تکنیک های هوش محاسباتی (CI) طی سال های اخیر توجه بسیاری از مهندسان تحقیق، تصمیم گیرندگان، و محققان برای حل تعداد نامحدودی از مسائل پیچیده ی واقعی به خصوص مربوط به حوزه ی بهینه سازی را جلب کرده است. در متغیرهای تصمیمی چندگانه غیرمطمیئن و بی نظم، محدودیت های پیچیده، محیط مشوش و رویکردهای کلاسیک و سنتی قادر به ارائه ی راه حل های مناسبی برای مسائل بهینه سازی نمی باشد. هوش محاسباتی از تکنیک هایی استقبال می کند که از بهینه سازی جهانی جستجو، یادگیری ماشین، استدلال تقریبی، و سیستم پیوندگرا استفاده می کنند. تکنیک های هوش مصنوعی شامل مجموعه ای از یادگیری، اقتباس و تحول می باشد که برای برنامه های هوش و جدید مورد استفاده قرار می گیرند. همچنین هوش مصنوعی به عنوان یکی از مسیرهای تحقیق پیشرفته محسوب می شود چراکه راه حل های موثر، قوی و راحت برای مسائل پیچیده ی واقعی را می توان ایجاد کرد.

درباره ی این کتاب

راه حل های مسائل مبتنی بر محدودیت برای استفاده از الگوهای MATLAB و SIMULINK به عنوان پایه و ستون این کتاب انتخاب شده اند. کتاب حاضر نگاشته شده است تا عملکرد هوش محاسباتی را به لحاظ ارائه ی دانش، سازگاری، بهینگی و سرعت پردازش برای مسائل واقعی مختلفی را بررسی کند. این کتاب به الگوهای هوش محاسباتی و نقش آن ها در کارکردهای مختلف مهندسی مانند تعهد به واحد و بار پخش بار اقتصادی، کاهش هارمونیک، کنترل فرکانس بار و تنظیم ولتاژ اتوماتیک، برنامه ریزی فروشگاه کار، مسیریابی وسیله نقلیه multi depot( چند مخزنه )و نهان نگاری تصویر دیجیتال می پردازد. تاثیر الگوریتم هوش محاسباتی در حوزه ی سیستم های قدرت، سیستم های کنترل، اتوماسیون صنعتی و پردازش عکس با اجرای کاربردی از طریق MATLAB/SIMULINK توضیح داده می شوند. هر کارکرد با اجرای الگوریتم هوش محاسباتی، روش شناسی برای بکارگیری الگوریتم هوش محاسباتی برای مسئله ی مورد نظر، رویکرد مسئله با استفاده از MATLAB/SIMULINK، و بررسی جامع با آزمون داده مبتنی بر مسئله انجام می شود.

توضیح مفصلی برای هر یک از مباحث ارائه شده است با این هدف تا مهندسان و دانشمندان بتوانند از مقدمه های موجود بر موضوعات کارکرد و تحقیق بهره ببرند. این کتاب دانشجویان لیسانس، ارشد و دکتری و محققین علاقمند به فهم و اجرای الگوریتم های هوش محاسباتی برای کارکردهای متعدد مبتنی بر MATLAB/SIMULINK را مخاطب خود قرار می دهد.

ساختار کتاب

این کتاب شامل 7 فصل می شود. فصل اول مفاهیم بنیادین الگوریتم هوش محاسباتی و همچنین نقش الگوهای هوش محاسباتی در کاربرد مهندسی را توضیح می دهد.

همچنین، طبقه بندی مفصلی از الگوریتم های هوش محاسباتی با شبهه کد، حوزه های کاربرد، و مزایا و معایب هر الگوریتم نیز ارائه شده است. تحقیقی پیرامون حوزه های کاربرد با مقدمه ای بر مسئله های مبتنی بر محدودیت که در فصل های بعدی ارائه می شود نیز فراهم گردیده است.

فصل 2 به فرمول ریاضی تهعد به واحد (UC) و مسائل اعزام بار اقتصادی به همراه چارچوبی برای حل این مسائل می پردازد.

اجرای تکنیک های بهینه سازی مانند الگوریتم های ژنتیکی (GA)، شبکه ی تابع بنیادین مبتنی بر فازی-شعاعی (FRBFN)، بهینه سازی فزاینده ی ازدحام ذرات (EPSO)، تحول تفاضلی با یادگیری مخالفت-محور (DEOBL)، تحول تفاضلی با یادگیری مخالفت-محور بهبودیافته (IDE-OBL)، کلونی زنبور عسل مصنوعی (ABC)، و بهینه سازی جستجو فاخته (CSO) در حل تعهد به واحد و اعزام بار اقتصادی (UC-ELD) به همراه آنالیز مقایسه ای مبتنی بر هزینه سوخت، توان، کارآمدی محاسباتی و کارآمدی الگوریتمی ارائه شده اند.

فصل 3 به تاثیرات هارمونیک و روش های از بین بردن همسازها از طریق درایوهای اینورتر منبع ولتاژ (VSI) برای اندازه گیری هارمونیک در صنعت خمیر و کاغذ می پردازد.

مدل های MATLAB/SIMULINK برای درایوهای ایجاد شده برای کاهش هارمونیک با بکارگیری الگوریتم های هوش محاسباتی مانند GA و بهینه سازی تغذیه باکتری (BFO) برای کاهش همسازها ایجاد شده اند.

فصل 4 اهمیت کنترل فرکانس بار (LFC) و تنظیم کننده خودکار ولتاژ (AVR) در سیستم های تولید کننده ی قدرت را نشان می دهد.  سیستم های LFC و AVR با کمترل کننده ی PID به همراه پارامترهای مختلف بکاررفته برای شبیه سازی مدل سازی شده اند. همچنین، LFC و AVR با کنترل کننده ی PID که توسط منطق فازی، GA، بهینه سازی کلونی مورچه (ACO) و بهینه سازی ازدحام ذرات (PSO) تنظیم شده اند مورد آزمون قرار گرفتند. بعلاوه، ترکیب الگوریتم های تکاملی با فازی، GA، BF، و ورژن های بهبودیافته ی الگوریتم PSO بکار رفتند تا عملکرد LFC و AVR در سیستم های قدرت به هم متصل را آزمود.

فصل 5 مشکل زمانبندی نغازه کارها (JSSP) را به معنای فازی با استفاده از بهینه سازی فرا-اکتشافی مانند GA، PSO تصادفی، ACO، و بهینه سازی ازدحام ژنتیکی (GSO) حل می کند. فرمول و مدل ریاضی JSSP با اجرای اکتشافی هوشمند با فایل های MATLAB مشخص شده اند. الگوریتم ها با اجرای آزمایش روی مجموعه ای استاندارد از 162نمونه معیار بررسی می شوند که خود عملکد JSSP را ارزیابی می کند.

فصل 6 به مفاهیم پایه ای و مدل ریاضی مشکل مسیریابی وسایل نقلیه (MDVRP) می پردازد. این مسئله با تکنیک های زیستی مانند GA، PSO بهبود یافته، ABC، GSO، و GSO بهبودیافته اجرا می شود. کارآمدی تکنیک های پیشنهادی بر روی 5 نمونه معیار مختلف Cordeau  آزموده و ارزیابی می شوند. اکتشافی هوشمند به منظور ارزیابی عملکرد نمونه های MDVRP اجرا می شوند.

