PEAG
Tn 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. I nfluenteaza calitatea solutiei furnizate.
2,3
2,5
1,3
4
3,5
In cadrul unui algoritm evolutiv condi1ia de terminare: 1. Este obligatorie; 2. Nu este indicata; 3. Include obligatoriu, direct sau indirect, controlul numarului de itera1ii (numarul popula1iilor generate); 4. Nu poate fl implementata; 5. Este utilizata doar in cadrul GA, nu ~i in cadrul ES.
5
2,3,4
2,4
1,3
1,5
Tn cadrul strategiei evolutive cu 2 membri (ES2M): 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 g~obal; 1 O.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
Tn algoritmii genetici, reprezentarea prin ~iruri de numere 1ntregi
Este preferabila pentru problemele de optimizaroc
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 utilizta
Este utilizata determinist
Este utilizata in fucntie de reprezantarea cromozomiala
Intr-un algoritm evolutiv , functia de evaluare
Se alege in functie de dimensiuea populatiei
Este definita pe spatiul unidimensional
Este stabilita de Holland
Este o functie asimptotica
Estimeaza nivelul de adaptare a individului
Alogritmiii genetici
Sunt metode deterministe de cautare in spatiul solutiilor
Folosesc exclusiv selectii deterministe
Rezolva exclusiv problene definite pe spatii comune
Utilizeaza la fiecare moment de timp o varianta de solutie modificata prin pertrurbare normala
Sunt tehnici de cautare stochastica bazate pe populatii
Algoritmul ES2M
Este algoritmul auto-adaptiv primar
Nu este un algoritm evolutiv
Nici una dim celelalte variante
Nu este un algoritm autoadaptiv
Este un algoritm auto-adaptiv
Este un algoritm determinist
Tn cadrul unui algoritm genetic opera1ia de selectie a supravietuitorilor: 1. Se aplica asupra populatiei curente; 2. Tn unele variante necesita cal cu I area unei distributii de I probabilitate de selec1ie; 3. Utilizeaza intotdeauna factori aleatori; 4. Alege genera1ia urmatoare dintre indivizii disponibili dupa operatia de mutatie; 5. Lndivizii ale~i 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; 1 O.Se aplica la inceputul fiecarei itera1ii; 11. Se aplica asupra descenden1ilor ob1inu1i din popula1ia curenta; 12. Se aplica asupra popula1iei curente ~i asupra descendentilor obtinuti din populatia curenta.
2,4,5,6,12
2,3,4,5,6,11
1,7
6,8,11
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 in memoria calculatorului; 8. Deplasarea autonoma a vehiculelor.
1,4,6
1,3,5,7
2,3,4
2,4,6,8
2,4,6
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
Decodificarea trebuie realizata
Niciuna dintre varinte
Nu este necesara in 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 2 gene cu aceeasi valoare intr-un cromozom
Tn cadrul unui algoritm evolutiv populatia initiala: 1. Este generata Tnaintea Tnceperii 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 imedmat 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.
2,5,7,8
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 revoltie agrara
Societatea cunoasterii
Societatea informationala
In cadrul unui algoritm genetic care maximizeaza o func1ie (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
Componentele algoritmilor evolutivi s1nt: 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. Stab ii irea diversita1ii genetice a populatiei; 12. Mecanismul de 1nlocuire a popula1iei curente; 13. Hillclimbing; 14. Lnitializarea popula1iei; 15. Conditia de terminare.
