Dokończono algorytmy genetyczne.

beeminder.txt

@@ -2,6 +2,8 @@
 \input{pakiety.tex}
 \input{ustawienia.tex}
 
+\graphicspath{{img/}}
+
 \newcommand\blankpage{%
     \null
     \thispagestyle{empty}%
@@ -12,6 +14,9 @@
 
 \pagenumbering{roman}
 
+\theoremstyle{definition}
+\newtheorem{example}{Przykład}
+\numberwithin{example}{chapter}
 % strona tytulowa
 \input{strona_tytulowa.tex}
 % oswiadczenie
@@ -166,6 +171,7 @@ Jednocześnie przyjmuję do wiadomości, że przypisanie sobie, w pracy dyplomow
 \usepackage{floatflt}					% ladne oplywanie obrazkow tekstem
 \usepackage{url}						% url w bibliografii
 \usepackage{amsmath}
+\usepackage{amsthm}
 
 \usepackage{tabularx}  %lepsze tabele nie uzywane
 \usepackage{makecell}  % do formatowania cell w tabelach
@@ -234,62 +240,169 @@ Jednocześnie przyjmuję do wiadomości, że przypisanie sobie, w pracy dyplomow
 
 \section{Algorytmy genetyczne}
 
-Algorytmy genetyczny jest to metaheurystyka zainspirowana teorią ewolucji
+Algorytm genetyczny jest to metaheurystyka zainspirowana teorią ewolucji
 Charlsa Darwin'a. Algorytm odzierciedla zjawisko ewolucji biologicznej.
-W procesie naturalnej selekcji najlepsze osobniki wezmą udział w reprodukcji
-dając początek nowej lepiej przystosowanej generacji.
+W procesie naturalnej selekcji najlepsze osobniki biorą udział w reprodukcji,
+dając początek nowej, lepiej przystosowanej generacji.
+% przecinek
 
 Naturalna selekcja zaczyna się od doboru najdoskonalszych osobników z populacji.
 Biorą one udział w reprodukcji przekazując część swoich genów potomkom. Nowa
-generacja powinna być lepiej przystosowana niż rodzice ponieważ, jest
-połączeniem genów, które zapewniły przeżycie rodzicom. Nawet gdyby wśród nowego
-potomstwa znalazły się słabe
+generacja powinna być lepiej przystosowana niż rodzice, ponieważ jest
+połączeniem genów, które zapewniły przeżycie rodzicom. W przypadku gdy wśród nowego
+potomstwa znalazłyby się słabe
 organizmy, to nie ma obawy, że ich geny przejdą do następnego pokolenia, ponieważ
 najprawdobniej nie dożyją one okresu rozrodczego. W ten sposób każde kolejne
 pokolenie jest lepsze niż poprzednie.
-Ta wiedzę przyrodnicza została przełożona na algorytm genetyczny.
-
+Powyższa wiedza, wynikająca z obserwacji praw natury, została przełożona na grut
+matemtyki i informatyki tworząc algorytm genetyczny.
+% przecinek
+\newpage
+\enlargethispage{12\baselineskip}
 Na algorytm genetyczny składają się:
-\begin{itemize}
-\item inicjalizacji populacji,
-\item funkcja przystosowania,
+\vspace*{-1mm}
+\begin{itemize}[noitemsep]
+% \setlength\itemsep{0.005em}
+\item inicjalizacja populacji,
+\item funkcja przystosowania (stosowana przy ewaluacji i selekcji),
 \item selekcja,
 \item krzyżowanie,
 \item mutacja.
 \end{itemize}
 
