الگوريتم هاي تكاملي

هاي الگوريتمتكاملي

خاكزاد نعيمهسليماني سودابهخليلي خدايار

گ: استاد مهندس زاده مربوطه رجي

: مقدمهمصنوعي هوش سيستمهاي در طبيعي تكامل و زيستي قوانين از استفاده ايده

دهه سه از بيش اخير، به سال چند در كه ميرسد نظر به و ميرسد پيشميزان به زمينه اين در تحقيقات و شدهاست آشكار پيش از بيش آن اهميت

يافتهاست افزايش زيادي بسياربهينه مانند متفاوت دامنههاي با متنوعي مسايل براي تكاملي الگوريتمهاي از

عملياتي، تحقيقات اقتصاد، ماشين، يادگيري خودكار، برنامهنويسي سازي،مي استفاده تغييرات تكاملي سير روي بر مطالعه و افراد ژنتيك اكولوژي،

شود.

عبارتند تكاملي الگوريتمهاي گسترده و بزرگ كالسهاي : از

ژنتيكي الگوريتمهاي تكاملي برنامهنويسي تكاملي استراتژيهاي دستهبندي سيستمهاي ژنتيك برنامهنويسي

: تاريخچه

و گرفتند رونق تکامل مورد در داروين نظريه به توجه با ژنتيکي الگوريتمهايتكاملي محاسبه ايده سال سپس تحت I.Rechenbergتوسط 1960درتكاملي استراتژيهاي . عنوان ديگر پژوهشگران توسط او نظريه شد معرفي

. نام به فردي توسط ژنتيكي الگوريتمهاي يافت John. Hollandگسترششد بنيانگذاري

­ ­ ­ الگوريتمهاي­ از کلي ژنتيكي­­ديد

ژنتيكي ديد از جمعيت حيات فرايند

­ ­ براي­ کد شبه ­­يک ­ ژنتيكي­­ الگوريتمهاي

کد است شبه زير صورت به ژنتيكي الگوريتمهاي :براي

[ کدکردن و [ Encodingنمايش

[Startشروع ]

[Fitnessارزشدهي ]

جديد ] [New populationجمعيت

[Selectionانتخاب ]

[Crossoverتقاطع ]

[Mutationجهش ]

[Acceptingپذيرش ]

[Replaceجايگزيني ]

[Testبررسي ]

[Loopحلقه ]

کدکردن-­­­­­­­­­­­­­­ باينري­ رشته

­­­­­­­­­­­­­ ­ ­ الفباء­ حروف از ­­­­رشتههاييجايگشت­­­­­­­­­­­­

درخت­­­­­­­­­­­­

ارزشدهي -­جديد - جمعيت ايجاد

انتخاب­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ تصادفي­ انتخاب ­­روش­­­­­­­­­­­­­­­­­­­­­­­­­­ رولت­ چرخ روش­­­­­­­­­­­­­­­­­­­­­­­­­­ رتبهبندی­ روش ­Rank Powerروش­­­­­­­­­­­­­­­­­­­­­­­

تقاطع­­­­­­­­­­­­­جهش­­­­­­­­­

­ ­ ­ الگوريتم­ به راجع نکته ­چند ژنتيکي­ هاي

کروموزوم نوع يک از که دارد وجود احتمال اين ژنتيکي الگوريتمهاي جريان درتنوع از ما جمعيت که شود امر اين سبب و شود توليد زيادي بسيار تعداد بهمشکل ايجاد سبب و باشد برخوردار جمعيت ميزان به نسبت کمتري جواب

. که شدهاست مطرح زيادي روشهاي مشکل اين حل براي شود الگوريتم درروش روشها اين از . Windowing يکي ميباشد

­ ­ ­ ­ ­ كارا­ و موثر زماني ژنتيكي الگوريتمهاي:­ كه­ هستند

. است كم آن از ما فهم و است پيچيده يا بزرگ مساله جستجوي فضاي. نيست دسترس در مسأله براي رياضي تحليل و تجزيه هيچ

. شوند مي مواجه شكست با سنتي الگوريتمهاي

­ ­ ­ ­ با­ توان مي كه ­­مسائلي الگوريتمهاي­­ژنتيکي كرد­ : حل

مسأله قبيل از زمانبندي N مسائلي زمانبنديها، گراف، رنگآميزي وزير،چندپردازنده، سيستمهای زمانبندي ورزشي، مسابقات زمانبندي امتحانات،

