Upload
others
View
12
Download
0
Embed Size (px)
Citation preview
Transportna logistika i inteligentni transportni sustavi
prof. dr. sc. Hrvoje GoldZagreb, 16.04.2010.
Sveučilište u ZagrebuFakultet prometnih znanosti
Poslijediplomski specijalistički studijTRANSPORTNA LOGISTIKA I MENADŽMENT
Sadržaj• Inteligentni transportni sustavi (ITS) • Modeliranje inteligentnog ponašanja
– ekspertni sustavi– neizrazita logika, – neuronske mreže, – genetski algoritmi
• Inteligentna logistika
2
Inteligenti transportni sustavi
3
ITS
Transporti promet
Inteligentni transportni sustavi
TELEMATIKA U PROMETU
Telekomunikacije i informatika
4
Telekomunikacije
Prijenos informacija na daljinu elektroničkim sredstvima
Telefon
Telefax
5
Informatika
- Unos- Obrada- Pohrana- Predaja
- Objava- Pristup- Razmjena
INFORMACIJA
6
Telematski sustav = infrastruktura inteligentnog transportnog sustava
TRANSPORT
ITS
WORLD WIDEWEB GIS +GPS
INTERNET/INTRANET
7
Logistika – MenadžmentInteligencija
8
9
10
11
Prirodna i umjetna inteligencija
12
Inteligencija
• Svojstvo uspješnog snalaženja u novim situacijama• Učenje na temelju iskustva • Sposobnost razumijevanja problema i načina
rješavanja problema• Svrsishodno i prilagodljivo ponašanje u zadanim
okolnostima• Sposobnost učenja, razmišljanja, prilagođavanja,
odlučivanja, prepoznavanja, zaključivanja, predviđanja
13
Umjetna inteligencija ...
• Pojavom računala omogućen razvoj umjetnih (stručnih/ekspertnih) sustava koji prikupljaju znanje i donose zaključke i odluke slično ljudima– Umjetna/Strojna inteligencija
(Artificial/Machine Intelligence – AI/MI)
14
Umjetna inteligencija
• Umjetni sustavi inteligentnog ponašanja• Sposobnost prikupljanja i uporabe znanja• Sposobnost postavljanja problema• Sposobnost učenja, zaključivanja, rješavanja problema• Sposobnost obrade i razmjene znanja
• Umjetni sustav je inteligentan ako u rješavanju spoznajnih zadataka postiže iste rezulate kao i čovjek
15
16
Inteligentni agenti ...• Posrednici (agenti) korisnika/vlasnika• Djeluju samostalno u ime korisnika:
– Obrada informacija– Suradnja– Dogovaranje
• Temelje se na: – tehnikama umjetne inteligencije, raspodjeljenom
programiranju, internet tehnologijama, mobilnim komunikacijama
Inteligentni agenti
17
OKOLINA
ODZIVI
PODRAŽAJI
AGENT
Područja umjetne inteligencije• Sustavi za potporu u odlučivanju• Ekspertni sustavi• Inteligentno pretraživanje podataka• Formalizmi i metode prikaza znanja• Rješavanje problema i metode pretraživanja • Učenje korištenjem primjera• Razumijevanje i obrada prirodnih (i umjetnih) jezika• Automatsko programiranje• Računalni vid, raspoznavanje uzoraka i analiza scene• Približno računanje (umjetne neuronske mreže, genetski
algoritmi, neizrazita logika)• Robotika
18
Integracija inteligentnih sustava• Sutavi temeljeni na pravilima• Neizrazita (fuzzy) logika