-\subsection{Inicjalizacja populacji}
-Algorytm zaczyna się od utworzenia zbioru osobników, zwanych populacją. Każdy z
-osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest
-poprzez zbiór genów (parametrów), nazywanych chromosem.
+\vspace*{-8mm}
+
+\begin{figure}[h!]
+\centering
+\includegraphics[width=0.9\hsize]{overview_GA.png}
+\caption{Schemat działania algorytmu genetycznego.}
+\label{overview_ga_pic}
+\end{figure}
+
+\newpage
+\subsection{Inicjalizacja populacji}
+Algorytm zaczyna się od utworzenia zbioru osobników zwanych populacją. Każdy z
+osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest
+poprzez zbiór genów (parametrów) nazywanych chromosem.
+Chromosom \newline jest najczęściej kodowany za pomocą:
+\begin{itemize}
+\item wektora genów, z których każdy reprezentowany jest przez liczbę całkowitą,
+  a czasem nawet liczbę rzeczywistą,
+\item drzewiastych struktur danych.
+\end{itemize}
+
+
+\begin{example}
+\end{example}
+\begin{figure}[tbh]
+\centering
+\includegraphics[width=0.7\hsize]{kodowanie.png}
+\caption{Przykład osobników zakodowanych binarnie.}
+\label{kodowanie_pic}
+\end{figure}
 
-\textbf{Przykład}
 \subsection{Funkcja przystosowania}
 Funkcja przystosowania określa jak bardzo przystosowany jest osobnik (miara
-jakości osobnika).
+jakości osobnika). Im bardziej będzie przystosowany dany osobnik tym bardziej będzie
+faworyzowany w procesie selekcji. Funkcja przystosowania dobierana jest w
+zależności od modelu rozwiązywanego problemu, zwykle algorytm genetyczny dąży \newline do
+jej minializacji lub maksymalizacji.
+\begin{example}
+Dla problemu
+komiwojażera algorytm genetyczny będzie premiował te rozwiązania (w tym wypadku cykle Hamiltona), których suma
+wag krawędzi jest najbliższa minimalnej sumie wag krawędzi w cyklu Hamiltona.
+\end{example}
+
 \subsection{Selekcja}
-Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział w
-rozmnażaniu, w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane są na
+\enlargethispage{6\baselineskip}
+Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział
+\newline w
+rozmnażaniu, czyli w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane
+\newline są na
 podstawie funkcji przystosowania. Im lepiej przystosowany dany osobnik tym
 większe będzie miał szanse na wzięcie udziału w reprodukcji.
 
