An introduction to genetic algorithms
•Télécharger en tant que PPT, PDF•
1 j'aime•1,403 vues
An introduction to genetic algorithms
Recommandé
Contenu connexe
Similaire à An introduction to genetic algorithms
Similaire à An introduction to genetic algorithms (9)
Plus de Hamideh Iraj
Plus de Hamideh Iraj (20)
An introduction to genetic algorithms
- 1. الگوريتم ژنتيك )(Genetic Algorithms استاد راهنما: جناب آقاي دكتر فيلي ارائه دهنده: حميده ايرج
- 2. به نام خدا
- 3. ri s ti c ch He u or tw Ne al ur Ne ks Machine Learning Se ar s cA lg o ri t hm et i Intelligent Systems gic Lo zzy Fu Ge n Expert Systems
- 4. تاريخچه الگوريتيم ژنتييك جزو شاخيه خاصيي از هوش مصينوعي بيا نام ”محاسيبات تكاملي“ ) (Evolutionary Computingاست. ايده محاسيبات تكامليي اوليين بار در اثير Rechenbergدر سيال 0691 با عنوان " "Evolution strategiesمعرفي شد. الگوريتيييم هاي ژنتيكيييي را معرفيييي كرد و كتاب John Holland " Adaptation in Natural and Artificial Systemsرا در سال "5791 به .دناسر پاچاپ رساند John R. Kozaدر سال 2991 .Genetic Programmingرا مطرح نمود
- 5. زمينه زيست شناسي ايده تكامل داروين: افراد يك جمعيت به سمت تطابق بيشتر با محيط اطراف خود تكامل مي يابند.افرادي كه بهتر بتوانند خود را با محيط اطراف خود سيازگار كننيد، شانيس بيشتري براي اداميه حيات خواهند داشت. اطلعات هير نسيل توسيط كروموزوهيا بيه نسيل بعيد منتقيل مي شود. كروموزومهيا رشتيه هاي DNAهسيتند كيه بيه واقيع مدليي از يك ارگانيسم طبيعي هستند. هر كروموزوم متشكل از ژنهاست. هر ژن بيانگر يك رفتار يا خصوصيت فرد مانند رنگ دناسر پاچشم است.
- 6. جستجودر فضاي حالت اشكال هاي روشهای كلسيك رياضيات: اغلب اين روشها نقطه بهينه محلی را به عنوان نقطه بهينه كلی در نظر میگيرند. هر يك از اين روشها تنها برای مساله خاصی كاربرد دارند.
- 7. انواع الگوريتم هاي هيوريستيك الگوريتماهايي كه بر ويژگياهاي ساختاري مسئله و ساختار جواب متمركز ه ه ميوشوند و با استفاده از آنها الگوريتماهاي سازنده يا جستجوي محلي تعريف ه ه ميكنند. ه الگوريتماهايي كه بر اهدايت اهيوريستيك يك الگوريتم سازنده يا جستجوي ه محلي متمركز ميوشوند به گونهاي كه آن الگوريتم بتواند بر وشرايط حساس ه ه )مانند فرار از بهينه محلي( غلبه كند. به اين الگوريتماها، متااهيوريستيك ه گفته ميوشود. ه الگوريتماهايي كه بر تركيب يك چارچوب يا مفهوم اهيوريستيك با گونهاهايي ه ه از برنامهريزي رياضي )معموال رووشهاي دقيق( متمركز ميوشوند. ه ر ً ه
- 8. الگوريتماهاي متااهيوريستيك ه (Simulated Annealing(SA بازپخت وشبيهسازي وشده ه جستجوي ممنوع ( Tabu Search(TS الگوريتم ژنتيك Genetic Algorithms ه وشبكهاهاي عصبي مصنوعيArtificial Neural Networks ه (Ant Colony Optimization(ACO بهينهسازي مورچهاي ه ه
- 9. چند نمونه از مسائل NP مسئله سيكل اهاميلتوني )(Hamiltonian Cycle مسئله فرووشنده دوره گرد )(Traveling Salesman Problem مسئله -Nوزير )(N-Queen Problem مسئله كوله پشتي )(Knapsack Problem مسئله ضايعات برش دوبعدي )(2D Cutting Stock Problem مسئله رنگ آميزي گراف )(Graph Coloring مسئله زمانبندي كلسي )(Time Tabling Problem
- 10. ساختار كلي الگوريتم هاي ژنتيكي
- 11. Coding كروموزومها به نحوي بايد حاوي اطلاعات جوابي باشند كه نمايانگر آن هستند. روشي كه اغلب بكار برده ميشود، نمايش دودوئي است. شبيه كروموزومهاي زير: 0110110010011011 1 Chromosome 0111100001111011 2 Chromosome روشهاي ديگري نيز براي نمايش كروموزومها بسته به مسئله مورد حل وجود دارد .
- 12. Crossover One - point crossover Parent 1 11011|00100110110 Parent 2 11011|11000011110 child 1 child 2 11011|11000011110 11011|00100110110
- 13. Crossover Two - point crossover Parent 1 11011|00100|110110 Parent 2 11011|11000|011110 child 1 child 2 11011|11000|110110 11011|00100|011110
- 14. Crossover Uniform crossover Parent 1 1 0 1 1 1 0 1 Parent 2 1 1 0 0 1 1 0 Template 0 1 1 0 0 1 0 child 1 child 2 1010100 1101111
- 16. Replacement در اين مرحله كروموزوم هايي كه با crossoverو mutationبهبود يافته اند جايگزين كروموزوم هاي Parentمي شوند. به همين ترتيب بهبود مي يابند و اين چرخه تا زماني ادامه پيدا مي كند تا به جواب بهينه برسيم.
- 17. Traveling Salesman Problem مساله فروشنده دوره گرد به اين شکل است که می خواهيم در يک تعداد شهر دوری پيدا کنيم که از هر شهر دقيقا يک بار عبور کند و در پايان به شهر آغازين بازگردد به طوری که طول دور مينيمم باشد.
- 18. تفاوت با مساله VRP
- 19. Crossover ( Partially matched crossover (PMX Parent 1 9 8 4 | 5 6 7 |1 3 2 10 Parent 2 8 7 1 | 2 3 10 | 9 5 4 6 child 1 child 2 9 8 4 | 2 3 10 |1 6 5 7 8 10 1 | 5 6 7 | 9 2 4 3
- 20. Crossover ( Cycle crossover (CX Parent 1 9 8 2 1 7 4 5 10 6 3 Parent 2 1 2 3 4 5 6 7 8 9 10 child 1 child 2 9 2 3 1 5 4 7 8 6 10 1 8 2 4 7 6 5 10 9 3
- 21. Crossover Order Based crossover Parent 1 A B C D E F G Parent 2 E B D C F G A Template 0 1 1 0 0 1 0 child 1 child 2 EBCDGFA ABDCEGF
- 22. از توجه شما متشكرم