نوع فایل: power point

قابل ویرایش 12 اسلاید

قسمتی از اسلایدها:
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.

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.

فهرست مطالب و اسلایدها:

تعریف

عملگرهای ژنتیکی، برای تولید فرزندان

نحوه کار الگوریتم ژنتیک

پارامترهایی که باید تنظیم شوند

بررسی یک مثال: بازی برداری

شرح مساله

سعی و خطای تصادفی

راه حل

فهرست منابع

منابع و مأخذ:

Efraim Turban, Jay E. Aronson, “Decision Support Systems and Intelligent Systems”. Sixth Edition, Prentice Hall, 2000. Chapter 16.