دانشگاه امیرکبیر
DESCRIPTION
دانشگاه امیرکبیر. موضوع : الگوریتمهای ژنتیک درس: کاربرد فن آوری اطلاعات پزشکی استاد: دکتر توحید خواه تهیه کننده : معصومه عمیدی بهار 86. الگوريتمهاي ژنتيك. الگوريتم ژنتيك. در گروه الگوريتمهاي بهينه سازي احتمالاتي است از فرآيند تكامل بيولوژيكي الهام گرفته است . - PowerPoint PPT PresentationTRANSCRIPT
Genetic Algorithms : Seminar1
دانشگاه امیرکبیر
موضوع : الگوریتمهای ژنتیک
درس: کاربرد فن آوری اطالعات پزشکی
استاد: دکتر توحید خواه
تهیه کننده : معصومه عمیدی
86بهار
Genetic Algorithms : Seminar2
الگوريتمهاي ژنتيكالگوريتمهاي ژنتيك
Genetic Algorithms : Seminar3
در گروه الگوريتمهاي بهينه سازي احتماالتي •است
از فرآيند تكامل بيولو ژيكي الهام گرفته است .•
از مفاهيم انتخاب طبيعي و وراثت ژنتيكي • استفاده مي كند. 1859داروين سال
الگوريتم ژنتيك
Genetic Algorithms : Seminar4
دانشگاه ميشيگان توسعه يافت توسط جان هلند ،•( 1970)
- به منظور مطالعه وشناخت فرآيندهاي تطبيقي سيستمهاي طبيعي
- به منظور طراحي نرم افزارهاي سيستمهاي مصنوعي
كه قدرت سيستمهاي طبيعي را حفظ مي كنند.
الگوريتم ژنتيك
Genetic Algorithms : Seminar5
الگوريتم ژنتيك )ادامه (
تكنيكهاي كافي و مؤثر براي كاربردهاي بهينه •سازي و يادگيري ماشين ارائه مي دهد.
امروزه در بسياري از زمينه ها مثل تجارت ، •مهندسي و پزشكي بكار ميرود. علوم ،
Genetic Algorithms : Seminar6
الگوريتم هاي ژنتيك يك مجموعه از راه
حلهاي كانديد براي مسئله نگهداري ميكنند .
و اين مجموعه را با اعمال تكراري مجموعه تكامل ميدهد .تصادفي عملگرهاي
Genetic Algorithms : Seminar7
اپراتورهای غير قطعي
: موفق ترين راه حل را در جمعيت انتخاب •مورد نظر مي يابد
: دو راه حل مجزا را تجزيه تركيب دوباره •
مي كند و آنها را براي ايجاد راه حلهاي جديد بطور با هم تركيب مي كند
بطور تصادفي راه حلهاي كانديد را : جهش •آشفته مي كند.
Genetic Algorithms : Seminar8
جدول مقايسه
الگوريتم ژنتيك طبيعت
مساله بهينه سازي محيط
افرادي كه درمحيط زندگي راه حلهاي ممكنميكنند
كيفيت راه حل ) برازش ( درجه تطبيق افراد با محيط اطراف
Genetic Algorithms : Seminar9
طبقه تكنيكهاي جستجو
F inonacc i N ew ton
D irect m ethods Indirec t m ethods
C alcu lus-based techn iques
E volu tionary s trategies
C entra l ized D is tr ibuted
Para l le l
S teady-s ta te G enera tiona l
S equentia l
G ene tic a lgori thm s
E volutionary a lgori thm s S im u lated annealing
G uided random search techniques
D ynam ic program m ing
E num erative techn iques
S earch techniques
Genetic Algorithms : Seminar10
الگوريتم ژنتيك ساده{initialize population;
evaluate population;
while TerminationCriteriaNotSatisfied
{select parents for reproduction;
perform recombination and mutation;
evaluate population;
}
}
Genetic Algorithms : Seminar11
GAسيكل توليد مجدد
reproduction
population evaluation
modification
discard
deleted members
parents
children
modifiedchildren
evaluated children
Genetic Algorithms : Seminar12
جمعيت
Chromosomes could be:–Bit strings (0101 ... 1100)–Real numbers (43.2 -33.1 ... 0.0 89.2) –Permutations of element (E11 E3 E7 ... E1 E15)–Lists of rules (R1 R2 R3 ... R22 R23)–Program elements (genetic programming)– ...any data structure...
