PEAG
Explore Genetic Algorithms
Test your knowledge on genetic algorithms and evolutionary strategies with this comprehensive quiz. Dive deep into the principles, concepts, and applications of these powerful computational methods.
This quiz covers a variety of topics, including:
- Genetic representations
- Selection processes
- Mutation techniques
- Optimization problems
In algoritmii genetici, alegerea unei anumite reprezentari
1. Este independenta de problema de rezolvat;
2. Depinde de problema de rezolvat;
3. Poate fl facuta aleator;
4. Este imposibila, fiind folosita doar reprezentarea prin numere reale;
5. Influenteaza calitatea solutiei furnizate.
2,3
2,5
1,3
4
3,5
In cadrul unui algoritm evolutiv conditia de terminare: 1. Este obligatorie; 2. Nu este indicata; 3. Include obligatoriu, direct sau indirect, controlul numarului de iteratii (numarul populatiilor generate); 4. Nu poate fl implementata; 5. Este utilizata doar in cadrul GA, nu si in cadrul ES.
5
2,3,4
2,4
1,3
1,5
In cadrul strategiei evolutive cu 2 membri (ES-2M):
1. Este generata o populatie initiala aleator, din distributia normala;
2. La flecare , moment al evolutiei algoritmului este mentinut un singur candidat la solutie;
3. Populatiile sint de dimensiuni mari;
4. Calculul unui termen nou este realizat prin mutatie gaussiana pentru fiecare componenta a vectorului curent;
5. Sint rezolvate probleme pe spatii continue;
6. Fiecare termen este calculat in maniera stochastica;
7. Calculul unui termen nou este realizat prin mutatie gaussiana pentru o componenta selectata aleator din vectorul curent;
8. Este intentionata cresterea calitatii medii a populatiei curente;
9. Este garantata obtinerea unui optim global;
10.La inceputul flecarei iteratii este testata dimensiunea , populatiei curente;
11 .Sint creati descendenti obtinuti din populatia curenta prin recombinare locala.
2,4,5,6
1,10
2,4,6,9
6,8,11
4,8,11
In algoritmii genetici, reprezentarea prin siruri de numere intregi
Este preferabila pentru problemele de optimizare
Nu poate fl utilizata in cazul atributelor ordinale
Este preferabila atunci cind pentru fiecare gena sint posibile mai mult de doua valori distincte
Nu este utilizata in algoritmi genetici
Este doar un exercitiu de I implementare, nefiind necesara
In algoritmii genetici, operatia de selectie a parintilor
Este utilizata In general in maniera nedeterminista
Este doar un exercitiu de implementare, nefiind necesara
Nu este utilizata
Este utilizata determinista
Este utilizata In functie de reprezentarea cromozomiala
Intr-un algoritm evolutiv, functia de evaluare:
Se alege Tn functie de dimensiunea populatiei
Este definita pe spatiul unidimensional
Este stabilita de Holland
Este o functie asimptotica
Estimeaza nivelul de adaptare a individuli
Fie X=[ 6 1 8 10 5 7 12 43 9 3 4 2] o secven1a de numere 1ntregi. In urma aplicarii muta1iei fluaj poate fi ob1inuta urmatoarea varianta mutata : 1 . V =[ 16 1 8 1 o 5 7 12 43 9 3 4 2 ]; 2. Y=[ 6 1 8 10 5 7 12 43 9 4 3 2 ]; 3. Y=[ 6 1 8 10 1 5 7 12 43 9 3 4 2 ]; 4. Y =[ 7 1 8 10 5 7 12 43 9 3 4 2 ]; 5. Y=[ 6 1 8 10 5 7 12 43 9 3 4 2 ]; 6. V =[ 6 1 8 10 5 7 12 42 9 3 4 2 ]
