1 Geneettiset algoritmit S-114.510 Laskennallinen systeemibiologia Olli Haavisto 13.4.2005.

Esitys aiheesta: "1 Geneettiset algoritmit S-114.510 Laskennallinen systeemibiologia Olli Haavisto 13.4.2005."— Esityksen transkriptio:

1 1 Geneettiset algoritmit S-114.510 Laskennallinen systeemibiologia Olli Haavisto 13.4.2005

2 2 Sisältö Yleistä Geneettiset algoritmit Geneettinen ohjelmointi Metaboliaverkkojen mallitus geneettisellä ohjelmoinnilla

3 3 Yleistä Evoluutiolaskenta: Evoluution simulointiin perustuvat menetelmät optimoinnissa ja ongelmanratkaisussa Ratkaisuvaihtoehdot (yksilöt) muodostavat populaation Hyvyysfunktio määrittelee yksilöitten elinympäristön Populaatiota simuloidaan evolutiivisten lakien mukaisesti Alaryhmiä Geneettiset algoritmit: Ratkaisut ovat (binäärisiä) lukujonoja Geneettinen ohjelmointi: Ratkaisut ovat tietokoneohjelmia, jotka suorittavat tietyn laskennan …

4 4 Geneettisen algoritmin kulku 1. Luodaan satunnainen aloituspopulaatio 2. Lasketaan kaikkien yksilöitten hyvyysarvot hyvyysfunktion perusteella 3. Valitaan parhaat yksilöt tuottamaan jälkeläisiä Satunnainen rekombinaatio (crossover) Elitismi 4. Mutatoidaan jälkeläiset pienellä todennäköisyydellä 5. Siirrytään takaisin kohtaan 2, jos lopetuskriteeri ei täyty Riittävän suuri hyvyysarvo saavutettu Tietty iteraatiomäärä saavutettu Algoritmi on saavuttanut hyvyystason, joka ei enää parane, vaikka laskentaa jatkettaisiin

5 5 Rekombinaatio (crossover) Lisääntyvät yksilöt valitaan hyvyysarvoilla painottaen Rulettipyörä Turnausvalinta Lisääntyvät yksilöt katkaistaan satunnaisesta kohdasta ja palat liitetään ristiin yhteen: Katkaisukohtia voi olla myös useampia 00101010111100 10101001010011 00101010110011 10101001011100

6 6 Mutaatio Uusien jälkeläisten bitit käydään läpi yksi kerrallaan ja mutatoidaan pienellä todennäköisyydellä (<0.01): Mutatointi lisää algoritmin stokastisuutta ja pyrkii estämään lokaaleihin minimeihin päätymisen 00101010110011

7 7 Havaintoja Geneettisten algoritmien hyviä puolia: Välttää kohtuullisesti lokaalit minimit Soveltuu myös korkeaulotteisiin ongelmiin Sovellettavissa moniin erilaisiin ongelmiin Huonoja puolia: Laskennallisesti melko raskas, erityisesti jos hyvyysfunktion laskenta on raskasta Heuristinen: monta viritettävää parametria, jotka riippuvat sovelluskohteesta Perusmuodossa diskreetti ratkaisujoukko

8 8 Geneettinen ohjelmointi Yksilöt ovat tietokoneohjelmia, jotka suorittavat tietyn laskennan Perinteisesti puurakenteita: LISP-toteutus Rekombinaatiossa kahden eri yksilön satunnaiset osat vaihdetaan keskenään A B * C +

9 9 Metabolisten verkkojen mallinnus 270 simuloitua datapistettä fosfolipidisyklistä:

10 10 Verkkoa vastaava puurakenne

11 11 10. sukupolvi

12 12 Tulokset ”Oikea” verkkorakenne saavutettiin 225 sukupolvella Myös reaktiovakiot lähes oikeissa arvoissaan Laskentaan käytettiin 1000 kpl 350 MHz:n Pentium II prosessoreita

13 13 Viitteitä John Henry Holland: Adaptation in Natural and Artificial Systems (1975) John R. Koza: Genetic Programming: On the Programming of Computers by Means of Natural Selection (1992)