Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
Оператор кроссинговера на шаге 4 производит скрещивание хромосом и обмен
генетическим материалом между родителями для получения потомков. Этот оператор
служит для улучшения
(эволюционное
приспособление). Простейший одноточечный кроссинговер производит обмен частями, на
которые разбивает хромосому точка кроссинговера, выбираемая случайно:
существующих областей пространства
Двухточечный кроссинговер обменивает кусок строки, попавшей между двумя точками.
Предельным случаем является равномерный кроссинговер, в результате которого все биты
хромосом обмениваются с некоторой вероятностью.
Оператор мутации нужен для расширения пространства поиска ("эволюционное
исследование") и предотвращения невосстановимой потери бит в аллелях. Он применяется
к каждому биту хромосомы с небольшой вероятностью (p » 0.001), в результате чего бит
(аллель) изменяет значение на противоположный.
Оператор иммиграции заключается в принудительном назначении случайному
аллелю значения 0 или 1 в равной вероятности. Он обеспечивает наибольшие возмущения
в структуре популяции, что позволяет избежать "рыскания" вблизи локального оптимума.
Для управления процессом селекции моделей 2-го порядка в примере,
представленном в разделе 4.6, мы задавали следующие значения входных параметров
функции glmulti(…), принимаемые, в основном, по умолчанию:
° размер популяции l определялся значением popsize = 100;
° правила остановки устанавливали параметры deltaM = 0.05, deltaB = 0.05 и conseq = 5;
145
° интенсивностью кроссинговера управлял параметр sexrate = 0.1, иммиграции –
imm = 0.3; вероятность мутаций была задана mutrate = 0.01.
После смены 420 поколений популяций, каждая из которых насчитывала 100
претендентов, были получены модели с парными произведениями, существенно лучшие
по AIC-критерию, чем модели 1-го порядка (см. профиль изменения AIC на рис. 4.5).
Рис. 4.5. Профиль информационного критерия Акаике для 100 лучших моделей 2-го порядка,
учитывающих парные взаимодействия факторов
Для содержательной интерпретации результатов регрессионного анализа интересно
рассмотреть частоты вхождения отдельных переменных в десятку субоптимальных
моделей:
Как главный фактор
В парных взаимодействиях
Na
10
22
Carb
10
18
H
Cl
10
18
10
3
Ca
2
Mg
1
Sulfat
1
Этот показатель является дополнительной оценкой степени влияния факторов.
Регрессионная модель, учитывающая парные произведения предикторов и
доставляющая минимум AIC-критерию представлена в табл. 4.4 (пары предикторов
показаны с использованием символа ‘:’, как это принято в нотации моделей R).
Представленная модель существенно превышает линейные модели 1-го порядка по всему
комплексу основных характеристик (см. табл. 4.5). Интересно, что влияние содержания
иона натрия,
с
взаимодействиями заняло место, достойное самого пристального внимания.
единодушно признаваемое незначимым,
в моделях
ранее
146
Таблица 4.4. Статистический анализ коэффициентов модели, учитывающей парные произведения;
символ ‘:’ связывает факторы, для которых рассчитывается эффект взаимодействия