More Related Content Similar to Genetic algorithm (20) Genetic algorithm 2. List:
Introduction
Evolution theory
Genetics
Idea
Evolutionary Algorithm
History of Genetic Algorithm
Genetic Algorithm(GA)
How to create a new population?
Selection parent
Tournament selection
Binary problems
integer problems
Real problems
2
3. Introduction
است ژنتیک الگوریتم موجود الگوریتم ترین معروف شک بدون.
رسد می ذهن به ژنتیک ،الگوریتم شود می تکاملی الگوریتم از صحبت که زمانی خاطر همین وبه.
کنیم بیان اماری صورت به را آن خواهیم ومامی است تغییر حال در دایم جهان.در بخواهد که موجودی هر
دهد تطبیق و کند عوض محیط تغییر با را خودش بتواند باید کند زندگی جهان.
3
7. Evolution theory
کاملیافرگشتیابرآیش(گونه به یأترویژهزیستی تکاملیااندامی)دگرگون از عبارتستیا یک در ی
ویژگی چندفنوتیپیموروثیدر زمان طی کههایجمعیتدهدمی رخ افراد.
همچون هایی پدیده عملکرد حاصل تکامل:
(طبیعی انتخاب 1(natural selection)
(مثل تولید 2(reproduction)
(جهش 3(mutation)
(همزیستی 4(symbiosis)
7
8. Evolution theory
طبیعی انتخاب(natural selection)
ک تطابق که وبقیه دارد بقا شانس بیشتر باشد طبیعت برمعیارهای منطبق بیشتر که هرموجودیدارند متری
شوند می حذف.
مثل تولید(reproduction)
جاودانگی به میل
جهش(mutation)
باشند خوب توانند می اندکی موارد در.
سرطان ،مانند باشند بد نیز مواردی ودر.
همزیستی(symbiosis)
ترند باهوش خود همنوعان بقیه به نسبت انسان درکنار زندگی دراثر سگ و گربه مثل.
8
10. Genetics
طبیعت خط دست
میلیون طول در را آمده بدست اطلعات ،بایستی کند سازی بهینه کار بتواند انکه برای طبیعترا سال ها
کند ذخیره نحوی به.
است شیمیایی ،عناصر زنده موجودات دهنده تشکیل زیربنای.ذخ ،برای عنصر همین از طبیعت لذایره
کنند می استفاده زیستی هرگونه به مربوط اطلعات سازی.
DNAایج وتغییر کرد نفوذ ساختار این درون به توان نمی راحتی به که است پیچیده ساختار یککرد اد
است مقاوم وبسیار.
DNAاست شیمیایی اطلعات های بلوک دارای.
10
11. Genetics
مولکولDNAاست مارپیچ نردبان یک شکل به.
اند شده تشکیل وفسفات قند از آن اصلی شاخه.
است شده تشکیل آلی باز نوع چهار اتصال از نردبان های پایه.
مبنای در طبیعت گویا4کرده کار.
11
12. Genetics
ساختار از مخصوص هایی بخشDNAکند می تعریف را زنده موجود های ویژگی و خواص که است.
DNAترکیبات از عدد میلیارد سه از بیش ،شامل انسان(TA،AT،CG،GC)از بیش وتوالی نوع که99درصد
است مشترک ها انسان تمام برای تعداد این از.
یک از کمتر در فرد هر به مربوط اطلعات واقع در
ازساختار درصدDNAاست شده ذخیره.
12
13. Genetics
کند می تعیین را ارگان یک های جنبه از برخی هرژن.
ژنوتیپ(:(Genotypeاز هایی پایه ژنوتیپDNAاست ویژگی یک به مربوط که است.
فنوتیپ(Phenotype:)فنوتیپب بالینی ، ظاهری صفتی عنوان به ژنوتیپ یک مشاهده قابل بروزا
است مولکولی یا بیوشیمیایی.
را واجزا عامل که گفت میتوان ساده زبان به
گویند فنوتیپ را وخروجی ژنوتیپ.
13
14. Genetics
دارد وجود ژنی ورشته زنده هرموجود میان یک به یک ای رابطه.،یک زنده ،هرموجود که معنی این به
ساختارDNAاست نشده تکرار نوع ازهمان ،حتی دیگری زنده موجود هیچ در که دارد ثابت.
هستند مستثنی امر این از ساده بسیار های سلولی تک برخی البته.