– računanje sa riječima– koristi neizrazite, približne vrijednosti koje opisuju
značenja, način zaključivanja i odlučivanja• Umjetne neuronske mreže
– uče na temelju iskustva i modificiraju postojeća ili proizvode nova pravila
• Evolucijski sustavi– zasnovani na modelima prirodne selekcije i genetika
• Hibridni sustavi
19
PRIMJERISAMOSTALNIH
INTELIGENTINHVOZILA
http://www.darpa.mil/grandchallenge/
~ 230 km~ 230.000 GPS
Najdulji prijeđeni putSandstorm ~ 12 km
DARPA Grand ChallengeRobot Vehicle Race 2004
Nagrada 1.000.000 USD
20
DARPA Grand ChallengeRobot Vehicle Race 2005
Stanley - Stanford30 km/h – 6:54h
~ 210 kmPrijavljeno 195
Započelo 23
Nagrada 2.000.000 USD
Sandstorm H1ghlanderStanley
21
Stiglo na cilj:5 vozila
22
DARPA 3rd Grand ChallengeUrban Challenge November 2007
96 km gradske vožnje, za < 6 sati, poštujući prometna pravila
Nagrada za 1. mjesto CMU2.000.000 USD
1. mjesto Chevy Tahoe 4:10:204 vozila za < 4 sata6 vozila stiglo na cilj
- Ekspertni sustavi -
23
Ekspertni sustav
• Prikuplja, organizira i koristi znanje stručnjaka za rješavanje problema iz određenog (uskog) područja
• Ekspertni sustav – znanje i stručnost čovjeka izraženi u obliku
pravila (ako ... onda)– baza znanja i mehanizam zaključivanja su
razdvojeni– sustav može objasniti postupak zaključivanja
24
Inženjering znanja
• Način prikupljanja (izvlačenja), prikaza i upotrebe znanja
• Izražavanje stručnjaka – nepreciznim, dvosmislenim terminima
(gotovo uvijek, obično, ponekad) – korištenjem lingvističkih varijabli (visok,
brz, težak)• Postupak prikupljanja, provjere i preradbe
znanja je zamoran i skup25
Ontologije i baze znanja• Ontologija - proučavanje bitka ili suštine značenja
pojmova• Opis klasa pojmova i njihovih odnosa• Elementi u izgradnji ontologije:
– Klase pojmova– Obilježja pojmova koja opisuju značajke i atribute (uloge)
pojmova – Ograničenja na uporabu obilježja
• Ontologija sa skupom primjera pojmova tvori bazu znanja
• Programski alati za izgradnju ontologije– http://protege.stanford.edu/
Struktura ekspertnog sustava
• Primjena na usko specijalizirano područje
• Koristi se heuristički način zaključivanja
• Jednostavno objašnjavanje postupka zaključivanja
• Simboličko zaključivanje –nenumerički podaci
• Približno zaključivanje sa nepotpunim i neizvjesnim podacima
Ciklus mehanizma zaključivanja
Logika sudova
• Sud, izreka, izjava, propozicija– P :: “Auto je skup”
• ovom sudu nije pridružena vrijednost istinitosti• istina za novi auto, laž za stari
• Sudu je uvijek pridružena vrijednost istinitosti (istina/laž, true/false) P
TF
Tablica istinitosti
• Negacija, komplement – ¬P :: “Auto nije skup”
• Povezivanje sudova veznicima / logičkim operatorima– I (AND)– ILI (OR) + ( )
P ¬PT FF T
Uvjetovani sudovi
• Pravila zaključivanja– P, (P->Q), zaključak Q
