نوع فایل: word
قابل ویرایش 100 صفحه
مقدمه:
الگوریتمهای ژنتیک بخشی از تحولات رشته کامپیوتر هستند که دارای فضای رشد سریعی در عرصه هوش مصنوعی می باشند. بطوریکه می توان حدس زد، الگوریتمهای ژنتیک از تئوری داروین که در مورد تکامل تدریجی است، الهام گرفته اند. با نگاه دقیق به روند تکامل، یعنی روندی که طبیعت برای حل مسائل خود از آن استفاده می کند، می توان به ایده های جالب و قابل پیاده سازی رسید. جانوران برای ابقاء خود و ادامه حیات مجبور به سازگاری با محیط هستند. اطلاعات گرفته شده درطی هزاران سال از طبیعت در کروموزومها و در سطح پایین تر روی ژن ها و دی ان آ ها ذخیره می گردد. علم کامپیوتر،علمی است که اندیشه آن از زمان تفکر برای اولین ماشین محاسبه گر شروع شد. این علم روز به روز پیشرفت کرد. بطوریکه پیشرفت آن قابل مقایسه با علوم دیگر نیست. این علم تا جائی پیشرغت کرده است که تمامی زندگی روزمره بشررا تحت الشعاع قرار داده است. اعمالی که تا چندین سال پیش با تفکر و حتی نیروی خلاقیت بشر انجام می شد، امروز با استفاده از علم کامپیوتر انجام می گیرد و انجام چنین کارهایی توسط بشر کاری بیهوده و وقت گیر می باشد. علوم کامپیوتر تنها به پیشرفت در محدوده خود قانع نبوده و متخصصین این علم از علوم دیگری همچون ریاضی و زیست شناسی برای پیشرفت و بهبود آن استفاده می کنند. در این زمینه مکانیزم تکامل انسان و ارث بری خصوصیات از کروموزومها از طریق عملگرهای ژنتیکی توجه متخصصین علم کامپیوتر را به خود جلب کرده است، به گونه ای که آنها برای حل مسائلی که با روشهای معمولی پیدا کردن راه حلهای مناسب برای آنها سخت می باشد این دو علم را با هم ترکیب می کنند. الگوریتمهای ژنتیک بخشی از تحولات رشته کامپیوتر هستند که دارای فضای رشد سریعی در عرصه هوش مصنوعی می باشند. بطوریکه می توان حدس زد، الگوریتمهای ژنتیک از تئوری داروین که در مورد تکامل تدریجی است، الهام گرفته اند. با نگاه دقیق به روند تکامل، یعنی روندی که طبیعت برای حل مسائل خود از آن استفاده می کند، می توان به ایده های جالب و قابل پیاده سازی رسید. جانوران برای ابقاء خود و ادامه حیات مجبور به سازگاری با محیط هستند. اطلاعات گرفته شده درطی هزاران سال از طبیعت در کروموزومها ودر سطح پایین تر روی ژن ها و دی ان آ ها ذخیره می گردد.
فهرست مطالب:
7) سیستم های رده بندی کننده ی یادگیری
7-1)اهداف این فصل
7-2)مثال مقدماتی
7-3)زمینه ی کلی
7-4)ZCS : سیستم رده بندی کننده ی سطح صفر
7-5)XCS
7-5-1)انگیزه
7-5-2)شرح
7-6)تعمیم ها
7-7)مثال های کاربردی
7-7-1)مدل سازی تاجرهای بازار مالی
7-7-2)مسئله ی چندمرحله ای
8) کنترل پارامتر در الگوریتم های تکاملی15
8-1)اهداف این فصل
8-2)مقدمه
8-3)مثال هایی از تغییر پارامترها
8-3-1)تغییر سایز گام جهش
8-3-2)تغییر ضرایب پنالتی
8-3-3)خلاصه
8-4)طبقه بندی تکنیک های کنترل
8-4-1)چه چیزی تغییر می یابد؟
8-4-2)چگونه تغییرات بوجود می آیند؟