است معروف کدینگ نام به رابطه این.
،ورشته اصلی اطلعات عنوان به را زنده هرموجود میتوانDNAگرفت نظر در کد بعنوان را آن.
باقی باشد طبیعت معیارهای مطابق اگر که دهد می نشان فنوتیپ سری یک صورت رابه خود هرکدمی
ماند.شد خواهد حذف صورت غیراین در.
14
15. Idea
اجرا از هدف ،که هستند عظیم سازی بهینه الگوریتم یک تکرار بار هزاران ،نتیجه کنونی موجوداتآن ی
است زنده موجودات بقای توان ،افزایش.
نمود سازی بهینه به اقدام و کرد ،تقلید است کرده استفاده طبیعت که مکانیزمی از توان می.
باشد دست در هرجواب ارزیابی برای معیاری بایست می.
است زمان طبیعت معیار.
15
17. History of Genetic Algorithm
ازاوایل1950تلشهاییبرایشبیهسازیپدیدهتکاملبررویکامپیوترهاآغازشدکهدراینمیانتوجه
بسیاریازمحققینحوزههایمربوطبهعلومومهندسی،بهاینزمینهجلبشد.
نهایتادر1970میلدیدانشمندیازدانشگاهمیشیگانبهنامجانهلندایدهاستفادهازالگوریتمژنتیک
رادرهایسازیبهینهمهندسیمطرحکرد.
یکیازشاگردانشبهنامدیویدگلدبرگ،کارهایپراکندهایراکهتوسطهالندانجامشدهبودجمعآوری
کردوبههمراهنتایجحاصلازتحقیقاتخودرادرقالبیککتابکهبیشترینسهمرادرتوسعهومعرفی
الگوریتمژنتیکداشتچاپکرد.
17
18. Genetic Algorithm(GA)
.ایجاد 1جمعیتتصادفیوارزیابی
بایدیکسریپیشنهاداولیهبدهیموسپسآنهاراتکاملدهیم.
.انتخاب 2والدینوترکیبانهابرایایجادجمعیتفرزندان
.جهش 3
درمواردینادریکسریاتفاقاتمیافتدکهبهطورشانسییکنتیجهخوببهمامیدهد.
چرابایداینکارراکرد؟
یکسریاتفاقاتمیافتدکهمابهصورتترکیبنمیتوانیمآنهارابدستآوریم.
مثلازترکیبیکماشینودوچرخهنمیتوانیمبههواپیمابرسیم،آنچهکهصنعت
خودروسازیرامیتواندبههواپیماسازیبرساندجهشاست.
انتخاباعضایجمعیتبرایاعمالجهشوایجادجمعیتجهشیافتگان
.ادغام 4جمعیتاصلی(نسلقبل)وفرزندان(Crossover)وجهشیافتگان(mutation)وایجادجمعیت
اصلیجدید
.اگر 5شرایطخاتمهمحققنشدهباشندازمرحله2تکرارمیکنیم.
.پایان 6
18
19. Genetic Algorithm(GA)
خاتمه شرایطStopping Conditions for the Algorithm)):
1.پاسخ از قبول قابل حد به رسیدن
2.زمان شدن سپری/تکرارمعین
3.زمان شدن سپری/نتیجه در خاصی بهبود مشاهده بدون معین تعدادتکرار
4.مناسب تعداد به رسیدن(NFE)
می بررسی انتها از را مراحل و پردازیم می اصلی جمعیت ایجاد بررسی به کار سادگی برای ادامه درکنیم.
19
20. Genetic Algorithm(GA)
P(t)
Q(t) R(t)
:tتکرار در اصلی جمعیت
فرزندان جمعیت: جهش جمعیت
یافتگان:
باالست های جمعیت ترکیب از ناشی شده حاصل جمعیت(
.)اصلی جمعیت تعداد به جمعیت این از باید که) (کرد انتخاب.های راه که
داردکه وجود انتخاب برای مختلفی4است شده بیان را مورد.
𝑛 𝑝𝑜𝑝
𝑛 𝑚
𝑛 𝑐
𝑛 𝑝𝑜𝑝
𝑛 𝑝𝑜𝑝
′
= 𝑛 𝑐 + 𝑛 𝑚 + 𝑛 𝑝𝑜𝑝
20
21. How to create a new population?
روشاول:میتوانیمابتداادغام(merge)،سپسمرتبسازی(sort)وحذفدادههایبد(Truncate)
دراینجابهترینهایکلجمعیتانتخابمیشوند.