2,4,5,6
2,4,6
1,2,3,4,5,6
4,5,6
2,3,4,5,6
Algoritmii genetici
Sint metode deterministe de cautare 1n spa1iul solu1iilor
Folosesc exclusiv selectii deterministe
Rezolva exclusiv probleme definite pe spa1ii continue
Utilizeaza la flecare moment de timp o varianta de solu1ie modiflcata prin perturbare normala
S1nt tehnici de cautare stochastica bazate pe populatii
Algoritmul ES2M
Este algoritmul auto-adaptiv primar
Nu este un algoritm evolutiv
Nici una din celelalte variante
Nu este un algoritm auto-adaptiv
Este un algoritm determinist
In cadrul unui algoritm genetic operatia de selectie a supravietuitorilor :
1. Se aplica asupra populatiei curente;
2. Tn unele variante necesita calcularea unei distributii de probabilitate de selectie;
3. Utilizeaza intotdeauna factori aleatori;
4. Alege genera1ia urmatoare dintre indivizii disponibili dupa operatia de mutatie;
5. Lndivizii alesi sint intotdeauna fezabili;
6. Uneori utilizeaza factori aleatori;
7. Asigura perpetuarea individului cu calitate maxima din popula1ia curenta;
8. Duce la cresterea calitatii medii a I I popula1iei curente;
9. Garanteaza ob1inerea unei generatii cu calitate medie superioara, daca folose~te selec1ia bazata pe virsta;
10.Se aplica la inceputul fiecarei itera1ii;
11. Se aplica asupra descenden1ilor ob1inu1i din populatia curenta ;
12. Se aplica asupra populatiei curente si asupra descendentilor obtinuti din populatia curenta .
2,4,5,6,12
2,3,4,5,6,11
1,7
6,8,1
4,8,11
Tipurile de probleme care pot fi rezolvate pe baza calculului evolutiv s1nt: 1. Probleme de optimizare; 2. Probleme de geometrie; 3. Prelucrarea datelor de dimensiune mare (bigdata); 4. Probleme de modelare; 5. Probleme de validare a datelor; 6. Probleme de simulare; 7. Alocarea dinamica a datelor 1n memoria calculatorului; 8. Deplasarea autonoma a vehiculelor.
1,4,6
1,3,5,7
2,3,4
2,4,6,8
2,4,6
Fie X=[ 618105 7 9 3 4 2] o permutare. Tn urma aplicarii mutatiei prin inversiune pentru pozitiile (2,7) poate fi obtinuta urmatoarea varianta mutata Y: 1. Y=[ 2 6 7 8 1 o 5 1 9 3 4]; 2. Y=[ 6 9 7 5 10 8 1 3 4 2] ; 3. Y=[ 7 6 8 10 5 1 9 3 4 2] ; 4. Y=[ 6 7 10 8 5 9 1 3 4 2] ;5. Y=[ 6 8 7 5 1 0 1 9 3 4 2 ] ; 6. Y = [ 6 2 8 1 0 5 1 9 3 4 7]
5
2
1,5
2,5
1
Fie permutarile x=[1 0 2 3 9 1 7 6 4 8 5] si y=[5 4 7 2 1 9 3 6 8 1 O], un cromozom copil rezultat prin PMX este c=[ 5 2 3 9 1 4 7 6 8 1 O]. Atunci ordinea considerarii parintilor 9i respectiv punctele de 1ncruci 9are s1nt:
(y,x) si (1,4)
(y,x) si (2,5)
(x,y) si (1,4)
(x,y) si (2,5)
(y,x) si (1,5)
Care din urmatoarele metode pot fi folosite Tn cadrul algoritmilor memetici pentru a Tmbunatati informatia Tn interiorul unei ' ' popula1ii: 1. recursivitate; 2. hillclimbing; 3. Divide et impera; 4. Strategie evolutiva cu doi membri; 5. backtracking; 6. Metode exacte; 7. Metode euristice; 8. Validarea datelor; 9. Metoda gradientului; 10. ECX .