-\subsection{Krzyżowanie}
-Metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest
-z pary rodziców. Krzyżowanie polega na łączeniu dwóch
-genotypów w jeden. Potomek rodziców ma zespół cech które są kombinacją genotypów rodziców.
-\subsection{Mutacja}
-Operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do
-genotypu losowe zmiany.
-
-
-Proces generacji trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to:
+\noindent Wśród metod selekcji chromosomów wyróżniamy między innymi:
+\vspace*{-3mm}
 \begin{itemize}
-\item ustalona z góry liczba iteracji
-\item osobnik (rozwiązanie), która spełnia minimalne kryterium  % ???
-\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy
-\item kolejne iteracje nie tworzą lepszych rozwiązań
-\item osiągnięcie najlepszego rozwiązania
+\setlength\itemsep{0.005em}
+\item metodę ruletki,
+\item metodę rankingową,
+\item metodę turniejową.
 \end{itemize}
+
+\begin{example}
+\textbf{Metoda ruletki.} \newline
+Niech $f(o_i)$ będzie przystosowaniem osobnika $o_i$ z populacji $P$, wtedy
+prawdopodbieństwo wyboru $o_i$ wynosi:
+\begin{equation*}
+   p_i = \frac{f(o_i)}{\sum_{j=1}^N f(o_i)},
+\end{equation*}
+gdzie $N$ to rozmiar populacji $P$.
+\end{example}
+\vspace*{-3mm}
+\begin{figure}[h!]
+\centering
+\includegraphics[width=0.7\hsize]{selekcja.png}
+\caption{Przykład selekcji metodą ruletki. Losowana jest liczba $r$ z zakresu
+  $(0,F)$. \newline W
+tym wypadku wybrany został osobnik $o_4$.}
+\label{selekcja_pic}
+\end{figure}
+
+\subsection{Krzyżowanie}
+Krzyżowanie jest to metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest
+z pary rodziców. Krzyżowanie polega na łączeniu dwóch
+genotypów w jeden. Potomek rodziców ma zespół cech, które są kombinacją genotypów
+rodziców.
+\enlargethispage{4\baselineskip}
+
+\begin{example}
+\end{example}
+\begin{figure}[h!]
+\centering
+\includegraphics[width=1\hsize]{krzyzowanie.png}
+\caption{Przykładowe krzyżowanie osobników zakodowanych binarnie.}
+\label{krzyzowanie_pic}
+\end{figure}
+
+\subsection{Mutacja}
+Mutacja jest to operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do
+genotypu losowe zmiany. Zazwyczaj mutacja zachodzi z bardzo niskim
+prawdopodbieństwem - najczęściej około 1\%. Wyższe prawdopodbieństwo mogłoby
+spowodobać, że rozwiązania psułyby się zamiast delikatnie zmieniały.
+
+W zależności od kodowania mutację można przeprowadzić przykładowo na następujące sposoby:
+\begin{itemize}
+\item w przypadku kodowania binarnego można zanegować losowy bit,
+\item w przypadku kodowania liczbami całkowitymi (rzeczywistymi) można losowy
+  gen zamienić liczbą wylosowaną z ustalonego ręcznie zakresu liczb całkowitych (rzeczywistych).
+\end{itemize}
+
+\newpage
+\begin{example}
+\end{example}
+\begin{figure}[th]
+\centering
+\includegraphics[width=0.3\hsize]{mutacja.png}
+\caption{Mutacja poprzez zanegowanie losowego bitu.}
+\label{mutacja_pic}
+\end{figure}
+
+\subsection{Kryterium stopu}
+Proces generowania coraz to nowyszych pokoleń trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to:
+\begin{itemize}
+\item z góry ustalona liczba iteracji,
+\item znalezienie osobnika (rozwiązania), dla którego funkcja przystosowania
+  \newline da
+  wystarczająco dobry wynik,
+\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy,
+\item przerwanie procesu, gdy kolejne iteracje nie tworzą lepszych rozwiązań,
+\item osiągnięcie najlepszego rozwiązania.
+\end{itemize}
+
+\newpage
+\section{Sieci neuronowe}
 \chapter{Metody ekstrakcji informacji}
 % w kontekście mojego projektu
 W tym rozdziale zaprezentowane są wybrane metody,
@@ -680,16 +793,3 @@ Fourteenth International Conference on Computational Linguistics, Nantes, France
   year={1994},
   publisher={Springer}
 }
-
-
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji
-timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji

master.tex

@@ -2,6 +2,8 @@
 \input{pakiety.tex}
 \input{ustawienia.tex}
 
+\graphicspath{{img/}}
+
 \newcommand\blankpage{%
     \null
     \thispagestyle{empty}%
@@ -12,6 +14,9 @@
 
 \pagenumbering{roman}
 
+\theoremstyle{definition}
+\newtheorem{example}{Przykład}
+\numberwithin{example}{chapter}
 % strona tytulowa
 \input{strona_tytulowa.tex}
 % oswiadczenie

pakiety.tex

@@ -20,6 +20,7 @@
 \usepackage{floatflt}					% ladne oplywanie obrazkow tekstem
 \usepackage{url}						% url w bibliografii
 \usepackage{amsmath}
+\usepackage{amsthm}
 
 \usepackage{tabularx}  %lepsze tabele nie uzywane
 \usepackage{makecell}  % do formatowania cell w tabelach

rozdzial_1.tex

@@ -2,59 +2,166 @@
 
 \section{Algorytmy genetyczne}
 
-Algorytmy genetyczny jest to metaheurystyka zainspirowana teorią ewolucji
+Algorytm genetyczny jest to metaheurystyka zainspirowana teorią ewolucji
 Charlsa Darwin'a. Algorytm odzierciedla zjawisko ewolucji biologicznej.
-W procesie naturalnej selekcji najlepsze osobniki wezmą udział w reprodukcji
-dając początek nowej lepiej przystosowanej generacji.
+W procesie naturalnej selekcji najlepsze osobniki biorą udział w reprodukcji,
+dając początek nowej, lepiej przystosowanej generacji.
+% przecinek
 