بعدازاینکهیکجمعیتازجمعفرزندان،جهشیافتگان،وجمعیتاصلیایجادشد،بهمرتبسازی
مجموعهپرداختهوازانهابهترینهاانتخابمیشوند.البتهبهتعداد.( )
وحالتهایمختلفیممکناستپیشآید،مثلتماماعضایحذفشوندیااینکهتمامفرزندانوجهش
یافتگانحذفشوند،کهدراینصورتمارادچاردردسرمیکند.
𝑛 𝑝𝑜𝑝
21
22. How to create a new population?
𝑝𝑡
𝑄𝑡
𝑅𝑡
𝑃𝑡
′ 𝑃𝑡
′′
ادغام
مرتب
سازی
شد ایجاد اصلی وجمعیت یافتگان وجهش فرزندان جمع از جمعیت یک ازاینکه بعد:𝑝𝑡
′
های بهترین و کرده جدا تعداد به آن از که آید می بدست مجموعه یک سازی مرتب دراثر
است مجموعه این.
𝑝𝑡
′′
𝑛 𝑝𝑜𝑝
22
23. How to create a new population?
است یک از کمتر معموال.باشد یک از بزرگتر است ممکن البته.
عدد یک باید وهمچنین باشد صحیح عدد یک باید
باشد زوج.
چون که است این باشد زوج باید اینکه دلیل
اپراتور معموالcrossoverها ،دوتادوتاوالد
میگیرد نظر در.
والدین تعداد=تعدادفرزندان
𝑛 𝑐ℎ𝑖𝑙𝑑𝑟𝑒𝑛 = 𝑝𝑐 × 𝑛 𝑝𝑜𝑝 0 ≤ 𝑝𝑐 ≤ 1
𝑝𝑐
𝑛 𝑐
𝑛 𝑐 = 2 ×
𝑝𝑐 × 𝑛 𝑝𝑜𝑝
2
23
24. How to create a new population?
داده راانجام جهش آن روی سپس کرده تهیه اصلی جمعیت از کپی یک ابتدا.
باشد یک از بزرگتر است ممکن.
𝑛 𝑚𝑢𝑡𝑎𝑡𝑖𝑜𝑛 = 𝑝 𝑚 × 𝑛 𝑝𝑜𝑝
0 ≤ 𝑝 𝑚 ≤ 1
𝑛 𝑚 = 𝑝 𝑚 × 𝑛 𝑝𝑜𝑝
𝑝 𝑚
24
25. How to create a new population?
شده فراخوانی تابع دفعات تعداد=Number of Function Evalute(NFE)
NFEخاتمه شرایط برای ومعتبر ودقیق مناسب بسیار معیار یک.
دفعات تعداد
تابع فراخوانی
هدف
تعدادجمعیت
اصلی
تعداد
فرزندان
جهش تعداد
یافتگان
تعداد
تکرار
جدید شده تولید اعضای تعداد
25
26. How to create a new population?
دوم روش:شده تعیین قبل از های سهم(Predefined share)
کنکور بندی سهمیه مانند آیند می باال هرگروه های بهترین روش این در.
𝑝𝑡
𝑄𝑡
𝑅𝑡
𝑝𝑡+1
26
27. How to create a new population?
دهد می نشان است مانده باقی که را قبل نسل جمعیت از درصدی.
𝑝𝑡 = 𝑠 𝑝 × 𝑛 𝑝𝑜𝑝
𝑄𝑡 = 𝑠 𝑞 × 𝑛 𝑐
𝑅𝑡 = 𝑆𝑟 × 𝑛 𝑚
𝑆 𝑝 + 𝑆 𝑞 + 𝑆𝑟 = 1
0 ≤ 𝑆 𝑝 ≤ 1
0 ≤ 𝑆 𝑞 ≤ 1
0 ≤ 𝑆𝑟 ≤ 1
Keep rate𝑆 𝑝 =
27
28. How to create a new population?
خاص حالت:گرایی جوان
نتیجه فقطCrossoverوMutation
و
و
همچنین
𝑆 𝑝 = 0
𝑛 𝑐 = 2 ×
𝑝𝑐 × 𝑛 𝑝𝑜𝑝
2
𝑛 𝑚𝑢𝑡𝑎𝑡𝑖𝑜𝑛 = 𝑝 𝑚 × 𝑛 𝑝𝑜𝑝
𝑁𝐹𝐸𝑡 = 𝑛 𝑝𝑜𝑝 + (𝑛 𝑐 + 𝑛 𝑚) × 𝑡
28
29. How to create a new population?
سوم روش:ادغام(Merge)تصادفی وانتخاب(Select randomly)
انتخابتصادفی صورت به شده ادغام جمعیت کل از.
