Oprescu M.

Gabriel
Master de Aprofudare. Anul I. Secția Cibernetică și Economie Cantitativă.

Auto-adaptarea întreprinderilor complexe și studiul acestora

utilizând algoritmi genetici

Lucrarea de față propune o altă rezolvare a problemelor apărute într-o economie în plină
dezvoltare a complexității sale. Pe măsură ce științele se dezvoltă și omul pătrunde tot mai adânc
în înțelegerea tuturor misterelor care ne înconjoară, la fel și instrumentele de analiză trebuiesc
dezvoltate. Următoarea analiză se referă la un nou tip de întreprindere, care nu mai este o unitate
de sine stătătoare, ci este un sistem adaptativ complex, asemenea unuia natural, a cărui rezolvare
și înțelegere nu se poate face decât cu niște algoritmi naturali, algoritmi genetici.

Introducere.

Cu mult înainte de a fi declarată o ştiinţă, “Cibernetica sau ştiinţa coordonării și

comunicării la fiinţe şi maşini”, Norbert Wiener, îşi are rădăcinile în grecia antică, atunci când
Platon folosea intr-unul din dialogurile sale termenul de “kybernetes”, cu sensul abstract de
“pilotaj al unei entităţi politice”. Un alt termen care trebuie referit, fiind complementar celui de
“cibernetică”,este cel de “sistem”. Conceptul de sistem ( “sustemo” în latină însemnând mulţime,
adunare, reuniune) este utilizat în ştiinţa modernă în mod sistematic începând cu secolul XVII-ul
, însemnând un set de concepte organizate, clasificate, mai ales în sens filozofic.
Au urmat diferite încercări şi tatonări în jurul conceptului de cibernetică şi a teorie
sistemelor, toate ideile indicând aceeaşi direcţie, arătând un singur punct care cerea apariţia unei
noi ştiinţe, cea a ciberneticii. Fundamentarea ca ştiinţă s-a bazat în principal pe lucrările lui
Norbert Wiener, considerat unanim fondatorul ciberneticii.
Perioada necesară fundamentării ciberneticii a fost una destul de scurtă şi concentrată,
între anii 1948-1960. S-au scris numeroase lucrări pe teme complementare ciberneticii,
prezentate într-o serie de conferinţe între anii 1950-1955. Printre pionierii noi ştiinţe se pot
enumera Claude Shannon şi Denis Weaver cu lucrarea “Mathematical Theory of
Communication”, în care erau surprinse și fundamentate concepte importante de teoria
informaţiei. Rolul informației în sistemele cibernetice și modul în care aceasta determină
eficiența proceselor de reglare și control sunt dezvoltate de W. Ross Ashby, formulând ”Legea
Varietății Necesare”.
O altă direcție importantă de dezvoltare a ciberneticii și a sistemicii a fost stimulată de
lucrările lui John von Neumann, creatorul teorie automatelor, dar și a teoriei jocurilor, a
programării matematice și a altor discipline științifice.
 Cibernetica reprezintă o unificare a tuturor științelor, pentru că abordarea sa principală
este una sistemică, iar orice lucru, concept sau ființă, dacă nu este ea însăși un system, atunci cu
siguranță face parte dintr-un sistem.
Economia, o disciplină supusă hazardului gândirii umane, un sistem ultracomplex , și-a
găsit cea mai bună și exactă explicare în legitățile ciberneticii. Keneth Boulding, unul dintre
primii economiști care au privit în mod sceptic bazele destul de șubrede pe care era construită
teoria economică a timpului său, a încercat să reformuleze aceste baze pornind de la legitățile și
principiile generale ale teoriei sistemelor.
Sistemul, în cea mai cunoscută accepțiune a sa, este un ansamblu de elemente cu anumite
trăsături comune care conlucrează pentru atigerea unui scop comun. Sistemul complex conține
aceleași trăsături de bază, diferențierea fiind făcută de prezența unei rețele dinamice de
interacțiuni și relații. Sistemul adaptativ complex este capabil de un comportament schimbător,
atât la nivel de întreg, cât și la nivel de componente, rezultat în urma acumulării de experiență.
Termenul de sistem adaptativ complex se referă la un sistem bazat pe colaborare unor elemente
interconectate cu ajutorul unor legături neliniare.
Orice întreprindere este un exemplu de sistem adaptativ complex, motiv pentru care ea
moștenește toate proprietățile generale ale unui sistem. Emergența apare ca noțiunea ce
denumește noile proprietăți coerente care nu sunt predictibile dacă se analizează proprietățile
izolate ale părților unui sistem , proprietăți ce apar atunci când se studiază sistemul la nivel
global. Noutatea și coerența noilor proprietăți sunt condiții esențiale pentru a recunoaște
emergența acestor într-un sistem adaptativ complex. Co-evoluția presupune că orice sistem se