 Naturalna selekcja zaczyna się od doboru najdoskonalszych osobników z populacji.
 Biorą one udział w reprodukcji przekazując część swoich genów potomkom. Nowa
-generacja powinna być lepiej przystosowana niż rodzice ponieważ, jest
-połączeniem genów, które zapewniły przeżycie rodzicom. Nawet gdyby wśród nowego
-potomstwa znalazły się słabe
+generacja powinna być lepiej przystosowana niż rodzice, ponieważ jest
+połączeniem genów, które zapewniły przeżycie rodzicom. W przypadku gdy wśród nowego
+potomstwa znalazłyby się słabe
 organizmy, to nie ma obawy, że ich geny przejdą do następnego pokolenia, ponieważ
 najprawdobniej nie dożyją one okresu rozrodczego. W ten sposób każde kolejne
 pokolenie jest lepsze niż poprzednie.
-Ta wiedzę przyrodnicza została przełożona na algorytm genetyczny.
-
+Powyższa wiedza, wynikająca z obserwacji praw natury, została przełożona na grut
+matemtyki i informatyki tworząc algorytm genetyczny.
+% przecinek
+\newpage
+\enlargethispage{12\baselineskip}
 Na algorytm genetyczny składają się:
-\begin{itemize}
-\item inicjalizacji populacji,
-\item funkcja przystosowania,
+\vspace*{-1mm}
+\begin{itemize}[noitemsep]
+% \setlength\itemsep{0.005em}
+\item inicjalizacja populacji,
+\item funkcja przystosowania (stosowana przy ewaluacji i selekcji),
 \item selekcja,
 \item krzyżowanie,
 \item mutacja.
 \end{itemize}
 
-\subsection{Inicjalizacja populacji}
-Algorytm zaczyna się od utworzenia zbioru osobników, zwanych populacją. Każdy z
-osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest
-poprzez zbiór genów (parametrów), nazywanych chromosem.
+\vspace*{-8mm}
+
+\begin{figure}[h!]
+\centering
+\includegraphics[width=0.9\hsize]{overview_GA.png}
+\caption{Schemat działania algorytmu genetycznego.}
+\label{overview_ga_pic}
+\end{figure}
+
+\newpage
+\subsection{Inicjalizacja populacji}
+Algorytm zaczyna się od utworzenia zbioru osobników zwanych populacją. Każdy z
+osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest
+poprzez zbiór genów (parametrów) nazywanych chromosem.
+Chromosom \newline jest najczęściej kodowany za pomocą:
+\begin{itemize}
+\item wektora genów, z których każdy reprezentowany jest przez liczbę całkowitą,
+  a czasem nawet liczbę rzeczywistą,
+\item drzewiastych struktur danych.
+\end{itemize}
+
+
+\begin{example}
+\end{example}
+\begin{figure}[tbh]
+\centering
+\includegraphics[width=0.7\hsize]{kodowanie.png}
+\caption{Przykład osobników zakodowanych binarnie.}
+\label{kodowanie_pic}
+\end{figure}
 
-\textbf{Przykład}
 \subsection{Funkcja przystosowania}
 Funkcja przystosowania określa jak bardzo przystosowany jest osobnik (miara
-jakości osobnika).
+jakości osobnika). Im bardziej będzie przystosowany dany osobnik tym bardziej będzie
+faworyzowany w procesie selekcji. Funkcja przystosowania dobierana jest w
+zależności od modelu rozwiązywanego problemu, zwykle algorytm genetyczny dąży \newline do
+jej minializacji lub maksymalizacji.
+\begin{example}
+Dla problemu
+komiwojażera algorytm genetyczny będzie premiował te rozwiązania (w tym wypadku cykle Hamiltona), których suma
+wag krawędzi jest najbliższa minimalnej sumie wag krawędzi w cyklu Hamiltona.
+\end{example}
+
 \subsection{Selekcja}
-Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział w
-rozmnażaniu, w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane są na
+\enlargethispage{6\baselineskip}
+Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział
+\newline w
+rozmnażaniu, czyli w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane
+\newline są na
 podstawie funkcji przystosowania. Im lepiej przystosowany dany osobnik tym
 większe będzie miał szanse na wzięcie udziału w reprodukcji.
 
