an introduction to genetic algorithms

22
ك ي ت ن م ژ ت ي وژ گ ل ا(Genetic Algorithms) ي ل ي ف ر كت د اي ا!ق" اب ن" ج ما: ن هد ژا ا ي س ا+ رج ي ده ا ي م ح ده: ي ه ه د4 ئ اژا

Upload: hamideh-iraj

Post on 22-Dec-2014

485 views

Category:

Education


4 download

DESCRIPTION

An introduction to genetic algorithms

TRANSCRIPT

Page 1: An introduction to genetic algorithms

ژنتيك الگوريتم(Genetic Algorithms)

: دكتر آقاي جناب راهنما استادفيلي

: ايرج حميده دهنده ارائه

Page 2: An introduction to genetic algorithms

خدا نام به

Page 3: An introduction to genetic algorithms

Expert Systems

Neural N

etworks

Fuzzy LogicG

enet

ic A

lgor

ithm

s

Machine LearningSe

arch

Heu

rist

ic

IntelligentSystems

Page 4: An introduction to genetic algorithms

تاريخچهژنتيك نام الگوريتم با مصنوعي هوش از خاصي شاخه جزو

“ تكاملي” .(Evolutionary Computing)محاسبات است

اثر در بار اولين تكاملي محاسبات سال Rechenbergايده 1960درعنوان ." Evolution strategies"با شد معرفي

John Holland كتاب و كرد معرفي را ژنتيكي هاي الگوريتم"Adaptation in Natural and Artificial Systems "سال در 1975را

. رساند چاپ به

John R. Koza سال مطرح Genetic Programming 1992در رانمود.

Page 5: An introduction to genetic algorithms

شناسي زمينه زيست

: داروين تكامل تطابق ايده سمت به جمعيت يك افراد . كه افرادي يابند مي تكامل خود اطراف محيط با بيشتركنند، سازگار خود اطراف محيط با را خود بتوانند بهتر

. داشت خواهند حيات ادامه براي بيشتري شانسمنتقل بعد نسل به كروموزوها توسط نسل هر اطالعات

. هاي رشته كروموزومها شود به DNAمي كه هستند . هر هستند طبيعي ارگانيسم يك از مدلي واقع . رفتار يك بيانگر ژن هر ژنهاست از متشكل كروموزوم

. است چشم رنگ مانند فرد خصوصيت يا

Page 6: An introduction to genetic algorithms

حالت فضاي جستجودر

كالسيك روش هاي اشكال های:رياضيات

روش اين محلی اغلب بهينه نقطه هاب نظر ه را در كلی بهينه نقطه عنوان

.گيرند می

روش اين از يك برای هر تنها ها. دارند كاربرد خاصی مساله

Page 7: An introduction to genetic algorithms

هيوريستيك انواع هاي الگوريتم

ساختار و مسئله ساختاري ويژگي هاي بر كه الگوريتم هاييالگوريتم هاي آنها از استفاده با و مي شوند متمركز جواب

. مي كنند تعريف محلي جستجوي يا سازنده

سازنده الگوريتم يك هيوريستيك هدايت بر كه الگوريتم هاييآن كه گونه اي به مي شوند متمركز محلي جستجوي يا

) محلي ) بهينه از فرار مانند حساس شرايط بر بتواند الگوريتم. . مي شود گفته متاهيوريستيك الگوريتم ها، اين به كند غلبه

هيوريستيك مفهوم يا چارچوب يك تركيب بر كه الگوريتم هايي ) دقيق ) روشهاي n معموًال رياضي برنامه ريزي از گونه هايي با

. مي شوند متمركز

Page 8: An introduction to genetic algorithms

متاهيوريستيك يالگوريتم ها

شده شبيه سازي )Simulated Annealing)SA بازپختممنوع )Tabu Search)TS جستجويژنتيك Genetic Algorithms الگوريتم

مصنوعي عصبي Artificial Neural Networksشبكه هاي   مورچه اي )Ant Colony Optimization)ACO بهينه سازي

Page 9: An introduction to genetic algorithms

مسائل از نمونه NPچند

هاميلتوني سيكل (Hamiltonian Cycle)مسئله

گرد دوره فروشنده Traveling Salesman)مسئلهProblem)

(N-Queen Problem)وزير- Nمسئله

پشتي كوله (Knapsack Problem)مسئله

دوبعدي برش ضايعات 2D Cutting Stock)مسئلهProblem)

گراف آميزي رنگ (Graph Coloring)مسئله

كالسي زمانبندي (Time Tabling Problem)مسئله

Page 10: An introduction to genetic algorithms

ژنتيكي هاي الگوريتم كلي ساختار

Page 11: An introduction to genetic algorithms

Coding

باشند جوابي اطالعات حاوي بايد نحوي به كروموزومها . برده بكار اغلب كه روشي هستند آن نمايانگر كه

: . زير كروموزومهاي شبيه است دودوئي نمايش ميشود،

Chromosome 1 1101100100110110

Chromosome 2 1101111000011110

به بسته كروموزومها نمايش براي نيز ديگري روشهايحل مورد دارد مسئله .وجود

Page 12: An introduction to genetic algorithms

Crossover

One - point crossover

Parent 1 11011|00100110110

Parent 2 11011|11000011110

child 1 11011|11000011110

child 2 11011|00100110110

Page 13: An introduction to genetic algorithms

Crossover

Two - point crossover

Parent 1 11011|00100|110110

Parent 2 11011|11000|011110

child 1 11011|11000|110110

child 2 11011|00100|011110

Page 14: An introduction to genetic algorithms

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 1 0 1 0 1 0 0

child 2 1 1 0 1 1 1 1

Page 15: An introduction to genetic algorithms

Mutation

Original offspring 1101111000011110

Mutated offspring 1100111000011110

Page 16: An introduction to genetic algorithms

Replacement

با كه هايي كروموزوم مرحله اين درcrossover وmutation اند يافته بهبود

هاي كروموزوم . Parentجايگزين شوند ميتا چرخه اين و يابند مي بهبود ترتيب همين به

بهينه جواب به تا كند مي پيدا ادامه زمانيبرسيم.

Page 17: An introduction to genetic algorithms

Traveling Salesman Problem

می که است شکل این به گرد دوره فروشنده مسالهشهر هر از که کنیم پیدا دوری شهر تعداد یک در خواهیم

آغازین شهر به پایان در و کند عبور بار یک دقیقا. باشد مینیمم دور طول که طوری به بازگردد

Page 18: An introduction to genetic algorithms

مساله با VRP تفاوت

Page 19: An introduction to genetic algorithms

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 9 8 4 | 2 3 10 |1 6 5 7

child 2 8 10 1 | 5 6 7 | 9 2 4 3

Page 20: An introduction to genetic algorithms

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 9 2 3 1 5 4 7 8 6 10

child 2 1 8 2 4 7 6 5 10 9 3

Page 21: An introduction to genetic algorithms

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 E B C D G F A

child 2 A B D C E G F

Page 22: An introduction to genetic algorithms

متشكرم شما توجه از