află înconjurat de un mediu cu care realizează în permanență un schimb de informație. Pentru ca
sistemul să funcționeze și să fie adaptat cât mai bine la mediu, el trebuie să reacționeze la
modificările celui din urmă. Varietatea necesară arată că puterea și adaptabilitatea unui sistem
evoluează direct proporțional cu varietate internă a sistemului. A fost demonstrat faptul că
ambiguitatea și paradoxal existente într-un sistem adaptaiv complex duc la crearea unor noi
posibilități de evoluție. Conectivitatea impune modul în care sunt sunt legate între ele
componentele unui sistem, un aspect foarte important pentru supraviețuirea sistemului.
Legăturile dintre componente sunt cele care crează tiparele comportamentale și feedback-ul
necesar reglării sistemului. Auto-organizarea nu presupune existența unei ierarhii de comandă și
control într-un sistem adaptativ complex. Nu există planificare, dar există o permanentă
reorganizare pentru a fi găsită cea mai bună configurație, dat fiind mediul în cere se află. Limită
a haosului nu stabilește o relație de egalitate într teoria complexității și cea a haosului. Se afirmă
cea mai bună stare în cere sistemul se poate afla este la limita dintre haos și stabilitate, pentru că
stabilitate nu îi permite să se adapteze la mediu, iar haosul ar produce o dezorganizare totală,
până la încetarea funcționării sistemului.
Conform enumerării anterioare ale proprietăților sistemelor se poate deduce că și
sistemele biologice se supun acelorași reguli. Cea mai bună abordare a unui sistem cibernetic se
face din perspectiva biologicului, luând în seamă modul de autoconducere și perpetuare ale
acestora.
 Sistemul economic este un sistem evolutiv complex, guvernat de incertitudine, neobișnuit
de complicat și dinamic. În analiza unui astfel de sistem metodele clasice de analiză ca regresia
susținută de metoda celor mai mici pătrate nu dau o reprezentare tocmai exactă a realității. Chiar
și aproximarea realității lasă de multe ori de dorit. Natura este cea care a creat pentru prima dată
un sistem și a dezvoltat în același timp cele mai bune metode de analiză a acestora. Astfel au fost
dezvoltată o nouă metodă de analiză, bazată pe algoritmi evolutivi și în speță algoritmi genetici.
Este alternativa metodelor clasice de rezolvare, introducând o serie de algoritmi a căror
formulare a fost inspirată de natură și care prezintă drept caracteristică centrală auto-adaptarea.
Acești algoritmi au nevoie de mai puține aproximări în rezolvarea problemei deoarece
lucrează în mod direct cu reprezentări ale soluțiilor, eliminând necesitatea instrumentelor
matematice intemediare. Auto-adaptarea urmărește descoperirea și explorarea proprietăților
specific instanței problemei.
Întreprinderea este o componentă a unui sistem economic. Nu este o componentă simplă,
fără o proprie structură internă, ci un sistem în adevăratul sens al cuvântului, moștenind
proprietăți de la sistemul mamă și oferind la rândul său anumite particularități, prin proprietatea
de emergență.
Matematica și instrumentele pe care le dezvoltă apar ca fiind prea stricte pentru a putea
modela comportamentul unui sistem, a cărui evoluție nu este niciodată aceeași de la ozi la alta,
de la un moment de timp la altul.
Algoritmii geneticii fac parte din noua știință, împreună cu rețelele neuronale, capabile
să rezovlve orice probleme, capabile să se muleze și să modeleze orice situație în care
complexitatea depășește un anumit grad. Algoritmii genetici sunt niște algoritmi universali. În
ziua de azi problama care se pune în orice domeniu de cercetare este cea a unificării și
simplificării. Algoritmii genetici unifică mai multe modele de analiză si le simplifică totodată,
pentru a crea un algoritm universal.
În lucrarea de față nu este propus un model complicat pentru a pune în evidență puterea
de modelare a algoritmilor genetici. S-ar putea crea o supraîncărcare, iar interesul ar scădea o
dată cu complexitatea. Modelul este unul simplu pentru a da o idee și pentru a crea scânteia de
interes care poate duce mai departe cercetarea acestor metode. Se referă la o întrprindere și
funcția sa de profit, care trebuie maximizată, date fiind resursele.
Cu toate că pare un o situație banală, funcția de profit asociată unui sistem adaptativ
complex, asemenea unei întreprinderi, are ceva aparte, fiind de cele mai multe ori supusă
variației unor factori necunoscuți, care dau de fapt ideea de model.
 Modelul

