دانلود مقاله جهش کروموزوم

اختصاصی از زد فایل دانلود مقاله جهش کروموزوم دانلود با لینک مستقیم و پر سرعت .

جدول 2.5 نتیجه برای=4 Nkeep  کروموزو را نشان می دهد. خوصیات تجمعی که در ستون 4 استفاده شده اند برای انتخاب کروموزم بکار می روند. اعداد تصادفی بین صفر و یک به وجود می آورند. از بالای لیست شروع می کنیم ، اولین کروموزم با خصوصیت متراکم بودن که از داده تصادفی که از استخر جفت گیری انتخاب شده بالاتر است انتخاب می شوند. بعنوان مثال ، اگر عدد تصادفیr =  0.577 باشد،‌آنگاه

1. 4<r<0.7 بنابراین Chromosome2 انتخاب می شود. اگر هر کروموزم باخودش محاسبه شود آنگاه دارای داده های زیاد تناوبی هستیم. ابتدا باید اجازه مراودبه آنها داده شود. این فقط به این معنی است که در نسل 3 تا از این نوع کروموزم داریم. دومین مرحله ، به طور تصادفی یک کروموزم دیگر انتخاب می کنیم. انتخاب دراین دیدگاه به طور طبیعی صورت می گیرد. سومین مرحله ،‌ یک کروموزم دیگر انتخاب می کنیم و از همان تکنینک وزنی قبل استفاده می کنیم.

روش رتبه بندی وزن کردن . کمی سخت تر از رو جفت گیری کردن از ابتدا به انتها است. جمعیت های کوچک قابلیت بالایی برای انتخاب کروموزم های یکسان دارند. این قابلیت باید یک بار اندازه گیری شود. ما سعی داریم از روش رتبه بندی وزن کردن استفاده کنیم تا در هر نسل تغییرات زیادی به وجود نیاوریم.

B : هزینه وزن کردن‌: قابلیت انتخاب کردن بیش تر به هزینه یامقدار کروموزم ها بستگی دارد تا به رتبه بندی آنها.

یک هزینه نرمال برای هر کروموزم به وسیله کم کردن هزینه یا مقدار آنها از کروموزم های اضافه که باید دورریخته شود برآورد می شود.

کاستن  تمام مقدیر را منفی می کند. جدول 2.6 لیستی از هزینه های نرمال سازی شده را نشان می دهد عدد                

که Pn به این صورت محاسبه شده است. از این دیدگاه بیشتر در زمانی استفاده می شود که اختلاف زیادی از لحاظ مقدار بین بالاترین و پایین ترین کروموزم وجود داشته باشد. به عبارت دیگر، از روش وزن کردن بیشتر زمانی استفاده می شود که کروموزم ها تقریبا دارای مقدار های مساوی باشند. برای انتخاب کروموزم های یکسان نیز از همین قانون پیروی می شود. قابلیت ها برای هر نسل باید دوباره محاسبه شوند.

4- انتخاب به صورت یک مسابقه :‌دیدگاه دیگری که بسیار شبیه به یک مسابقه طبیعی است انتخاب تصادفی از یک مجموعه کوچک از کروموزم ها (2 یا 3 تا) در استخر جفت گیری است وکروموزمی که کمترین مقدار را در این زیر مجموعه دارد به والدین تبدیل  می شود. مسابقه ادامه پیدا می کند ناتمام والدینی که نیازداریم را بیابیم. روش مسابقه و سرحدنهایی یا آستان یکی انتخاب خوب است زیرا در آنها هیچ وقت نیاز به طبقه بندی وجودندارد.برای جمعیت های بزرگ که طبقه بندی درآنها وقت گیر است روش مسابقه ای بهترین و مناسبترین روش است . نتیجه انتخاب هر والدینی در یک قسمت متفاوت ذخیره می شود. به طوری که ، ترکیب نسل بعدی باطرح و انتخاب بعدی متفاوت است. قمار کردن وروش مسابقه ای برای بیشتر ژنتیک الوریتمها استاندارد هستند.پیشنهاد یک طرح وزنی که بهترین کاربرد را دارد بسیار سخت است. در این مثال مارتبه بندی را برای این روند انتخاب کرده ایم. شکل 2.10 قابلیت انتخاب 4 متد انتخاب را نشان می دهد. انتخاب یکسان ، قابلیت ثابتی برای هر 8 والد دارد. انتخاب رتبه بندی قماری و انتخاب مسابقه ای با دوکروموزم تقریبا برای هر 8  والد قابلیت مساوی دارند. انتخاب کردن،‌قسمتی از قابلیت است که مناسب ترین کروموزم به عنوان والد را از میانگین کروموزم ها انتخاب می کند.

فشار انتخاب کردن در روش قمار کردن افزایش می یابد. برای یافتن اطلاعات بیشتری درمورد این متدهای وروش های انتخاب می توانید به این دو مرجع رجوع کنید.

(Back(1994) , Goldberg Deb(1991

1. 2.6 : جفت شدن

جفت شدن فرآیندی بین یک یا بیش از یک نسل از انتخاب فرآیند جفت شدن است. آرایش ژنتیکی از جمعیت بااعضاء رایج از یک جمعیت محدود می شود.

