فایل دانلودی حاوی یک فایل پاورپوینتی قابل ویرایش میباشد.
فهرست مطالب فایل دانلودی:
الگوریتم ژنتیک
ایده کلی
فضای فرضیه
ویژگیها
کاربر دها
زیر شاخه های EA
الگوریتم های ژنتیک
پارامترهای GA
الگورتیم
نحوه ایجاد جمعیت جدید
نمایش فرضیه ها
مثال: نمایش قوانین If-then rules
نمایش فرضیه ها: ملاحظات
اپراتورهای ژنتیکی Crossover :
Single-point crossover
روشهای دیگر Crossover
اپراتورهای ژنتیکی Mutation :
Crossover OR mutation?
تابع تناسب
انتخاب فرضیه ها
نحوه جستجو در فضای فرضیه
Crowding
راه حل رفع مشکل Crowding
چرا GA کار میکند؟
ارزیابی جمعیت و قضیه Schema
قضیه Schema
Schema Theorem
خلاصه
تفاوت GA با سایر روشهای جستجو
مثالی از کاربرد الگوریتم ژنتیک
مقدمه
چینش کنونی حروف فارسی بر روی صفحه‌کلید
مساله
الگوریتم ژنتیک
جمعیت
تابع تناسب
عملگرهای ژنتیکی
کارایی
بهترین چینش
مدلهای تکامل
Lamarckian evolution
Baldwin Effect
اجرای موازی الگوریتم های ژنتیک
Evolving Neural Networks
مراجع
Genetic Programming
نمایش برنامه ها
اپراتور crossoverبرای GP
مثال
مثال : طراحی فیلتر



قسمتی از متن
الگوریتم ژنتیک
 الگوریتم ژنتیک روش یادگیری بر پایه تکامل بیولوژیک است.
 این روش در سال 1970 توسط John Holland معرفی گردید
 این روشها با نام Evolutionary Algorithms نیز خوانده میشوند.
ایده کلی
 یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن را تولید میکند.
 هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار میگیرد.
 آنگاه تعدادی از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند. که اینکار باعث تکامل راه حلها میگردد.
 بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب برسد
 در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل نماید.
فضای فرضیه
 الگوریتم ژنتیک بجای جستجوی فرضیه های general-to specific و یا simple to complex فرضیه ها ی جدید را با تغییر و ترکیب متوالی اجزا بهترین فرضیه های موجود بدست میاورد.
 در هرمرحله مجموعه ای از فرضیه ها که جمعیت (population) نامیده میشوند از طریق جایگزینی بخشی از جمعیت فعلی با فرزندانی که از بهترین فرضیه های موجود حاصل شده اند بدست میآید.
ویژگیها
الگوریتم های ژنتیک در مسائلی که فضای جستجوی بزرگی داشته باشند میتواند بکار گرفته شود.
 همچنین در مسایلی با فضای فرضیه پیچیده که تاثیر اجزا آن در فرضیه کلی ناشناخته باشند میتوان از GA برای جستجو استفاده نمود.
 برای discrete optimizationبسیار مورد استفاده قرار میگیرد.
 الگوریتم های ژنتیک را میتوان براحتی بصورت موازی اجرا نمود از اینرو میتوان کامپیوترهای ارزان قیمت تری را بصورت موازی مورد استفاده قرار داد.
 امکان به تله افتادن این الگوریتم در مینیمم محلی کمتر از سایر روشهاست.
 از لحاظ محاسباتی پرهزینه هستند.
 تضمینی برای رسیدن به جواب بهینه وجود ندارد.
Parallelization of Genetic Programming
 در سال 1999 شرکت Genetic Programming Inc. یک کامپیوتر موازی با 1000 گره هر یک شامل کامپیوتر های P2, 350 MHZ برای پیاده سازی روش های ژنتیک را مورد استفاده قرار داد.
کاربر دها
 کاربرد الگوریتم های ژنتیک بسیار زیاد میباشد
 optimization,
 automatic programming,
 machine learning,
 economics,
 operations research,
 ecology,
 studies of evolution and learning, and
 social systems
زیر شاخه های EA
روش های EA به دو نوع مرتبط به هم ولی مجزا دسته بندی میشوند:
1. Genetic Algorithms (GAs)
در این روش راه حل یک مسئله بصورت یک bit string نشان داده میشود.
2. Genetic Programming (GP)
این روش به تولید expression trees که در زبانهای برنامه نویسی مثل lisp مورد استفاده هستند میپردازد بدین ترتیب میتوان برنامه هائی ساخت که قابل اجرا باشند.

---

برچسب ها: الگوریتم های ژنتیک ژنتیک الگورتیم نحوه ایجاد جمعیت جدید نمایش فرضیه ها تابع تناسب چرا GA کار میکند؟ ارزیابی جمعیت و قضیه Schema قضیه Schema Schema Theorem الگوریتم ژنتیک جمعیت تابع تناسب عملگرهای ژنتیکی کارایی بهترین چینش