فصل 7 نهان نگاری هوشمند و دیجیتالی تصویر مبتنی بر GA، PSO، و PSO ترکیبی را مشخص می سازد. طرح های پیش از نهان نگاری مانند تقسیم بندی تصویر، استخراج ویژگی، انتساب جهت گیری، و عادی سازی تصویر به همراه الگوریتم های پردازش تصویر ارائه شده اند. فرایند تعبیه ی علامت و استخراج تصویرهای از پیش پردازش ده در DWT به همراه حمله های هندسی و غیرهندسی به تفصیل ارائه شده اند. روند اجرای قدم به قدم الگوریتم های اکتشافی و قطعه فایل های MATLAB در این فصل مورد بحث قرار گرفته اند.

لینک دانلود

نوشته کتاب الگوهای هوش محاسباتی برای مسئله های بهینه با استفاده از MATLAB/SIMULINK اولین بار در ايران متلب. پدیدار شد.

ساختار الگوريتم‏هاي ژنتيكي

به طور كلي, الگوريتم‏هاي ژنتيكي از اجزاء زير تشكيل مي‏شوند:

كروموزوم Chromosome

در الگوريتم‏هاي ژنتيكي, هر كروموزوم نشان دهنده يك نقطه در فضاي جستجو و يك راه‏ حل ممكن براي مسئله مورد نظر است. خود كروموزوم‏ها (راه حل‏ها) از تعداد ثابتي ژن (متغير) تشكيل مي‏شوند. براي نمايش كروموزوم‏ها, معمولاً از كدگذاري‏هاي دودويي (رشته‏ هاي بيتي) استفاده مي‏شود.

جمعيت Population

مجموعه‏اي از كروموزوم‏ها يك جمعيت را تشكيل مي‏دهند. با تاثير عملگرهاي ژنتيكي  بر روي هر جمعيت, جمعيت جديدي با همان تعداد كروموزوم تشكيل مي‏شود.

تابع برازندگي Fitness Function

به منظور حل هر مسئله با استفاده از الگوريتم‏هاي ژنتيكي, ابتدا بايد يك تابع برازندگي براي آن مسئله ابداع شود. براي هر كروموزوم, اين تابع عددي غير منفي را برمي‏گرداند كه نشان دهنده شايستگي يا توانايي فردي آن كروموزوم است.

عملگرهاي الگوریتم  ژنتيك

در الگوريتم‏هاي ژنتيكي, در طي مرحله توليد مثل Reproduction ازعملگرهاي ژنتيكي استفاده مي‏شود. با تاثير اين عملگرها بر روي يك جمعيت, نسل Generation بعدي آن جمعيت توليد مي‏شود. عملگرهاي انتخاب Selection , آميزش Crossover  و جهش Mutation معمولاً بيشترين كاربرد را در الگوريتم‏هاي ژنتيكي دارند.

عملگر انتخاب  (Selection ):

اين عملگر از بين كروموزوم‏هاي موجود در يك جمعيت, تعدادي كروموزوم را براي  توليد مثل انتخاب مي‏كند. كروموزوم‏هاي برازنده ‏تر شانس بيشتري دارند تا براي توليد مثل انتخاب شوند.

روش های انتخاب :

Elitist Selection (انتخاب نخبگان)

مناسب‌ترین عضو هر اجتماع انتخاب می‌شود. با توجه به مقدار شایستگی که از تابع ارزیاب دریافت کرده است.

نمونه ‏برداري به روش چرخ رولت

در اين روش, به هر فرد قطعه ‏اي از يك چرخ رولت مدور اختصاص داده مي‏شود. اندازه اين قطعه متناسب با برازندگي آن فرد است. چرخ N بار چرخانده مي‏شود كه N تعداد افراد در جمعيت است. در هر چرخش, فرد زير نشانگر چرخ انتخاب مي‏شود و در مخزن والدين نسل بعد قرار مي‏گيرد. اين روش مي‏تواند به صورت زير پياده‏ سازي شود:

• نرخ انتظار كل افراد جمعيت را جمع كنيد و حاصل آن را T بناميد.
• مراحل زير را N بار تكرار كنيد:

يك عدد تصادفي r بين 0 و T  انتخاب كنيد.

در ميان افراد جمعيت بگرديد و نرخ‏هاي انتظار( مقدار شایستگی) آنها را با هم جمع كنيد تا اين كه مجموع بزرگتر يا مساوي r شود. فردي كه نرخ انتظارش باعث بيشتر شدن جمع از اين حد مي‏شود, به عنوان فرد برگزيده انتخاب مي‏شود.

Tournament Selection (انتخاب تورنومنت) :

یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیر‌گروه برای تولید انتخاب می‌شوند.

عملگر آميزش (Crossover ):

در جریان عمل تلفیق  به صورت اتفاقی بخشهایی از کروموزوم ها با یکدیگر تعویض می شوند. این موضوع باعث می شود که فرزندان ترکیبی از خصوصیات والدین خود را به همراه داشته باشند و دقیقاً مشابه یکی از والدین نباشند.

هدف تولید فرزند جدید می باشد  به این امید که خصوصیات خوب دو موجود در فرزندشان جمع شده و یک موجود بهتری را تولید کند.

روش کار به صورت زیر است:

بصورت تصادفی یک نقطه از کروموزوم را انتخاب می کنیم

ژن های مابعد آن نقطه از کروموزوم ها را جابجا می کنیم

تلفیق تک نقطه ای (Single Point Crossover)

اگر  عملیات تلفیق را در یک نقطه انجام دهیم به آن تلفیق تک نقطه ای می گویند.

تلفیق بدين صورت انجام مي گيرد که حاصل ترکيب کروموزومهاي پدر و مادر مي باشد. روش توليد مثل نيز بدين صورت است که ابتدا بصورت تصادفي ,نقطه اي که قرار است توليد مثل از آنجا آغاز گردد ,انتخاب مي گردد. سپس اعداد بعد از آن به ترتيب از بيت هاي کروموزومهاي پدر و مادر قرار مي گيرد که در شکل زير نيز نشان داده شده است.

در شکل بالا کروموزومهاي 1 و2 در نقش والدين هستند. و حاصل توليد مثل آنها در رشته هائي بنام Offspring ذخيره شده است.دقت شود که علامت  “|” مربوط به نقطه شروع توليد مثل مي باشد و در رشته هاي Offspring اعدادي که بعد از نقطه شروع توليد مثل قرار مي گيرند مربوط به کروموزومهاي مربوط به خود مي باشند. بطوريکه اعداد بعد از نقطه شروع مربوط به Offspring1  مربوط به اعداد بعد از نقطه شروع مربوط به کروموزوم 1 و اعداد بعد از نقطه شروع توليد مثل مربوط به Offspring2 مربوط به اعداد بعد از نقطه شروع توليد مثل مربوط به کروموزوم 2 مي باشند

روش ادغام دو نقطه ای Two-point CrossOver :

در این روش دو مکان را به صورت تصادفی انتخاب کرده و مقادیر بین این دو نقطه را جابجا می کنیم.

تلفیق نقطه ای (Multipoint Crossover) :

می توانیم این عملیات را در چند نقطه انجام دهیم ، که به آن بازترکیبی چند نقطه ای می گویند

تلفیق جامع (Uniform Crossover) :

اگر تمام نقاط کروموزوم را بعنوان نقاط بازترکیبی انتخاب کنیم به آن بازترکیبی جامع می گوئیم.  مثال)

عملگر جهش (Mutation ):

پس از اتمام عمل آميزش, عملگر جهش بر روي كروموزوم‏ها اثر داده مي‏شود. اين عملگر يك ژن از يك كروموزوم را به طور تصادفي انتخاب نموده و سپس محتواي آن ژن را تغيير مي‏دهد. اگر ژن از جنس اعداد دودويي باشد, آن را به وارونش تبديل مي‏كند و چنانچه متعلق به يك مجموعه باشد, مقدار يا عنصر ديگري از آن مجموعه را به جاي آن ژن قرار مي‏دهد. در شكل زیر چگونگي جهش يافتن پنجمين ژن يك كروموزوم نشان داده شده است.