2, 4, 6, 8, 10
1,3,5,7,8
2,3,5,6,9
2,4,6,7,9
1,3,6,7,10
Decodiflcarea trebuie realizata:
Niciuna din celelalte variante
Nu e necesara Tn algoritmii genetici
Nu depinde de reprezentarea aleasa
Obligatoriu dupa extragerea celui mai bun individ din populatia finala
Garanteaza obtinerea de rezultate ' optime
In algoritmii genetici, reprezentarea prin permutari
Nu permite utilizarea de operatori de recombinare
. Nu permite utilizarea de operatori de mutatie
Nu este utilizata
Necesita operatori de variatie special definiti
Nu permite mai mult de doua gene cu aceeasi valoare intr-un cromozom
In cadrul unui algoritm evolutiv populatia initiala: 1. Este generata inaintea inceperii evolutiei propriu-zise; 2. Este generata dupa ftecare ciclu evolutiv ( care presupune efectuarea operatiilor de selectie, recombinare, mutatie, evaluare); 3. Este generata la Tnceputul ftecarui ciclu evolutiv; 4. Este generata aleator; 5. Este generata utilizTnd distributia de probabilitate uniforma; 6. Este generata utilizTnd distributia de probabilitate normala; 7. Este setata pe multimea vida.
1,2,4,5,6
1,2,4,7
1,4,5
2,5,7
5,7
Tn cadrul unui algoritm genetic opera1ia de recombinare: 1. Este efectuata o singura data pe parcursul unui algoritm genetic; 2. Este efectuata imediat dupa fiecare etapa de selec1ie a parin1ilor; 3. In general probabilitatea de recombinare nu conteaza 1n rezolvarea problemelor prin algoritmi genetici; 4 . Este efectuata imed mat inaintea fiecarei proceduri de muta1ie; 5. Este efectuata imediat 1naintea fiecarei etape de selec1ie a parin1ilor; 6. Utilizeaza popula1ia de parin1i; 7. Este utilizata doar in probleme fara constringeri; 8. Este utilizata cu probabilitate mare; 9. Este utilizata cu probabilitate mica; 1 o. Este efectuata o singura data, dupa prima etapa de selec1ie a parin1ilor.
2,7,5,8
1,2,7,8
4,8,9,10
2,3,4,7
2,4,6,8
Calculul evolutiv este inspirat din:
Evolutia naturala biologica
Revolutia industriala
Noua revolu1ie agrara
Societatea cunoasterii
Societatea informationala
Fie urmatorul cromozom de tip permutare: {7, 6, 12, 14,3, 10,8, 15, 11,5,4, 1, 13,2,9}.ln urma aplicarii operatorului de muta1ie prin amestec s-a ob1inut cromozomul: {7, 14, 13, 12, 1, 15, 2, 8, 6, 3, 11, 5, 1 o, 4, 9 }. Cele doua pozi1ii utilizate pentru amestec sint: 1. 1 ~i 14; 2. 4 si 15; 3. 3 si 15; 4. 4 si 8; 5. 2 si 15; 6. 1 si I I I I I 12; 7. 2 si 14; 8. 2 si 13; 9. 1 si 15; 10. 1 si 13; I I I I 11. 3 si 13.
6
2
6,7,9
1,5,7,9
5,10
Care din urmatorii operatori pot fi utilizati Tntrun algoritm genetic care folose 9te reprezentarea prin siruri de numere reale? 1. Negarea; 2. Negarea fuzzy; 3. Resetarea pseudo-aleatoare; 4. Resetare determinista; 5. Mutatia uniforma; 6. Mutatia neuniforma cu ' ' distributie fixata; 7. Mutatia locala; 8. ' ' lnterschimbarea; 9. lnserarea; 10. Mutatia , rapida; 11 . Amestecul; 12. Mutatia globala; 13. lnversiunea; 14. Recombinare unipunct; 15. Recombinare multipunct; 16. Recombinare uniforma; 17. Recombinarea radacinilor; 18. Recombinare aritmetica simpla; 19. Recombinare aritmetica singulara; 20. Recombinare aritmetica totala; 21. Recombinarea 9irurilor maxime; 22. Partially mapped crossover; 23. Recombinare de ordine; 24. Recombinarea muchiilor; 25. Recombinarea ciclica
Toti operatorii de mai sus
5,6, 14, 15, 16, 18, 19,20
1,3,4,7, 10, 13, 16, 17,20
2, 7 , 1 0 , 12, 17 , 21
3,4,5,6,7,12,18, 19,21
Fie X=[ 6 1 8 10 5 7 9 3 4 2] si Y=[ 9 8 7 3 6 1 5 1 0 4 2] permutari. Care urma~i sint genera1i prin utilizarea operatorului CX?
