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