Încă de la apariția primelor întreprinderi în care producția era exclusiv concentrată pe

forța fizică și intelectuală a oamenilor, lucrurile au evoluat. Mai întâi în sensul creșterii
productivității, indiferent de calitatea produselor rezultate, fiind implementat modelul de
diviziune a muncii. A fost primul pas către apariția producției în masă a anumitor produse. A
urmat un nou prag reprezentat de revoluția industrială, în care s-a dorit realizarea unei producții
însemnate, dar la costuri minime. Mașinile industriale apărute se pretau perfect la noi cerințe,
oamenii fiind înlăturați aproape definitiv din anumite etape necesare realizării unui produs.
Trebuie precizat că la început întrerinderile, fie ele de orice tip erau în cea mai mare parte
capabile de producerea unui anumit bun integral. Astfel legăturile de producție erau foarte puțin
reprezentate, predominând cele economice, sectoarele de producție fiind în principal controlate
de monopoluri.
În următoarea perioadă a dezvoltării întreprinderilor au fost perfecționate metodele de
producție, atât tehnologic cât și din punct de vedere a alocării resurselor. Resursele, dacă la
început erau din abundență în anumite zone, pe măsură ce producția a fost extinsă, au devenit o
reală problemă.
O dată cu trecerea timpului, tehnologia a devenit mai accesibilă, iar înființarea unei
întreprinderi a fost mai puțin restrictivă. Pe același sector de piață au apărut mai multe
întreprinderi, concurența devenind din ce în ce mai acerbă. A fost nevoie de o nouă diferențiere a
produselor, producția în masa și inundarea pieței nemaifiind o opțiune. Monopolurile au început
să cadă. Pentru a supraviețui înteprinderile au fost nevoite să se concentreze mai mult pe
cerințele consumatorilor și pe calitatea produselor. Ideea de întreprindere ca sistem adaptativ a
început să se contureze. Costurile mici de producție dorite nu se mai puteau realiza prin
producția intragrală a unui bun de o singură întreprindere. Produsul era fabricat din componente
venite din întreprinderi diferite. Astfel s-a creat o rețea de producție și distribuție, un sistem de
întreprinderi, bazate pe anumite relații. Întreprinderile nu mai putea exista izolate, ci ele formau
un organism capabil să se adapteze la cerințele pieței. Fiecare întreprindere la rândul ei trebuia să
se adapteze mai bine la sectorul pe care îl reprezenta. Două noi domenii de cunoaștere trebuiau
integrate în structura întreprinderii: managementul și marketingul. Cu ajutorul celor două și
printr-o bună implementare, o întreprindere se putea adapa mai bine la ceea ce se cerea pentru
consum. Se poate spune că întreprinderea a evoluat până la a ajunge un sistem adaptativ
complex.
Cibernetica, știința sistemelor, este cea mai în măsură să explice acest nou comportament
al întreprinderilor, utilizând modele, algoritmi și legi specifice. Cele mai noi metode se referă la
legile naturale ale genticii și ale funcționării rețelelor neuronale.
 Studiul de caz următor va fi bazat exclusiv pe un algoritmi genetic prin care se va încerca
optimizarea unei funcții de producție. Dar mai întâi trebuiesc precizați care sunt pașii unui
algoritm genetic și modul în care se ajunge la o soluție cel puțin satisfăcătoare.
Algoritmii genetici sunt prezentați ca metode generale de căutare inspirate din evoluția
naturală care își găsesc o largă utilizare în optimizare, învățarea automată și proiectarea
sistemelor complexe. AG sunt caracterizați de următoarele proprietăți: mențin o populație de