پس از اتمام عمل جهش, كروموزوم‏هاي توليد شده به عنوان نسل جديد شناخته شده و براي دور بعد اجراي الگوريتم ارسال مي‏شوند.

قبل از اين كه يك الگوريتم ژنتيكي بتواند اجرا شود, ابتدا بايد كدگذاري (يا نمايش) مناسبي براي مسئله مورد نظر پيدا شود. معمولي ترين شيوه نمايش کروموزومها در الگوريتم ژنتيک به شکل رشته هاي دودويي است. هر متغير تصميم گيري به صورت دودويي در آمده و سپس با کنار هم قرار گرفتن اين متغيرها کروموزوم ايجاد مي­شود . گرچه اين روش گسترده ترين شيوه کدگذاري است اما شيوه هاي ديگري مثل نمايش با اعداد حقيقي در حال گسترش هستند. همچنين يك تابع برازندگي نيز بايد ابداع شود تا به هر راه‏ حل كدگذاري شده ارزشي را نسبت دهد. در طي اجرا, والدين براي توليد مثل انتخاب مي‏شوند و با استفاده از عملگرهاي آميزش و جهش با هم تركيب مي‏شوند تا فرزندان جديدي توليد كنند. اين فرآيند چندين بار تكرار مي‏شود تا نسل بعدي جمعيت توليد شود. سپس اين جمعيت بررسي مي‏شود و در صورتي كه ضوابط همگرايي رآورده شوند, فرآيند فوق خاتمه مي‏ يابد.

پیش نیاز : 

در ادامه آموزش الگوریتم های بهینه سازی ، فیلم آموزشی الگوریتم ژنتیک برای دانش پذیران گرامی تهیه شده است. پیش نیاز این فیلم آموزشی، آموزش بهینه سازی می باشد. لذا به دانش پذیران گرامی توصیه می شود ابتدا فیلم آموزشی بهینه سازی را مشاهده کنند و سپس فیلم آموزشی الگوریتم ژنتیک را ببینند. 

.

.

مدت زمان      : 104 دقیقه

حجم فایل ها : 154 مگابایت

.

.

نتیجه سالها تجربه :

این فیلم آموزشی نتیجه سالها کدنویسی و کار با الگوریتم ژنتیک در پروژه های مختلف می باشد و هزینه ای که شما برای تهیه آن می پردازید در برابر سالها تجربه ای که صرف تهیه این فیلم آموزشی شده بسیار ناچیز است. 

.

لینک دریافت

تصویرهایی از محیط این فیلم آموزشی :

گنجینه فیلم های آموزشی فارسی الگوریتم های بهینه سازی تکاملی-هوش مصنوعی

ردیف	عنوان	مدت زمان	لینک
1	فیلم آموزش فارسی الگوریتم تکامل گرامری Grammatical Evolution	35 دقیقه	لینک دریافت (کلیک کنید)
2	فیلم آموزشی فارسی الگوریتم بازی تکاملی Evolutionary Game Algorithm	35 دقیقه	لینک دریافت (کلیک کنید)
3	فیلم آموزش فارسی الگوریتم جستجوی فاخته cuckoo search	100 دقیقه	لینک دریافت (کلیک کنید)
4	فیلم آموزش فارسی بررسی قیود در مسائل بهینه سازی مقید	34 دقیقه	لینک دریافت (کلیک کنید)
5	فیلم آموزش فارسی الگوریتم دسته ماهی مصنوعی	30 دقیقه	لینک دریافت (کلیک کنید)
6	فیلم آموزش فارسی الگوریتم کلونی زنبور عسل	65 دقیقه	لینک دریافت (کلیک کنید)
7	فیلم آموزش فارسی بهینه سازی مبتنی بر جغرافیای زیستی	30 دقیقه	لینک دریافت (کلیک کنید)
8	فیلم آموزش فارسی الگوریتم ژنتیک در متلب	190 دقیقه	لینک دریافت (کلیک کنید)

نوشته فیلم جامع آموزش فارسی الگوریتم ژنتیک در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

چکیده
طراحی شبکه­ های توزیع و جمع­آوری یکی از مهم­ترین مسائل مطرح در صنایع کنونی جهان است. در این صنایع، مسیر یابی وسایل حمل و نقل در نظر گرفته شده و مدل [۱]VRP را شکل دادهاند، به این معنا که مسیر بهینه­ی هر وسیله­ی نقلیه در مسیر مرتبط خود تعیین شود. یکی از کاربردهای این مساله در سیستم جمع­آوری زباله­های شهری است. اما مساله­ی اصلی در این سیستم­ها اینست که علاوه تعیین مکان­های استقرار وسایل نقلیه (وسایل حمل زباله)، بایستی مکان­های مراکز میانی تخلیه زباله­ها نیز تعیین شود و در عین حال وسایل نقلیه به صورت بهینه مسیریابی شوند. در این مقاله روشی یکپارچه برای حل این مساله با استفده از الگوریتم ژنتیک آمده است.
کلمات کلیدی: مسیریابی وسایل نقلیه، سیستم جمع­آوری زباله، الگوریتم ژنتیک
۱- مقدمه
مساله مسیریابی وسیله نقلیه یکی از مهمترین مسائل موجود در صنایع جهان است که امروزه به علت کاربردهای واقعی در مسائل صنعتی بسیار مورد توجه قرار گرفته است. در این مساله چندین وسیله نقلیه بطور همزمان از انبار (پارکینگ وسایل نقلیه) شروع به حرکت کرده و بعد از ملاقات کردن گره­های تقاضا (مشتریان) به انبار باز می­گردند، به شرط آن­که اولاً هر گره­ی تقاضا فقط توسط یکی از این وسایل نقلیه ملاقات شود و ثانیاً هر وسیله نقلیه بیشتر از ظرفیت خود در طول مسیر بارگذاری نکند. به کاربردن صحيح اين مساله حدود ۵ تا ۲۰ درصد در کل هزينه­ي حمل و نقل صرفه­جويي مي­کند.

از کاربردهای اصلی این مساله می­توان به جمع آوری زباله، توزیع و پخش مواد غذایی و دارو، مسیریابی سرویس مدارس و کارمندان، توزیع و پخش نامه­های پستی، برنامه­ریزی مسیر کشتی­ها، توزیع روزنامه، حرکت ربات­ها در کف کارخانه اشاره کرد.
اهدافی مختلفی تا به حال برای این مساله در نظر گرفته شده است که تعدادی از آن­ها عبارتند از:
· کمینه کردن مسیر پیموده شده توسط همه وسائل نقلیه
· کمینه کردن کل تعداد وسایل نقلیه
· کمینه کردن تابعی از زمان های دیرکرد یا زودکرد خدمت رسانی وسایل نقلیه به مشتریان
VRP میتواند دارای محدودیت­های متفاوتی باشد. برخی از این محدودیت­ها عبارتند از: تعداد مراکز سرویس دهی، محدود بودن یا نامحدود بودن ظرفیت خودروها، قطعی یا احتمالی بودن تقاضا، وجود یا عدم وجود محدودیت برای طول مسیر.
مساله VRPاز مسائل مشهور عدد صحيح است که در دسته مسائل NP-Hard قرار مي­گيرد. پيچيدگي اين مساله مربوط به دو مساله زير است:
۱-مساله فروشنده دوره گرد(Travel Salesman Problem)
اگر ظرفيت وسيله ي نقليه نامحدود در نظر گرفته شود VRP تبديل به مساله چند فروشنده دوره گرد([۲]MTSP) مي شود.
۲-مساله پوشش(Bin Packing Problem)
اين سوال که آيا يک جواب براي مساله VRP امکان پذير است يک مساله پوشش است.

