Search results

1

Multi-criterion optimisation of transport orders with the innovative evolutionary approach

100%

Bułat R., Radziszewski M.

Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie

|

2011

|

issue 1(17)

43-53

EN

One of the common problems encountered frequently in logistic issues is PDPTW (pickup and delivery problem with time windows) where a limited transport base is to be used to expedite goods in an efficient way from point A to point B. Every organisation, both business and non-profit is, for obvious reasons, unable to grasp the whole logistic process without the aid of automation, so it has to be equipped with a logistics support system. A viable alternative to other analytical solutions can therefore come in the form of a system based on genetic algorithms, which takes into account the limitations of the infrastructure, the time frame and the resulting penalty for any delay. This platform should also allow for the transition from a mathematically defined solution to a problem (however little practical use it has) to the real logistical problems based on the actual needs of the industry. Such a system was implemented, and with the basic genetic operators (cloning, mutation and crossover) is able to plan a solution for any arbitrarily defined, solvable problem of transportation, with the help of any algorithm using those operators. After starting the program and entering the dataset, the pre-set number of simulated generations of the genetic algorithm is started with the default chosen SPEA algorithm (strength Pareto evolutionary algorithm). The results of the simulation in the form of the final set of solutions are being saved to a file. For the algorithm applied to the test problem, the optimal solution for each variable, or middle-ground solutions were found.

PL

Jednym ze standardowych problemów spotykanych często w zagadnieniach logistycznych jest PDPTW (Pickup and Delivery Problem with Time Windows), gdzie dysponując ograniczoną bazą transportową, należy w sposób efektywny transportować towary z punktu A do B. Każda organizacja, zarówno biznesowa, jak i o charakterze niekomercyjnym, z oczywistych powodów niemożności ogarnięcia całościowo procesów logistycznych bez pomocy automatyzacji musi być wyposażona w system wsparcia logistycznego. Alternatywą dla innych rozwiązań analitycznych może być zatem system oparty na algorytmach genetycznych, biorący pod uwagę możliwości infrastruktury oraz ramy czasowe i wynikające z nich kary za opóźnienia. Platforma ta powinna też umożliwić przejście od rozwiązywania problematu zdefiniowanego matematycznie (jednak mającego nikłe zastosowanie praktyczne) do problemów logistycznych opartych na faktycznych potrzebach przemysłowych. System taki został zaimplementowany i przy użyciu podstawowych operatorów genetycznych – klonowania, mutacji i krzyżówki jest w stanie planować rozwiązania dla dowolnie zdefiniowanego rozwiązywalnego problemu transportowego oraz dowolnie zdefiniowanego algorytmu używającego tych operatorów. Po uruchomieniu programu i wprowadzeniu danych rozpoczynana jest symulacja zadanej ilości pokoleń algorytmu genetycznego, domyślnie wykonywanych według algorytmu SPEA (Strength Pareto Evolutionary Algorithm). Wyniki symulacji w postaci końcowego zbioru rozwiązań wypisywane są do pliku. Dla zastosowanego algorytmu dla problemu testowego znalezione zostały rozwiązania optymalne dla każdej ze zmiennych bądź rozwiązania pośrednie.

2

O użyteczności sieci neuronowych i algorytmów genetycznych w realizacji inwestycyjnych systemów decyzyjnych

80%

Morajda J.

Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie

|

2006

|

issue 1(9)

217-230

PL

W artykule omówiono podstawowe aspekty realizacji aktywnych strategii inwestycyjnych na rynkach finansowych z wykorzystaniem systemów wspomagania decyzji (systemów transakcyjnych), w kontekście klasycznych teorii zarządzania portfelem inwestycyjnym. Wskazano zasadnicze przesłanki zastosowania metod sztucznej inteligencji, takich jak sieci neuronowe i algorytmy genetyczne, do konstrukcji inwestycyjnych systemów decyzyjnych. Przedstawiono charakterystykę sieci neuronowych oraz algorytmów genetycznych jako efektywnych narzędzi w modelowaniu i prognozowaniu rynków finansowych.

EN

The paper discusses basic aspects of application of active investment strategies in financial markets - in the context of classic theories of portfolio management. Such active strategies are generated with the use of decision support systems (transaction systems). The main assumptions of utilisation of artificial intelligence methods, such as neural networks and genetic algorithms, in the construction of investment decision systems have been indicated. The characteristic of neural networks and genetic algorithms as effective tools in financial markets modelling and prediction has also been discussed here.

3

Teoria i metody algorytmu ewolucyjnego w uczeniu jednowarstwowej sieci neuronowej

80%

Płaczek S.