شکل 2.11 : جفت شدن والدین برای دو نسل را به عنوان جمعیت جانشین می شود.

رایج ترین روش جفت شدن شامل 2 گروه از والدین که تولید دو نسل می کنند است ( در شکل 2.11 نشان داده شده است.) یک دورگه (یک تقاطع)، یک انتخاب تصادفی میان اولین و آخرین بیت ها از کروموزم های والدین است. ابتدا parent1 به صورت باینری کد از سمت چپ در یک تقاطع به صورت نسل قرار می گیرند. به همان صورت parent2 به صورت باینری کد از سمت راست در یک تقاطع به صورت نسل قرار می گیرند.

بعد، باینری کدی که در سمت راست به عنوان parent1 قرار دارد و به سمتoffspring2      و parent2  به سمت offspring1می رود.

اولین جفت تصادفی (5,6) است. بنابراین بیت در سطر 5 و ستون 6 از ماتریس جهش یافته فرم جهش یک یک به یک صفر است.

[Mrow=[ 5  7  6  3  6  6  8  4  6  7  3  4  7  4  8  6  6  4   6   7 

[Mco1= [6 12  5 1113 5  5  6  4 11 10 6 13 3 4 11 5 14 10  5 

                  0010110000  0001 → 0010100000  001

جهش 19 بار دیگر نیز تکرار می شود.

بیت های جهش یافته درجدول 2.8 به صورت ایتالیک نشان داده شده اند. باید توجه کنیم که اولین کروموزم از قانون جهش نخبه سالاری پیروی نمی کند. اگر با دقت نگاه کنید، فقط 18 بیت به جای 20 بیت در جدول 2.8 تغییر یافته اند(جهش یافته اند.)

دلیل آن این است که سطروستون (5,6) به صورت تصادفی 3 بار انتخاب می شود. بنابراین همان بیت از یک به صفر تغییرمی یابدودرانتها دوباره ازصفربه یک تغییرمی یابد. موقعیت کروموزم درانتها اولین نسل درشکل 2.12 نشان داده شده است.

1. 2.8 :نسل بعدی

بعد از اینکه جهش اتفاق افتاد، مقدار آمیزش با نسل و کروموزم های جهش یافته محاسبه می شوند. (ستون 3 درجدول 2.8 ) فرآیند ادامه پیدا می کند. برای مثال ما ، جمعیت ای که باید برای نسل بعدی با آن جمعیت کار را شروع کنیم در جدول 2.9 قبل از رتبه بندی نشان داده شده است. 4 کروموزم انتهایی دور انداخته می شوند و با نسل ای از4 والد بالایی جانشین می شوند. 20 بیت تصادفی دیگر برای جهش از پایین هفت کروموزم انتخاب می شوند. جمعیت بعد از نسل دو در جدول 2.10 و شکل 2.13 نشان داده شده است.

در نتیجه ،‌ نسل شامل بخشی از باینری کد از هر دو و الد خواهد بود. والدین  را تولید می کنند . بنابراین جمعیت کروموزم ها به Npop در جدول 2.7 بر می گردد که مربوط به جفت گیری و فرآیند جفت شدن بادست است. اولین ردیف از والدین کروموزم های 3و2 در تقاطع بین بیت های 5و6 وجود دارد. دومین ردیف از والدین در ردیف های 3و4 و تقاطع بین بیت های 10 و 11 وجود دارد. این فرآیند به عنوان یک مدل ساده یا یک نکته ساده تقاطع شناخته می شود در مورد پیچیده تر جفت شدن در فصل 5 بحث خواهیم شد.

1. 2.7 : جهش

جهش تصادفی قسمتی از بیت های در لیست کروموزم ها را تغییرمی دهد. درجستجوی سطح هزینه در ژنتیک الگوریتم جهش راه دومی است. در جمعیت اصلی ونگهداری فرم های ژنتیک الگوریتم ممکن است ویژگی ها به خوبی معرفی نشوند و قبل از نمونه گیری از تمام سطح هزینه خیلی سریع تر همگرایی پیدا کنند. یک نمونه جهش تغییر یافتن یک 1 به یک 0 است و با یک نظم خاص است. نکات جهش یافته به صورت تصادفی از  از بیت ها درماتریس جمعیت افزایش تعداد جهش ها باعث افزایش آزادی الگوریتم برای جستجو خارج از محیط متغییرها می شوند. همچنین باعث انحراف الگوریتم از به هم نزدیک شدن برای راه حل محبوب می شود. جهش در رخ داد آخرین رخ داد تکرار نمی شود. آیا ما اجازه می دهیم که در بهترین راه حل جهش صورت گیرد؟ معمولاً این کار را نمی کنیم. آنها به عنوان راه حل های ممتازبرای تغییرات گسترده طراحی می شوند. این نخبه سالاری درژنتیک الگوریتم بسیار معمول است. چرا جواب های خوب را کنار می گذاریم؟

شامل 22 صفحه فایل word قابل ویرایش