Test 8
Ora, proviamo la tecnica Linear Normalization.
Riportiamo la probabilità di mutazione a 0.005, il valore di
elitismo è settato a 1, la tecnica di valutazione è settata a
Windowing e il valore di decremento lineare è assegnato a 1.5.
Population size: 100
Generations: 75
Crossover probability: 0.4
Crossover type: 0 (0 = Fixed Position, 1 = Fixed Position
Sequential)
Mutation probabilaty: 0.005
Fitness technique: 2 (0 = Evaluation, 1 = Windowing, 2 = Linear
Normalization)
Population Deletion technique: 0 (0 = Delete All, 1 = Steady
Delete)
Elitism value: 1
Deletion parameter: 1.5
Seed: 799500870
Risultato
Distanza: 130.482
Analisi
Una convergenza molto veloce ma a un valore abbastanza brutto
di evaluation. Abbiamo provato altri valori di elitismo ma
sembra che L.N. sia molto sensibile a questi valori. Uno zero
quasi sempre implica che il miglior cromosoma viene
sostituito e un valore più grande va a finire in una
performance molto cattiva.
Torniamo a una veloce convergenza. Forse il fattore lineare di
decremento è troppo grande? A Un valore più piccolo produrrebbe
una convergenza più lenta in a ma, speriamo, una soluzione
migliore.
Test 9
Tutti i parametri sono impostati come nel test 8, eccetto il fattore di decremento lineare che decresce a 0.15. Inoltre, a causa della più bassa probabilità di convergenza, il numero di generazioni è raddoppiato a 150.
Population size: 100
Generations: 150
Crossover probability: 0.4
Crossover type: 0 (0 = Fixed Position, 1 = Fixed Position
Sequential)
Mutation probabilaty: 0.005
Fitness technique: 2 (0 = Evaluation, 1 = Windowing, 2 = Linear
Normalization)
Population Deletion technique: 0 (0 = Delete All, 1 = Steady
Delete)
Elitism value: 1
Deletion parameter: 0.15
Seed: 799500870
Risultato
Distanza: 98.7325
Analisi
Miglioramento. Con queste impostazioni dei parametri, la tecnica L.N. riesce a trovare la soluzione migliore possibile come la tecnica windowing ha fatto. Ma ha bisogno di molto tempo (o piuttosto: rimpiazzamento di generazioni).
Il fattore di decremento gioca il maggior ruolo nei risultati
dati nei test 8 e 9. Nel test 8, cè un grande
sparpagliamento dei valori di valutazione tra i e cromosomi che dà
ai migliori cromosomi un grande vantaggio. In test 9, le
differenze tra i cromosomi sono molto più piccole e così, dà
agli altri cromosomi una migliore chance di vivere e riprodursi.
Test 10
Tutti i test sopra sono stati fatti con la tecnica Delete All. E tempo di provare quanto buona è la tecnica Steady Delete in paragone. Questa tecnica è considerevolmente più lenta a ogni passo generazionale a causa della selezione necessaria a ogni inserimento di un nuovo membro della popolazione. Il vantaggio dovrebbe essere una veloce convergenza riguardo quante generazioni sono necessarie.
Non rifaremo tutti i test precedenti, invece mostreremo il risultato migliore, e discuteremo come lalgoritmo Steady Delete funziona in generale, confrontandolo con Delete All.
I valori dei parametri sono sotto:
Population size: 100
Generations: 75
Crossover probability: 1
Crossover type: 0 (0 = Fixed Position, 1 = Fixed Position
Sequential)
Mutation probabilaty: 0.2
Fitness technique: 0 (0 = Evaluation, 1 = Windowing, 2 = Linear
Normalization)
Population Deletion technique: 1 (0 = Delete All, 1 = Steady
Delete)
Elitism value: 5
Deletion parameter: 45
Seed: 799500870
Risultato
Distanza: 98.7325
Analisi
Questo algoritmo di cancellazione è capace di trovare la soluzione migliore possibile, e con i parametri sopra, lo fa molto velocemente (parlando in termini di generazioni). Raggiunge la soluzione migliore dopo sole 27 generazioni.
Comè possibile? La cosa più importante è che, se viene generato un buon cromosoma, fin dallinizio di un rimpiazzamento generazionale può essere usato come genitore allinterno dello stesso rimpiazzamento generazionale. Questo rende lalgoritmo molto più 'intenso' del Delete All dove un buon cromosoma deve aspettare la generazione successiva prima che possa essere usato come materiale per nuovi cromosomi.
Abbiamo fatto alcuni test con questo algoritmo e quasi sempre converge velocemente, quasi sempre converge a una soluzione abbastanza buona quando usato insieme a unalta probabilità di mutazione. Questo è naturale poiché ha bisogno di un ambiente instabile per evitare i massimi locali.
In generale, sembra che questo algoritmo ha una statistica un
po migliore nel trovare una soluzione abbastanza buona,
quando usato correttamente (cioè con unalta probabilità
di mutazione), rispetto allalgoritmo Delete All. Questo per
tutte le combinazioni di tecniche di valutazione del fitness etc.
Tuttavia per confermare quanto detto sono necessari più test.