Дослідження генетичного алгоритму та його візуалізація з додаванням шуму Перліна
Автор: Вихристюк Катерина Миколаївна
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні технології проектування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2020-2021 н.р.
Мова захисту: українська
Анотація: Вихристюк К.М., Юрчак І.Ю (керівник). Аналіз генетичного алгоритму та його візуалізація з додаванням шуму Перліна. – Національний університет «Львівська політехніка», Львів, 2020. Розширена анотація. Проблематика генетичних алгоритмів – це одна з областей досліджень, що найбільш інтенсивно розвиваються в даний час. Створено візуалізацію роботи генетичного алгоритму. Розробивши віртуальний світ з певними правилами, маємо змогу спостерігати за розмноженням, мутаціями, харчуванням та виживанням організмів (об’єктів) у ньому. Це дозволяє наочно побачити, як, застосувавши аналогію з природою, працює генетичний алгоритм. Програму написано на мові Java з застосуванням абстрактного віконного інтерфейсу. Об’єкт дослідження – генетичний алгоритм. Предмет дослідження – візуалізація генетичного алгоритму мовою Java. Мета дослідження – дослідити та візуалізувати генетичний алгоритм з використанням мови програмування Java. В результаті виконання магістерської кваліфікаційної роботи створено програмний продукт, в якому віртуальні організми самостійно живуть, розмножуються і вмирають за певних умов. Генетичний алгоритм застосовується для вирішення задач оптимізації, розв’язку задач, пов’язаних з графами, навчання штучних нейронних мереж, для моделювання штучного життя. Унікальність роботи полягає у відсутності аналогів, а саме застосування шуму Перліна для реалізації структур на карті. Ключові слова: генетичний алгоритм, шум Перліна, штучне життя, еволюція, пошук, оптимізація, популяція. Перелік використаних літературних джерел. 5 1. Gardner, Martin (October 1970). "Mathematical Games - The Fantastic Combinations of John Conway’s New Solitaire Game ’Life’" 2. Elwyn R. Berlekamp, John H. Conway, and Richard K. Guy, Winning Ways for your Mathematical Plays. Academic Press, 1982 3. Gene Pool Swimbots - http://swimbots.com/ 4. Eiben, A. E. et al (1994). "Genetic algorithms with multi-parent recombination". PPSN III: Proceedings of the International Conference on Evolutionary Computation. The Third Conference on Parallel Problem Solving from Nature: 78–87. 5. Shir, Ofer M. (2012). "Niching in Evolutionary Algorithms". In Rozenberg, Grzegorz; Back, Thomas; Kok, Joost N. (eds.). Handbook of Natural Computing. Springer Berlin Heidelberg. pp. 1035–1069. 6. Holland, John (1992). Adaptation in Natural and Artificial Systems. Cambridge, MA: MIT Press. ISBN 978-0262581110. 7. Koza, J.R. (1992), Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT Press 8. J. J. Hopfield, «Neural networks and physical systems with emergent collective computational abilities», Proceedings of National Academy of Sciences, vol. 79 no. 8 pp. 2554—2558, April 1982. PNAS Reprint (Abstract) PNAS Reprint (PDF) 9. Ting, Chuan-Kang (2005). "On the Mean Convergence Time of Multi-parent Genetic Algorithms Without Selection". Advances in Artificial Life: 403– 412. 10.J.-H. Chen, D. Goldberg, S.-Y. Ho, and K. Sastry, “Fitness inheritance in multiobjective optimization,” in Proc. Genetic Evol. Comput. Conf., 2002, pp. 319–326.