2,4,6
1,2,3,4,5,6,7,8
2,4,5,9,15,7
1,3,5,6,10,13,14,15
1,3,5,7,10,12,14,15
Lntr-un algoritm genetic, popula1ia 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
In cazul reprezentarii cu siruri de numere intregi ,recombinarile artimtetice :
Nu exista notiunea de recombinare aritmetica
Se pot aplica daca se face rotunjirea rezultatelor
Sunt interzise
Produc intotdeauna rezultate aberante
Se pot aplica numai daca toate perechile de alele de pe pozitii identice sunt fie pare fie imapare
Pentru problemele cu dependenta de adiacente se foloseste operatorul de recombinare :
Niciunul
Pmx
Ocx
Ecx
Incrucisare aritmetica singulara
Operatorul de recombinare unipunct se poate folosi in cazul reprezentarii prin :
Siruri binare
Siruri de numere intregi
Siruri de numere reale
Toate cele 3 reprezentari cu siruri
Permutari
Schema generala de recombinare depinde de
Operatorul de recombinare folosit
Alegerea utilizatorului
Numarul de indivizi din populatia initiala
Existenta constrangerilor in problema de rezolvat
Reprezetnarea cromozomilor
Ce paritate are operatorul de recombinare in algoritmii genetici
Unar
Ternar
Binar
Nu exista operatori de recombinare in algoritmi genetici
Depinde de problema de rezolvat
Pentru a pastra cat mai bine informatia referitoare la pozitiile absolute ale alelelor in cormozomii parinti se foloseste operatorul :
Ecx
Pmx
Cx
Ocx
Incrucisare multipunct
Daca aplicarea unui operator de recombinare produce indivizi aberanti atunci
Se produce eroare la executie
Algoritmul produce totusi rezultate corecte , ca urmare a autoreglarii prin selectie
Rezultatele sunt imprevizbile
Se folosesc parintii ca descendenti
Problem nu se poate reolva prin algoritm genetic
Pentru problemele in care reprezentarea prin permutari semnifica ordinea de aparitie a unor evenimente , operatorul de recombinare folosit , este:
Incrucisare unipunct
Ocx
Incrucisare aritmetica singulara
Ipx
Incrucisare uniforma
Care din urmatoarele este un model de populatie?
Cu generatii
Cu dimensiune variabila
Cu stari instabile
Cu dimensiune fixa
Cu stari stabile
In cadrul algoritmilor genetici , generatia urmatoare este selectata dintre
Indivizii generatiei curente
Indivizii generatiei curente si descendentii obtinuti dupa etapa de mutatie
Descendentii generatiei curente
Descendentii obtinuti din etapa de recombinare
Parintii selectati
Care din urmatoare;e nu este un model de distributie de probabilitate folosit pentru etapa de selectie
Fps
Fps cu alfa scalare
Fps cu ferestre
Fps cu sigma scalare
Ranguri liniare
Care din urmaotarele nu este un mecanism de selectie?
Genitor
Turnir
Ruleta simpla
Ruleta complicata
Ruleta multi brat
Care dintre urmatoarele este un dezavantaj al utilizarii distributiei de probabilitate de selectie tip fps
Convergenta prematura
Elimiarea indivizilor slabi
Convergenta lenta
Convergenta asimptotica
Selectarea celor mai buni indivizi
De cate ori trebuie rotit bratul ruletei simple pentru a executa intregul proces de selectie a parintilor , pentru o populatie cu txz cromozomi?
De 10 ori
O data
De 2*tz ori
De tz/2 ori
De tz ori
De cate ori trebuie rotit bratul ruletei multi brat pentru a executa intregul proces de selectie a parintilor , pentru o populatie cu k indivizi?
De 2k ori
De k ori
De k/2 ori
Nu exista ruleta multi brat
O data
Care mecanism de selectie produce rezultate mai apropiate de distributia de probabilitate de selectia calculata?