بستهبندي ، دورهگرد فروشنده مشاغل، آن واگذاري بتوان که مساله هر وکرد کد ژنتيکي صورت به را

سازي بهينهجواب يافتن عمل باشد هدف تابع يک شامل تنها بهينهسازي مساله هنگاميکه

ميشود ناميده هدفه تک بهينهسازي بهينه،يافتن عمل باشد هدف تابع يک از بيش شامل بهينهسازي مساله يک هنگاميکه

مينامند چندهدفه بهينهسازي را بهينه جواب چندين يا يککه است بديهي است هدف چندين شامل چندهدفه بهينهسازي که آنجايي از. ميباشد چندهدفه بهينهسازي از خاصي حالت واقع در تکهدفه بهينهسازي

بنيادي­ تفاوتهاي

­ ­ ­ ­ ­ ­ ماشین­ خرید تصمیمگیری مساله يک برای فرضی جوابهای

مقدمه

به در روشهای اينجا قبیل از دورهگرد فروشنده مساله به مربوط مسائل

کردند حل حل را مسائل گونه این که کسانی .م پردازیمى . . . و ،

از دورهگرد فروشنده مساله به مربوط مسائل:قبیل

تعريف نام ارىگذعلت

تاریخچهمطالعه مسالهاهميت

عملى TSP كاربردهاى

كاربردTSP تور پبراى كردن يدا كاربردTSP رباتيكى بازوى كنترل براى كاربردTSP نقليه وسايل مسيريابى براى كاربردTSP هاى شبكه comدر

TSP انواع مسالهTSP متقارنTSP نامتقارنTSP اى فروشندهند چ

دورهگرد روش ند چ فروشنده مساله

حلTSP ممكن حاالت همه توليد روش به حلTSP حريصانه روشجستجوى به حلTSP همسايه الگوریتمبه نزديكترين حلTSP ژنتیک به الگوریتمهای

از رسمى TSPتعاريف

يك عنوان رافگبه TSP

جاي يك عنوان شتگبه TSP

دوره فروشنده مساله و ژنتیکی های الگوریتمگرد

دید از مساله این به خواهیم می قسمت این درالگوریتمهای با آن حل روش و کنیم نگاه ژنتیک

الگوریتمهای به مربوط مسائل همچنین و ژنتیکیدورهگرد فروشنده مساله مورد در که ژنتیکی

. بپردازیم دیگر مسائل و شود دقت باید

­ ­ ­ گرد­ دوره فروشنده مساله کدکردن

ماتریسی کدکردنجایگشت صورت به کدکردن

1­ ­ ­ ­ ­ گرد-­ دوره فروشنده مساله در تقاطع

1­ ­ ­ ­ ­ گرد-­ دوره فروشنده مساله در تقاطع

روش در کروموزوم در تصادفی نقطه یک PMX انتخاب

انتخاب محل در موجود اعداد تعویض

­PMX (Partially­Mapped­Crossover)روش-­1-1

1­ ­ ­ ­ ­ گرد-­ دوره فروشنده مساله در تقاطع

((­OX Ordered Crossoverروش-­1-2

1­ ­ ­ ­ ­ گرد-­ دوره فروشنده مساله در تقاطع

­CX(Cycle Crossover)روش-­1-3

1­ ­ ­ ­ ­ گرد-­ دوره فروشنده مساله در تقاطع

MX(Merging Crossover) روش- 1-4

1­ ­ ­ ­ ­ گرد-­ دوره فروشنده مساله در تقاطع

روش- 1-5MOX

(Modified Ordered Crossover)

1­ ­ ­ ­ ­ گرد-­ دوره فروشنده مساله در تقاطع

تقاطع Greedy Subtour روش- 1-6

گرد دوره فروشنده مساله در جهش

جهش از پس جایگشتی حالت عدم معمولی مشکل

: جهش روشهای انواع

جهش Insertروش- 1

2جهش - Swap روش

: جهش روشهای انواع

جهش Inversion روش- 3

Scrambleروش -4جهش

: جهش روشهای انواع

جهش opt-2 روش- 5

­جهش opt-3 روش- 6

گيري ­نتيجه

پيشنهادات