Kostenfunctie
De som van de gewichten van de geschonden constraints plus de wijzigingskosten. Een harde schending kost 1 + alle zachte gewichten samen, zodat hard altijd voor zacht gaat. Bij een tweede doel: kosten × schaal + doelwaarde.
Het Radio Link Frequency Assignment Problem: geef honderden radioverbindingen elk een frequentie, zodat verbindingen die dicht bij elkaar liggen elkaar niet storen. Dit project lost de elf klassieke CELAR-instanties op met een memetisch genetisch algoritme dat de hele populatie tegelijk op de GPU doorrekent. Hieronder draait dezelfde logica, naar JavaScript geport, in je browser.
Kies een instantie; de instellingen springen naar de aanbeveling uit de handleiding voor dat doel. Het algoritme rekent in een Web Worker op één CPU-thread, met een populatie van honderden in plaats van tienduizenden. Toch haalt scen10 hier binnen 20 seconden de beste bekende waarde (31.516) en scen04 het optimum van 46 frequenties; de andere instanties komen minder ver dan op de GPU. Er gaat niets naar een server.
Met een tweede doel is de fitness schendingskosten × schaal + doelwaarde; een geldige oplossing kost precies het aantal frequenties of de grootste frequentie. Verticale streepjes: herstart.
Het oordeel over de beste oplossing verschijnt tijdens de run.
| Onderdeel | Aantal | Gewicht | Bijdrage |
|---|---|---|---|
| Nog geen run. | |||
Beide bestanden hebben het formaat van celar_ui.py: het parameterbestand laad je daar met Laad parameters om de run op de GPU te herhalen.
| Variabelen | Verschil, eis | Klasse |
|---|---|---|
| Nog geen run. | ||
Een militair radionetwerk bestaat uit honderden verbindingen. Elke verbinding krijgt een frequentie uit een eigen domein van toegestane waarden. Twee soorten constraints koppelen paren verbindingen, steeds over het verschil van hun frequenties:
|fx − fy| > k dichtbij: genoeg afstand |fx − fy| = k heen/terug: vaste afstand
Alleen de eerste soort maakt het probleem al NP-moeilijk: het bevat het kleuren van grafen. De Franse defensie-organisatie CELAR stelde in het Europese project CALMA elf instanties beschikbaar, afgeleid van een echt netwerk. Ze zijn sindsdien een standaardbenchmark voor genetische algoritmen, tabu search, simulated annealing en exacte methoden.
Een instantie is een map met vier tekstbestanden: var.txt (verbindingen, met eventueel een bestaande frequentie en hoe duur wijzigen is), dom.txt (domeinen), ctr.txt (constraints met een gewichtsklasse 0–4) en cst.txt (het doel en de gewichten a1–a4, b1–b4).
a1·n1 + … + a4·n4b1–b4, 280 liggen vast| Instantie | Var. | Constr. | Doel | Beste bekend |
|---|
Bron: celar.blurb (Thomas Schiex, 1998). * = bewezen optimaal.
Een individu is een rij genen: per verbinding de index van zijn frequentie in zijn domein. Daardoor is elke combinatie van twee ouders altijd een geldige toewijzing. De hele populatie staat als één matrix op de GPU; elke operator werkt op alle individuen tegelijk, zonder Python-lus over individuen of variabelen.
tk individuenDe som van de gewichten van de geschonden constraints plus de wijzigingskosten. Een harde schending kost 1 + alle zachte gewichten samen, zodat hard altijd voor zacht gaat. Bij een tweede doel: kosten × schaal + doelwaarde.
De constraintgraaf wordt met een BFS-golf vanuit willekeurige zaden in aaneengesloten blokken verdeeld; elk blok komt van één ouder. Een gen dat in die ouder een harde constraint schendt, komt van de andere. beste op scen06–08
Muteer alleen variabelen die schenden, met een kans evenredig met penaltye. Bij scen07 lopen de gewichten van 1 tot 10⁶; met exponent 0,35–0,4 krijgen lichte schendingen ook een beurt.
