بررسی الگوریتم ژنتیک در TSP و NP-HARD
توضیحات
بررسی الگوریتم ژنتیک در TSP و NP-HARD
الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه براي یافتن راه حل تقریبی براي بهینه سازي و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریت مهاي تکامل است که از تکنیک هاي زیست شناسی فرگشتی مانند وراثت و جهش استفاده می کند. در واقع الگوریت مهاي ژنتیک از اصول انتخاب طبیعی داروین براي یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده میکنند. الگوریت مهاي ژنتیک اغلب گزینه خوبی براي تکنیک هاي پیش بینی بر مبناي یک تکنیک برنامه نویسی است که از (GA تصادف هستند. مختصراً گفته می شود که الگوریتم ژنتیک ) یا تکامل ژنتیکی به عنوان یک الگوي حل مسئله استفاده می کند. مسأله اي که باید حل شود ورودي است و راه حلها طبق یک الگو کد گذاري میشوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می کند که اکثر آنها به صورت تصادفی انتخاب می شوند.
فهرست :
مقدمه
به دنبال تکامل…
ایده اصلی استفاده از الگوریتم ژنتیک
درباره علم ژنتیک
تاریخچۀ علم ژنتیک
تکامل طبیعی (قانون انتخاب طبیعی داروین)
رابطه تکامل طبیعی با روش هاي هوش مصنوعی
الگوریتم
الگوریتم هاي جستجوي ناآگاهانه
جستجوي لیست
جستجوي درختی
جستجوي گراف
الگوریتم هاي جستجوي آگاهانه
الف جستجوي خصمانه
مسائل NP Hard
هیوریستیک
انواع الگوریتم هاي هیوریستیک
فصل دوم
مقدمه
الگوریتم ژنتیک
مکانیزم الگوریتم ژنتیک
عملگرهاي الگوریتم ژنتیک
کدگذاري
ارزیابی
ترکیب
جهش
رمزگشایی
چارت الگوریتم به همراه شبه کد آ ن
شبه کد و توضیح آن
چارت الگوریتم ژنتیک
تابع هدف
روش هاي کد کردن
کدینگ باینري
کدینگ جایگشتی
کد گذاري مقدار
کدینگ درخت
نمایش رشته ها
انواع روش هاي تشکیل رشته
باز گرداندن رشته ها به مجموعه متغیرها
تعداد بیت هاي متناظر با هر متغی ر
جمعیت
ایجاد جمعیت اولیه
اندازه جمعیت
محاسبه برازندگی (تابع ارزش)
انواع روش هاي انتخاب
انتخاب چرخ رولت
انتخاب حالت پایدار
انتخاب نخبه گرایی
انتخاب رقابتی
انتخاب قطع سر
انتخاب قطعی بریندل
انتخاب جایگزینی نسلی اصلاح شده
انتخاب مسابقه
انتخاب مسابقه تصادفی
انواع روش هاي ترکیب
جابه جایی دودوئی
جابه جایی حقیقی
ترکیب تک نقطه ا ي
ترکیب دو نقطه اي
ترکیب یکنواخت
ترکیب حسابی
ترتیب
چرخه
بخش نگاشته
احتمال ترکیب
تحلیل مکانیزم جابجایی
جهش
جهش باینري
جهش حقیقی
وارونه سازي بیت
تغییر ترتیب قرارگیر ي
وارون سازي
تغییر مقدار
محک اختتام اجراي الگوریتم ژنتیک
انواع الگوریتم هاي ژنتیکی
الگوریتم ژنتیکی سري
الگوریتم ژنتیکی موازي
مقایسه الگوریتم ژنتیک با سیستم هاي طبیعی
نقاط قوت الگوریتم هاي ژنتیک
استراتژي برخورد با محدودیت ها
استراتژي اصلاح عملگرهاي ژنتیک
استراتژي اصلاحی
استراتژي جریمه اي
بهبود الگوریتم ژنتیک
چند نمونه از کاربردهاي الگوریتم هاي ژنتیک
فصل سوم
مقدمه
حلّ معماي هشت وزیر
جمعیت آغازین
تابع برازندگی
آمیزش
جهش ژنتیکی
الگوریتم ژنتیک و حلّ مسألۀ فروشندة دوره گرد
به وسیله الگوریتم ژنتیک TS P حل مسأله
TS P مقایسه روشهاي مختلف الگوریتم و ژنتیک براي
نتیجه گیر ي
حلّ مسأله معماي سودوکو
حل مسأله
تعیین کروموزم
ساختن جمعیت آغازین یا نسل اول
ساختن تابع از ارزش
ترکیب نمونه ها و ساختن جواب جدید
ارزشیابی مجموعه جواب
ساختن نسل بعد
مرتب سازي به کمک G A
صورت مسأله
جمعیت آغازین
تابع برازندگی
انتخاب
ترکیب
جهش
فهرست منابع و مراجع
پیوست
واژه نامه
نقاط بهینه محلی و بهینه کلی
چارت الگوریتم ژنتیک
ترکیب تک نقطه
ترکیب جایگشتی
جهش کدینگ جایگشتی
جهش کدینگ مقدار
کدینگ درختی
نمونه کروموزوم الگوریتم ژنتیکی
روش سري
روش محاطی
چرخه رولت
جابجایی چند نقطه
ترکیب تک نقطه اي
ترکیب دو نقطه اي
ترکیب یکنواخت
شبیه سازي جهش به کمک نمودار
جهش باینری
جهش:وارونه سازي بیت
جهش:تغییر ترتیب قرارگیري
جهش: وارون ساز ي
جهش: تغییر مقدار
نمودار بررسی رابطه هاي جمعیت، کیفیت جواب و معیار توقف بایکدیگر
چینش هشت مهره وزیر در صفحه شطرنج بدون تهدید یکدیگر
جدول سودوکو