بخشی از پاورپوینت

--- پاورپوینت شامل تصاویر میباشد ----

اسلاید 1 :

الگوریتم ژنتیکی، رویه ای تکراری است که راه حل های انتخابیش را بصورت رشته ای از ژنها که کروموزوم نامیده می شوند، بازنمایی می کند.

موفقیت آنها را با تابع fitness اندازه می گیرد.

تابع fitness میزان نزدیکی به هدف را محاسبه می کند.

در هر تکرار الگوریتم، (مانند سیستم های بیولوژیکی) راه حلهای انتخابی، برای تولید فرزند (که generation نامیده می شوند) ترکیب می شوند.

والدین نسل بعدی، با توجه به fitness والدین و فرزندان نسل قبل، از بین آنها انتخاب می شوند.

خود فرزندان نیز می توانند به عنوان راه حل انتخاب شوند.

اسلاید 2 :

Reproduction: از طریق این عملگر، الگوریتمهای ژنتیکی، نسل جدیدی از راه حلهای بهبودیافته را با انتخاب والدینی که بالاترین fitness را دارند تولید می کنند.

Crossover: با توجه به اینکه الگوریتمهای ژنتیکی  از رشته هایی از نمادهای باینری برای کروموزومها استفاده می کنند، crossover به معنی انتخاب موقعیتی تصادفی در رشته و تعویض بخشهای چپ و راست این نقاط با رشته دیگر برای تولید دو فرزند جدید می باشد.

Mutation: تغییر دلخواه در موقعیت است. رویه تغییر یک به صفر و یا صفر به یک می باشد و با احتمال خیلی کم (1000/1) رخ می دهد.

اسلاید 3 :

بازنمایی شرح مساله به نحوی که بتواند از طریق الگوریتم ژنتیکی حل شود: بازنمایی راه حل، بصورت رشته ای از صفر و یک ها.

تولید مجموعه اولیه جوابها و محاسبه fitness آنها.

محاسبه مجموع تابع fitness

محاسبه احتمال اینکه هر راه حل برای تولید فرزندان انتخاب شود: تقسیم تابع fitness آن به مجموع

انتخاب والدین

تولید فرزندان از طریق crossover یا (با احتمال کم) mutation

نسل جدید شامل مجموعه ای از بهترین فرزندان و والدین می باشد.

فرایند آنقدر ادامه می یابد تا اینکه راه حل بهینه حاصل شود و یا اینکه در چندین نسل بهبود نداشته باشیم.

اسلاید 4 :

این پارامترها بستگی به مساله داشته و غالبا از طریق سعی و خطا بدست می آیند:

lتعداد جوابهای اولیه که تولید می شوند.

lتعداد فرزندان

lتعداد فرزندان و والدینی که برای تولید نسل بعد استفاده می شوند.

lاحتمال mutation

lتوزیع احتمال رخداد نقطه crossover

اسلاید 5 :

این بازی در برابر حریفی انجام می شود که بطور secret رشته ای 6 رقمی می نویسد. (شامل کروموزومها)

هر رقم، صفر یا یک است. (به عنوان مثال: 001010)

باید این عدد را حدس بزنید.

عددی را که حدس زده اید به حریف ارائه می کنید.

او می گوید که چند رقم از آن صحیح است. (تابع fitness)

با تفسیر آن حدس بعدی ارائه می شود.

اسلاید 6 :

وقتیکه 6 رقم داریم، 64 حدس مختلف میتوانیم داشته باشیم.

با انتخاب عدد بطور تصادفی، بطور میانگین بعد از 32 حدس به جواب صحیح می رسیم.

با استفاده از فیدبک و تفسیر آن (الگوریتم ژنتیکی) این کار تسریع می شود.

اسلاید 7 :

قدم اول: 4 رشته تصادفی به حریف ارائه کنید:

.A110100، score=1

.B111101، score=1

.C011011، score=4

.D101100، score=3

قدم دوم: A و B را به علت امتیاز پایینشان حذف کنید و c و D را به عنوان والدین انتخاب کنید.

قدم سوم: والدین را پس از شکستن هر یک بین ارقام دوم و سوم، ترکیب کنید.

.C01:1011

.D10:1100

.E011100، score=3

.F101011، score=4

اسلاید 8 :

  • به نظر می رسد که فرزندان بهتر از والدین نباشند. قدم چهارم: والدین را بین ارقام چهارم و پنجم بشکنید و ترکیب کنید

.C0110:11

.D1011:00

.G011000، score=4

.H101111، score=3

  • حال قدم دوم را تکرار کنید: بهترین زوج را از تمام حلهای قبلی برای تولید مجدد انتخاب کنید. به عنوان نمونه G و F را انتخاب کرده و فرزندان زیر تولید می شوند:

.F1:01011

.G0:11000

.I111000، score=3

.J001011، score=5

 

 

 

 

 

اسلاید 9 :

و تولیدات زیر:

.F101:011

.G011:000

.K101000، score=4

.L011011، score=4

  • فرایند را با J و K تکرار کنید:

.J00101:1

.K10100:0

.M001010، score=6

  • M عدد مورد نظر است و پس از 13 حدس بدست آمده است.

اسلاید 10 :

  • Efraim Turban, Jay E. Aronson, “Decision Support Systems and Intelligent Systems”. Sixth Edition, Prentice Hall, 2000. Chapter 16.
در متن اصلی پاورپوینت به هم ریختگی وجود ندارد. برای مطالعه بیشتر پاورپوینت آن را خریداری کنید