Een gemuteerd gen krijgt niet een willekeurige waarde, maar de goedkoopste uit zijn domein gegeven de huidige frequenties van zijn buren. Op de GPU: een tensor (mutaties × domein × constraints).
Voert steeds de beste zet uit over alle conflicterende variabelen en waarden, ook als die slechter is. Terugkeren naar de oude waarde is een tijd verboden, behalve bij een nieuw record (aspiratie).
Verplaatst een schendende variabele naar zijn beste andere waarde en "eject" dan een buur die daardoor in conflict komt, enzovoort. Vindt gekoppelde wijzigingen die één mutatie niet vindt. beste resultaten
Voor het tweede doel: verhuis variabelen van zelden gebruikte naar vaak gebruikte frequenties (of naar lagere), zonder nieuwe schendingen. Zo loopt de zeldzaamste frequentie leeg. Gulzig, dus kan blijven steken.
Bij scen07 lag de uitkomst van een poging rond generatie 40 vast (rangcorrelatie +0,98 met het eind). Een poging die dan meer dan 2× boven de beste eerdere staat, wordt afgebroken: ~1,8× minder generaties.
Beste eigen resultaat per instantie, met celar_ga.py op de GPU (populatie 12.000–20.000, 20 seconden tot 11 minuten per run), tegenover de beste bekende waarde uit de literatuur. Bij de kosteninstanties (scen06–10) zit het algoritme binnen 3,2% van het beste bekende resultaat, behalve scen08. Bij het minimaliseren van het aantal frequenties is de afstand groter: daar is de gulzige frequentie-zoekstap de zwakke plek.
| Instantie | Doel | Eigen resultaat | Beste bekend | Verschil |
|---|
Op scen07 gaf dezelfde instelling met seed 13, 15 en 14 respectievelijk 0,61, ongeveer 1,6 en ongeveer 3 miljoen. Vergelijk instellingen daarom op de verdeling van de pogingen (mediaan, aandeel onder een drempel), niet op het beste getal.
Bij scen07 kost één a1-schending 10⁶. In de eerste herstartrun eindigden 9 van de 11 pogingen daarboven; gepoold over 33 pogingen kwam ongeveer 6% eronder. Pas daaronder gaat het om de 34 a2-schendingen van het optimum.
De doorbraak op scen07 (van 4,7 miljoen naar 395.741) kwam met de ejection chain en herstart bij stagnatie, zonder tabu. Daarna is die combinatie de basis geworden voor alle andere instanties.
Het project bestaat uit celar_ga.py (het algoritme, ook als command line) en celar_ui.py (een Streamlit-interface met dezelfde instellingen als hierboven, live grafieken, kostenopbouw en downloads). Nodig: Python met numpy, torch en streamlit; voor de GPU een PyTorch met CUDA.
# interface pip install streamlit numpy torch streamlit run celar_ui.py # of direct, bijvoorbeeld scen07 python celar_ga.py CELAR/scen07 --device auto \ --pop 12000 --gens 1300 --tk 3 --elite 3 \ --gerichte-mutatie --gewogen-mutatie --gewicht-exponent 0.4 \ --blokken-crossover --aantal-blokken 11 \ --ejectie --ec-starts 16 --ec-diepte 9 \ --herstart --herstart-na 22
De oplossing komt in oplossing.txt, per regel variabele frequentie.
| celar_ga.py | Browser | |
|---|---|---|
| Rekenen | PyTorch, hele populatie als tensor | JavaScript, per individu, één thread |
| Populatie | 12.000–20.000 | 100–400 |
| Crossover | uniform, blokken, fasen, eilanden | uniform, blokken |
| Zoekstappen | tabu, ejection chain, frequentie | dezelfde, met incrementele zetkosten |
| Toeval | torch.Generator | mulberry32: andere getallen bij dezelfde seed |
| Kostenfunctie | identiek: alle opgeslagen Python-oplossingen geven in JavaScript exact dezelfde score | |
Meer details staan in de gebruikershandleiding (instellingen per doel, werkwijze per instantie, problemen oplossen) en de technische documentatie (tensorvormen, geheugen, rekenkosten per operator).