انواع مسائل VRP
مساله VRP انواع مختلفي دارد که هر کدام شرايط مختلفي را در نظر مي­گيرند. هر يک از اين­ها داراي تابع هدف، فضاي امکان پذير و مدل رياضي خاص خود است. تعدادی از اين مسائل عبارتند از: CVRP،MDVRP، PVRP، SDVRP، SVRP، VRPTW و VRPPD
به عنوان مثال [۳]CVRPTWهمان مساله VRP است با اين تفاوت که هر وسيله نقليه ظرفيت يکنواختي از يک جنس خاص دارد. در مساله جمع­آوری زباله نیز ما به دلیل محدودیت در ظرفیت وسایل نقلیه با این مساله روبرو هستیم.
۲- ادبیات موضوع
با توجه به اهداف و محدودیت­های تعریف شده برای VRP و در نظر گرفتن عواملی مانند زمان و هزینه­های مورد نیاز جهت رسیدن به جواب و دقت مطلوب، روش­های مختلفی برای بدست آوردن جواب VRP وجود دارد که بطور کلی به سه دسته روش­های دقیق، ابتکاری و فراابتکاری تقسیم­بندی می­شوند.
روش­های دقیق:
در دهه­های ۱۹۶۰ و ۱۹۷۰ میلادی عمده تحقیقات انجام گرفته برای حل VRP بر روی روش­های دقیق متمرکز بود که برخی از آن­ها عبارتند از: برنامه­ریزی پویا، روش تبدیل VRP به TSP و فرمول­بندی دو اندیسی.
تبدیل VRP به :TSP
در این روش شبکه مورد نظر با اضافه کردن چند گره و یال مجازی تبدیل به شبکه دیگری می شود، که شبکه بدست آمده به صورت یک مساله TSP خواهد بود و با حل TSP می­توان مسیرهای مورد نظر و تعداد وسایل مورد نیاز را تعیین نمود.[۱[
برنامه ریزی پویا:
نمونه­ای از کاربرد برنامه ریزی پویا در حل VRP توسط ایلیون برای m خودرو که ظرفیت آن­ها مشخص می­باشد، ارائه شده است. در این تحقیق با تبدیل VRP به m مساله TSP جواب بهینه محاسبه گردیده است. [۱]
فرمول بندی سه اندیسی :
این فرمول بندی توسط فیشر ۳ و جی کومار ۴ ارائه گردیده است. فرمول بندی ارائه شده مساله تخصیص عمومی و مساله فروشنده دوره گرد با محدودیت زمانی را پوشش می­دهد. این روش ابتدا یک مساله اصلی GAP را برای تخصیص دادن نقاط به خودروها حل کرده و سپس بهترین مسیر برای هر خودرو از طریق حل یک TSPTW بدست می­آید. [ ۲ و ۳ و ۱[

روش­های ابتکاری:
VRP و TSP جزء مسائل Np- hard یا Np- complete می­باشند[ ۴ ] و با افزایش اندازه مساله حجم محاسباتی روش­های شناخته شده برای حل بهینه آنها دارای رشد نمایی است، بنابراین حل بهینه مسائل واقعی با اندازه بزرگ تقریبا غیر عملی است و به ناچار باید از روش­های ابتکاری و فراابتکاری برای محاسبه جواب قابل قبول و تقریباً بهینه استفاده شود. برخی از الگوریتم های ابتکاری VRP در ادامه آمده است.
الگوریتم صرفه جویی ( C& W)
این الگوریتم اولین بار توسط کلارک و رایت برای حل مسائل VRP با محدودیت ظرفیت و با تعداد نقاط محدود ارائه شد. این روش با ایجاد مسیرهایی که شامل مرکز و یک نقطه تقاضای دیگر است، شروع شده و در هر مرحله با توجه به بیشترین صرفه جویی ممکن دو مسیر با هم ترکیب می­شود.[۱,۲]
تعداد مسیرها( خودروها) توسط الگوریتم مشخص می­شود ولی در صورتی­که تعداد خودروها از قبل مشخص باشد، می­توان ترکیب مسیرها را تا جایی ادامه داد که تعداد مسیرهای موجود با تعداد مشخص شده برابر شود، حتی اگر میزان صرفه جویی منفی باشد.
الگوریتم جارو :
این الگوریتم توسط ژیلت و میلر ارائه گردیده و بر اساس روش­های دسته بندی مسیریابی عمل می­کند. در این روش به مراکز تقاضا مختصات قطبی تخصیص داده می­شود و بر اساس افزایش زاویه رتبه بندی می­شوند. از مرکزی که دارای کوچکترین زاویه بوده و به هیچ مسیری تعلق ندارد شروع و تا جایی که ظرفیت خودرو اجازه دهد، مراکز به خودرو اختصاص یافته و مسیر بهینه هر خودرو از طریق حل TSP بدست می­آید. در بین مسیرهای مجاور در صورتی که تغییر بعضی از نقاط بین دو مسیر، مسافت کل را کاهش دهد، تغییرات انجام و مجدداً مسیر بهینه هر خودرو محاسبه می­شود. کوچکترین مقدار بین جواب­های بدست آمده جواب VRP است.[۱,۲]
الگوریتم مسیر یابی کمانی:
این الگوریتم جزء طبقه مسیریابی دسته بندی بوده و توسط استرن و درور در مورد مسیر یابی متصدیان خواندن کنتور برق ارائه شده است. الگوریتم طی دو فاز مسیرهای بهینه را محاسبه می­کند. در فاز اول با استفاده از روش­های CPP یک مسیر اولر ایجاد می­شود و در فاز دوم با توجه به محدودیت­ها مراکز تقاضا دسته بندی می­شوند.[۵]
الگوریتم صرفه جویی برای مسیر یابی کمانی:
الگوریتم فوق مشابه الگوریتم صرفه جویی در مسیریابی گره­ای بوده و توسط گلدن و وانگ ارائه گردیده است. در این الگوریتم همه مراکز تقاضا در مسیرهای جداگانه قرار گرفته و با توجه به محدودیت­های موجود ترکیب زوج مسیر های ممکن بررسی و دو مسیری که بیشترین صرفه جویی را ایجاد می­کند، با یکدیگر ترکیب می­شوند.[۶]

روش­های فراابتکاری:
الگوریتم­های فراابتکاری بسیاری درحل مساله مسیریابی خودروها استفاده شده که از آن جمله می­توان به الگوریتم ژنتیک اشاره نمود. استفاده از این الگوریتم در حلVRP، توسط افراد مختلفی بررسی گردیده که به عنوان نمونه می توان به تحقیقات پریرا، تاوارس ، ماچادا و کاستا اشاره نمود. در این تحقیقات کاربرد الگوریتم ژنتیک در مسائل مسیریابی با محدودیت ظرفیت ( CVRP) و مسیریابی با محدودیت زمانی ( VRPTW) بررسی گردیده است. نتایج محاسباتی نشان دهنده کارائی بالای این روش است [۷,۸,۹]. نمونه­ای از تلاش­های انجام شده برای استفاده از الگوریتم جستجوی ممنوع و سیستم بهینه سازی مورچگان در مراجع ۱۰ و ۱۱ موجود است.
۳- مدل ریاضی
در این قسمت به بیان مدل ریاضی مساله CVRP پرداخته می­شود.