reprezentări de soluții candidat care evoluează de-a lungul unei generații/iterații sub controlul
unei funcții fitness care măsoară meritul individual. Algoritmii evolutivi, cu cele trei direcții:
strategii evolutive, programarea evolutivă și algoritmi genetici, sunt cei mai vechi de acest tip și
au ca sursă de inspirație evoluția biologică.
Algoritmii evolutivi utilizează un vocabular împrumutat din genetică. Un algoritm
genetic simulează evoluția printr-o succesiune de generații (proces itrerativ) ale unei populații
(mulțime) desoluții candidat. O soluție candidat este reprezentată intern ca un șir de gene
(genotip) și poartă numele de cromozom. Gena este informația atomică dintr-un cromozom.
Poziția pe care o ocupă o genă se numește locus, iar toate valorile posibile pentru o genă
formează setul de alele ale genei. Populația menținută de algorim genetic evoluează prin
aplicarea unor operatori genetici care simulează elemente considerate de geneticieni ca fiind
fundamentale: mutația care constă în modificarea aleatoare a unei gene și încrucișarea
(recombinarea), care are ca scop schimbul de informație genetică între doi sau mai mulți
cromozomi. Cromozomul asupra căruia se aplică un operator genetic poartă numele de părinte,
iar cromozomul rezultat în uema acelui operator este numit descendent. Un proces (aleator) de
selecție oferă indivizilor mai bine adaptați șanse mai mari de a supraviețui în generația
următoare. Gradul de adaptare al indivizilor la mediu, este măsurat de funcția fitness, obținută
pornind de la funcția matematicăde optimizare. Soluția returnată de un algoritm genetic este cel
mai bun indicvid din ultima generație.
Algoritmii genetici au fost propuși de John Holland în 1973 după mulți anii de studiere a
ideii de simulare a evoluției. Acești algoritmi modelează moștenirea genetică și lupta darwiniană
pentru supraviețuire. Complexitatea problemelor din lumea reală a dus la dezvoltarea denoi
direcții care implementează sau utilizează tehnicile specifice algoritmilor genetici în mod
nestandard: algoritmi genetici messy (Goldeberg), programarea genetică (Koza), co-evoluția
(Hillis), algoritmii memetici/culturali, algoritmi micro-economici.De asemenea s-au realizat
diverse studii statistice în ceea ce prievește compatibilitatea între reprezentare și funcția fitness,
operatori etc.
Algoritmii genetici înregistrează o mare variație în ceea ce privește reprezentarea
soluțiilor candidat. Algoritmii genetici standard reprezintă cromozomii ca șiruri de biți, șiruri de
numere întregi sau reale sau permutări, în funcție de problema propusă spre rezolvare. În ultimii
anii s-au raportat diverse abateri de la reprezentarea sub formă de șir pentru a îngloba informație
specifică problemei: sunt utilizate structuri bidimensionale precum matrici sau grafuri,
reprezentări bazate pe vecinătăți (insule) sau distribuite geografic etc. Se folosesc de asemenea
reprezentări de dimensiune variabilă.
 Modelul teoretic fundamental propus pentru studiul algoritmilor genetici este cel propus
de Holland și denumit modelul schemelor. Acesta explică modul în care un algoritm genetic
converge la soluție fără a face însă predicții asupra producerii sau nu a convergenței, a acurateței
soluțiilor găsite sau asupra vitezei de convergență. Rezultatul central este teorema schemelor,
însă ipotezele acesteia o fac aplicabilă odar pentru algoritmul genetic clasic. În studiul
algoritmilor genetici au fost utilizate și tehnici din statistică precum lanțul lui Markov și
modelele Bayesiene