C1 =[ 6 7 8 10 5 1 9 3 4 2 ], C2=[ 9 8 1 36751042]
C1 =[ 6 8 7 10 5 1 9 3 4 2 ], C2=[ 9 1 8 3 6 7 5 10 4 2]
C1 =[ 8 7 10 5 1 9 3 4 2 6 ], C2=[ 2 9 1 8 3 6 7 5 10 4]
C1 =[ 2 6 7 8 10 5 1 9 3 4 ], C2=[ 2 8 1 3 6 7 5 10 4 9]
C1 =Y, C2=X
In cadrul unui algoritm din clasa strategiilor evolutive, reprezentarea cromozomilor: 1. Poate fl oricare dintre: siruri binare, siruri de I I numere Tntregi, ~iruri de numere reale, permutari; 2. Poate fl numai de tip ~iruri de numere Tntregi sau reale; 3. Poate fl numai de tip ~iruri de numere reale; 4. Nu influenteaza tipul de recombinare folosit ( discreta / intermediara); 5. Se alege Tn functie de problema care se rezolva; 6. Lnfluenteaza tipul de recombinare folosit; 7. Are influenta ' asupra mecanismului de selectie a generatiei urmatoare; 8. Cantine at1t descrierea individului candidat cit ~i parametrii care controleaza evolutia sa.
1, 3, 4,8
2,4,5,6
2,4,5,8
1,7,8
3,4,8
Tn cadrul unui algoritm din clasa strategiilor evolutive, opera1ia de muta1ie: 1. Este utilizata doar 1n probleme cu constr1ngeri; 2. Este efectuata imediat ce este disponibila o popula1ie de copii; 3. Alege pentru muta1ie 1n medie jumatate de indivizi; 4. Utilizeaza doua multiseturi distincte de copii; 5. Este de tip neuniform (fluaj); 6. Este efectuata o singura data, dupa prima etapa de generare a unei popula1ii; 7. Este realizata cu probabilitate mica; 8. Este efectuata o singura data pe parcursul unui algoritm; 9. Determina structura cromozomiala; 10. Utilizeaza popula1ia curenta; 11. Este efectuata iterativ.
2,5,9,11
2,5,9,10
1,5,6,8
1,4,5,7
1,5,9,10
In cadrul unui algoritm genetic care maximizeaza o functie (fitness): 1. Selec1ia genera1iei urmatoare este obligatoriu bazata pe vTrsta; 2. STnt rezolvate doar probleme cu constrTngeri; 3. Muta1ia este realizata cu probabilitate mica; 4. Nu este recomandata utilizarea selec1iei FPS; 5. Multisetul copiilor este fara duplicate; 6. Selec1ia supravie1uitorilor este determinata de calitate si/sau factorul vTrsta; 7. Recombinarea este I realizata rareori; 8. Se urmare~te determinarea unui punct de maxim global; 9. Structura cromozomiala difera daca functia , este translatata.