شود می انجام هدف تابع در جایگذاری بدون ها انتخاب.
𝑝𝑡
𝑄𝑡
𝑅𝑡
𝑃𝑡
′
Merge
Select randomly
𝑃𝑡+1
𝑛 𝑝𝑜𝑝
29
30. How to create a new population?
چهارم روش:
نداده انجام جهش اصلی جمعیت خود روی) (
از یکی به سپس3داده راانجام ترکیب قبل روش.
𝑄𝑡
عادی فرزندان
یافته جهش فرزندان
𝑄𝑡
′
𝑛 𝑐
𝑛 𝑚 = 0
30
31. How to create a new population?
میانی جمعیت تعداد
داریم جهش وسپس دهیم انجام جایگذاری ابتدا اگر:
کنیم جایگذاری وسپس داده انجام جهش ابتدا اگر:
𝑛 𝑐 = 2 ×
𝑝𝑐 × 𝑛 𝑝𝑜𝑝
2
0 ≤ 𝑃𝑐 ≤ 1
𝑛 𝑚 = 𝑝 𝑚 × 𝑛 𝑐
0 ≤ 𝑃𝑚 ≤ 1
𝑃𝑡
′
= 𝑛 𝑝𝑜𝑝 + 𝑛 𝑐
𝑁𝐹𝐸 = 𝑛 𝑝𝑜𝑝 + (𝑛 𝑐 + 𝑛 𝑚) × 𝑡
𝑁𝐹𝐸 = 𝑛 𝑝𝑜𝑝 + 𝑛 𝑐 × 𝑡
𝑝𝑡
′
31
32. Selection parent
بررس انها شایستگی بایست می ابتدا شود انجام جهش آنها روی است قرار که والدین انتخاب برایشود ی.
والد انتخاب های روش:
.تصادفی انتخاب 1(selection pressure=0)
.رتبه و شایستگی براساس انتخاب 2
.رقابتی انتخاب 3)(tournament selection
32
33. Selection parent
2)شایستگی براساس انتخاب:
رتبه براساس یا هدف تابع مطلق مقدار براساس یا داریم رویکرد نوع دو.
های معدل با نفر سه مثال عنوان به19،18/5و12هستند کلس برتر نفر سه که.
باالی های معدل به یا داریم نیاز را برتر نفر سه بگوییم توانیم می هم حال17.
های تفاوت با قبل مورد در(rank base)و(fitness base)شدیم آشنا.
هزینه تابع گرفتیم درنظر اکنون که ،معیاری دارد وجود والدین انتخاب برای مختلفی های معیار(cost
function)دهیم می راادامه کار تابع این وبا.
مانند دیگر معیارهایrankوfitnessاند استفاده قابل نیز.
موردهای برای2و3برد نمونه آن براساس وسپس میکنیم تعریف گسسته احتمال توزیع یک ابتداکرده اری
گردیم می نتیجه دنبال وبه.
33
34. Selection parent
I:شده انتخاب والد شماره به مربوط تصادفی متغیر
𝐼 ∈ 1,2,3, . . . 𝑛 𝑝𝑜𝑝
𝑝𝑖 = 𝑝 𝑟 𝐼 = 𝑖
1) 0 ≤ 𝑝𝑖 ≤ 1
2)
𝑖=1
𝑛 𝑝𝑜𝑝
𝑃𝑖 = 1
3) 𝐶𝑖 ≤ 𝐶𝑗 ⇔ 𝑃𝑖 ≥ 𝑃𝑗
ساالری شایسته
باشد داشته را زیر شرط سه دارای باید البته.
34
35. Selection parent
اول روش:کرد تعریف زیر شکل به توان رامی:
:است هزینه از وبراوردی تخمین یا هزینه تابع برای ممکن مقدار بیشترین.
کرد استفاده از جای به توان می.
دارد خود رادر شرط هرسه حاضر تعریف.