Elementele unui algoritm genetic.

Un algoritm genetic trebuie să aibă definite următoarele elemente pentru rezolvarea unei
probleme:
 o reprezentare (genotip) ale soluțiilor candidat;
 o procedură de inițializare (creare) a unei populații inițiale de soluții candidat;
 o funcție de evaluare (funcție fitness) care joacă rolul mediului și care este
utilizată pentru a măsura calitatea soluțiilor în termeni de potrivire/ acomodare;
 o schemă de selecție (înlocuirea generațiilor);
 operatorii genetici( mutația, încrucișarea...);
 parametrii numerici.
Reprezentarea clasică în algoritmii genetici este cea binară: fiecare soluție candidat
(cromozom) este reprezentat ca un șir de biți, fiecare bit constituind o genă. Algoritmii genetici
au evoluat ei înșiși, setul reprezentărilor extinzându-se la numere întregi și reale, permutări,
arbori, repezentări bi- și multidimensionale. Pentru orice reprezentare, alta decât cea binară, nu
există rezultate teoretice care să explice aplicațiile spectaculoase ale algoritmilor genetici la
probleme de optimizare dificile.
Procedura de inițializare este una aleatoare. Există și abordări în care soluțiile inițiale
sunt obținute cu o euristică și apoi supuse evoșuției cu un algoritm genetic.
Funcția fitness se obține plecând de la funcția matematică de optimizat. Complexitatea
funcție dde evaluare poate crește complexitatea intrisec polinomială a algoritmului genetic.
Selecția este un element comun mai multor tehnici de optimizare. Selecția în algoritmi
genetici este una probabilistă. Esențial este caracterul neextinctiv: și cel mai slab (ca fitness)
individ are șansa nenulă de supraviețuire. În acest mod informația locală (un număr redus de biți)
aparținând unui individ cu fitness slab poate fi transmisă în generațiile următoare pentru a se
regăsi în final în structura soluției optime. Au fost propuse și studiate numeroase tipuri de
selecție: scheme bazate direct pe valorile fitness, scheme bazate pe rangul în ierarhie, selecția
proporțională, sistem turneu etc.
Operatorii genetici de bază, încrucișarea și mutația, apar în forme diverse fiind necesară
în prealabil adaptarea lor la problemă prin încorporarea proprietăților/informației specifice
problemei de rezolvat.
 Încrucișarea clasică este cea cu tăiere într-un singur punct și interschimbarea
segmentelor celor doi cromozomi implicați.
x1 x2 x3 |x4 x5 x6 x7 x1 x2 x3|y4 y5 y6 y7
y1 y2 y3 |y4 y5 y6 y7 y1 y2 y3|x4 x5 x6 x7
În literatura au apărut însă și încrucișări cu doua sau mai multe puncte fixe, încrucișarea
uniformă, cu mai mulți părinți, încrucișări specifice pentru permutări, grafuri/arbori sau alte
reprezentări multidimensionale.
Operatorul clasic de mutație neagă valoarea unei gene (bit) alese aleatoriu.
x1 x2 x3x4 x5 x6 x7 x1 x2 x3 x4 ̅ 5 x6 x7
În proiectarea unui algoritm genetic trebuiescluate decizii și în ceea ce privește valorile
unor parametrii precum dimensiunea populației, rata (probabilitatea de aplicare) mutația și
încrucișării și stabilirea unei condiții de oprire a algoritmului.În afara unor considerații generale
(de exemplu, rata de mutație crescută la începutul vieții populației și scăzutăspre sfârșit, cu
evoluția complementară a ratei) încrucișării) găsirea valorilor optime ale parametrilor unui
algoritm genetic, ține deocamdată mai mult de empirism decâtde studiul teoretic abstract.