• Modus Ponens (potvrđivanjem)– P, (P->Q), ne Q, zaključak ne P
• Modus Tollens (opovrgavanjem)
Modus Ponens Modus Tollens
Primjer zaključivanja
• ((P->Q) (Q->R)), zaključak (P->R)– P :: “Svi ljudi su smrtni”– Q :: “Sokrat je čovjek”– Zaključak :: “Sokrat je smrtan”
33
- Neizrazita logika i približno zaključivanje -
Pojam skupa• Skup je cijelina sastavljena od dijelova, koji se
zovu članovi ili elementi skupa
• Članovi pridruženi skupu imaju zajednička obilježja
• Prema mjeri zajedničkih obilježja neki objekt pripada ili ne pripada skupu
a ∈ Xb ∉ X
Zadavanje izrazitih skupovaNabrajanjem članova:
A = { 1, 2, 3, ... , 98, 99, 100 }
Navođenjem zajedničkog svojstva članova:
A = { x ⏐ 1 ≤ x ≤ 100 i x je cijeli broj }
Unija skupova A i B:A ∪ B = { x⏐x ∈ A ili x ∈ B }
A B
X
A B
X
Presjek skupova A i B:A ∩ B = { x⏐x ∈ A i x ∈ B }
A
X
¬ AKomplement skupa A:
¬ A = { x⏐x ∉ A }
Osnovne operacije sa skupovima
Mala Srednja Velika
170 180
1
0
Visina Mala Srednja Velika168 cm 0.8 0.3 0.0171 cm 0.4 0.7 0.0179 cm 0.0 0.7 0.4
μ
Visina [cm]
179
168
1710.8
0.3
x1 = relativno malax2 = niža srednjax3 = viša srednja
Članstvo u neizrazitom skupu
Stupanj pripadnosti elementa x neizrazitom skupu A je zadan realnom vrijednošću između 0 i 1.
Izričaju stupnja pripadnosti odgovara funkcija članstva neizrazitog skupa.
( ) [ ]1,0: →AxAμ
Neizraziti (fuzzy, n-) skupovi
Univerzalni skup X je diskretan skup:
∑=
=
+++=n
iiiA
nnAAA
xx
xxxxxxA
1
2211
/)(
/)(/)(/)(
μ
μμμ L
Univerzalni skup X je neprekidan skup:
( ) iiA xxA /∫= μ
Označavanje n-skupova (Zadeh)
-2
1
0
0 2
A
x
AμNeprekidni skup
∫ ∫−
⎟⎠⎞
⎜⎝⎛ −
+⎟⎠⎞
⎜⎝⎛ +
=0
2
2
0 22
22 xxxxA
Trokutna funkcija članstva ...
-2
1
0
0 2
A
x
AμDiskretan skup
0.5
X = { -2, -1, 0, 1, 2 }A = 0.5/-1 + 1.0/0 + 0.5/1
Trokutna funkcija članstva
Prikaz znanja neizrazitom logikom
• Znanje ekspertnog sustava izraženo pravilima općeg oblika
AKO x je A I y je B ONDA z je C
pretpostavke, premise zaključak
x, y, z - varijableA, B, C - neizraziti skupovi, brojevi
Primjer neizrazitog pravilaAKO je sobna temperatura “malo viša”I vlaga je “dosta visoka”ONDA postaviti regulator klima uređaja
u položaj “jako vlažno”
AKO x je “oko 20 stupnjeva”I y je “oko 80 %”ONDA z je “oko 8”
x: sobna temperatura (°C) A: malo višay: vlaga (%) B: dosta visokaz: položaj regulatora (0,...,10) C: jako vlažno
Metode neizrazitog/približnog zaključivanja
Metode n-zaključivanja
Izravne metode
Neizravne metode
Izvorna izravna metoda(Mamdani)
Fuzzy modeliranje(Tagaki-Sugeno)
Metoda pojednostavljenogzaključka
Mamdami-jeva metoda
A. Odrediti vrijednosti premisa pravilaB. Izvesti zaključak pojedinog pravilaC. Izvesti rezultantni zaključak
1. Pravilo: AKO x je A1 I y je B1 ONDA z je C12. Pravilo: AKO x je A2 I y je B2 ONDA z je C2
A1, A2, B1, B2, C1, C2: neizraziti skupovi
