECOMBINARE-MODIFICARE specifice algoritmilor evolutivi. Structura acestor trei module
corespunztoare Algoritmului Genetic Fundamental (AGF) poate fi descris sintetic astfel:
MODULUL POPULAIE
Metoda de reprezentare: codificare binar sau codificare real.
Lungimea cromozomului: r .
Metoda de iniializare: iniializare aleatorie.
Metoda de tergere: terge vechea populaie n ntregime (sau alt metod).
Metoda de nlocuire: nlocuire cu noua generaie.
Metoda de selecie pentru modificare i reproducere: metod probabilistic (de exemplu
selecia uniform cu metoda Monte Carlo).
Metoda de apreciere a adecvrii: evaluarea cu o funcie de evaluare.
Dimensiunea populaiei: n
1
.
Numrul maxim de generaii: n
2
.
MODULUL EVALUARE
Funcia de evaluare:
MODULUL RECOMBINARE-MODIFICARE
Operatorii genetici utilizai: mutaia, ncruciarea, inversiunea.
Parametrii algoritmului:
- probabilitatea de mutaie: p
m


1
n cadrul nvrii automate (machine learning), perceptronul este un tip de clasificator linear. Acesta ia o decizie de clasificare pe
baza unei valori obinut dintr-o combinaie liniar de caracteristici.
11
- probabilitatea de ncruciare: p
c

- probabilitatea de inversiune: P
i

I.3.5. Scheme i blocuri constructive
Algoritmii genetici utilizeaz operatori coninnd copierea cromozomilor, schimbarea unor
subiruri i modificarea unor poziii. Astfel se poate realiza o cutare eficient. Modelul descris n
continuare se bazeaz pe observarea anumitor similariti ntre cromozomii care reprezent dou
populaii succesive obinute prin aplicarea unui AG. n general este de ateptat ca performana
medie a populaiei s creasc de la o generaie la alta. Similaritile ntlnite ar putea fi corelate cu
aceast cretere a performanei. n literatura de specialitate, similaritile dintre cromozomi se
numesc scheme. Mai precis, o schem reprezint o mulime de cromozomi avnd anumite poziii
identice.
n codificarea binar, o schem este un ir format cu simbolurile 0, 1 i *. Simbolul * ntr-o poziie
a irului nseamn c aceast poziie poate fi ocupat de orice simbol al alfabetului binar {0, 1}.
Exemplul 1: fie schema S = (1 * * 0)
Aceast schem reprezint patru cromozomi, avnd 1 pe prima poziie i 0 pe ultima poziie.
Aceti cromozomi vor fi:
x
1
= 1 0 0 0
x
2
= 1 0 1 0
x
3
= 1 1 0 0
x
4
= 1 1 1 0
Exemplul 2: pornind de la o soluie cunoscut, avem cromozomul:
x = 1 0
Acesta este reprezentat de 2
2
scheme. Aceste scheme sunt urmtoarele:
S
1
= * *
S
2
= * 0
S
3
= 1 0
S
4
= 1 *
Cromozomul x considerat este o instan
1
sau un reprezentant al fiecreia dintre schemele S
1
- S
4
.
Pentru noiunile introduse mai sus pot fi enunate urmtoarele definiii:
O schem de lungime r este un element al mulimii {0, 1 ,*}
r

Fie S o schem de lungime r. Spunem c un cromozom x {0, 1}
r
este o instan a schemei
S dac oricrei poziii diferite de * din S i corespunde o poziie din x avnd aceeai valoare.
Se numete poziie specific a schemei S orice poziie din S diferit de *. Simbolul * are
semnificaia indiferent, adic poziia respectiv poate fi, cu egal ndreptire, 0 sau 1.
O schem S reprezint toi acei cromozomi x pentru care toate poziiile specifice ale lui S
coincid cu poziiile corespunztoare din x. Cromozomul x este un reprezentant al (o
instan a) schemei S.
Exemple:
Schema S
1
= (* * *) reprezint toi cromozomii de lungime 3.
Schema S
2
= (1 0 1) reprezint un singur cromozom i anume x = (1 0 1).