Exemplu.

Pentru a putea concretiza noțiunile teoretice anterioare se va alege ca exemplu o

întreprindere ce produce un anumit bun. Algoritmul genetic va fi aplicat unei funcții de profit,
rezultată dintr-o funcție de producție și din anumite restricții, fie ele tehnologice sau de
repartizare a resurselor.
Modelul analizat va fi unul generalizator, neținându-se cont de tipul resurselor implicate
în procesul de producție sau de întreprinderea la care se va aplica acest model.
În teoria producătorului, de cele mai multe ori se merge pe existența unei funcții de
producție și a unor restricții simple, care alcătuiesc o problemă de maxim condiționat,
urmărindu-se apariția unui profit maxim, la o alocare minimă de resurse. Rezolvarea problemei
de maxim condiționat se face cu ajutorul cunoscutelor metode, Lagrange și Kuhn-Tucker, care
au unele limitări legate de complexitatea fucțiilor asupra cărora se aplică.
Existența unor funcții compuse sau a unor funcții care prin derivare nu reduc
complexitatea, îngreunează calculul implicat de cele două metode anterior menționate.
Se știe că o dată cu dezvoltarea întreprinderilor și creșterea concurenței, și alocarea
resurselor către producție a devine o problemă complicată, cererea înregistrând fluctuații de la o
zi la alta, fiind necesară o permanentă adaptare și ajustare la condițiile de piață. Impulsurile
venite din partea pieței trebuiesc analizate imediat ce sunt primite și integrate ca diferite soluții
de producție și creștere a profitului.
În contextul dezvoltării firmei până la a deveni un sistem adaptativ complex, optimizarea
ce trebuie făcută la toate nivelurile, are nevoie de instrumente mai puternice decât modelele
clasice de analiză. Algoritmii genetici reprezintă noua rezolvare, cu ei putând fi analizate
probleme de optimizare de o mare varietate, pornind de la legărurile ce se stabilesc cu alte
întreprinderi, cu piața de consum, cu piața financiară și până la probleme ordine interioară.
Actual, într-o întreprindere, profitul este rezultatul unui complex de factori, iar păstrarea
acestuia la valoarea maximă este o treabă dificilă, datorită concurenței mari și fluctuațiilor pieței.
Pentru a ilustra mai bine acest fapt, a fost aleasă o fucție a profitului, care după prelucrare
și eliminare a restricțiilor a luat forma unei funcții compuse:
( ) ( ) ( ) .
Se poate observa că forma funcției de profit nu este una deloc obișnuită, și determinarea
maximului acesteia cu algoritmii clasici este destul de grea.
Trebuie precizat că reprezintă diponibilul de resurse, care poate să ia orice valoare în
intervalul [ ]. Dar pentru simplificare și reducere a dimensionalității problemei, intervalul de
variație va fi redus la [ ]. Maximul funcției se va dori exprimat cu o precizie de 6 zecimale.
Graficul funcției arată dificultatea ce apare în determinarea maximului acesteia.

