Genetinių algoritmų panaudojimo galimybės ir paplitimas nuolat didėja. Daugelyje nagrinėtų mokslinių darbų, genetiniai algoritmai yra naudojami uždavinių optimizavimui. Optimizavimui naudojama daug skirtingų metodų. Sprendžiant konkretų uždavinį mokslinėje literatūroje paprastai pritaikoma keletas metodų tam, kad būtų pagerinti gauti rezultatai, t.y., išbandoma keletas strategijų. Deja, nepavyko rasti tyrimų, kaip tos pačios genetinės paieškos strategijos gali būti pritaikytos kitoms analogiškoms problemoms spręsti. Šiame darbe pateikiama probleminės srities apžvalga, tyrimo aprašymas bandymų rezultatai ir išvados. / The use of genetic algorithms considerably increases. In some research works GA‘s are investigated to optimize graph problems. There are many different strategies for GA optimization. Unfortunately, there are no investigations if a strategy, suitable for a particular graph problem, will be useful solving other graph problems. In this work I originated, described and developed some GA learning strategy elements. Also I developed some that are available in other research works. These elements are: generation of initial population, selection of individuals, mutation, crossover and some other parameters. All possible strategies (about 300) are tested in this work for three graph problems: shortest path, longest path and traveling salesman problem. Results are summarized and described.
| Identifer | oai:union.ndltd.org:LABT_ETD/oai:elaba.lt:LT-eLABa-0001:E.02~2006~D_20081203_193031-18459 |
| Date | 04 March 2009 |
| Creators | Devėnaitė, Vaiva |
| Contributors | Dičiūnas, Valdas, Vilnius University |
| Publisher | Lithuanian Academic Libraries Network (LABT), Vilnius University |
| Source Sets | Lithuanian ETD submission system |
| Language | Lithuanian |
| Detected Language | English |
| Type | Master thesis |
| Format | application/pdf |
| Source | http://vddb.library.lt/obj/LT-eLABa-0001:E.02~2006~D_20081203_193031-18459 |
| Rights | Unrestricted |
Page generated in 0.0017 seconds