SUS
Ruleta cu un brat
Turnirul
Toate produc rezultate la fel de apropiate
Niciunul
Mecanismul de selectie turnir
Acorda o sansa si celui mai slab individ
Nu respecta distributia de selectie
Nu exista un astfel de mecanism
Este cel mai des folosit mecanism de selectie
Este intotdeauna de tip determinist
Care din urmatoarele afirmatii nu e adevarata pentru modelul generational
Poate inlocui complet generatia curenta
Poate inlocui un singur cromozom din populatia curenta
Nu tine cont de calitatea cromozomilor
Poate inlocui partial generatia curenta
Necesita urmarirea mai multor generatii consecutive
în cadrul unui algoritm din clasa strategiilor evolutive, operaţia de mutaţie: 1. Este utilizată doar în probleme cu constrîngeri; 2. Este efectuată imediat ce este disponibilă o populaţie de copii; 3. Alege pentru mutaţie în medie jumătate de indivizi; 4. Utilizează două multiseturi distincte de copii; 5. Este de tip neuniform (fluaj); 6. Este efectuată o singură dată, după prima etapă de generare a unei populaţii; 7. Este realizată cu probabilitate mică; 8. Este efectuată o singură dată pe parcursul unui algoritm; 9. Determină structura cromozomială; 10. Utilizează populaţia curentă; 11. Este efectuată iterativ.
1,4,5,7
2,5,9,10
1,5,6,8
1,5,9,10
2,5,9,11
În cadrul unui algoritm evolutiv condiţia de terminare: 1. Este obligatorie; 2. Nu este indicată; 3. Include obligatoriu, direct sau indirect, controlul numărului de iteraţii (numărul populaţiilor generate); 4. Nu poate fi implementată; 5. Este utilizată doar în cadrul GA, nu si în cadrul ES.
5
2,3,4
2,4
1,3
1,5
În cadrul strategiei evolutive cu 2 membri (ES2M): 1. Este generată o populaţie iniţială aleator, din distribuţia normală; 2. La fiecare moment al evoluţiei algoritmului este menţinut un singur candidat la soluţie; 3. Populaţiile sînt de dimensiuni mari; 4. Calculul unui termen nou este realizat prin mutaţie gaussiană pentru fiecare componentă a vectorului curent; 5. Sînt rezolvate probleme pe spaţii continue; 6. Fiecare termen este calculat în manieră stochastică; 7. Calculul unui termen nou este realizat prin mutaţie gaussiană pentru o componentă selectată aleator din vectorul curent; 8. Este intentionată cresterea calitătii medii a I I I populaţiei curente; 9. Este garantată obţinerea unui optim global; 1 O.La începutul fiecărei iteraţii este testată dimensiunea populaţiei curente; 11. Sînt creaţi descendenţi obţinuţi din populaţia curentă prin recombinare locală.
2,4,5,6
1,10
2,4,6,9
6,8,11
4,8,11
In algoritmi genetici , reprezentarea prin siruri de numere intregi
Este preferabila pentru problemele de optimizare
Nu poate fi utilizata in cadrul atributelor ordinale
Este preferabila atunci cand pentru fiecare gena sunt posibile mai mult de 2 valori distincte
Nu este utilizata in algoritmi genetici
Este doar un exercitiu de implementare ,nefiind necesara
In algoritmi 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 determinist
Este utilizata in functie de reprezentarea cromozomiala
Intr-un algoritm evolutiv , functia de evaluare
Se alege in functie de dimensiunea populatiei
Este definita pe spatiul unidimensional
Este stabilita de Holland
Este o functie asimptotica
Estimeaza nivelul de adaptare a individului
In cadrul strategiilor evolutive
Mutatia este aplicata cu probabilitate 1
Operatorul de mutatie cel mai utilizar este mutatia prin interschimbare
Reprezentarea este prin vectori binari
Sunt utilizati operatori de recombinare ocx
Nu se permite utilizarea de operatori de mutatie
Tn cadrul unui algoritm genetic opera\ia de selec\ie a supravie\uitorilor: 1. Se aplica asupra popula\iei curen\e; 2. Ln unele varian\e necesita calcularea unei distribu\ii de probabilitate de selec\ie; 3. Utilizeaza in\otdeauna factori aleatori; 4. Alege genera\ia urma\oare dintre indivizii disponibili dupa opera\ia de muta\ie; 5. Lndivizii ale~i sint in\otdeauna fezabili; 6. Uneori utilizeaza fac\ori aleatori; 7. Asigura perpe\uarea individului cu calitate maxima din popula\ia curenta; 8. Duce la cre~terea calita\ii medii a popula\iei curente; 9. Garanteaza ob\inerea unei genera\ii cu cali\ate medie superioara, daca folose~te selec\ia baza\a pe virsta; 1 0.Se aplica ta inceputul fiecarei itera\ii; 11 . Se aplica asupra descenden\ilor ob\inu\i din popula\ia curenta; 12. Se aplica asupra popula\iei curente ~i asupra descenden\ilor ob\inu\i din popula\ia curenta.