Se poate observa forma cosinusoidală a graficului care trece foarte repede prin diferite
zone de maxim și minim local. O altă caracteristică importantă a funcție este că pe măsură ce
traversează domeniul de definiție, nu trece prin zone de maxim sau minim, extremele atingându-
se doar în puncte. De aceea, deteminarea profitului maxim este o muncă de precizie, pentru că o
eroare destul de mică poate trece întreprinderea spre zona falimentară, în care costurile sunt mai
mari decât venitul.
În continuare vor fi descrise elementele algortimului genetic care rezolvă problema.
 Reprezentarea unui cromozom (soluție candidat) se realizează sub forma unui vector
binar al cărui lungime depinde de precizia cerută. Domeniul variabilei are lungimea 3;
restricția de precizie implică o divizare a intervalului [ ] în subintervale de lungime
egală. Această înseamnă că sunt necesari 22 de biți pentru reprezentare :
.
Decodificarea unui șir binar într-un număr real din intervalul [ ] este realizată în doi
pași: convertirea șirului din baza în baza și determinarea numărului real corespunzător:
1. ( ... ) ∑
2. ( ( 1))
De exemplu, cromozomii:
( )
( )
( )
corespund valorilor numerice:

Limitele domeniului, 1 și 4, corespund cromozomilor ( ) și

respectiv ( ) , cu o foarte mică eraore pentru limita superioară a
domeniului.
Funcția de evaluarea a cromozomilor este idwentificată cu funcția profitului studiată
( ).
Pentru cei teri cromozomi, valorile funcție de evaluare sunt după cum urmează:
( ) ( )
( ) ( )
( ) ( )
Operatorii genetici utilizați sunt cei standard. Mutația modifică cu o probabilitate dată de
valoarea rateide mutație bitul de pe poziția selectată aleatoriu. De exemplu, se presupune că a
doua genă a cromozomului a fost selectată. Mai trebuie precizat că genele sunt reprezentate
de căte doi biți, numărătoarea lor începând de la stânga la dreapta. După aplicarea mutației,
cromozomul 2 devine:
( )
În urma evaluării se constată că s-a obținut un cromozom mai slab:
( ) ( ) ( ) ( ) .
Cu toate acestea calculul va merge în continuare și pe baza cromozomului pentru că
deși nu obține o soluție mai bună decât cromozomul inițial, el se apropie prin valoarea sa de
soluția optimă, de maximul atins de cosinusoidă, care se realizează spre sfârșitul domeniului de
definiție.
Se încearcă din nou același procedeu de mutație cu ajutorul cromozomului 3. Mutașie se va face
pe prima genă.
( )
În urma evaluării s-a constatat un cromozom mai slab:
( ) ( ) ( ) ( )
Operatorul de încrucișare utilizat este cel cu un singur punct de tăiere. Dacă se utilizează
cromozomii și drept părinți, iar punctul de tăiere a sot aleas aleator, între prima și a doua
genă, se obține descendenții și .
( )
( )
( )
( )
Se poate pune în vedere faptul că nu au fost folosiți ca părinți primii cromozomi obținuți.
Raționamentul este simplu: cu toate că ei dădeau valori mai mari ale funcției de evaluare decât
cei rezultați prin mutație, nu erau foarte aproape de soluție, care se observă din grafic că se află
spre capătul intervalului. În plus de aceasta, în cele mai multe cazuri, chiar dacă se alege părinți
inferiori, ei pot crea o generație superioară, pentru că între genele lor pot exista cele de
performanță, care se manifestă la generația ulterioară.
În urma evaluării celor doi cromozomi descendenți, se constată că ambii sunt mai bine
adaptați decât părinții lor.
( ) ( ) ( )
( ) ( ) ( )
Principalii parametrii ai algoritmului genetic au luat următoarele valori: dimensiunea
populație 50, rata de încrucișare 0,25, rata mutației 0,01.
În urma execuției algoritmului, cel mai bun cromozom la iterația 50 a fost
( ) corespunzător valorii reale .
Valoarea funcție în acest punct este ( ) ( ) .
Se observă că este implicată o anumită procedură iterativă de aplicare a operatorilor
specifici. Calculul de mână ar fi fost foarte greu de făcut, motiv pentru care, pentru a câștiga
timp, algoritmul a fost programat pentru un calculator.
Rezultatul obținut este unul foarte bun, iar precizia sa ar fi crescut pe măsură ce s-ar fi
realizat mai multe iterații. Ceea ce trebuie menționat că programarea unei astfel de probleme în
sensul pur matematic ar fi fost foarte grea, și cu rezultate poate mai puțin precise ca acestea,
chiar și după mai multe rulări.
 Concluzii.