محدودیت ۲ تضمین می­کند که هر مشتری فقط توسط یک وسیله سرویس بگیرد. در محدودیت ۳ قید ظرفیت ماشین­ها اعمال می­گردد. به عبارت دیگر مجموع حجم تقاضای مشتریانی که به یک ماشین تخصیص داده می­شود بایستی حداکثر برابر با ظرفیت ماشین باشد. معادلات ۴ و ۵ تضمین می­کند که مسیرها پیوسته باشند. در این معادلات موازنه جریان ورود و خروج وسایل نشان داده شده است. به عبارت دیگر تعداد ماشین­هایی که به هر گره وارد می­شود برابر با تعداد ماشین­هایی است که از آن­ها خارج می­شوند.
متدولوژی حل
برای حل این مساله در حالت جمع­آوری زباله از الگوریتم ژنتیک استفاده شده است. الگوريتم­هاي ژنتيک از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش بيني يا تطبيق الگو استفاده مي­کنند. قانون انتخاب طبيعي بدين صورت است كه تنها گونه‌هايي از يك جمعيت ادامه نسل مي‌دهند كه بهترين خصوصيات را داشته باشند و آن­هايي كه اين خصوصيات را نداشته باشند به تدريج و در طي زمان از بين مي‌روند. موتور الگوريتم ژنتيک يک جمعيت اوليه تصادفي از پاسخ هاي ممكن براي مسئله ايجاد مي­کند كه هريك از اين پاسخ­ها در قالب يك كروموزوم داراي تعدادي ژن ( هر ژن نماينده ي يك مجهول مسئله مي باشد) بوده و به صورت مناسبي كدگذاري شده­اند. در مرحله بعدي هر كروموزوم در برابر مجموعه­اي از معيارها مورد آزمايش قرار مي­گيرد. تابع برازش با توجه به ميزان موفقيت هر كروموزوم در حل مسئله ارزش آن­ها را معين مي­كند. سپس بر اساس اين ارزش­ها كروموزوم­ها به ترتيب صعودي به نزولي مرتب مي شوند تا x% از آنها حفظ شده و بقيه حذف شوند. براي جايگزيني اين كروموزوم­هاي حذف شده، كروموزوم­هاي باقي­مانده به نحوي دو به دو انتخاب شده و توليد فرزند مي­كنند. يك نحوه­ي اين انتخاب اينست كه مجموعه كوچكي از كروموزوم­ها به صورت تصادفي انتخاب شده و سپس از بين اين كروموزوم­ها، دو كروموزومي كه داراي ارزش بيشتري هستند به­عنوان والدين براي توليد فرزند انتخاب مي­شوند. شرايط خاتمه الگوريتم­هاي ژنتيک عبارتند از:
· بودجه اختصاص داده شده تمام شود(زمان محاسبه/پول).
· يک فرد(فرزند توليد شده) پيدا شود که مينيمم (کمترين)ملاک را برآورده کند.
· بيشترين درجه برازش فرزندان حاصل شود يا ديگر نتايج بهتري حاصل نشود.
· بازرسي دستي.
· ترکيب­هاي بالا.

روش­هاي نمايش
قبل از اين که يک الگوريتم ژنتيک براي يک مسئله اجرا شود، يک روش براي کد کردن ژنوم­ها به زبان کامپيوتر بايد به کار رود. يکي از روش­هاي معمول کد کردن به صورت رشته هاي باينري است(رشته هاي ۰و۱). يک راه حل مشابه ديگر کدکردن راه حل­ها در آرايه­اي از اعداد صحيح يا اعشاري است،که دوباره هر جايگاه يک جنبه از ويژگي­ها را نشان مي­دهد. الگوريتم­هاي ژنتيکي که براي آموزش شبکه­هاي عصبي استفاده مي­شوند، از اين روش بهره مي­گيرند. سومين روش براي نمايش صفات در يک GA يک رشته از حروف است که هر حرف دوباره نمايش دهنده يک خصوصيت از راه حل است. در این مساله ما از کدگذاری عدد صحیح استفاده کردیم، به این­صورت که هر کروموزوم توالی گره­های تقاضا در مسیرها را نشان می­دهد.
روش هاي انتخاب
روش هاي مختلفي براي الگوريتم­هاي ژنتيک وجود دارند که مي­توان براي انتخاب كروموزوم­هاي والد از آن­ها استفاده کرد. تعدادی از این روش­ها عبارتند از:
۱. انتخاب Elitist : مناسبترين عضو هر اجتماع انتخاب مي­شود.
۲. انتخاب Roulette : يک روش انتخاب است که در آن عنصري که عدد برازش(تناسب) بيشتري داشته باشد، انتخاب مي­شود.
۳. انتخاب Scaling : به موازات افزايش متوسط عدد برازش جامعه،سنگيني انتخاب هم بيشتر مي شود وجزئي­تر. اين روش وقتي کاربرد دارد که مجموعه داراي عناصري باشد که عدد برازش بزرگي دارند وفقط تفاوت­هاي کوچکي آن­ها را از هم تفکيک مي­کند.
۴. انتخاب Tournament : يک زير مجموعه از كروموزوم­هاي يک جامعه انتخاب مي­شوند و اعضاي آن مجموعه با هم رقابت مي­کنند و سرانجام فقط دو كروموزوم از هر زير گروه براي توليد انتخاب مي­شوند.
بعضي از روش­هاي ديگر عبارتند از:Rank Selection, Generational Selection, Steady-State Selection .Hierarchical Selection
عملگر تقاطع:
در این عملگر که Crossover نام دارد، ۲ کروموزوم براي معاوضه ژن­هایشان انتخاب مي­شوند. اين فرآيند بر اساس فرآيند ترکيب کروموزوم­ها در طول توليد مثل در موجودات زنده شبيه سازي شده است. اغلب روش­هاي معمول Crossover از نوع Single-point Crossover هستند، که نقطه تعويض در جايي تصادفي بين ژن­هاي كروموزوم­ها است. بخش اول قبل از نقطه و بخش دوم سگمنت بعد از آن ادامه پيدا مي­کند،که هر قسمت برگرفته از يک والد است.
عملگر جهش:
این عملگر دقیقاً مثل جهش در موجودات زنده است که عبارت است از تغيير يک ژن به ديگري. در الگوريتم ژنتيک جهش تغيير کوچکي در يک ژن از کد كروموزوم ايجاد مي­کند.

نوشته الگوریتم ژنتیک بهبود یافته برای حل مساله مسیریابی وسایل نقلیه اولین بار در ايران متلب. پدیدار شد.

در این فایل آموزشی که به زبان ساده و همراه با مثال های متنوع الگوریتم های ژنتیک را مورد بررسی قرار داده است شما بطور کامل با الگوریتم ژنتیک وهمچنین کاربرد های آن ها آشنا می شوید و نحوه ی حل کردن مسا یل را با این الگوریتم ها را می آموزید.

خلاصه ای از مطالبی که در این فایل آموزشی مورد بررسی قرار گرفته است:

• مقدمه ای از الگوریتم ژنتیک
• ایده کلی
• ویژگیها
• کاربر دها
• زیر شاخه های EA
• پارامترهای GA
• نحوه ایجاد جمعیت جدید
• اپراتورهای ژنتیکی
• تابع تناسب
• Crowding
• ارزیابی جمعیت و قضیه Schema
• تفاوت GA با سایر روشهای جستجو
• مثال هایی از کاربرد الگوریتم ژنتیک
• و…

لینک دانلود

فیلم آموزش فارسی الگوریتم ژنتیک در متلب MATLAB

(بر روی عکس زیر کلیک کنید)

نوشته آموزش کامل الگوریتم های ژنتیک به زبان ساده اولین بار در ايران متلب. پدیدار شد.