Zeszyty Naukowe Uczelni Vistula

|

2016

|

issue 49(4) Informatyka

23-39

PL

Rozwój teorii sztucznych sieci neuronowych, a także pojawienie się nowych, efektywnych narzędzi programistycznych (systemy wieloprocesorowe, programowanie wielowątkowe) umożliwia zastosowanie algorytmów genetycznych oraz ewolucyjnych do uczenia sztucznych sieci neuronowych (SSN). W literaturze dotyczącej zasad działania SSN podkreśla się ich atrakcyjne własności, takie jak: aproksymacja dowolnych nieliniowych odwzorowań, równolegle i rozproszone przetwarzanie, adaptacja i uczenie. Szczególnie równoległe i rozproszone przetwarzanie koresponduje ze strukturą algorytmu genetycznego i ewolucyjnego. Klasyczne algorytmy genetyczne operują na ciągach binarnych o stałej długości. Natomiast algorytmy ewolucyjne można interpretować jako uogólnienie algorytmów genetycznych. W algorytmach tych stosuje się zasady ewolucji i dziedziczenia oraz wykorzystuje się właściwą strukturę danych do reprezentacji chromosomów (liczby rzeczywiste, macierze, grafy). Definiuje się również inne operatory krzyżowania i mutacji. Tak więc struktura algorytmu ewolucyjnego jest prawie taka sama jak genetycznego. Różnice ukryte są na niższych poziomach przetwarzania – w strukturach danych. W artykule przedstawiono próbę implementacji algorytmu ewolucyjnego do uczenia jednowarstwowej sieci neuronowej. Sieć opisuje się w postaci macierzy połączeń między wektorami – wejściowym X oraz wyjściowym Y. Funkcja uczenia SSN zdefiniowana jest jako nieliniowa funkcja wag sieci oraz nieliniowej funkcji aktywacji minimalizującej błąd średniokwadratowy między wektorem wyjściowym Y a wektorem uczącym Z, dla całej paczki uczącej. Pojawienie się nieliniowości utrudnia zastosowanie algorytmu uczenia opartego na wstecznej propagacji błędu. Funkcja celu, oprócz minimum globalnego, może zawierać wiele minimów lokalnych, w których algorytm oparty na badaniu gradientu funkcji celu może się zatrzymać. Oczywiście stosuje się różne techniki i metody umożliwiające wyjście algorytmu z tego typu pułapek. Tym niemniej dla sprawdzenia poprawności otrzymanych wyników uruchamia się proces uczenia SSN dla różnych danych początkowych. W zaproponowanym algorytmie ewolucyjnym tworzy się zbiór osobników. Każdy z osobników przedstawia możliwe rozwiązanie zadania minimalizacji funkcji celu i jest reprezentowany przez macierzową strukturę danych. Każde rozwiązanie cząstkowe ocenia się na podstawie dopasowania funkcji celu, a następnie tworzy się nową populację (potomków) przez selekcję osobników o najlepszych dopasowaniach oraz dwa algorytmy krzyżowania i mutacji. W artykule omówiono zaproponowaną strukturę osobników, przyjęte algorytmy selekcji z ich wadami i zaletami oraz różne algorytmu krzyżowania i mutacji. Na wstępie zdefiniowano takie podstawowe pojęcia, jak gen, chromosom oraz najogólniejszą strukturę algorytmu ewolucyjnego. Artykuł ma charakter koncepcyjny.

EN

The article proposes implementation of a modified version of genetic algorithms in neural networks, what in literature is known as “evolutionary algorithm” or “evolutionary programming”. An evolutionary algorithm is a probabilistic algorithm that works in a set of weight variability of neurons and seeks the optimal value solution within a population of individuals, avoiding the local maximum. For chromosomes, the real value variables and matrix structure are proposed. In the article, this decision is widely elaborated and discussed. In the original versions of genetic algorithms, all variables’ values are transformed into binary versions. The chromosomes bit sequences could include thousands of positions. It does not simplify the crossover and mutation operations. Processes could be very time-consuming and the algorithm convergence could also be slow. For a single-layer neural network matrix data structure is used. A particular emphasis is put on mutation and crossover algorithms. What is also important in both genetic and evolutionary algorithms is the selection process. The primary population, known as the parent population, is employed to build a new set of individuals using the selection process. These individuals are known as the children population. The selection algorithm should converge on the two very important issues: population diversity and selective pressure. Selective pressure can manifest in the overrepresentation of the best individuals in the new population. The area, in which the optimal solution is sought, is reduced too fast. Premature convergence is not desirable due to the high probability of achieving the local maximum. Reducing the selective pressure may result in increasing the time it takes to search for the solution.

Refine search results

2 Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie

1 Zeszyty Naukowe Uczelni Vistula

1 2016

1 2011

1 2006

1 Bułat R.

1 Morajda J.

1 Płaczek S.

1 Radziszewski M.

Multi-criterion optimisation of transport orders with the innovative evolutionary approach

O użyteczności sieci neuronowych i algorytmów genetycznych w realizacji inwestycyjnych systemów decyzyjnych

Teoria i metody algorytmu ewolucyjnego w uczeniu jednowarstwowej sieci neuronowej