Professional Documents
Culture Documents
programare genetica
1. Introducere
2. Multifractali
3. Algoritmi evolutivi
4. Studiu de caz
5. Concluzii
6. Bibliografie
1. Introducere
Cutremurele distribuite in spatiu si timp arata proprietatile fractale ce pot fi
o consecinta a auto-organizarii starii critice corespunzatoare crustei
pamantului.Natura auto-similaritatii in spatiu si timp a seismicitatii este o
indicatie a faptului ca gruparilor le corespunde o structura ierarhica,legate strans
de presiunea din crusta pamantului.In consecinta ,extractia numerica a
dimensiunilor fractale ale datelor seismice reale este o metoda importanta pentru
cuantificarea distributiei evenimentelor seismice si cu acestea ,proprietatile de a fi
aleatorii si de a se grupa in anumite regiuni geografice.
Evolutia in timp a dimensiunii fractale descopera mai multe informatii decat o
simpla analiza.In acest studiu de caz,am insistat pe distributia in timp a
evenimentelor.Prin urmare,vom prezenta o analiza cu scopul de a defini modul in
care proprietatile seismice se dezvolta in timp cu ajutorul urmatoarelor:
1. Eruptivitatea si diferitele faze ale formarii domelor(domele fiind
caracterizate prin structuri circulare)
2. Fazele relativ inactive ale vulcanului
Multifractal
Probabilitate vs putere singular
Pi(l)~lαi
Numarul de elemente intr-un interval mic de la α la ∆α
Nl(α)~l-f(α)
Singularitatea spectrului multifractal
ln[ 𝑁(𝛼+𝜀)−𝑁(𝛼−𝜀]
f(α)=lim lim
𝜀→0 𝑙→0 ln 1/𝑙
Generalizare dimensiune:
𝑞
1 ln ∑𝑁
𝑖=1 𝑝𝑘
Dq= lim
𝑞−1 𝑙→0 ln 𝑙
Dimensiunea fractala este un concept de baza pt a descrie structuri cu o
simetrie scalara.Simetria scalara inseamna asemanarea cu sine insusi pe diferite
nivele de marire. In istorie, prima definitie a dimensiunii fractale generalizata ,
aducand o masura pt umplerea spatiului care ar putea permite existenta unor
dimensiuni non integrale. A fost introdusa de Hausdorf la sfarsitul lui 1919.
Dimensiunea de capacitate Dc , a unui obiect geometric dat, de asemenea numita
dimensiunea “numararii cutiilor”, este definita astfel: in primul rand, trebuie
executata o partitionare a spatiului ocupat de obiect in N cuburi d-dimensionale
de latura Ɛ, apoi se numara numarul minim de cuburi N(Ɛ) necesar acoperirii
setului. Dc este o masura care ne arata cum N(Ɛ) scaleaza cu Ɛ:
𝑙𝑛𝑁(𝜀)
Ec(1): 𝐷𝑐 = − lim
𝜀→0 𝑙𝑛𝜀
( ∑𝑁
𝑖=1 𝑝𝑖 (𝜀 )𝑙𝑛𝑝𝑖 (𝜖))
Ec(3): 𝐷1 = 𝐷𝑙 = lim
𝑙𝑛𝜀
𝜀→∞
In timp ce, pentru q=2, avem dimensiunea de corelatie DG:
𝑙𝑛𝐶(𝜀)
EC(4,5): 𝐷𝐺 = lim
𝜀→∞ 𝑙𝑛𝜀
𝑀
1 ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗
𝐶 (𝜀 ) = ∑ 𝜃 (𝜀 − |𝑥 (𝑖) − 𝑥 (𝑗)|)
𝑀(𝑀 − 1)
𝑖,𝑗=1
Unde cu ⃗⃗⃗⃗⃗⃗⃗
𝑥(𝑖)(𝑖 = 1 … … 𝑀) indicam pozitiile celor M puncte ale obiectului de
studiu si Ɵ este functia Heaviside. In general, avem 𝐷𝑞 ≥ 𝐷𝑞′ pt q < 𝑞 ′ . Doar
pentru un caz foarte particular al unui obiect cu posibilitati egale pt toate celulele,
i.e. pentru un monofractal, avem Dq=D0 pt toti q.
Pentru a calcula spectrul complet, putem scrie ecuatia(2) prin suma
generalizata Cq ca:
1 𝑙𝑛𝐶𝑞 (𝜀)
𝐷𝑞 = lim
𝜀→∞ 𝑞 − 1 𝑙𝑛𝜀
𝑀 𝑀
1 1
𝐶𝑞 (𝜀) = ∑[ ∑ 𝜃 (𝜀 − |⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑥 ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
(𝑖) − 𝑥 (𝑗)|)]
𝑀 𝑀−1
𝑖=1 𝑗=1
Obiectivul principal al acestei lucrari este de a compune dimensiunile
multifractale Dq a timpului de distributie a cutremurelor. Pt scopul nostru, seriile
𝑥 (𝑖)(𝑖 = 1 … … . 𝑀) sunt date de 𝑡(𝑖)(𝑖 = 1 … … . 𝑀), i.e. de timpul producerii
celor M cutremure.