Određivanje premisa pravila (x0, y0)
Ulazne varijable x i y su konačne vrijednosti x0 i y0
Premisa 1. pravila:
Premisa 2. pravila:
)()( 001 11yxW BA μμ ∧=
)()( 002 22yxW BA μμ ∧=
x1 je A1 I ... I xm je Am
Opći slučaj - m ulaza
)()( 11 mAA xxm
μμ ∧∧L
Grafički prikaz (x0, y0)
)()( 001 11yxW BA μμ ∧=
)()( 002 22yxW BA μμ ∧=
Izvođenje pojedinačnog zaključka
Zaključak 1. pravila:
Zaključak 2. pravila:
110' )()(11
CzzWx CC ∈∀∧= μμ
220' )()(22
CzzWx CC ∈∀∧= μμ
Grafički prikaz
110' )()(11
CzzWx CC ∈∀∧= μμ
220' )()(22
CzzWx CC ∈∀∧= μμ
Izvođenje rezultantnog zaključka
Rezultantni zaključak:
)()()(21 '' zzz CCC μμμ ∨=
Opći slučaj - n pravila
)()()()( ''' 21zzzz
nCCCC μμμμ ∨∨∨= L
Grafički prikaz
)()()(21 '' zzz CCC μμμ ∨=
‘Defuzifikacija’ neizrazitog skupa
• Pretvorba neizrazitog skupa u konačnu vrijednost– Težišta skupa (centroid)
– Najveća vrijednost pripadnosti n-skupu
∫∫=
dzz
zdzzz
C
C
)(
)(0 μ
μ
))(max(0 zz Czμ=
Grafički prikaz ‘defuzifikacije’
Ekspertni sustav vozila
• Logika vožnje automobila na temelju udaljenosti i brzine vožnje između vozila
• Znanje se izražava u obliku pravila zaključivanja
Pravila vožnjePravilo 1: AKO udaljenost između vozila je mala
I brzina je mala ONDA papučicu gasa pustiti (održavati brzinu).
Pravilo 2: AKO udaljenost između vozila je malaI brzina je velika ONDA pritisnuti kočnicu (smanjiti brzinu).
Pravilo 3: AKO udaljenost između vozila je velikaI brzina je mala ONDA pritisnuti papučicu gasa (povečati brzinu).
Pravilo 4: AKO udaljenost između vozila je velikaI brzina je velika ONDA papučicu gasa pustiti (održavati brzinu).
Fuzifikacija pravila vožnje
Izražavanje linguističkih pravila n-skupovima– funkcijama članstva prilagođenim okolnostima primjene
x: udaljenost između vozilay: brzina vozila
z: prilagođenje (promjena) brzine (ubrzanje)
X: {x | 0 ≤ x ≤ 40} [m]Y: {y | 0 ≤ y ≤ 100} [km/h]Z: {z | -20 ≤ z ≤ 20} [km/h2]
Zadavanje neizrazitih skupova
A1: “blizu” (udaljenost između vozila)A2: “daleko” (udaljenost između vozila)B1: “mala” (brzina)B2: “velika” (brzina)C1: “održavanje” (brzine)C2: “smanjenje” (brzine)C3: “povećanje” (brzine)
Grafički prikaz n-skupovablizu
smanj. održ.
daleko
pove.
mala velika
ubrzanje
brzinaudaljenost
Baza znanja• Pravilo 1: AKO x je A1 I y je B1 ONDA z je C1• Pravilo 2: AKO x je A1 I y je B2 ONDA z je C2• Pravilo 3: AKO x je A2 I y je B1 ONDA z je C3• Pravilo 4: AKO x je A2 I y je B2 ONDA z je C1
B1 B2
C1
A2
A1 C2
C3 C1
yx
Tablični prikaz (pravila) baze znanja
Pravilo 1
Pravilo 2
Pravilo 3
Pravilo 4
donekle smanjiti brzinu
Rezultantni zaključak
• Ako je udaljenost između vozila 15 m i brzina 60 km/h, zaključak glasi “donekle smanjiti brzinu” (“održavati brzinu” i “smanjiti brzinu”)
62
- Umjetne neuronske mreže –
• Procesni elementi u mreži su povezani na način sličanpovezanosti neurona u kori mozga.