-\subsection{Krzyżowanie}
-Metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest
-z pary rodziców. Krzyżowanie polega na łączeniu dwóch
-genotypów w jeden. Potomek rodziców ma zespół cech które są kombinacją genotypów rodziców.
-\subsection{Mutacja}
-Operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do
-genotypu losowe zmiany.
-
-
-Proces generacji trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to:
+\noindent Wśród metod selekcji chromosomów wyróżniamy między innymi:
+\vspace*{-3mm}
 \begin{itemize}
-\item ustalona z góry liczba iteracji
-\item osobnik (rozwiązanie), która spełnia minimalne kryterium  % ???
-\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy
-\item kolejne iteracje nie tworzą lepszych rozwiązań
-\item osiągnięcie najlepszego rozwiązania
+\setlength\itemsep{0.005em}
+\item metodę ruletki,
+\item metodę rankingową,
+\item metodę turniejową.
 \end{itemize}
+
+\begin{example}
+\textbf{Metoda ruletki.} \newline
+Niech $f(o_i)$ będzie przystosowaniem osobnika $o_i$ z populacji $P$, wtedy
+prawdopodbieństwo wyboru $o_i$ wynosi:
+\begin{equation*}
+   p_i = \frac{f(o_i)}{\sum_{j=1}^N f(o_i)},
+\end{equation*}
+gdzie $N$ to rozmiar populacji $P$.
+\end{example}
+\vspace*{-3mm}
+\begin{figure}[h!]
+\centering
+\includegraphics[width=0.7\hsize]{selekcja.png}
+\caption{Przykład selekcji metodą ruletki. Losowana jest liczba $r$ z zakresu
+  $(0,F)$. \newline W
+tym wypadku wybrany został osobnik $o_4$.}
+\label{selekcja_pic}
+\end{figure}
+
+\subsection{Krzyżowanie}
+Krzyżowanie jest to metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest
+z pary rodziców. Krzyżowanie polega na łączeniu dwóch
+genotypów w jeden. Potomek rodziców ma zespół cech, które są kombinacją genotypów
+rodziców.
+\enlargethispage{4\baselineskip}
+
+\begin{example}
+\end{example}
+\begin{figure}[h!]
+\centering
+\includegraphics[width=1\hsize]{krzyzowanie.png}
+\caption{Przykładowe krzyżowanie osobników zakodowanych binarnie.}
+\label{krzyzowanie_pic}
+\end{figure}
+
+\subsection{Mutacja}
+Mutacja jest to operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do
+genotypu losowe zmiany. Zazwyczaj mutacja zachodzi z bardzo niskim
+prawdopodbieństwem - najczęściej około 1\%. Wyższe prawdopodbieństwo mogłoby
+spowodobać, że rozwiązania psułyby się zamiast delikatnie zmieniały.
+
+W zależności od kodowania mutację można przeprowadzić przykładowo na następujące sposoby:
+\begin{itemize}
+\item w przypadku kodowania binarnego można zanegować losowy bit,
+\item w przypadku kodowania liczbami całkowitymi (rzeczywistymi) można losowy
+  gen zamienić liczbą wylosowaną z ustalonego ręcznie zakresu liczb całkowitych (rzeczywistych).
+\end{itemize}
+
+\newpage
+\begin{example}
+\end{example}
+\begin{figure}[th]
+\centering
+\includegraphics[width=0.3\hsize]{mutacja.png}
+\caption{Mutacja poprzez zanegowanie losowego bitu.}
+\label{mutacja_pic}
+\end{figure}
+
+\subsection{Kryterium stopu}
+Proces generowania coraz to nowyszych pokoleń trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to:
+\begin{itemize}
+\item z góry ustalona liczba iteracji,
+\item znalezienie osobnika (rozwiązania), dla którego funkcja przystosowania
+  \newline da
+  wystarczająco dobry wynik,
+\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy,
+\item przerwanie procesu, gdy kolejne iteracje nie tworzą lepszych rozwiązań,
+\item osiągnięcie najlepszego rozwiązania.
+\end{itemize}
+
+\newpage
+\section{Sieci neuronowe}