 محدوده کاري الگوريتم ژنتيک  بسيار وسيع مي باشد و هر روز با پيشرفت روزافزون علوم و تکنولوژي استفاده از اين روش در بهينه سازي و حل مسائل بسيار گسترش يافته است. الگوريتم ژنتيک يکي از زير مجموعه هاي محاسبات تکامل يافته مي باشد که رابطه مستقيمي با مبحث هوش مصنوعي دارد در واقع الگوريتم ژنتيک  يکي از زير مجموعه هاي هوش مصنوعي مي باشد.  الگوريتم ژنتيک را مي­توان يک روش جستجوي کلي ناميد که از قوانين تکامل بيولوژيک طبيعي تقليد مي­کند .الگوريتم ژنتيک برروي يکسري از جواب­هاي مساله به اميد بدست آوردن جوابهاي بهتر قانون بقاي بهترين را اعمال مي کند. در هر نسل به کمک فرآيند انتخابي متناسب با ارزش جواب­ها و توليد مثل جواب-هاي انتخاب شده به کمک عملگرهايي که از ژنتيک طبيعي تقليد شده­اند ,تقريب­هاي بهتري از جواب نهايي بدست مي­آيد. اين فرايند باعث مي­شود که نسلهاي جديد با شرايط مساله سازگارتر باشد .

2- تاریخچه

   حساب تکاملي ,براي اولين بار در سال 1960 توسط آقاي ريچنبرگ ارائه شد که تحقيق وي در مورد استراتژي تکامل بود.بعدها نظريه او توسط محققان زيادي مورد بررسي قرار گرفت تا اينکه الگوريتم ژنتيک  (GA  ) توسط جان هولند(John Holland ) و در سال 1975 در دانشگاه ميشيگان ,ارائه شد.

در سال 1992 نيز جان کوزا (John Koza ) از الگوريتم ژنتيک  (GA  ) براي حل و بهينه سازي مسائل مهندسي پيشرفته استفاده کرد و توانست براي اولين بار روند الگوريتم ژنتيک  (GA  )  را به زبان کامپيوتر در آورد و براي آن يک زبان برنامه نويسي ابداع کندکه به اين روش برنامه نويسي ,برنامه نويسي ژنتيک ( GP ) گويند و نرم افزاري که توسط وي ابداع گرديد به نرم افزار LISP مشهور است که هم اکنون نيز اين نرم افزار کاربرد زيادي در حل و بهينه سازي مسائل مهندسي پيدا کرده است .

2-1  تاريخچه بيولوژيکي

بدن  هر موجود زنده اي از سلول تشکيل يافته است و هر سلول هم از کروموزوم تشکيل يافته است.کروموزومها نيز از رشته هاي DNA تشکيل يافته اند.کروموزومها هم از ژن تشکيل يافته اند.و به هر بلوک DNA يک ژن مي گويند و هر ژن نيز از يک پروتئين خاص ومنحصر به فرد تشکيل يافته است.و به مجموعه از ژنها يک ژنوم (Genome ) مي گويند.

3- ساختار الگوريتم‏هاي ژنتيكي

به طور كلي, الگوريتم‏هاي ژنتيكي از اجزاء زير تشكيل مي‏شوند:

 3-1 كروموزوم[1]

در الگوريتم‏هاي ژنتيكي, هر كروموزوم نشان دهنده يك نقطه در فضاي جستجو و يك راه‏حل ممكن براي مسئله مورد نظر است. خود كروموزوم‏ها (راه حل‏ها) از تعداد ثابتي ژن[2] (متغير) تشكيل مي‏شوند. براي نمايش كروموزوم‏ها, معمولاً از كدگذاري‏هاي دودويي (رشته‏هاي بيتي) استفاده مي‏شود.

3-2  جمعيت[3]

مجموعه‏اي از كروموزوم‏ها يك جمعيت را تشكيل مي‏دهند. با تاثير عملگرهاي ژنتيكي  بر روي هر جمعيت, جمعيت جديدي با همان تعداد كروموزوم تشكيل مي‏شود.

3-3  تابع برازندگي[4]

به منظور حل هر مسئله با استفاده از الگوريتم‏هاي ژنتيكي, ابتدا بايد يك تابع برازندگي براي آن مسئله ابداع شود. براي هر كروموزوم, اين تابع عددي غير منفي را برمي‏گرداند كه نشان دهنده شايستگي يا توانايي فردي آن كروموزوم است.

3-4 عملگرهاي الگوریتم  ژنتيك

در الگوريتم‏هاي ژنتيكي, در طي مرحله توليد مثل[5] ازعملگرهاي ژنتيكي استفاده مي‏شود. با تاثير اين عملگرها بر روي يك جمعيت, نسل[6] بعدي آن جمعيت توليد مي‏شود. عملگرهاي انتخاب[7] , آميزش[8]  و جهش[9] معمولاً بيشترين كاربرد را در الگوريتم‏هاي ژنتيكي دارند.

3-4-1     عملگر انتخاب  (Selection ):

اين عملگر از بين كروموزوم‏هاي موجود در يك جمعيت, تعدادي كروموزوم را براي  توليد مثل انتخاب مي‏كند. كروموزوم‏هاي برازنده‏تر شانس بيشتري دارند تا براي توليد مثل انتخاب شوند.

روش های انتخاب :

• : Elitist Selection (انتخاب نخبگان)

o       مناسب‌ترین عضو هر اجتماع انتخاب می‌شود. با توجه به مقدار شایستگی که از تابع ارزیاب دریافت کرده است.

• نمونه‏برداري به روش چرخ رولت

در اين روش, به هر فرد قطعه‏اي از يك چرخ رولت مدور اختصاص داده مي‏شود. اندازه اين قطعه متناسب با برازندگي آن فرد است. چرخ N بار چرخانده مي‏شود كه N تعداد افراد در جمعيت است. در هر چرخش, فرد زير نشانگر چرخ انتخاب مي‏شود و در مخزن والدين نسل بعد قرار مي‏گيرد. اين روش مي‏تواند به صورت زير پياده‏سازي شود:

1-    نرخ انتظار كل افراد جمعيت را جمع كنيد و حاصل آن را T بناميد.

2-    مراحل زير را N بار تكرار كنيد:

يك عدد تصادفي r بين 0 و T  انتخاب كنيد.

در ميان افراد جمعيت بگرديد و نرخ‏هاي انتظار( مقدار شایستگی) آنها را با هم جمع كنيد تا اين كه مجموع بزرگتر يا مساوي r شود. فردي كه نرخ انتظارش باعث بيشتر شدن جمع از اين حد مي‏شود, به عنوان فرد برگزيده انتخاب مي‏شود.

• Tournament Selection (انتخاب تورنومنت) :

یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیر‌گروه برای تولید انتخاب می‌شوند.

3-4-1    عملگر آميزش (Crossover ):

 در جریان عمل تلفیق  به صورت اتفاقی بخشهایی از کروموزوم ها با یکدیگر تعویض می شوند. این موضوع باعث می شود که فرزندان ترکیبی از خصوصیات والدین خود را به همراه داشته باشند و دقیقاً مشابه یکی از والدین نباشند.

هدف تولید فرزند جدید می باشد  به این امید که خصوصیات خوب دو موجود در فرزندشان جمع شده و یک             موجود بهتری را تولید کند.