population
Genetic Algorithms : Seminar13
توليد مجدد
reproduction
population
parents
children
والدها بطور تصادفي بر اساس شانسهاي انتخابي مرتبط با ارزيابي هاي كروموزوم
.انتخاب مي شوند
Genetic Algorithms : Seminar14
تغييرات كروموزوم
modificationchildren
تغييرات بطور غير قطعي انجام مي شوند : •انواع عملگرها عبارتند از : •
جهش –تركيب مجدد ( تقاطع ) –
modified children
Genetic Algorithms : Seminar15
جهش : تغييرات محليBefore: (1 0 1 1 0 1 1 0)
After: (0 1 1 0 0 1 1 0)
Before: (1.38 -69.4 326.44 0.1)
After: (1.38 -67.5 326.44 0.1)
محلي ) باعث ايجاد حركت در فضاي جستجو مي شود • ) يا عمومي
اطالعات از دست رفته در جمعيت را ذخيره مجدد مي كند•
Genetic Algorithms : Seminar16
تقاطع : تركيب دوباره*
P1 (0 1 1 0 1 0 0 0) (0 1 0 0 1 0 0 0) C1
P2 (1 1 0 1 1 0 1 0) (1 1 1 1 1 0 1 0) C2
تقاطع يك ابزار حياتي براي الگوريتمهاي ژنتيك –است
جستجو را در تكامل اوليه جمعيت شتاب مي –دهد.
باعث مي شود كه زير مجموعه هایی از راه حل –با هم ترکیب ها روي كروموزومهاي متفاوت
شوند.
Genetic Algorithms : Seminar17
ارزيابي
عملگر ارزيابي يك كروموزوم را رمزگشايي مي •كندو يك مقدار
برازندگي به آن نسبت مي دهد. و مسأله اي ga عملگر ارزيابي تنها ارتباط بين •
كه آن را حل ميكند مي باشد.
evaluation
evaluatedchildren
modifiedchildren
Genetic Algorithms : Seminar18
حذف
GA كل جمعيت با هر بار تكرار توليد نسل : جايگزين ميشود.
GA تعداد كمي از اعضا در هر :حالت پايدار بار توليد جايگزين ميشود.
population
discard
discarded members
Genetic Algorithms : Seminar19
يك مثال انتزاعي
Distribution of Individuals in Generation 0
Distribution of Individuals in Generation N
Genetic Algorithms : Seminar20
GAنكاتي براي استفاده كنندگان انتخاب موارد پايه پياده سازي •
نمايش دادن - جمعيت ، نرخ جهش ، .. - اندازه
- انتخاب ، سياستهاي حذف ، ... شرايط پايان •كارايي ، مقياس پذيري •راه حل خوب ، به خوب بودن تابع ارزيابي بستگي •
دارد ) معموال“ سخت ترين قسمت است (
Genetic Algorithms : Seminar21
GAمزاياي
درك مفاهيم آن آسان است . •ژوالر است و از برنامه كاربردي جداست . ما• پشتيباني بهينه سازي چند منظوره • مناسب noisy براي محيطهاي پر اغتشاش •
است هميشه يك جواب داريم ، جواب با گذشت زمان •
بهتر ميشود. ذاتا“ موازي است ، به سادگي توزيع پذير است.•
Genetic Algorithms : Seminar22
GAمزاياي با بدست آوردن دانش در مورد دامنه مسئله ، •
راههاي زيادي براي افزايش سرعت و بهبود برنامه وجود دارد . GAهاي كاربردي مبتني بر
بهره برداري آسان از راه حلهاي فرعي يا راه •حلهاي گذشته
بلوكهاي ساختماني انعطاف پذير براي برنامه هاي •كاربردي تركيبي
Genetic Algorithms : Seminar23
فرضیه بلوکهای ساختمانی
GA الگوهاي با كارايي باال و درجه پايين ،پيچيدگي را كنار هم قرار مي دهد و بنابراين
تالش مي كند تا به سمت كارايي نزديك به بهينه حركت كند كه به آن فرضيه بلوكهاي
ساختماني مي گويند.
اين فرضيه دربسیاری از کاربردهای عملی دیده شده است ولی درحالت کلی بستگی به نحوه نمایش و عملگرهای استفاده شده دارد.(
Genetic Algorithms : Seminar24
استفاده كنيمGAچه موقع از ؟
زماني كه پيچيuده • و كنuد بسuيار متنuاوب حلهuاي راه
هستند.ابuزار • بuه جديuد روشuهاي آزمuودن بuراي
اكتشافي احتياج است. تكنولuو ژي • مزايuاي از نيازهuاي GAاسuتفاده
حل مسئله را برآورده بسازد.
