Javascript must be enabled for the correct page display

Optimalisatie van genetische algoritmes en evolutionaire strategieen

Zijlstra, J.J. (1996) Optimalisatie van genetische algoritmes en evolutionaire strategieen. Master's Thesis / Essay, Artificial Intelligence.

[img]
Preview
Text
AI_Ma_1996_JJZijlstra.CV.pdf - Published Version

Download (2MB) | Preview

Abstract

Hoewel ik door het grote aantal berekeningen het optimalisatie-onderzoek naar snelle evolutionaire optimalisatiemethoden beperkt van opzet heb moeten houden, bleek daaruit toch dat voor de onderzochte gevallen evolutionaire strategieen beter presteren dan genetische algoritmes. Verder kan min of meer uit de resultaten de verrassende conclusie getrokken dat hun architecturen grotendeels onbenut gebleven zijn. Blijkbaar zijn er fundamentele beperkingen waar de architecturen van evolutionaire optimalisatiemethoden slechts in beperkte mate invloed op kunnen uitoefenen. Vervolgens heb ik de resultaten van mijn optimalisatie-onderzoek toegepast op bet probleem van het schatten van parameters van het korte termijn bloeddrukregulatiemodel. Bij de eerste experimenten heb ik eerst de evolutionaire strategieen uitgeprobeerd, want het parameterschattingsprobleem is een laagdimensioneel probleem en uit het eerste deel van mijn scriptie is gebleken dat evolutionaire strategieen daarvoor meer geschikt zijn dan genetische algoritmes. De resultaten bleken echter teleurstellend te zijn: De evolutionaire strategieen leveren nauwelijks betere resultaten op dan bij de tabelmethode. De resultaten van mijn onderzoek naar snelle optimalisatiemethodes bleken namelijk niet toepasbaar te zijn omdat bet parameterschattingsprobleem kennelijk te complex is om het te optimaliseren binnen 650 simulaties van het model. Gelukkig bleek een standaard genetisch algoritme wel in staat te zijn om binnen 2000 evaluaties de resultaten van de tabelmethode te overtreffen. Dat impliceert dus dat de hierboven beschreven opzet van het optimaliseren van snelle optimalisatiemethodes ook grotere aantallen evaluaties van 650 tot 2000 zal moeten onderzoeken. Naar verwachting zal dat resulteren in nog snellere en betrouwbaardere optimalisatiemethodes voor bet parameterschattingsprobleem. Bovendien kunnen met evolutionaire optimalisatiemethoden grotere aantallen parameters onderzocht worden dan met een tabelmethode mogelijk geweest zou zijn. Kortom door evolutionaire optimalisatiemethoden is bet mogelijk geworden om sneller, beter en meer parameters te schatten dan met een tabelmethode.

Item Type: Thesis (Master's Thesis / Essay)
Degree programme: Artificial Intelligence
Thesis type: Master's Thesis / Essay
Language: Dutch
Date Deposited: 15 Feb 2018 07:30
Last Modified: 15 Feb 2018 07:30
URI: http://fse.studenttheses.ub.rug.nl/id/eprint/9030

Actions (login required)

View Item View Item