الگوریتم ژنتیک چیست:
نکات کلی در مورد الگوریتم ژنتیک
الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند.
الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای رگرسیون هستند.
در هر نسل، بهترین های آن نسل انتخاب می شوند و پس از زاد و ولد، مجموعه جدیدی از فرزندان را تولید می کنند.
مسائل NP:
یک نمونه دسته ای از مشکلات که نمی توانند از طریق روش قدیمی و سنتی حل شوند، مسائل NP است.
مثال هایی از مسائل NP عبارتند از: مسئله فروشنده دوره گرد، مسئله N وزیر، مسئله کوله پشتی و ... الگوریتم های ژنتیکی از جمله روشهایی هستند که برای حل اینگونه مسائل بکار می روند.
مسئله زمانبندی هم جزء مسائل NP محسوب می شود
ساختار های کلی الگوریتم ژنتیکی:
نقاط قوت الگوریتمهای ژنتیک:
1- موازی بودن الگوریتم ژنتیک
2- جستجوی فضای جستجو در چند جهت مختلف
3- امکان شکستن فضاهای جستجو به فضاهای کوچکتر
محدودیت الگوریتمهای ژنتیک:
1- نوشتن عملگر Fitness که منجر به بهترین راه حل برای مسئله شود.
2- اگر عملگر Fitness به خوبی و قوی انتخاب نشود ممکن است باعث شود که راه حلی برای مسئله پیدا نکنیم یا مسئله ای دیگر را به اشتباه حل کنیم.
3- انتخاب مناسب پارامترهای دیگر مانند اندازه جمعیت، نرخ جهش و نرخ تبادل
4- اگر اندازه جمعیت بسیار کوچک باشد آنگاه الگوریتم ژنتیک نمی تواند فضای راه حلی کافی برای انتخاب داشته باشد و اگر بسیار بزرگ شود آنگاه سودمند نبوده و دچار مشکل خواهد شد.
شامل 38 اسلاید powerpoint
دانلود پاورپوینت شبیه سازی یک روش پیشنهادی برای فرایندهای سیستمهای ناهمگن با استفاده از الگوریتم ژنتیک