Genetic Algorithms : Seminar25
GAمؤلفه هاي
تعریف یک مسئله بعنوان ورودی و :
اصول رمزگذاری ) کروموزوم ،ژن (رویه مقداردهی اولیه )ایجاد (
انتخاب والد ) تولید مجدد(عملگرهای ژنتیک ) ترکیب دوباره ، جهش (
تابع ارزیابی )محیط( شرایط خاتمه
Genetic Algorithms : Seminar26
نمايش ) كد گذاری(
:روشهاي كدگذاري ممكن
رشته بيت ) 1100 ... 0101(–اعداد حقيقي ) 89.2 0.0 ... 33.1 -43.2(–– )E11 E3 E7 ... E1 E15( عناصر جايگشتي– )R1 R2 R3 ... R22 R23( ليست قوانين –)genetic programming( عناصر برنامه– ...any data structure... هر نوع ساختمان داده
ديگر
Genetic Algorithms : Seminar27
نمايش ) ادامه (
انتخاب روشهاي رمزگذاري به ايده هاي اصلي زير :بستگي دارد
استفاده از ساختار داده تا حد ممكن نزديك به نمايش •طبيعي
نوشتن عملگرهاي ژنتيك مناسب همانگونه كه موردنيار •است.
اگر امكان داشته باشد ، اطمينان حاصل شود كه تمام •ژنوتيپها با راه حلهاي امكان پذير تطبيق داشته باشد .
Genetic Algorithms : Seminar28
مقداردهي اوليه
شروع با جمعيتي كه اعضاي آن تصادفي : توليد شده است
يك جمعيت قبلي نگهداري شده•يك مجموعه از راه حل ارائه شده توسط •
فرد خبره يك مجموعه راه حل ارائه شده توسط يك •
الگوريتم خالق ديگر
Genetic Algorithms : Seminar29
انتخاب
: در فضای جستجو نواحی ای انتخاب شوند که شانس هدف•بیشتری برای رسیدن به اهداف جستجو دارند.
: نظریه تالش برای رسیدن به بهترین برازش که توسط لهاما•داروین
ارائه شده است.
: توازن بین اکتشاف و بهره برداری در فضای جستجو توازن• در ادامه به معرفی انواع انتخاب می پردازیم .
Genetic Algorithms : Seminar30
انتخاب متناسب با میزان برازش ) مطلوبیت(
توسط جان هلند بعنوان توازن بین اکتشاف و بهره •برداری
. توسعه یافت
موانع
f1(x) and f2(x) = f1(x) + c انتخاب متفاوت برای•
بعضی والدها می توانند باعث ایجاد همگرایی • شوند درحالیکه فرزندان آنها نابالغ است .
Genetic Algorithms : Seminar31
انتخاب رده بندی خطی
مبتنی بر مرتب کردن افراد برحسب میزان مطلوبیت است.
ام در رده بندی بصورت زیر تعریف iاحتمال استخراج فرد میشود:
21,1
1)1(2
1)(
n
i
nip
نرخ نمونه برداری مورد انتظار برای بهترین فرد
Genetic Algorithms : Seminar32
انتخاب مسابقات محلی
K فرد را با احتمال یکسان از جمعیت استخراجمی کند. و آنها را در یک مسابقه قهرمانی شرکت
می دهد.
طوریکه احتمال برنده شدن هر فرد با میزان مطلوبیت و برازش او متناسب است .
شرکت کننده K فشار انتخاب مستقیما با تعداد متناسب است .
Genetic Algorithms : Seminar33
تركيب دوباره ) تقاطع (
فعالسازی فرآیند تکاملی در جهت افزایش *احتمال موفقیت
در فضای جستجو
ترکیب زیرمجموعه های راه حلهای ”والد •خوب ” برای ایجاد
فرزندان بهتر
Genetic Algorithms : Seminar34
جهش
شبیه سازی اثر خطاهایی که با احتمال :هدفکم در هنگام ”دوبرابر“ شدن بروز می کند.
: حرکت درفضای جستجو نتیجه ذخیره دوباره اطالعات از دست رفته در
جمعیت مورد نظر
Genetic Algorithms : Seminar35
ارزيابي: )تابع برازش (
خوب بودن راه حل به خوب بودن تابع ارزیابی •بستگی دارد.
یک تابع خوب معموال“ سخت ترین انتخاب قسمت است.
راه حلهای کدگشایی شده شببه سازی شده باید •یک تابع برازش شبیه سازی شده داشته باشند.
Genetic Algorithms : Seminar36
شرايط پايان
مثالها
تعداد تولید نسل یا زمان آن از قبل تعریف شده •است
یک راه حل راضی کننده بدست آمده باشد.•بعد از انجام تعداد معین تولید نسل هیچ پیشرفتی •
در کیفیت راه حلها بوجود نیاید.