روش کار به صورت زیر است:

بصورت تصادفی یک نقطه از کروموزوم را انتخاب می کنیم

ژن های مابعد آن نقطه از کروموزوم ها را جابجا می کنیم

• تلفیق تک نقطه ای (Single Point Crossover)

 اگر  عملیات تلفیق را در یک نقطه انجام دهیم به آن تلفیق تک نقطه ای می گویند.

 تلفیق بدين صورت انجام مي گيرد که حاصل ترکيب کروموزومهاي پدر و مادر مي باشد.روش توليد مثل نيز بدين صورت است که ابتدا بصورت تصادفي ,نقطه اي که قرار است توليد مثل از آنجا آغاز گردد ,انتخاب مي گردد.سپس اعداد بعد از آن به ترتيب از بيت هاي کروموزومهاي پدر و مادر قرار مي گيرد که در شکل زير نيز نشان داده شده است.

شکل 3 یک نمونه تلفیق (آمیزش)

در شکل بالا کروموزومهاي 1 و2 در نقش والدين هستند. و حاصل توليد مثل آنها در رشته هائي بنام Offspring ذخيره شده است.دقت شود که علامت  “|” مربوط به نقطه شروع توليد مثل مي باشد و در رشته هاي Offspring اعدادي که بعد از نقطه شروع توليد مثل قرار مي گيرند مربوط به کروموزومهاي مربوط به خود مي باشند.بطوريکه اععدار بعد از نقطه شروع مربوط به Offspring1  مربوط به اعداد بعد از نقطه شروع مربوط به کرومکوزوم 1 و اعداد بعد از نقطه شروع توليد مثل مربوط به Offspring2 مربوط به اعداد بعد از نقطه شروع توليد مثل مربوط به کروموزوم 2 مي باشند

• روش ادغام دو نقطه ای((Two-point CrossOver :

در این روش دو مکان را به صورت تصادفی انتخاب کرده و مقادیر بین این دو نقطه را جابجا می کنیم.

• تلفیق نقطه ای (Multipoint Crossover) :

می توانیم این عملیات را در چند نقطه انجام دهیم ، که به آن بازترکیبی چند نقطه ای می گویند

• .تلفیق جامع (Uniform Crossover) :

  اگر تمام نقاط کروموزوم را بعنوان نقاط بازترکیبی انتخاب کنیم به آن بازترکیبی جامع می گوئیم.  مثال)

3-4-3.عملگر جهش (Mutation ):

پس از اتمام عمل آميزش, عملگر جهش بر روي كروموزوم‏ها اثر داده مي‏شود. اين عملگر يك ژن از يك كروموزوم را به طور تصادفي انتخاب نموده و سپس محتواي آن ژن را تغيير مي‏دهد. اگر ژن از جنس اعداد دودويي باشد, آن را به وارونش تبديل مي‏كند و چنانچه متعلق به يك مجموعه باشد, مقدار يا عنصر ديگري از آن مجموعه را به جاي آن ژن    قرار مي‏دهد. در شكل 2 چگونگي جهش يافتن پنجمين ژن يك كروموزوم نشان    داده شده است.

پس از اتمام عمل جهش, كروموزوم‏هاي توليد شده به عنوان نسل جديد شناخته شده و براي دور بعد اجراي الگوريتم ارسال مي‏شوند.

4- روند كلي الگوريتم‏هاي ژنتيكي

قبل از اين كه يك الگوريتم ژنتيكي بتواند اجرا شود, ابتدا بايد كدگذاري (يا نمايش) مناسبي براي مسئله مورد نظر پيدا شود. معمولي ترين شيوه نمايش کروموزومها در الگوريتم ژنتيک به شکل رشته هاي دودويياست. هر متغير تصميم گيري به صورت دودويي در آمده و سپس با کنار هم قرار گرفتن اين متغيرها کروموزوم ايجاد مي­شود .گرچه اين روش گسترده ترين شيوه کدگذاري است اما شيوه هاي ديگري مثل نمايش با اعداد حقيقي در حال گسترش هستند.همچنين يك تابع برازندگي نيز بايد ابداع شود تا به هر راه‏ حل كدگذاري شده ارزشي را نسبت دهد. در طي اجرا, والدين براي توليد مثل انتخاب مي‏شوند و با استفاده از عملگرهاي آميزش و جهش با هم تركيب مي‏شوند تا فرزندان جديدي توليد كنند. اين فرآيند چندين بار تكرار مي‏شود تا نسل بعدي جمعيت توليد شود. سپس اين جمعيت بررسي مي‏شود و در صورتي كه ضوابط همگرايي رآورده شوند, فرآيند فوق خاتمه مي‏يابد.

شکل 5 کد برنامه مجازي الگوريتم ژنتيک ساده و فلوچارت آن

5- روند کلي بهينه سازي و حل مسائل در الگوريتم ژنتيک :

5-1 شروع(Start ) : توليد تصادفي يک جمعيت(Population ) که شامل تعداد زيادي کروموزم(روشهاي حل مسئله است) مي باشد.

5-2-صحت و درستي(Fitness ): ارزيابي صحت براي تابع f(x) به ازائ هر کروموزوم x درجمعيت.

شکل 6 نحوه ارزیابی تابع شایستگی در چرخ رولت

5-3-ايجاد يک جمعيت جديد(New Population ):توليد يک جمعيت جديد با انجام تمامي زير گروههاي زير  تا آنکه يک جمعيت جديد ايجاد گردد.

5-3-1 : انتخاب(Selection ):انتخاب کروموزومهاي پدر و مادر  از جمعيت قبلي با توجه به صحت و درستي آن (Fitness ).بطوريکه هر چه Fitnees بهتر باشد (دقت جواب در همگرائي بيشتر باشد) شانس بيشتري براي انتخاب دارد.

5-3-2 :توليد مثل(Crossover ):انجام زادو ولد و ايجاد يک نسل جديد.

5-3-3 :جهش(Mutation ):مشخص شدن مکان فرزند توليد شده در کروموزوم

5-3-4 :پذيرش(Accepting ): جا دادن فرزند جديد در داخل جمعيت.

5-4-جايگزيني(Replace ):جايگزيني جمعيت جديد به حاي جمعيت قبلي و مورد استفاده قرار دادن جمعيت جديد در مراحل بعدي الگوريتم

5-5-امتحان: (Test ): اگر شرائط مطلوب در حل مسئله ارضا شد اعلام ميکنيم که به بهترين جواب رسيده ايم و از الگوريتم خارج مي شويم در غير اين صورت به مرحله 2 يعني Fitneess ميرويم و دوباره همين روند را تکرار مي کنيم.

6- شرط پايان الگوريتم

چون که الگوریتم های ژنتیک  بر پایه تولید و تست می باشند، جواب مساله مشخص نیست و نمی دانیم که کدامیک از جواب های تولید شده جواب بهینه است تا شرط خاتمه را پیدا شدن جواب در جمعیت تعریف کنیم. به همین دلیل، معیارهای دیگری را برای شرط خاتمه در نظر میگیریم:

1. تعداد مشخصی نسل: میتوانیم شرط خاتمه را مثلاً 100 دور چرخش حلقه اصلی برنامه قرار دهیم.
2. عدم بهبود در بهترین شایستگی جمعیت در طی چند نسل متوالی
3. بهترین شایستگی جمعیت تا یک زمان خاصی تغییری نکند.

ü      شرایط دیگری نیز میتوانیم تعریف کنیم و همچنین میتوانیم ترکیبی از موارد فوق را به عنوان شرط خاتمه به کار ببندیم.