8-4-3)تغییر براساس کدام شواهد صورت می گیرد؟
8-4-4)حوزه ی تغییر چه چیزی می باشد؟
8-4-5)خلاصه
8-5)مثال هایی از تغییر پارامترهای EA
8-5-1)نمایش
8-5-2)تابع ارزیابی
8-5-3)جهش
8-5-4)ترکیب
8-5-5)انتخاب
8-5-6)جمعیت
8-5-7)تغییر همزمان پارامترهای متعدد
8-6)بحث
9) مسائل چندوجهی و توزیع خاص35
9-1)اهداف این فصل
9-2)مقدمه: مسائل چندوجهی و نیاز برای پراکندگی
9-2-1)مسائل چند وجهی
9-2-2)راندگی ژنتیک
9-2-3)محرک های بیولوژیکی و روش های الگوریتمی
9-2-4)فضای الگوریتمیک در مقابل فضای ژنتیک در مقابل فضای راه حل
9-2-5)خلاصه
9-3)اندازه گیری های ضمنی
9-3-1)چندین جمعیت پشت سرهم : EA های مدل جزیره
9-3-2)توزیع خاص درون یک جمعیت : EA های مدل انتشار
9-3-3)گونه های اتوماتیک با استفاده از محدودیت های جفت گیری
9-4)حفاظت از تنوع صریح
9-4-1)به اشتراک گذاری برازندگی
9-4-2)ازدحام (انبوهی)
9-5)الگوریتم های تکاملی چندمنظوره
9-5-1)مسائل بهینه سازی چند منظوره
9-5-2)تسلط و بهینه سازی پاراتو (Pareto)
9-5-3)راهکارهای EA برای بهینه سازی چند منظوره
9-6)مثال کاربردی: هم تکاملی توزیع شده ی زمانبندی های تولید کارگاهی
10) هیبریداسیون (پیوندزنی) با دیگر تکنیک ها : الگوریتم های ممتیک52
10-1)اهداف این فصل
10-2)تحرکی برای هیبریداسیون EA ها
10-3)مقدمه ی مختصری بر جستجوی محلی
10-3-1)اثر لامارک و بالدوین
10-4)ساختار الگوریتم ممتیک
10-4-1)مقداردهی اولیه ی هیوریستیک یا هوشمند
10-4-2)ترکیب در عملگرهای تغییر : ترکیب و جهش هوشمند
10-4-3)اجرای جستجوی محلی روی نتیجه ی حاصل از عملگرهای تغییر
10-4-4)هیبریداسیون در طول نگاشت ژنوتایپ به فنوتایپ
10-5)مباحث طراحی برای الگوریتم های ممتیک
10-5-1)حفظ تنوع
10-5-2)انتخاب عملگرها
10-5-3)استفاده از دانش
10-6)مثال کاربردی: برنامه ی زمانی چند مرحله ای ممتیک
11) نظریه66
11-1)اهداف این فصل
11-2)رقابت چندسطحی ها در فضاهای باینری: قضیه الگو
11-2-1)الگو چیست ؟
11-2-2)فرمول Holland برای SGA
11-2-3)تحلیل مبتنی بر الگوهای عملگرهای تغییر
11-2-4)تحلیل و حقه ی والش
11-2-5)انتقادها و گسترش های اخیر قضیه ی الگوها
11-2-6)پیوند ژنی : شناسایی و بازترکیب بلوک های سازنده
11-3)سیستم های پویا
11-4)تحلیل زنجیره مارکوف
11-5)روش های مکانیک آماری
11-6)روش های کاهش گرایی
11-7)تحلیل EA ها در فضاهای جستجوی پیوسته
11-8)قضیه های NO FREE LUNCH
12) کنترل محدودیت78
12-1)اهداف این فصل
12-2)مسائل محدود شده
12-2-1)مسائل بهینه سازی آزاد
12-2-2)مسائل مطلوبیت محدود
12-2-3)مسئله های بهینه سازی محدود شده
12-3)دو نوع مهم کنترل محدودیت
12-4)روش هایی برای کنترل محدودیت های موجود در EA ها
12-4-1)توابع پنالتی
12-4-2)توابع تعمیر
12-4-3)محدودسازی جستجو به منطقه ی امکان پذیر
12-4-4)توابع کدگشا
12-5)مثال کاربردی : گراف رنگ آمیزی با سه رنگ
12-5-1)روش غیرمستقیم
12-5-2)نگاشت ترکیبی – روش مستقیم
پروژه کامپیوتر با عنوان الگوریتم های ژنتیک. doc