Genetic Algorithms : Seminar37
GAبرخي از انواع كاربردهاي Domain Application Types
Control gas pipeline, pole balancing, missile evasion, pursuit
Design semiconductor layout, aircraft design, keyboardconfiguration, communication networks
Scheduling manufacturing, facility scheduling, resource allocation
Robotics trajectory planning
Machine Learning designing neural networks, improving classificationalgorithms, classifier systems
Signal Processing filter design
Game Playing poker, checkers, prisoner’s dilemma
CombinatorialOptimization
set covering, travelling salesman, routing, bin packing,graph colouring and partitioning
Genetic Algorithms : Seminar38
کاربردهای پزشکی
Genetic Algorithms : Seminar39
کاربردهای پزشکی
GA : می تواند در زمینه های زیر کمک کند تولید برنامه های درمانی • بهینه سازی فرمولهای دارویی وساختارهای •
مولکولی بهبود تشخیص• بهبود کیفیت تصمیم گیری و غیره •
Genetic Algorithms : Seminar40
کاربردهای پزشکی
: تشخیص و توصیف آنوما لیهای موجود مثالدر تصاویر پزشکی
Genetic Algorithms : Seminar41
کاربردهای پزشکی
: طراحی فیلترهای بافت در مثال تصاویر پزشکی
Genetic Algorithms : Seminar42
کاربردهای پزشکی
برچسب گذاری بافت ویژه در یک :مثال تصویر رادیوگرافی
استخوان لگن
Genetic Algorithms : Seminar43
قطعه بندی تصاویر پزشکی
: اتوماتیک کردن قطعه بندی دو بعدی مثال برشهای تصاویر توموگرافی
Genetic Algorithms : Seminar44
تصمیم گیر ی
Genetic Algorithms : Seminar45
تصمیم گیری
• ، دارد هuدف یuک کuه حuل مسuئله حلهuای GAدر راه بهبuود هیچ کuه جuایی تuا کنuد را طuراحی می زیuادی بیشuتری قابuل بدسuت آمuدن نباشuد یuا تعuداد معین تولیuد معیuنی پuردازش زمuان یuا باشuد شuده انجuام نسuل
اختصاص یافته شده باشد. • ، راه حuل هuای GAهنگuام حuل مسuایل چنuد منظuوره
راضuی کننuده زیuادی ارائuه می کنuد و سuپس بuه تصuمیم گیرنuدگان این امکuان را میدهuد کuه بهuترین انتخuاب را
انجام دهند.
Genetic Algorithms : Seminar46
تعیین ویژگیهای مشترک گروه زیادی
از داده هامثال : رده بندی حرکات دست -
ثبت بuا EEG اوبuمتن توالیهuای حرکuات هنگuام در دسuت چپ ویuا راسuت ، الگوهuا شuناخته می شuوند ، دuر زمuان واقعuی رده بنuدی می شuوند تuا uافuرادu معلuول
.راu در ایجuاد حرکات کرسuر روی uمانیتوuر یاری دهد
Genetic Algorithms : Seminar47
نتایج پیش بینی بهتر مبتنی بر داده های موجود
پیش بینی داده مبتنی بر داده های موجود ، یک نوع مسئله تقریب تابع است . شبکه های عصبی
می تواند در حل مسایل تقریب تابع بکار روند .
برای مثال داده های بدست آمده از مطالعات سطح نقاهت بیماران می تواند برآوردهای
واقعی را ارائه دهد که این امر موجب تخصیص بهتر منابع و کاهش هزینه ها می شود.
Genetic Algorithms : Seminar48
پیش بینی پیشرفت داده های پزشکی درطول زمان
مطالعuuات هuuای داده ، مثuuال ی برا الگوهای ماهیچه
حرکuات بuازو می توانuد در کنuترل حرکuات موس روی
اسکرین کامپیوتر بکار رود.
Genetic Algorithms : Seminar49
شناسایی ویژگیهای خاص در تصاویر پزشکی
برای مثال ، داده های تصویری بدست آمده از مطالعات
ماموگرام ، می تواند در تشخیص سرطان سینه بکار رود.
Genetic Algorithms : Seminar50
گروه بندی داده های پزشکی مبتنی بر ویژگیهای کلیدی
بعنوان مثال می توان به گروه بندی داروها بر •اساس ویژگیهای اصلی آنها اشاره نمود.
بعنوان مثال : با انجام مهندسی معکوس بر روی •داده های بدست آمده از مطالعات بیولوژیکی
همراه با آنالیز آنها می توان یک رابطه منطقی بیولوژیکی از داده های دنیای واقعی بدست آورد.
)شناخت سیستم بیولوژیکی(
Genetic Algorithms : Seminar51
منابع و مراجع
• www.cs.bgu.ac.il• www.nd.com /Genetic Algorithm Software - GA /Genetic Algorithm Software - GA
Software.htmSoftware.htm• http://www.biomed.abdn.ac.uk/Abstracts/A00033/• http:// www.portal.acm.org• http://www.pubmed.gov• http://www.wikipedia.comhttp://www.wikipedia.com
Genetic Algorithms : Seminar52
The End