1
Altfel spus, instana este un caz concret (particular) pentru o schem.
12
Deoarece o schem reprezint anumii cromozomi similari rezult c o schem poate fi identificat
cu o anumit regiune a spaiului X al cromozomilor de lungime r. Aadar, schemele reprezint
submulimi ale spaiului de cutare. Din punct de vedere geometric, schemele reprezint drepte,
varieti liniare, sau hiperplane
1
n spaiul de cutare.
Urmtoarea propoziie stabilete un rezultat elementar privind numrul reprezentanilor unei
scheme: Fiecare schem S reprezint 2
m
cromozomi (S are 2
m
instane), unde m este numrul
simbolurilor * (numrul poziiilor nespecifice) din schema S.
Demonstraia se face prin inducie matematic:
m = 1 avem S
1
= {*} => (x = 0 i x = 1) => 2 instane deci 2
1
.
m = 1 avem S
2
= {* *} => (x = 1 1; x = 1 0; x = 0 1; x = 0 0) => 4 instane deci 2
2
.
m = n avem S
n
= {* *} => 2
n
instane (considerm adevrat)
m = n + 1 avem S
n+1
= {* *, *} => 2
n+1
instane pentru c atunci cnd x = ** (de n ori) dac
adugm nc o poziie (n+1 ori), aceast poziie conform schemei nu poate lua dect dou valori
1 sau 0. Deci dac x = ** = 2
n
instane, adugnd nc o poziie, relaia devine x = **1 sau x =
**0 deci matematic se poate scrie c 2
n
2 = 2
n+1
instane.
Exemplu:
Schema: S = 1 * 0 * are patru instane: x
1
= 1 0 0 0; x
2
= 1 0 0 1; x
3
= 1 1 0 0; x
4
= 1 1 0 1. Aadar,
schema S descrie mulimea {x
1
, x
2
, x
3
, x
4
} din spaiul de cutare.
I.3.6. Teorema schemelor
Ordinul unei scheme este dat de numrul de poziii specifice, iar lungimea util este diferena
dintre ultima i prima poziie specific a schemei.
Adecvarea (performana, calitatea) unei scheme ntr-o populaie poate fi definit ca fiind
adecvarea medie a reprezentanilor (instanelor) ei n acea populaie.
Teorema schemelor indic tocmai faptul c evoluia generaiilor are loc n sensul creterii
performanei, iar rezultatul stabilit de teorema schemelor are un caracter probabilistic.
Teorema schemelor:
O schem avnd o adecvare (performan) peste medie, valori mici ale ordinului i lungimii utile,
tinde s apar mai frecvent n cromozomii generaiei urmtoare. Dimpotriv, o schem avnd o
adecvare sub medie tinde s apar mai puin frecvent (s aib mai puini reprezentani) n
generaiile urmtoare.
I.3.7. Blocuri constructive i paralelismul intrinsec
Un algoritm genetic manipuleaz simultan un mare numr de scheme. Aceast caracteristic
reprezint paralelismul intrinsec al algoritmilor genetici. Teorema schemelor ne asigur c
paralelismul intrinsec este asociat cu creterea adecvrii n generaiile succesive.
O categorie special de scheme o reprezint blocurile constructive. Astfel, o schem ce are o
calitate peste medie, dar are un ordin i o lungime util mici se numete bloc constructiv.

1
n geometrie, hiperplanul este un subspaiu cu o dimensiune mai mic (n-1) dect spaiul fa de care este definit. De ex. un punct
este un hiperplan ntr-un spaiu 1-dimensional, o linie este un hiperplan ntr-un spaiu 2-dimensional, un plan este un hiperplan
ntr-un spaiu 3-dimensional. O linie nu este ns un hiperplan ntr-un spaiu 3-dimensional, ea nu poate s separe spaiul n dou
pri.
13
Conform teoremei schemelor, prin aciunea operatorilor genetici, blocurile constructive se
combin dnd natere la blocuri constructive tot mai performante, care vor converge spre soluia
optim.
I.3.8. Caracteristicile algoritmilor genetici
Algoritmii genetici reprezint o clas important de metode de cutare i optimizare. Aceste
metode se bazeaz pe principiile geneticii i seleciei naturale. Din consideraiile expuse anterior
se pot desprinde principalele caracteristici ale algoritmilor genetici. Aceste caracteristici se refer
mai ales la particularitile acestora n raport cu alte metode de cutare i optimizare.
1. Algoritmii genetici reprezint o clas de algoritmi probabiliti care combin elemente de cutare
dirijat i cutare aleatorie. Ei realizeaz un echilibru aproape optimal ntre explorarea spaiului
strilor i exploatarea celor mai bune soluii gsite.
2. Algoritmii genetici sunt mai robuti dect alte metode existente de cutare dirijat i dect
algoritmii clasici de optimizare.
3. Metodele de cutare bazate pe algoritmii genetici sunt caracterizate de faptul c ele menin o
populaie de soluii poteniale. Metodele clasice de cutare acioneaz la un moment asupra unui
singur punct din spaiul de cutare.
4. De regul, algoritmii genetici lucreaz cu o codificare a elementelor din spaiul strilor
problemei i nu acioneaz direct asupra elementelor acestui spaiu.
5. Algoritmii genetici folosesc funcii de performan obinute prin transformri simple ale funciei
obiectiv. Nu este necesar ca funcia obiectiv s fie derivabil. Nu sunt necesare nici proprieti
speciale de convexitate ale funciei obiectiv.
6. Algoritmii genetici sunt simplu de folosit.
7. Algoritmii genetici pot gsi soluiile optime (sau aproape optime) cu o mare probabilitate.

BIBLIOGRAFIE
Box G. E. P. (1957), Evolutionary operation: a method of increasing industrial productivity, Applied
Statistics, 6, 81-101.
Davis L. (1991), Handbook of Genetic Algorithms, Van Nostrand Reinhold, New York.
FogeI L. J., Owens A. J., Walsh M. J. (1966), Artificial lntelligence Through Simulated Evolution,
Wiley, New York.
Fraser A. S. (1957), Simulation of genetic systems by automatic digital computers, Australian
Journal of Biological Science, 10, 484-491.
Holland J. (1975), Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann
Arbor.
Rechenberg I. (1973), Evolutionstrategic: Optimierung Technischen Systeme nacht Prinzipen der
Biologischen Evolution, Fromman Holzboog, Stuttgart.
Schwefel H. P. (1981), Numerical Optimization for Computer Models, Wiley, Chicester, U.K.