Prima întrebare care se pune văzând acest algoritm se referă la utilitatea sau inutilitatea
aplicării sale. Întreprinderea nu mai este o simplă parte a economiei unei, ci este un organ care
ajută la crearea sistemului economic. Algoritmii vechi de analiză au în ei o anumită rigididate,
care îi face să nu se muleze bine pe acest fel de probleme. Algoritmii clasici se bazează pe
aproximări, iar soluția găsită vine după multe și multe aplicări ale aceleiași metode. Mai mult
decât atât căutarea soluției prin intemediul algoritmilor clasici se bazează uneori pe intuiție, pe
capacitatea de a percepe dinainte o zonă apropiată soluției. Toate aceste lucruri făcându-se
pentru probleme simple, uneori.
Sistemul introduce complexitate. Se poate vedea foarte ușor prin funcția de profit
prezentată anterior. Algoritmii clasici ar fi fost foarte greu de aplicat pe o asemenea funcție
oscilantă. Cel mai mare avantaj al aplicării algoritmilor genetici este că se știe dinainte spațiul în
care se află soluția. Căutarea ei se face printre soluții posibile, soluții candidat. În afara acestora
nu există o altă soluție mai bună. Și astfel spațiul de căutare s-a redus dramatic.
Se poate spune că complexitatea este mai complexă decât s-ar fi crezut și prin intermediul
acestor noi tehnici de analiză, realitatea începe să capete alt înțeles. Cele mai bune tehnici, în
majoritatea cazurilor, provin din natură, în care s-a adunat experiența și evoluția. Lucrurile nu
mai trebuiesc privite drept după modelul clasic, nimic nu este perfect, nimic nu evoluează singur,
ci numai în cadrul unui sistem, indiferent la ce nivel s-a situa el.
În economie, ideea de model implică existența unor factori ascunși, fără de care modelul nu ar
mai exista. Cel mai bun răspuns matematic care se poate da la acestă problemă implică un model
stohastic, ce poate crea o imagine greșită sau poate fi deperte de adevăr. Algortimii genetici
îmbină într-ul fel rigiditatea metodelor de analiză matematică cu cele de analiză stohastică.
Un alt atu al unei asemenea rezolvări este că structura ce trebuie respectată nu este una
deloc complicată și nu implică artificii sau instrumente de calcul ajutătoare.
Așa cum a fost afirmat anterior problema prezentată nu este una complicată, dar
îndeajuns de bună pentru a crea o ideea asurpa capacităților ce calcul al algoritmilor genetici.
Bibliografie

Prof. Dr. Scarlat Emil, Conf. Dr. Mitruț Dorin - ”Curs Bazele Ciberneticii Economice”,
- ”Sistemul Adaptativ Complex”
http://asecib.ase.ro/BCIB/CAPITOLUL-2.pdf
- ”Apariția și Dezvoltarea Ciberneticii.
Obiectul și Metodele Ciberneticii Economice”
http://asecib.ase.ro/BCIB/CAPITOLUL-1.pdf

Prof. Dr. Luchian Henri, Prep. Drd. Breabăn Mihaela - ”Curs Algoritmi Genetici”