1محمدرضا فدوی امیری / درس هوش مصنوعی

الگوریتم ژنتیکGenetic Algorithm

امیریمحمدرضا فدوی درس هوش مصنوعی

(تیکژنالگوریتمهای تکاملی و )مقدمه

فهرست مطالب•

اصطالحاتتعریف

کژنتیالگوریتمار یا مراحلتساخ

عملگرهای الگوریتم ژنتیک

ژنتیکالگوریتممعایبومزایا

(فیلم ربات حشره) کاربردها

نتیجه گیری

منابع

محمدرضا فدوی امیری / درس هوش مصنوعی

طبیعت پر است از ایده

ه برده ایده الگوریتم ژنتیک از دو اصل انتخاب و تولید نسل در طبیعت بهرجهش ، با گذشت زمان بدلیل تغییر ساختار ژنتیکی و در بعضی موارد. است

. طبیعت تضمین می کند که موجودات بهتری تولید شود

. الگوریتم ژنتیک بر این اساس ابزاری ساده ، ولی قدرتمند است

الگوریتم های تکاملی و ژنتیک: مقدمه

محمدرضا فدوی امیری / درس هوش مصنوعی

...جهانی که ما در آن زندگی می کنیم •

الگوریتم های تکاملی و ژنتیک: مقدمه

نظریه داروین•

نظریه المارک•

.معروف است( Evolution)این فرایند تطبیق به نامهای تکامل یا فرگشت •

.به طور مداوم در حال تغییر است•ود را هر موجودی که قصد ماندن در چنین محیطی را داشته باشد بایستی بتواند خ•

.با شرایط اطراف تطبیق دهد

محمدرضا فدوی امیری / درس هوش مصنوعی

تکامل تدریجی

جمعیت نسبی افراد با ضریب هوشی باالجمعیت نسبی افراد با ضریب هوشی پائین

روند رشد نسبی

ه جامعه نمونه بجمعیت

ب تفکیک سال و ضری

هوش

محمدرضا فدوی امیری / درس هوش مصنوعی

تاریخچه•

توسط –مطرح شدن جدی فرضیه تکامل در موجودات زنده -م1859نوامبر 24”بنیاد انواع ” چارلزداروین با انتشار کتاب

–ربی انتشار تحقیقات درباره وراثت ، تکامل و اصول بدست آمده بصورت تج–م 1865توسط گریگور مندل

کروموزوم بعنوان واحد وراثت–م 1903مطرح شدن واژه ژنتیک –م 1905توسط ریچنبرگ–مطرح شدن ایده اصلی الگوریتم های تکاملی –م 1960یک در مطرح شدن گونه ای از الگوریتم های تکاملی به نام الگوریتم های ژنت–م 1970

توسط جان هلند–دانشگاه میشیگان GA 1989 مشهور کردن–م

ید توسط دیو–با حل مسئله بسیار سخت کنترل انتقال خط لوله گاز در رساله .گلدبرگ

محمدرضا فدوی امیری / درس هوش مصنوعی

تاریخچه الگوریتم ژنتیک

جان هالند

دیوید گولدبرگ

کنت دیونگ

محمدرضا فدوی امیری / درس هوش مصنوعی

توان به روشهای بهینه سازی مختلفی ارائه شد که به عنوان روشهای کالسیک یاد میشوند که می1940ز سال ا:موارد زیر اشاره کرد

(LinearPrograming)برنامه ریزی خطی-1(Non LinearPrograming)برنامه ریزی غیرخطی-2(Dynamicprograming)برنامه ریزی پویا-3(Inventory)روش اکتشافی -4(Quueuing)روش صف -5(Replicment)روش جایگزینی -6

.که این روش ها بیشتر برای حل مسائل غیر خطی استفاده میشود

:ازاما روش های بهینه سازی جدید که امروزه مورد استفاده قرار میگیرد عبارتند1- Simulated annaling

2- Hill climing

3- Ant Colon

4- Genetic Algorithm (GA)

5- Random Cast

6- Cellular Aoutomata

.روشها بیشتر الهام گرفته شده از حیات موجودات میباشداین محمدرضا فدوی امیری / درس هوش مصنوعی