يک مثال ساده:

 ما يک مربع 3*3 داريم که مي خواهيم اعدادي بين 1تا15 را در اين مربع قرار دهيم به طوري که جمع اعداد در هر سطرو ستون برابر 24 شود.

 ابن مسئله تا حدودي پيچيده است.ممکن است يک انسان بتواند آن را در مدت زماني مشخص حل کند ولي هيچ گاه يک کامپيوتر نخواهد توانست آن رادر مدت زمان کوتاهي با استفاده از اعداد تصادفي حل کند. ولي الگوريتم ژنتيک مي تواند اين مشکل را حل کند.

نسل اول

اولين گام ايجاد کردن يک نسل ابتدايي براي شروع کار است که شامل تعدادي ژنوم تصادفي است.اين ژنوم ها به صورت باينري(0و1) نشان داده مي شوند. حالا مثال مان:

اول يکسري عدد به صورت تصادفي توليد مي شوند. هر ژنوم يا کروموزوم  شامل اطلاعاتي براي هر 9 جاي خالي است .چون اين اعداد مقادير بين 0تا15 دارند مي توان آنها را با 4 بيت يا ژن داده نمايش داد. پس هر ژنوم شامل 36 بيت است.

يک نمونه ژنوم مي تواند به شکل زير باشد:

Bits (Genes)    0110    1100    1111    1011    0100    1010    0111    0101   1110

Values(Traits)    6          12         15       11         4         10         7            5          14

حالابايد به هر ژنوم در مجموعه يک عدد تناسب(Fitness) بنابر تاثير آن در حل مسئله نسبت داد.فرآيند وروش محاسبه اين عدد براي هر مسئله فرق مي کند.انتخاب الگوي مناسب براي مسئله مشکلترين و حساسترين بخش در حل مسئله ژنتيک است.دراين مثال ما اعداد را در مکان هايشان جايگذاري مي کنيم و بررسي مي کنيم که چقدر با جواب اصلي فاصله دارند.

مقادير معادل عبارتند از 33و25و26و24و21و39.واضح است که اين مقادير مسئله را حل نمي کنند.پس بايد مقادير تناسب را براي اين ژنوم محاسبه کرد.براي اين کار ابتدا فاصله هرمجموع را از24 محاسبه کرده،سپس معکوس مجموع تفاصل آنها را محاسبه مي کنيم .

بنابراين درجه تناسب براي اين ژنوم تقريباً برابر 0.033 است.هرچقدر که اعداد ما به جواب نزديکتر باشند عدد تناسب بزرگتر خواهد شد.اما اگر مخرج ما برابر 0شود چه اتفاقي مي افتد؟ دراين صورت همه اعداد ما برابر 24 شده اند وما به جواب رسيده ايم.

نسل بعدي:   دو ژنوم (کروموزوم) به طور تصادفي براي توليد نسل بعدي انتخاب مي شوند. اين اصلي ترين بخش الگوريتم ژنتيک است که از 3 مرحله تشکيل شده:

1-انتخاب

 دو ژنوم به طور تصادفي از نسل قبل انتخاب مي شوند.اين ژنوم ها داراي اعداد تناسب بزرگتري هستند و بعضي صفات آنها به نسل بعدي منتقل مي شوند. اين بدين معني است که عدد تناسب در حال افزايش خواهد بود.

بهترين روش براي تابع انتخاب(Fitness) در اين مسئله روشي به نام رولت(Roulette) است.اول يک عدد تصادفي بين 0 وعدد تناسب نسل قبلي انتخاب مي شود. تابع انتخاب به صورت زير خواهد بود:

RouletteSelection(){    float ball  = rand_float_between(0.0, total_fitness);    float slice = 0.0;     for each genome in population    {     slice += genome.fitness;//مقدار شایستگی هر ژنوم( کروموزوم) با ژنوم های بعدی جمع میشود         if slice > ball            return genome;    }}

2- تلفیق(Crossover)  

  حالا دو ژنوم بخشي از ژنهايشان را براي ايجاد نسل بعدي اهدا مي کنند. اگر آنها تغيير پيدا نکنند همانطور بي تغيير به نسل بعدي منتقل خواهند شد.درجهCrossover نشان دهنده اين است که هر چند وقت يکبار ژنوم ها تغيير پيدا خواهند کرد و اين عدد بايد در حدود 65-85% باشد.

عملگر تغيير در ژنوم هاي باينري مثال ما با انتخاب يک مکان تصادفي در ژنوم براي تغيير آغاز مي شود. بخش اول ژنهاي پدر و بخش دوم ژنهاي مادر با هم ترکيب مي شوند(و بالعکس) تا2 فرزند توليد شوند. در زيريک عمل تغيير را مي بينيم.

Before Crossing

Father 011110010011 001011011000111011010000

Mother 010100111110 010101111101000100010010

After Crossing

Child1 011110010011 010101111101000100010010

Child2 010100111110 001011011000111011010000

3- جهش(Mutation)

قبل از اين که ژنوم ها در نسل بعدي قرار بگيرند،احتمال دارد دچار جهش يا تغيير ناگهاني شوند شوند.جهش يک تغيير ناگهاني در ژن است.در ژنهاي باينري اين تغيير به معناي تغيير يک بيت از 0به 1 يا از 1 به 0 است. درجه جهش نشان دهنده احتمال بروز جهش در يک ژن است و تغريباً بين 1-5% براي ژنهاي باينري و 5-20%براي ژنهاي عددي است.

این روند تا تولید نسل های متعددی ادامه می یابد تا در نهایت به جواب برسیم.

7- برخي از كاربرد الگوريتم‏هاي ژنتيكي

توپولوژي هاي شبکه هاي کامپيوتي توزيع شده.

بهينه سازي ساختار ملکولي شِميايي (شيمي)

مهندسي برق براي ساخت آنتنهاي Crooked-Wire Genetic Antenna

مهندسي نرم افزار

بازي هاي کامپيوتري

مهندسي مواد

مهندسي سيستم

رباتيک(Robotics)

تشخيص الگوو استخراج داده(Data mining)

حل مسئله فروشنده دوره گرد

آموزش شبکه هاي عصبي مصنوعي

ياددهي رفتار به رباتها با GA .

يادگيري قوانين فازي با استفاده از الگويتم هاي ژنتيک.

8- نتيجه گيري‌

الگوريتم‌هاي ژنتيك الگوريتم‌هايي هستند كه داراي قدرت بسيار زيادي در يافتن جواب مسئله هستند، اما بايد توجه داشت كه شايد بتوان كاربرد اصلي اين الگوريتم ها را در مسائلي در نظر گرفت كه داراي فضاي حالت بسيار بزرگ هستند و عملاً بررسي همه حالت‌ها براي انسان در زمان‌هاي نرمال (در حد عمر بشر) ممكن نيست. از طرفي بايد توجه داشت كه حتماً بين حالات مختلف مسئله بايد داراي پيوستگي مناسب و منطقي باشيم. در نهايت الگوريتم‌هاي ژنتيك اين امكان را به ما مي‌دهد كه داراي حركتي سريع در فضاي مسئله به سوي هدف باشيم. به گونه‌اي كه مي‌توانيم تصور كنيم كه در فضاي حالات مسئله به سوي جواب مشغول پرواز هستيم.

لینک دانلود اصل فایل

[1] Chromosome

[2] Gene

[3] Population

[4] Fitness Function

[5] Reproduction

[6] Generation

[7] Selection

[8] Crossover

[9] Mutation

نوشته الگوریتم ژنتیک 1 اولین بار در ايران متلب. پدیدار شد.