Συγγραφέας: Άννινου Νίκη
Λέξεις Κλειδιά: Γενετικοί αλγόριθμοι, Μετά-γενετικοί αλγόριθμοι, ARMA μοντέλα, Kalman φίλτρα, Θεωρία Λαϊνιώτη

Σύνοψη: Αντικείμενο της διπλωματικής εργασίας είναι η εφαρμογή Εξελικτικών Μεθόδων, βασισμένων, στους Γενετικούς Αλγόριθμους, στο πρόβλημα της επιλογής της τάξης και της αναγνώρισης των παραμέτρων γραμμικών συστημάτων και ειδικότερα Αυτοανάδρομων Κινούμενου Μέσου όρου Διαδικασιών ARMA (Autoregressive Moving Average Processes). Οι Γενετικοί Αλγόριθμοι είναι αλγόριθμοι αναζήτησης που βασίζονται στις αρχές της εξέλιξης που παρατηρούνται στη φύση και γίνονται όλο και περισσότερο γνωστοί χάριν της ικανότητά τους να λύνουν δύσκολα προβλήματα. Οι ΓΑ χαρακτηρίζονται από την απλότητα και την κομψότητά τους ως ‘γεροί’ αλγόριθμοι αναζήτησης, καθώς επίσης και από τη ικανότητά τους να ανακαλύπτουν γρήγορα τις καλές λύσεις δύσκολων και κυρίως μεγάλης διάστασης προβλημάτων. Το θεμελιώδες πρόβλημα της επιλογής της τάξης και της αναγνώρισης των παραμέτρων ενός μοντέλου, έχει αντιμετωπιστεί με επιτυχία με τη χρήση της θεωρίας Διαμερισμού Πολλών Μοντέλων (Multi Model Partitioning -MMP) του Λαϊνιώτη. Βασισμένη στην εκ των υστέρων επιλογή του συνόλου των υποψηφίων μοντέλων, η μέθοδος αυτή δίνει βέλτιστες λύσεις - ή σχεδόν βέλτιστες, όταν η πραγματική τάξη του μοντέλου δεν ανήκει στον αρχικό πληθυσμό των υποψηφίων μοντέλων. Το μειονέκτημα της εξάρτησης από την εκ των υστέρων επιλογή των υποψηφίων μοντέλων μπορεί να αντιμετωπιστεί με τη χρήση τεχνικών φυσικής επιλογής, όπως οι Γενετικοί Αλγόριθμοι, οι οποίοι αποτελούν μία από τις πιο γνωστές και αποτελεσματικές μεθόδους αναζήτησης και βελτιστοποίησης. Η εξελικτική μέθοδος, που παρουσιάζεται στην εργασία αυτή, συνδυάζει την αποτελεσματικότητα της MMP θεωρίας με την ευρωστία των Γενετικών Αλγορίθμων με σκοπό τη δημιουργία μίας νέας γενιάς πολυδιάστατων φίλτρων διαμερισμού. Η δομή των φίλτρων αυτών μεταβάλλεται διαρκώς για να ταιριάζει κάθε φορά με ένα δεδομένο σύνολο μοντέλων, τα οποία προσδιορίζονται δυναμικά και on-line με τη χρήση ενός κατάλληλα σχεδιασμένου ΓΑ. Παρά του ότι η κωδικοποίηση των παραμέτρων είναι σύνθετη, τα πειραματικά αποτελέσματα έδειξαν ότι ο προτεινόμενος αλγόριθμος επιτυγχάνει καλύτερα αποτελέσματα, σε σύγκριση με τους συμβατικούς αλγορίθμους αναγνώρισης συστήματος, αφού έχει τη δυνατότητα να εξερευνά ολόκληρο το χώρο τιμών των παραμέτρων. Επιπλέον, η εξέλιξη του αρχικού πληθυσμού καταλήγει σε εύρεση της πραγματικής τάξης του μοντέλου του συστήματος ακόμα και στην περίπτωση όπου η πραγματική τάξη δεν ανήκει στην τράπεζα μοντέλων του αρχικού πληθυσμού. Η υλοποίηση του αλγόριθμου έγινε σε παράλληλο περιβάλλον, αφού τόσο το Multi Model Adaptive Filter (MMAF) όσο και οι Γενετικοί Αλγόριθμοι είναι από τη φύση τους παράλληλα δομημένοι, οδηγώντας έτσι στη βελτίωση της ταχύτητας του αλγορίθμου. Με σκοπό να επιτευχθεί επιπλέον βελτίωση του αλγορίθμου τόσο ως προς την αύξηση της ταχύτητας του όσο και την ποιότητα της εξέλιξης των πληθυσμών των ΓΑ, έγινε χρήση ενός επιπλέον Γενετικού Αλγορίθμου ο οποίος προσδιόρισε τις τιμές των παραμέτρων των ΓΑ που υλοποιούν την υβριδική εξελικτική μέθοδο. Ο Μετά-Γενετικός αλγόριθμος προσδιόρισε το Μέγεθος του Πληθυσμού, την Πιθανότητα Μετάλλαξης και Διασταύρωσης των παράλληλων ΓΑ. Από τα πειραματικά αποτελέσματα που προέκυψαν μπορεί κάποιος εύκολα να καταλήξει στο συμπέρασμα ότι ο ΜΓΑ καταφέρνει να επιλέξει τις βέλτιστες τιμές για τις βασικές γενετικές παραμέτρους με αποτέλεσμα η όλη διαδικασία να μπορεί να αυτοματοποιηθεί και να είναι πλήρως προσαρμόσιμη σε οποιαδήποτε αλλαγή συμβεί στο περιβάλλον εφαρμογής του ΜΓΑ.

Αρχείο Διπλωματικής Εργασίας