الگوریتم های تکاملی و ژنتیک: مقدمه

تکامل چیست؟ تکامل(Evolution ) حاصل

:پدیده هایی همچون عملکرد انتخاب طبیعی(NaturalSelection)تولید مثل(Reproduction) جهش(Mutation) همزیستی(Symbiosis)

محمدرضا فدوی امیری / درس هوش مصنوعی

الگوریتم های تکاملی و ژنتیک: مقدمه

ژنتیکدست خط طبیعت

محمدرضا فدوی امیری / درس هوش مصنوعی

:کروموزوم و ژن

محمدرضا فدوی امیری / درس هوش مصنوعی

الگوریتم های تکاملی و ژنتیک: مقدمه

ژن(Gene)

آلل(Allele)

کروموزوم(Chromosome)

ژنوم(Genome)

ژنوتیپ(Genotype)

فنوتیپ(Phenotype)

(زمینه بیولوژیکی)چند اصطالح

محمدرضا فدوی امیری / درس هوش مصنوعی

•Nature and GA...

Nature Genetic algorithm

Chromosome String

Gene Character

Genotype Population

محمدرضا فدوی امیری / درس هوش مصنوعی

طرح شماتیکی یک الگوریتم تکاملی

مراحل الگوریتم تکاملی:

مجموعه ای از جوابهای تصادفیایجاد1)

ترینهابهانتخابآنها و رتبه بندیجوابها ، مقایسه2)

جوابهای بدست آمدهترکیب3)

(در صورت نیاز ) 2به مرحله بازگشت4)

محمدرضا فدوی امیری / درس هوش مصنوعی

مراحل الگوریتم ژنتیک

جواب مساله

بررسی همگرایی

جهش

ادغام

شو تعیین تابع برازکدگذاری

ایجاد جمعیت اولیه

محاسبه ارزش هر کروموزوم بر اساس تابع برازش

انتخاب والدین

محمدرضا فدوی امیری / درس هوش مصنوعی

. کندالگوریتم ژنتیک بوسیله مجموعه ای از کروموزومها شروع به کار می

جمعیت

محمدرضا فدوی امیری / درس هوش مصنوعی

هدف پیدا کردن بهترین جواب از میان جواب های مختلفGA بر اساس اصل ادامه حیات بهترین ها و تکثیر نوع برتر پی ریزی شده است

محمدرضا فدوی امیری / درس هوش مصنوعی

تیکپیش زمینه ژنتیکی برای پیاده سازی فضای ژن•

هر سلول از مجموعه ای از کروموزوم ها تشکیل شده است و این کروموزوم ها از یک سری.تشکیل شده اند DNAژن در قالب بلوکهای

هر ژن یک بخش از جواب و هر کروموزوم یک جواب برای مساله ماست.

19

بین کروموزوم ( recombination)در هنگام تولید سلول جدید یک عمل تلفیقدد این های والد توسط عملگر ادغام صورت میگیرد که باعث تولید کروموزومی جدید میگر

آنها تحول پیدا میکند و میزان مناسب بودن DNAمولود ها جهش پیدا میکنند یعنی .کروموزوم در طی حیات آن مشخص میشود

تولید سلول جدید

محمدرضا فدوی امیری / درس هوش مصنوعی

به تبدیل پاسخ مسئله به صورت یک ساختار کروموزوم که از.مجموعه ای از ژن ها تشکیل یافته است کد گذاری گویند

:انواع کد گذاریکدگذاری دودویی. 1

کدگذاری جایگشتی. 2

کد گذاری

1کروموزوم

2کروموزوم

1کروموزوم

2کروموزوم محمدرضا فدوی امیری / درس هوش مصنوعی

ستیبرای اینکه بتوانیم موجودات بهتر را درون جمعیت تشخیص بدهیم بای

ه این ب.معیاری را تعریف کنیم که بر اساس آن موجودات بهتر را تشخیص دهیم

.معیار تابع برازش می گویند

(برازش)Fitnessتابع

محمدرضا فدوی امیری / درس هوش مصنوعی

در این مرحله، دو والد جهت جفت گیری و تولید کروموزوم جدید . انتخاب می شوند

:روشهای انتخاب چرخ رولت. 1

رتبه بندی. 2

نخبه گزینی. 3

....... 4

(Selection)انتخاب

محمدرضا فدوی امیری / درس هوش مصنوعی

(انتخاب چرخان)انتخاب چرخه رولت (تناسب)یک روش انتخاب است که درآن عنصری که عدد برازش