𝑃𝑖
𝑃𝑖 ∝ 𝐶max − 𝐶𝑖
𝑃𝑖 =
𝐶max − 𝐶𝑖
j=1
(𝐶max−𝐶𝑗)
𝐶max
𝐶𝑖 ≤ 𝐶max
𝐶𝑖 𝐶max
35
37. Selection parent
سوم روش:بولتزمان روش
احتماال تفاوت برروی را تاثیراتی چه های تفاوت توانیم نمی که است این دارد وجود که امامشکلیداشته ت
است.
𝑝𝑖 ∝ 𝑒−𝑐 𝑖
𝑝𝑖 =
𝑒−𝑐 𝑖
𝑒−𝑐𝑗
37
38. Selection Pressure
ضعی مقدار چه تر ضعیف عضو یک شویم متوجه توانیم نمی که است این داریم اکنون که مشکلیتر ف
است.
،ند دارد احتماالت تفاوت برروی تاثیری چه ها هزینه تفاوت ببینیم اینکه برای کنترلی یعنیاریم.
راهکار!!!...
انتخاب فشار تعریف(Selection Pressure)
باشد رندوم انتخاب اگر(SP=0)
باشد نهایت بی انتخاب فشار اگر(SP=)شوند می انتخاب جمعیت بهتر عضو اعضای فقط. ∞
38
41. Selection Pressure
تعریف اثر در آمده وجود به تغییرات حال(selection pressure)کنیم می اعمال را.
𝑃𝑖 =
1
𝐶𝑖 + 𝜀 𝛽
𝑗=1
1
𝐶𝑗 + 𝜀
𝛽
2) 𝑃𝑖 ∝
1
𝐶 𝑖+𝜀 𝛽
𝑃𝑖 =
𝐶max − 𝐶𝑖
𝛽
𝑗=1
𝐶max − 𝐶𝑗
𝛽1) 𝑃𝑖∝ 𝐶max − 𝐶𝑖
𝛽
3) 𝑃𝑖 ∝ 𝑒−𝛽𝑐 𝑖 𝑃𝑖 =
𝑒−𝛽𝑐 𝑖
𝑗=1
𝑒−𝛽𝑐𝑗
41
42. Selection Pressure
باشیم داشته بهتر عضو اگرچند البته
شود می تقسیم آنها بین احتمال این.
که است مطلوب از مقداری:
جمعیت بهتر نصف یعنی80%باشند دارا را احتمال.
𝛽 = 0 ⇒ 𝑃𝑖 =
1
𝑛 𝑝𝑜𝑝
𝛽 → ∞ ⇒ 𝑃𝑖 =
1
0
جمعیت عضو بهترین
سایرین
𝛽
𝑖=1
𝑛 𝑝𝑜𝑝
2
𝑃𝑖 = 0.8
42
43. Selection Pressure
معیار با توان می شد اشاره قبل که همانطورrankجای به نیزcostکرد کار.
𝑝𝑖 ∝ 𝑛 𝑝𝑜𝑝 − 𝑟𝑖 + 𝑘
𝛽
𝑝𝑖 ∝
1
𝑟𝑖 + 𝜀
𝛽
𝑃𝑖 ∝ 𝑒−𝛽𝑟 𝑖
43
44. Rolette wheel selection(RWS)
کنیم برداری نمونه گسسته توزیع ازاین خواهیم می حال.
و شود می تقسیم احتماالت نسبت به هربخش
دارد مشخص سهم.
که است بیشتر جایی در نشانگر حضور احتمال
دارد بیشتری مساحت.
نویسی برنامه راحتی به را آن بتوان آنکه برای البته
درآوریم دیگری شکل به باید کرد.
44
45. Rolette wheel selection(RWS)
یک انتخاب با سپس و است یک تا صفر از که درآوریم رمان یک صورت به را وآن کرده باز را چرخ اگرعدد
چرخه کند،دقیقا می بازی را ما نشانگر نقش که یک تا صفر بین(RWS)است شده سازی پیاده.
افتاد که هرناحیه ،در میکنیم تولید ویک صفر بین عدد یک گسسته توزیع یک با حقیقت درانتخاب ناحیه
شود می مشخص شده.
باانتخاب حال
میکنیم بررسی را مقابل مورد.
شود چک پایین به باال از وباید است مهم شرطها ترتیب.
که جایی اولینrیابند می پایان ها شرط شد انتخاب.
