Please enable JavaScript.

Coggle requires JavaScript to display documents.

GAによるナップサック問題へのアプローチからGAの重要性を学ぶ (2班(だいしくん班) (予想 (集団数が多ければ多いほど近似最適解に近づく可能…

- - - - 変異抜き
        
        適応度が徐々に上がっている
      - 選択抜き
        
        変異で偶然最適解に近づいた
    - - うまく学習できなかった
      - (遠藤先生コメント)
        なぜなのかが考えられているとgood
- - - - あり
        
        計算上の最適解にたどり着けなかった
      - なし
        
        計算が早くおわったが最適解よりも遠くなった
- - - - 世代を重ねるごとに向上する
    - - 向上しないよね
- - - - ナップザック問題はNP困難であるため，遺伝的アルゴリズムでは近似最適解が計算時間でもよいものではないかと考えた
- - - - 結果に変化なし．
    - - 世代が進むに連れて適応度が高くなっている
      - 初期集団が最適解と離れていると到達しない可能性もある
    - - 途中で最適解から離れてしまう？
    - - 突然変異に頼っている
    - - すぐに結果が最適解になった
- - - - 世代交代しても変わらない
    - - 適当な交叉じゃだめ
    - - 良いものが残せないと厳しい
    - - 最適解に近づく
  - - - 解が固定された
    - - 少しづつ伸びるが最適解には遠い
    - - 最適解には近づくが道程が長い
    - - それなりに早く最適解に近づいた
- - - - グラフを見ると全体的に緩やかな右肩上がり
      - 一般的な遺伝的アルゴリズムの結果に近い
    - - ALLに近いため結果
  - - - 適応度の高い要素を選択することができず難しい
    - - 解が局所解に陥ってしまうことを防ぐために必要
- - - - 方向性
    - - 探索範囲の拡大
    - - 探索範囲拡大，軌道修正
- - - - 収束が遅れる可能性がある
    - - 解がまとまらない
    - - 絵画局所解になりやすいが，なければないで早く最適解にたどりつくのでは
  - - - 選択
        
        グラフ違うかも？