# Выбор лучших кандидатов для скрещивания
sorted_indices = np.argsort(fitness_values)
best_candidates = [population[i] for i in sorted_indices[:population_size // 2]]
# Создание новых кандидатов с помощью скрещивания и мутации
new_candidates = []
for _ in range(population_size // 2):
parent1 = random.choice(best_candidates)
parent2 = random.choice(best_candidates)
child = crossover(parent1, parent2)
if np.random.rand() < 0.5:
child = mutation(child)
new_candidates.append(child)
# Замена худшей части популяции на новых кандидатов
population = replace_worst_part(population, new_candidates)
# Вывод лучшего результата
best_solution = population[np.argmin([network_load(tasks_distribution) for tasks_distribution in population])]
print("Лучшее распределение задач:", best_solution)
print("Приспособленность:", network_load(best_solution))
Результатом решения задачи будет оптимальное распределение задач между серверами сети, минимизирующее общую нагрузку на сеть и время выполнения задач.
Вывод программы будет содержать лучшее распределение задач и значение приспособленности этого распределения, которое представляет собой сумму нагрузки на всех серверах. Благодаря использованию алгоритма оптимизации с искусственным иммунитетом, мы получим результат, который приближен к оптимальному, учитывая ограничения и цели задачи.
Например, вывод программы может выглядеть следующим образом:
```
Лучшее распределение задач:
[[20 15 10 25 30]
[10 25 20 30 15]
[30 20 25 10 15]]
Приспособленность: 190
```
Это означает, что лучшее распределение задач состоит из трех серверов, на которых выполнены задачи с различной нагрузкой. Общая нагрузка на сеть, вычисленная как сумма нагрузок на каждом сервере, равна 190.
Алгоритм оптимизации с искусственным иммунитетом моделирует работу иммунной системы, используя понятия иммунных клеток, антигенов и антител. В контексте задачи оптимизации ресурсов в сети, этот алгоритм создает итеративные популяции кандидатов, где каждый кандидат представляет собой потенциальное распределение задач между серверами.
Процесс работы алгоритма включает следующие шаги:
1. Инициализация популяции: Начальная популяция кандидатов создается с помощью случайного распределения задач между серверами.
2. Оценка приспособленности: Каждый кандидат в популяции оценивается на основе целевой функции, которая вычисляет общую нагрузку на сеть. Чем меньше нагрузка, тем лучше приспособленность кандидата.
3. Применение операторов мутации и скрещивания: Операторы мутации и скрещивания используются для создания новых кандидатов путем изменения или комбинирования свойств текущих кандидатов.
4. Замена худшей части популяции: Часть худших кандидатов в популяции заменяется новыми кандидатами на основе принципов иммунной системы. Это позволяет сохранять разнообразие в популяции и избегать застревания в локальных оптимумах.
Конец ознакомительного фрагмента.
Текст предоставлен ООО «Литрес».
Прочитайте эту книгу целиком, купив полную легальную версию (https://www.litres.ru/chitat-onlayn/?art=70369546&lfrom=174836202&ffile=1) на Литрес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