POJAM UMJETNE NEURONSKE MREŽE
• Umjetne neuronske mreže su mreže međusobnopovezanih procesnih elemenata čije je ponašanje sličnoponašanju biološkog neurona.
• Učenje na temelju iskustva
– prilagođenje okolini promjenom ponašanja• Sposobnost poopćavanja
– neosjetljivost na male promjene ulaznih podataka• Sposobnost apstrakcije
– odjeljivanje bitnog od nebitnog• Primjenljivost
– prepoznavanje uzoraka, klasifikacija, predviđanje, identifikacija, optimizacija, prilagodljivo vođenje ...
SPOSOBNOSTI UMJETNE NEURONSKE MREŽE (2)
• Mozak je složeni sustav sa sposobnošću:
– učenja, pamćenja, sjećanja, mišljenja, rješavanja, zaključivanja, prepoznavanja, klasifikacije
• Živac (neuron) je osnovna stanica živčanog sustava kore mozga.
BIOLOŠKE OSNOVE NEURONSKIH MREŽA
Dendriti
Sinapsa Akson
Stanična jezgra
• Neuron je procesni član• Dendriti su ulazi u neuron• Akson je izlaz iz neurona• Sinapsa je prostor između neurona
– ispunjena tekućinom prijenosnika signala (neurotransmiterima) koji ubrzavaju ili usporavaju prijenos električnih signala između neurona
– prilagođenjem otpora i vodljivosti u sinapsi neuronska mreža uči i pamti
• Jezgra neurona obrađuje električne signale
ELEMENTI BIOLOŠKOG NEURONA
– Kora mozga– Sadrži približno 1010 neurona i 1013 sinapsi
koje utječu na njegovo ponašanje– Brzina obrade iznosi od 400 do 500 operacija
u sekundi– Paralelni način rada
BIOLOŠKA NEURONSKA MREŽA
– Sadrži nekoliko tisuća umjetnih neurona s manje od 106 umjetnih sinapsi
– Brzina obrade iznosi od 100 do 200 milijuna operacija u sekundi– Serijski i paralelni načini rada
UMJETNA NEURONSKA MREŽA
MODEL UMJETNOG NEURONA
∑=
=n
iiijj xwI
1)( jj Iy Φ=
Aktivacijska funkcijaΦj
Zbroj opterećenih ulazaIj
JEZGRA
NEURON j
yj
x1
x2
xi
wij
SINAPSE -TEŽINE
w1j
w2j
xn
wnjDENDRITI
AKSON
ULAZNI SIGNALI
IZLAZNI SIGNAL
• Ulazni signali– veličine kontinuiranih vrijednosti
• Težine– prilagodljive veličine– pozitivne ili negativne vrijednosti: pojačano
(ekscitacijsko) ili oslabljeno (inhibicijsko) djelovanje na ulazne signale
• Jezgra– zbrajanje opterećenih ulaznih signala– aktivacijska funkcija (prijenosna funkcija)
neurona • Izlazni signal
ELEMENTI UMJETNOG NEURONA
Logistička funkcija (sigmoid)Ie
I α−+=Φ
11)(
Izlaz Φ(I)
Ulaz I
+1
1/2
0-2-4 2 4
α = 2.0
α = 0.5
α = 1.0koeficijent strmine
OSNOVNE AKTIVACIJSKE FUNKCIJE NEURONA (3)
– Sustav za obradu podataka sastavljen, po uzoru na strukturu mozga, od velikog broja jednostavnih vrlo povezanih procesnih elemenata (umjetnih neurona).
– Procesni elementi su ustrojeni u niz slojeva s potpunim ili slučajnim vezama između slojeva.