بیشتری داشته باشد، انتخاب می شود و جزء روشهای انتخاب.تصادفی وزن دار می باشد

احتمال انتخابمقدار تابع برازششماره کروموزوم

11.2610.097

29.7110.747

31.0790.083

40.2860.022

50.6630.051

110%

275%

38%

42%

55%

محمدرضا فدوی امیری / درس هوش مصنوعی

در این روش هر کروموزوم به نسبت میزان بهینگی فضایی را از این نمودار دایره یک اشاره گر به این نمودار اشاره می کند و چرخ میگردد، . ای اشغال می کند

بعد از ایستادن ، کروموزوم انتخابی کرموزومی است که اشاره گر به آن اشاره می کند .مشکل :

اختالف بیش از حد مقدار برازندگی کروموزوم ها سبب می شود ، والدین انتخاب شده شبیه هم باشند .

محمدرضا فدوی امیری / درس هوش مصنوعی

انتخاب رتبه بندی

این روش مانند چرخه رولت از نوع روش های تصادفی وزن دار است ددبر اساس رتبه کروموزوم تعیین میگروزن این تفاوت که با

نخبه گزینی

هر اجتماع انتخاب( کروموزوم های)مناسبترین عضوهای ..و در جعیت جدید کپی می شود

محمدرضا فدوی امیری / درس هوش مصنوعی

:رتبه بندی باشد n مثال اگر تعداد کروموزوم ها . ابتدا کروموزوم ها رتبه بندی می شوند

.را نسبت می دهیم n به بهترین مقدار برازشی یک وبعدی دو و به بهترین نیزحال براساس مقدار برازش جدید ، مانند چرخ رولت احتمال و محدوده عددی هر

. کروموزوم را معین می کنیم :مشکل

چندانی این روش به آهستگی همگرا می شود ، چون بهترین کروموزوم ها تفاوت

.با یکدیگر دارند

محمدرضا فدوی امیری / درس هوش مصنوعی

(Tournrment)رقابتی •

ه به صورت تصادفی انتخاب شده و ب( معموال دو یا سه) در این روش یک ز یرمجموعه کوچکی از کروموزوم هایکی از آنها به پیروزی رسیده و به Fitnessرقابت می پردازند سر انجام در این رقابت بر اساس میزان

کپی میشود و این فرآیند تا تولید همه ولد ها در جمعیت جدید Mating Poolعنوان والد جدید در تکرار میشود

27

Ch no

Fitness

1 2 3 4 5 6 7 8

1 2.10 3.11 4.01 4.66 1.91 1.93 4.55

موارد برنده

2,43,81,34,51,61,24,28,3

48356248

Fitnessبا توجه به مثال کروموزوم های با (8و 4)باالتر چند بار تکرار شده اند

محمدرضا فدوی امیری / درس هوش مصنوعی

(Crossover)ادغام

آنجدید بوسیله توزیع صفات والدین در کروموزم ایجاد

:انواع ادغام ادغام تک نقطه ای•ادغام دو نقطه ای•ادغام چند نقطه ای•ادغام یکنواخت•

محمدرضا فدوی امیری / درس هوش مصنوعی

(Single Sight Crossover)ادغام تک نقطه ای

الدین انتخاب یک نقطه به صورت تصادفی در طول دو کروموزم که به عنوان وانتخاب شده اند و جابجایی کروموزم ها از آن نقطه

0011001010010

والدین

1010011001001

1010011000010

فرزندان

0011001001001

محمدرضا فدوی امیری / درس هوش مصنوعی

(Two-Point Crossover)ادغام دونقطه ای

خاب دو نقطه به صورت تصادفی در طول دو کروموزومی که به عنوان والدین انت.نقطه جابجا می شود 2شده اند در نظر گرفته می شود و مقادیر بین این