3.ALGORITMI GENETICI
Introducere.
3.1 Calcul evolutiv
In general, orice sarcină abstractă care trebuie indeplinită, poate fi privită ca fiind
rezolvarea unei probleme, care, la randul ei, poate fi percepută ca o căutare in
spaţiul soluţiilor potenţiale. Deoarece, de obicei, căutăm cea mai bună soluţie,
putem privi acest proces ca fiind unul de optimizare. Pentru spaţii mici, metodele
clasice exhaustive sunt suficiente; pentru spaţii mari, pot fi folosite tehnicile
speciale ale inteligenţei artificiale. Metodele calculului evolutiv se numără printre
aceste tehnici; ele folosesc algoritmi ale căror metode de căutare au ca model
c‚teva fenomene naturale: moştenirea genetică şi lupta pentru supravieţuire. Cele
mai cunoscute tehnici din clasa calculului evolutiv sunt algoritmii genetici,
strategiile evolutive, programarea genetică şi programarea evolutivă. Există şi alte
sisteme hibride care incorporează diferite proprietăţi ale paradigmelor de mai
sus; mai mult, structura oricărui algoritm de calcul evolutiv este, in mare măsură,
aceeaşi. In ultimii 30 de ani, s-a manifestat un mare interes in rezolvarea
problemelor de sistem bazate pe principiile evoluţiei şi ereditatii. Astfel de
sisteme menţin o populaţie de soluţii potenţiale, ele au unele procese de selecţie
bazate pe fitness individual, şi caţiva operatori genetici. Un astfel de sistem este o
clasa a evoluţiei strategice i.e, algoritmi care imita principiile evoluţiei naturale
pentru problemele de optimizare de parametru(Rechemberg, Schwefel). Evoluţia
programarii lui Fogel este o tehnica de cautare intr-un spaţiu finit, mic de maşini.
Tehnologiile de cautare a maşinii lui Glover Scatter menţin o populaţie de puncte
de referinţă, generand o stare speciala prin greutatea combinaţiilor liniare. Alte
tipuri de sisteme evoluţionare sunt Hollandís Genetic Algorithms.In 1990 Koza a
propus un astfel de sistem evoluţional, genetic programming, pentru a cauta cel
mai potrivit program de computer sa rezolve o problema particulara .Folosind un
termen comun E.P pentru toate sistemele(incluz‚nd sistemele descrise mai sus).
Structura evoluţiei programului este:
procedura algoritm_evolutiv
t←0
creare P(t)
evaluare P(t)
cat timp nu condiţia de terminare
t←t+1
selectare P(t) din P(t-1)
modificare P(t)
evaluare P(t)
sfarşit cat timp
sfarşit procedura
In cele ce urmează vom explica algoritmul general propus mai sus. Evoluţia
programului este un algoritm probabilistic ce contine elemente distincte,
P(t)={x1t, x2t, ...xnt}. Algoritmii evolutivi menţin o populaţie de indivizi la fiecare
iteraţie t. O populaţie poate fi privită ca fiind un vector de valori. Fiecare element
distinct reprezinta o solutie potenţiala a problemei in cauza si in orice program,
este interpretat ca S structura de date. Fiecare solutie x1t, x2t, .. , xnt este
evaluata pentru a da o oarecare masura a fitnessului sau. Fiecare individ (element
al vectorului) reprezintă o soluţie potenţială a problemei şi este implementată sub
forma unei structuri de date S. Un individ este uneori numit şi cromozom. Fiecare
soluţie este evaluată ca fiind o măsură a "fitness-ului" său (speranţei de viaţă).
Acest fitness reprezintă calitatea individului. De obicei, cu cat individul este mai
promiţător, cu atat fitness-ul său este mai mare. Există unele probleme in cazul
cărora fitness-ul trebuie să fie minimizat. O nouă populaţie (iteraţia t + 1) se
formează prin selectarea mai multor potriviri individuale, alegand cei mai
promiţători indivizi (pasul de selecţie) din populaţia curentă. O parte din membri
populaţiei nou formate suferă transformări (pasul de modificare) prin operarea
genetica a noilor solutii. Vorbim despre o transformare unica a evoluţiei
programului.
1. https://www.worldscientific.com/doi/abs/10.11
42/S0218348X06003180
2. https://arxiv.org/abs/physics/0311049
3. http://www.maths.qmul.ac.uk/~latora/caruso_1
79_fractals06.pdf
4. https://www.mathworks.com/discovery/genetic
-algorithm.html
5. https://www.mathworks.com/help/gads/examp
les/coding-and-minimizing-a-fitness-function-
using-the-genetic-algorithm.html
6. http://andrei.clubcisco.ro/cursuri/5master/sptr
m/curs/Algoritmi%20genetici.pdf