UMJETNA NEURONSKA MREŽA
Ciljni uzorak
Uspoređivanje
Pogreška
Prilagođenje težina
NADZIRANO UČENJE
Ulazni uzorak
Neuronske mreže - Učenje mreže 2-74
SIMULACIJE UČENJA I RADA VIŠESLOJNE MREŽE
1. Pogreška lokalnog i globalnog minimuma
2. Aproksimacija funkcije
Neuronske mreže - Učenje mreže 2-75
1. Pogreška lokalnog i globalnog minimuma (1)
Neuronske mreže - Učenje mreže 2-76
1. Pogreška lokalnog i globalnog minimuma (2)
Neuronske mreže - Učenje mreže 2-77
1. Pogreška lokalnog i globalnog minimuma (3)
Neuronske mreže - Učenje mreže 2-78
2. Aproksimacija funkcije (1)
Neuronske mreže - Učenje mreže 2-79
2. Aproksimacija funkcije: Epoha = 300, ε = 4.34526 (2)
Neuronske mreže - Učenje mreže 2-80
2. Aproksimacija funkcije: Epoha = 1000, ε = 3.27365 (3)
Neuronske mreže - Učenje mreže 2-81
2. Aproksimacija funkcije: Epoha = 2000, ε = 2.00612 (4)
Neuronske mreže - Učenje mreže 2-82
2. Aproksimacija funkcije: Epoha = 2600, ε = 1.01034 (5)
Neuronske mreže - Učenje mreže 2-83
2. Aproksimacija funkcije: Epoha = 3000, ε = 0.33537 (6)
Neuronske mreže - Učenje mreže 2-84
2. Aproksimacija funkcije: Epoha = 3900, ε = 0.06231 (7)
Neuronske mreže - Učenje mreže 2-85
2. Aproksimacija funkcije: Epoha = 6801, ε = 0.01999 (3)
86
- Genetski algoritmi –
Genetski algoritam
• Postupak stohastičkog pretraživanja prostora rješenja na temelju “prirodnog” izbora najsposobnijih kandidatnih rješenja
• Optimizacija umjetnih (tehnoloških, tehničkih) sustava na temelju optimizacije prirodnih sustava
Prirodni izbor
• Organizmi su prilagođeni životu u prirodi• Darwin: Teorija razvoja (evolucije)
– Prilagodbu organizama uzrokuju procesi križanja i mijenjanja gena u kromosomima
– Radi ograničenosti prirodnih bogatstava preživljavaju samo najsposobniji (selekcija)
Dijagramtokagenetskogalgoritma
Ciklus genetskog aloritma
Naraštaj i
Naraštaj (i+1)
Križanje
Mutacija
Genetski algoritam ...1. Zadavanje početne populacije
– Slučajno generiranje skupa kandidatnihkromosoma {N}
2. Utvrđivanje vrijednosti uspješnosti nizova u populaciji
– Funkcija uspješnosti mora odgovaratipostavljenom zadatku
3. Reprodukcija– Na temelju vrijednosti uspješnosti nizova u
populaciji, stvara se nova populacija nizova na koju će se primijeniti genetski operatori
Genetski algoritam4. Križanje
– Operator križanja generira nove nizove spajanjem dijelova postojećih nizova
– Slučajni izbor parova nizova i mjesta spajanja na nizovima
5. Mutacija– Slučajna izmjena vrijednosti niza
• Korake algoritma od 2 do 5 ponavljati dok nije postignuta konvergencija ili prethodno utvrđeni broj naraštaja
Reprodukcija (odabir nizova) ...