01101

01000

00111 10110

11001 11010

01101 00111

01000 11001 11010

10110والدین

فرزندان

محمدرضا فدوی امیری / درس هوش مصنوعی

(Multi-Point Crossover)ادغام چندنقطه ای

N باانتخنقطه به صورت تصادفی در طول دو کروموزومی که به عنوان والدین.قسمت تقسیم میشوندn+1کروموزوم ها به .شده اند در نظر گرفته میشود

والدین

فرزندان

01101 11 1000 100110 01101 11 1000 100110

11000 10 0011 011011 11000 10 0011 011011

محمدرضا فدوی امیری / درس هوش مصنوعی

(Uniform Crossover)ادغام یکنواخت

در این روش ژن های فرزندان به صورت تصادفی و با یک احتمال از والدین انتخاب می شود

والدین

فرزندان

01101001

00100100

0.60.90.60.40.20.60.80.1

1 010 000 0

0 011 011 0

عدد تصادفی برای هر ژن

محمدرضا فدوی امیری / درس هوش مصنوعی

(Mutation)جهش

یمبه پیدایش هرنوع تغییر در ژن های یک کروموزوم جهش می گوی

محمدرضا فدوی امیری / درس هوش مصنوعی

•: GA عملگرهای دیگر در

(Inversion ) عمل معکوس کردن -(Deletion ) عمل حذف کردن -

(Segregation )عمل جداسازی -(Migration - عمل نقل مکان(

(Sharing - عمل بخش بندی((Dominance ) عمل غالب شدن یا تسلط -

(Duplication ) عمل کپی کردن -

محمدرضا فدوی امیری / درس هوش مصنوعی

شرط توقف الگوریتم

ه این ساده ترین و کوته فکران: رسیدن به جواب -1.ترین روش است

بار Nازیعنی الگوریتم ژنتیک پس: عدم پیشرفت -2تکرار با همان کروموزوم های قبلی ادامه پیدا کند

ی شرط توقف را تعداد تکرار مشخص:تعداد تکرار -3قرار می دهیم

محمدرضا فدوی امیری / درس هوش مصنوعی

مزایای الگوریتم ژنتیک

فهم آسان•مجزا بودن و ماجوالر بودن•(.هدفی)پشتیبانی از بهینه سازی چند تابعی •مناسب برای محیط های نویزی•ودمی شهمیشه یک جواب داریم که با گذشت زمان بهتر •موازیامکان استفاده به صورت توزیع شده و ••.....

محمدرضا فدوی امیری / درس هوش مصنوعی

معایب الگوریتم ژنتیک

ندیک جواب خوب پیدا می کنند ولی ممکن است جواب بهینه را پیدا نکن•حافظه و محاسبات زیادی نیاز دارندبه •مورد اینکه جواب پیدا شده چقدر خوب است و آیا جواب بهتری وجود در •

دارد، نمی توانیم هیچگونه ادعائی داشته باشیمریاضی ضعیفی دارندپشتوانه •دو بار اجرای مختلف، جواب های متفاوتی دریافت می کنیمدر •

محمدرضا فدوی امیری / درس هوش مصنوعی

نیم؟چه مواقعی از الگوریتم ژنتیک استفاده می ک

جواب ها بیش از اندازه پیچیده یا بی تحرك باشند. 1

نیاز به یک وسیله اکتشافی برای پیدا کردن راه های جدید داشت. ه 2.باشیم

مسئله شبیه مسائلی که تا کنون در . 3GAحل شده است باشد

بخواهیم جواب های موجود را با هم پیوند بزنیم. 4

محمدرضا فدوی امیری / درس هوش مصنوعی

با روشهای قدیمی بهینه سازی GAتفاوتهای اصلی •

(تبدیل فضای پیوسه به فضای گسسته )کد کردن فضای مساله

درGA با مجموعه ای از نقاط در یک لحظه میتوانیم کار کنیم که به این مجموعه نقاطمیگوییم( Population)جمعیت

اصوالGA بر پردازش تصادفیRandom processing یا به تعبیر بهتر پردازش.استوار استrandom Guidedتصادفی هدایت شده