4,8,11
1,7
2,4,5,6,12
6,8,11
2,3,4,5,6,11
In cadrul algoritmilor genetici , generatia urmatoare a fost selectata dintre
Descendentii obtinuti din etapa de recombinare
Indivizii generatiei curente si descendentii obtinuti dupa etapa de mutatie
Descendentii generatiei curente
Parintii selectati
Indivizii generatiei curente
Componentele algoritmilor evolut1ve sunt: 1.Reprezentarea 2.Probabilitatea de mutatie 3.Functia de evaluare 4.Probabilitatea de recombinare 5.Populatia 6.Generarea de numere aleatoare 7.Mecanismul de selectie a parintilor 8.Generarea de pe rmutari 9.Re prezentarea grafica a evolutiei calitatiii 10.Operatorii de variatie ll.Stabilirea diversitatii genetice a populatiei 12.Mecanismul de inlocuire a populatiei curente 13.Hillclimbing 14.lnitializarea populatiei 15.Conditia de terminare
2,4,5,9,15
1,3,5,7,10,12,14,15
2,4,6,8,11,13
1,2,5,6,7,14,15
1,3,5,6,10,13,14,15
Tipurile de probleme care pot fi rezolvate pe baza calculului evolutive sunt: 1.Problemele de optimizare 2.Probleme de cautare in spatial solutiilor 3.Prelucrarea datelor de dimensiune mare (big-data) 4.Probleme de modelare d S.Prebleme de validare a dateler 6.Probleme de simulare 7.Alecarea dinamica a dateler in memeria calculaterului 8.Deplasarea autenema a vehiculeler
1,4,6
2,4,6,8
2,4,6
2,3,4
1,3,5,7
Algoritmul Hillclimbing: 1.Se aplica asupra unui singur punct din spatial de cautare 2.Aplicarea se poate repeta pentru mai multe puncte pentru a creste performantele 3.Este inspirat din tehnicile de alpinism 4.Gaseste intotdeauna solutia optima S.Gaseste uneori solutia optima 6.Calculele se incheie atunci cand temperature sistemului devine 0 7.De obicei gaseste un punct de optim local 8.Se utilizeaza numai pentru reprezentarea cu siruri de numere reale
1,2,5,7
1,4,6,7
1,2,4,7
3,4,6,8
1,5,7,8
Care din următoarele metode pot fi folosite în cadrul algoritmilor memetici pentru a îmbunătăti informatia în interiorul unei ' ' populaţii: 1. recursivitate; 2. hillclimbing; 3. Divide et impera; 4. Strategie evolutivă cu doi membri; 5. backtracking; 6. Metode exacte; 7. Metode euristice; 8. Validarea datelor; 9. Metoda gradientului; 1 O. 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
{"name":"PEAG", "url":"https://www.quiz-maker.com/QPREVIEW","txt":"Tn 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. I nfluenteaza calitatea solutiei furnizate., In cadrul unui algoritm evolutiv condi1ia de terminare: 1. Este obligatorie; 2. Nu este indicata; 3. Include obligatoriu, direct sau indirect, controlul numarului de itera1ii (numarul popula1iilor generate); 4. Nu poate fl implementata; 5. Este utilizata doar in cadrul GA, nu ~i in cadrul ES., Tn cadrul strategiei evolutive cu 2 membri (ES2M): 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 g~obal; 1 O.La inceputul flecarei iteratii este testata dimensiunea , populatiei curente; 11 . Sint creati descendenti obtinuti din populatia curenta prin recombinare locala.","img":"https://www.quiz-maker.com/3012/images/ogquiz.png"}