مروری بر مطالب
مقدمه و تاریخچه
روند الگوریتمهای ژنتیک
مزایا و معایب الگوریتمهای ژنتیک
پارامترهای کنترل
حل TSP با استفاده از GA
جمعبندی
•مقدمه و تاریخچه
GA بعنوان دستهای از الگوریتمهای تکاملی
ابداع توسط آقای John Holland در سال 1975 در میشیگان
شبیهسازی روند GA بر اساس روند تکاملی طبیعت
پایهگذاری بر اساس نظریه آقای چارلز داروین
روشی برای جستجو در فضاهای بزرگ
کاربرد در مسائل بهینهسازی
مقدمه:
الگوریتم ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کند.
الگوریتم ژنتیک یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند.
الگوریتم ژنتیک برای مسائل جستجو و بهینه سازی بکار برده می شود.
هنگامی که لغت تنازع بقا به کار میرود اغلب بار ارزشی منفی آن به ذهن میآید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قویتر!
طبیعت مناسب ترینها (Fittest) را انتخاب می کند نه بهترینها.
قانون انتخاب طبیعی:
قانون انتخاب طبیعی بدین صورت است که تنها گونههایی از یک جمعیت ادامه نسل می دهند که بهترین خصوصیات را داشته باشند و آنهایی که این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می روند.
طبیعت با بهره گیری از یک روش بسیار ساده(حذف تدریجی گونههای نامناسب و در عین حال تکثیر بالاتر گونه های بهینه) توانسته است دائما هر نسل را از لحاظ خصوصیات مختلف ارتقا بخشد. البته این روش به تنهایی برای رسیدن به تکامل کافی نیست(حد اقل در مورد آنچه که در طبیعت وجود دارد). وجود فرآیندی به نام "جهش (Mutation)" نیز لازم است.
الگوریتم های ژنتیک و تنازع بقا :
قانون انتخاب طبیعی :
تنها گونه هایی از یک جمعیت ادامه نسل می دهند که بهترین خصوصیت را داشته باشند.
تکامل طبیعی :
جستجوی کورکورانه (تصادف)+بقای قوی تر
مقایسه روش های کلاسیک ریاضیات با الگوریتم ژنتیک:
روشهای کلاسیک ریاضیات دارای دو اشکال اساسی هستند:
اغلب این روشها نقطه بهینه محلی(Local Optima) را بعنوان نقطه بهینه کلی در نظر می گیرند
روشهای ریاضی بهینهسازی اغلب منجر به یک فرمول یا دستورالعمل خاص برای حل هر مسئله میشوند. در حالی که روشهای هوشمند دستورالعملهایی هستند که به صورت کلی میتوانند در حل هر مسئلهای به کار گرفته شوند. این نکته را پس از آشنایی با خود الگوریتم بیشتر و بهتر خواهید دید.
فایل پاورپوینت 54 اسلاید