بهترین کتاب آموزش الگوریتم ژنتیک همراه با مثال های متعدد به زبان متلب
فرمت فایل دانلودی: .zipفرمت فایل اصلی: pdf
تعداد صفحات: 108
حجم فایل: 2612
قیمت: 20000 تومان
بخشی از متن:
بهترین کتاب آموزشی الگوریتم ژنتیک
انواع الگوریتم های ژنتیکی
الگوریتم های ژنتیک که نمونه اولیه آن توسط هالند در سال 1975 ارائه شد، تکامل طبیعی را در سطح ژن و کروموزوم شبیه سازی می کنند. عملکرد غالب در تولید نسل جدید، پیوند کروموزوم هاست، گرچه جهش در ژن ها نیز به عنوان یک عملکرد ثانوی به کار می رود.
انواع بسیاری برایGA شناخته شده است که در اینجا به تعدادی از آنها اشاره می کنیم :
-1 الگوریتم ژنتیک سری[1]
-2 الگوریتم ژنتیک موازی[2]
-3 الگوریتم ژنتیک آشفته [3]
-4 الگوریتم ژنتیک هیبرید [4]
-5 الگوریتم ژنتیک خودسازمان[5]
-6 الگوریتم ژنتیک زایشی [6]
-7 الگوریتم ژنتیک حالت دائمی [7]
1-1-1-1-1 الگوریتم ژنتیکی سری
الگوریتم ژنتیک سری همان الگوریتم ژنتیک معمولی است که در مقابل نوع موازی سری نام گرفته است.
تکامل یک پروسه بهینه سازی مبتنی بر تغییرات تصادفی تدریجی نمونه های مختلف در یک جمعیت و انتخاب اَحسن آنهاست. با مدل سازی این پروسه می توان یک تکنیک بهینه سازی آماری را به دست آورد که امروزه در مسائل پیچیده مختلف و بخصوص مسائل طراحی، کارائی خود را نشان داده است. در الگوریتم ژنتیک به عنوان یکی از الگوریتم های تکاملی، اثر کدهای ژنتیکی در ترکیب و انتقال اطلاعات و همچنین
فرآیند انتخاب طبیعی بر اساس سازگاری موجود با شرایط زیست محیطی مدلسازی است. در این الگوریتم نمونه هایی که در پروسه تکاملی قرار می گیرند، جوابهای مختلف در فضاهای جواب هستند متناظر هر جواب (نقطه در فضای جواب)، یک نمونه ژنتیکی (Genotype) به صورت یک رشته از کاراکترها (ژن ها)، نسبت داده می شود.
الگوریتم ژنتیک در هر تکرار محاسباتی (نسل)روی جمعیتی از رشته ها عمل می کند.
تغییرات تصادفی روی مجموعه نمونه ها، از طریق اعمال مدلهای ایدهآل فرآیندهای ژنتیکی روی رشته ها انجام می شود، اما انتخاب طبیعی براساس نمود رفتاری (Phenotype) هر رشته انجام می شود. بدین مفهوم که رشته ها رمزگشایی می شوند و جوابهای مختلف از نظر عملکرد بر اساس تابع هدف ارزیابی شده و انتخاب، بر مبنای این ارزیابی و تصادف انجام می شود.
1-1-1-1-2- الگوریتم ژنتیکی موازی
تا کنون دو مدل اصلی در الگوریتم ژنتیک موازی مطرح گشته است:
مدل جزیرهای [8]
مدل همسایگی [9]
در مدل جزیره ای چندین زیرجمعیت مجزّا مطابق با الگوریتم ژنتیک معمولی تکامل می یابد و هر از چند گاهی زیر جمعیت های همسایه، بهترین کروموزوم یکدیگر را معاوضه می کنند.
در مدل همسایگی یک مدل منفرد تکامل می یابد. هر کروموزوم این جمعیت در یک سلول از یک شبکه مشبک قرار دارد و الگوریتم ژنتیک سری، به صورت مجزا به هر سلول و همسایگانش که بر حسب شعاع همسایگی مشخص می شوند، اعمال می گردد. شبکه به صورت تروید[10] در نظر گرفته می شود تا از اثرات
مرزی اجتناب گرد.
مقایسه ای بین رفتار این الگوریتم با الگوریتم های معمولی نشان می دهد که مدل همسایگی به خاطر مکانیزیم انتخاب محلی که از فشار انتخاب می کاهد، کاوش دقیق تری را در فضای جستجو فراهم می سازد. از این جهت در مسائل ساده تر بدون بهبودی در عملکرد روش، تنها بار محاسباتی اضافی تر تحمل می گردد. ولی مسائل مشکل تر از این طریقه جستجو سود خواهد برد.
شعاع همسایگی مناسب نیز به مسأله مورد حل بستگی دارد و حتی همسایگی های کوچک به شعاع یک یا دو، انتخابی مقاوم و اطمینان از رفتاری خوب را فراهم می سازند.
مطالعۀ دیگر انواع GA به خوانندة محترم واگذار می شود که با مراجعه به منبع [ 1 ] می تواند اطلاعات
کافی و مناسبی دریافت کند.[1] Sequential GA
[2] Parallel GA
[3] Messy GA
[4] Hybrid GA
[5] Adaptive GA
[6] Generational GA
[7] Steady State GA
[8] Island Model
[9] Find Grained Model
[10] Triode
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.