39محمدرضا فدوی امیری / درس هوش مصنوعی

:برخی از مهمترین کاربردهای این الگوریتم در علوم مختلف عبارتند از

کاربردهای الگوریتم ژنتیک

کاربرد زمینه

....خطوط انتقال گاز، پرتاب موشک و کنترل

....و VLSIطراحی هواپیما، طراحی مدارات طراحی

....برنامه ریزی تولید، زمانبندی، تخصیص منابع و مدیریت و برنامه ریزی

.....مسیر حرکت روبات و روباتیک

.....الگوریتم طبفه بندی وطراحی شبکه های عصبی، یادگیری ماشین

....طراحی فیلتر و پردازش سیگنال

....ا وحل مسئله فروشنده دوره گرد، مسیریابی در شبکه ههنروموسیقی، سایر موارد

محمدرضا فدوی امیری / درس هوش مصنوعی

تیکساخت ربات حشره با استفاده از الگوریتم ژن

محمدرضا فدوی امیری / درس هوش مصنوعی

کاربرد الگوریتم ژنتیک در بهینه سازی چیدمان مبدل شبکه گرمایی

محمدرضا فدوی امیری / درس هوش مصنوعی

(هاکروموزوم)حاالتتولیدبرای.ایمکردهمشخص7تا0اعدادباراهاستون.دهیممیقرارمختلفهایستوندرراهاوزیرتصادفیبصورتاولیه

:شکل روبرو نمونه ای از حالت های اولیه است

یله چون در هر ستون یک وزیر قرار دادیم هر حالت را بوس. حال باید این حالت را به نحوی کمی مدل کرد. یمنشان می دهمیباشد ام kام در این رشته شماره سطر وزیر موجود در ستون kرشته اعدادی که عدد

:یعنی حالت قبل بصورت زیر می باشد

67203422

محمدرضا فدوی امیری / درس هوش مصنوعی

چهاراین.اندشدهتولیدتصادفبهزیرحالتچهارکنیدفرض.گیریممیبکاراولیههایکروموزومعنوانبهراحالت

1)672034202)700633543)175220634)43602471

Fitness)برازشتابعبهنوبتحال Function)باشدمی.

:استزیربصورتاولیهحاالتبرایبرازشتابعمقدار

1)6720342062)7006335483)1752206324)436024714

محمدرضا فدوی امیری / درس هوش مصنوعی

:پس احتمال انتخاب ها بصورت زیر است

P(3) > p(4) > p(1) > p(2)

. دارنددر اینجا کروموزوم هایی را انتخاب می کنیم که برازندگی بیشتریانتخاب 1و 4با کروموزوم های Crossoverبرای 3پس کروموزوم

:نظر می گیریمدر 6و 5نقطه ترکیب را بین ارقام . می شود

3 , 4:

175220 71 (5)

436024 63 (6)

3 , 1:

175220 20 (7)

672034 63 (8)

محمدرضا فدوی امیری / درس هوش مصنوعی

.در جهش باید یکی از ژن ها تغییر کند. حال نوبت به جهش می رسدو ازبین7، کروموزوم شماره 8تا 5فرض کنید از بین کروموزوم های

پس نسل ما شامل. جهش یابد3به 2ژن های آن ژن چهارم از :کروموزوم های زیر با امتیازات نشان داده شده می باشد

1) 67203420 6

2) 70063354 8

3) 17522063 2

4) 43602471 4

5) 17522071 6

6) 43602463 4

7) 17532030 4

8) 67203463 5

محمدرضا فدوی امیری / درس هوش مصنوعی

.باشدمی7و6هایکروموزومباترکیببرایخوبیکاندیدای3کروموزوم

1) 67203420 6

2) 70063354 8

3) 17522063 2

4) 43602471 4

5) 17522071 6

6) 43602463 4

7) 17532030 4

8) 67203463 5

9) 13602463 2

10) 47522063 2

11) نسل جدید 4 1753203012) 17522063 2

محمدرضا فدوی امیری / درس هوش مصنوعی

نتیجه گیری

محمدرضا فدوی امیری / درس هوش مصنوعی

محمدرضا فدوی امیری / درس هوش مصنوعی