1,3,5,9
4,6,8
3,6,8
1,3,4,7
5,6,7
Fie urmatorii doi cromozomi de tip permutare: { 6, 3, 7, 8, 5, 1, 2, 4, 9 } si { 7, 2, 8, 5, 6, 9, 4, 1, 3}. Aplicind operatorul de recombinare PMX, cu pozi1iile 3 si 6 se ob1in descenden1ii: a. 6, 3, 7,8, 5,9,4, 1,2; b. 7,4,6,8, 5, 1, 2,9,3;c. 8, 3, 7, 5,6,9,4,2, 1;d. 6,2, 7,8, 5, 1,4,9,3;e. 7, 2,8, 5,6, 1,3,4,9;f. 6, 2, 7,8, 5, 9,4, 1,3;g. 7, 9, 8, 6, 5, 1, 2, 4, 3; h. 7, 3, 8, 5, 6, 9, 2, 4, 1 ;i. 7, 3, 8,5,6, 1,2,4,9; j. 5,3, 7,8,6,9,4, 1,2.
A,e
B,c
D,h
G,j
F,i
Componentele algoritmilor evolutivi sunt: 1 . Reprezentarea; 2. Probabilitatea de muta1ie; 3. Functia de evaluare; 4. Probabilitatea de I recombinare; 5. Populatia; 6. Generarea de numere aleatoare; 7. Mecanismul de selectie I a parin1ilor; 8. Generarea de permutari; 9. Reprezentarea grafica a evolu1iei calita1ii; 1 O. Operatorii de variatie; 11. Stabilirea diversitatii genetice a populatiei; 12. Mecanismul de 1nlocuire a popula1iei curente; 13. Hillclimbing; 14. Lnitializarea popula1iei; 15. Conditia de terminare.
2,4,6,8, 11, 13
1,3,5, 7, 10, 12, 14, 15
1,2,5,6,7, 14, 15
2,4,5,9, 15
1,3,5,6, 10, 13, 14, 15
Algoritmul Hillclimbing: 1. Se aplica asupra unui singur punct din spatiul de cautare; 2. Aplicarea se poate repeta pentru mai multe puncte pentru a cre9te performantele; 3. Este inspirat din tehnicile de alpinism; 4. Gase9te 1ntotdeauna solutia optima; 5. Gase9te uneori solutia optima; 6. Calculele se 1ncheie atunci c1nd temperatura sistemului devine zero; 7. De obicei gase9te un punct de optim local; 8. Se utilizeaza numai pentru reprezentarea cu siruri de numere reale.
1,4,6,7
1,2,4,7
1,5,7,8
1,2,5,7
3,4,6,8
Lntr-un algoritm genetic, populatia initiala: 1. Este generata pina cind este atins un optim local; 2. Este construita o singura data; 3. Sufera muta1ie cu o probabilitate relativ mica; 4. Trebuie modificata la fiecare itera1ie; 5. Cantine exclusiv indivizi fezabili; 6. Este I formata din indivizii care tree in genera1ia urmatoare; 7. Este generata utilizind distribu1ia de probabilitate uniforma.
1,3
1,2,7
2,3,7
2,5,7
4,5,7
lntr-un algoritm evolutiv, functia de tip calitate :
1. Evalueaza catitatea algoritmului,
2.Evalueaza calitatea fiecarui candidat;
3. Evalueaza viteza de gasire a solutiei fata de consumut de resurse;
4.Trebuie maximizata
5. Stabileste daca un descendent este acceptabil;
6. Selecteaza indivizii care se vor reproduce ;
7. Selecteaza indivizii care tree in generatia urmatoare;
8. Contine un factor aleator;
9.Evalueaza calitatea populatiei curente;
10. Evalueaza calitatea populatiei curente fata de cea din generat ia anterioara
6,7,8
5
2,4
1,3
9,10
{"name":"PEAG", "url":"https://www.quiz-maker.com/QPREVIEW","txt":"Test your knowledge on genetic algorithms and evolutionary strategies with this comprehensive quiz. Dive deep into the principles, concepts, and applications of these powerful computational methods.This quiz covers a variety of topics, including:Genetic representationsSelection processesMutation techniquesOptimization problems","img":"https:/images/course8.png"}