• Metoda ruleta– Vjerojatnost odabira kromosoma je
proporcionalna njegovoj vrijednosti uspješnosti
∑=
i
ii f
fp
Reprodukcija (odabir nizova) ...Kromosom Uspješnost
1 1100010101 92 0000100010 73 1000000001 64 0001100010 55 1101110101 56 0001000100 47 1111111000 38 0000000001 39 1100001000 210 1111111111 1
120%
216%
313%4
11%
511%
69%
77%
87%
94%
102%
Niz 1: Vjerojatnost odabira 20% (9/45)
Reprodukcija (odabir nizova)
• Ako se kod zamjene stare populacije novom veličina populacije ne mijenja, očekivani broj reprodukcija i-tog niza iznosi
ff
Nf
ff
fNpNn i
i
i
i
iii =
∑ ⎟⎠⎞
⎜⎝⎛
=∑⋅=⋅=
Genetski operatori (1)
• Križanje:– Dijelovi (geni) odabranih parova nizova se
premještaju tako da tvore novi par nizova. – Mjesto premještanja se slučajno izabire
11|00100|10111|00010|101
00|00100|01000|00010|010
Genetski operatori (2)
• Mutacija:– Uvođenje novih nizova u populaciju– Slučajna izmjena jednog dijela (gena) niza– Binarno kodirani niz - komplementiranje
1010010101
1010011101
Genetski operatori (3)
• Inverzija:– Premještanje dijela (gena) unutar niza
1|10010|0101
1|01001|0101
Primjer: Optimizacija funkcije (1)
• Pronalaženje najmanje (ili najveće) vrijednosti funkcije
• Rješenje: x = 10, y(x) = 0.5
2
2001
1011)( xxxy +−=
Primjer: Optimizacija funkcije (2)
• Slučajno generirano 5 brojeva • Binarno kodirani 5 bitnim nizovima • Izračunate vrijednosti yi(x)• Minimum funkcije; maksimum uspješnosti• Vjerojatnost izbora niza• Očekivani broj reprodukcija i-tog niza fi/f’
Primjer: Optimizacija funkcije (3)Niz Vrijednost yi(x) fi(x) fi/Sfi fi/f'x x
v1 10111 23 1.345 0.743 0.101 0.504v2 01100 12 0.520 1.923 0.261 1.304v3 10100 20 1.000 1.000 0.136 0.677v4 00110 6 0.580 1.732 0.235 1.173v5 01001 9 0.505 1.980 0.267 1.342
Zbroj 7.378 1.000 5.000Prosj. 1.476 0.200 1.000Max. 1.980 0.267 1.432
fi(x) = 1/yi(x) f’ - prosječna uspješnost populacije
Primjer: Optimizacija funkcije (4)• Primjena operatora križanja i mutacije
između slučajno odabranih nizova• Mutacija na nizu v1 mijenja vrijednost
uspješnosti niza od 1.000 na 1.471
Nova pop. xi yi(x) fi(x)
Prije mutacije 10100 20 1.000 1.000
Poslije mutacije 10000 16 0.680 1.471
Primjer: Optimizacija funkcije (5)Repro. Slučajno Mjesto Nova xiskup odabr. par. križ. pop.
*v1 101|11 2 3 10000 16
01111 15v2 01|100 5 2 01001 9
01100 12v3 1010|0 1 4 10101 21
10110 22v4 0|0110 3 1 00100 4
10110 22v5 010|01 4 3 01010 10
00101 5
* mutacija
Primjer: Optimizacija funkcije (6)xi yi(x) fi(x) fi(x)**
v1 16 0.680 1.47115 0.625 1.600** 1.600
v2 9 0.505 1.980** 1.98012 0.520 1.923** 1.923
v3 21 1.105 0.90522 1.220 0.820
v4 4 0.680 1.47122 1.220 0.820
v5 10 0.500 2.000** 2.0005 0.625 1.600** 1.600
Zbroj 14.589 9.103Prosj. 1.459 1.821Max. 2.000 2.000
Literatura
• Gold, H.: Prezentacije s predavanja (pdf), 2009• Luger, G.F.: Artificial Intelligence, Addison
Wesley, 2005.• Russell, S., Norvig, P.: Artificial Intelligence: A
Modern Approach, Prentice Hall, 2003.• Mišljenović, D., Maršić, I.: Umjetna inteligencija,
Školska knjiga, 1991.
105