𝑃1 𝑃1 + 𝑃2 𝑃1 + 𝑃2 + 𝑃30 1
)𝑟 ∼ 𝑢(0,1
𝑟 ≤ 𝑃1
𝑟 ≤ 𝑃1 + 𝑃2 + 𝑃3
𝑟 ≤ 𝑃1 + 𝑃2if
1
2
2
3
3 4
𝑟 ≤ 1 45
46. Rolette wheel selection(RWS)
برای باید که کارهاییRWSاست زیر ترتیب ،به داد انجام:
)1) 𝑟 ∼ 𝑢(1,0
2) 𝐶𝑖 =
𝑗=1
𝑖
𝑃𝑖
)3 find smallest i, where 𝑟 ≤ 𝐶𝑖
𝑖 = min 𝑗|𝑟 ≤ 𝐶𝑗
متلب در دستور
Find
46
47. Tournament selection
ابتداmشود می انتخاب تصادف به جمعیت اعضای از عضو(یکسان بااحتمال)
میان از عضو بهترین سپسmشود می مشخص رقابتی انتخاب نتیجه عنوان ،به منتخب عضو.
(m array tournament selection)
اگرm=2،Binary tournament selection.
مثال:
اگرm=3ندارد جای رقابتی هیچ در که ،چرا شود انتخاب تواند نمی جمعیت عضو ،بدترین.
شود انتخاب تواند نمی نیز جمعیت بدتر عضو دومین همچنین.
، رقابتی انتخاب روش در کلی طور بهm-1ندارند شدن انتخاب شانس وجه هیچ به جمعیت بدتر عضو.
اگر،باشداگر و
𝛽 𝑠𝑒𝑙𝑒𝑐𝑡𝑖𝑜𝑛 𝑝𝑟𝑒𝑠𝑠𝑢𝑟𝑒 = 0،𝑚 = 𝑛 𝑝𝑜𝑝 𝑚 = 1𝛽 → ∞
47
48. Binary problems
باینری مسایل در جهش:
کدا که است این بررسی حال در آن مدیر در که شهر یک در شرکت یک های دفتر درباره مثال طور بهم
است باینری مساله یک حقیقت ،در ندارد نگه فعال را کدام ویا ببندد را شرکت.
𝑛var =
𝑥 = 𝑥1, 𝑥2, 𝑥3, . . . , 𝑥 𝑛var
𝑋𝑖 ∈ 0,1
)min Z = 𝑓(𝑥
مجهوالت تعداد
کروموزوم شکل
𝑓: 0,1 𝑛var → ℝ
48
49. Binary problems
Crossoverباینری مسایل در:
1)Single point crossover
Parent 1: X X | X X X X X
Parent 2: Y Y | Y Y Y Y Y
Offspring 1: X X Y Y Y Y Y
Offspring 2: Y Y X X X X X
قطع های محل تعداد:𝑛var − 1
49
51. Binary problems
3) Uniform Crossover:
Maskبخواهند که هرطوری ها یک و صفر اما شود می انجام
باشند توانند می.)𝑋1 = (𝑥11, 𝑥12, 𝑥13, . . . , 𝑥1𝑛
)𝑋2 = (𝑥21, 𝑥22, 𝑥23, . . . , 𝑥2𝑛
)𝛼 = (𝛼1, 𝛼2, 𝛼3, . . . , 𝛼 𝑛
)𝑌2 = (𝑦21, 𝑦22, 𝑦23, . . . , 𝑦2𝑛
)𝑌1 = (𝑦11, 𝑦12, 𝑦13, . . . , 𝑦1𝑛
,𝛼𝑖 = 0,1
𝑌1𝑖 = 𝛼𝑖 𝑥1𝑖 + (1 − 𝛼𝑖) × 𝑥2𝑖
𝑌2𝑖 = 𝛼𝑖 𝑥2𝑖 + (1 − 𝛼𝑖) × 𝑥1𝑖
51
52. Binary problems
شود استفاده مشخص سهم یک هرکدام ،از مورد سه از واستفاده ترکیب برای توانیم می.
از بااستفاده سپسRWSبار هر درCrossoverکنیم می استفاده نوع یک از.
از استفاده وباینری صحیح عدد حوزه برایUniform Crossoverاست مناسب بسیار.
𝑃𝑠𝑝𝑥 → 𝛱𝑠𝑝𝑥
𝑃 𝐷𝑝𝑥 → 𝛱 𝐷𝑝𝑥
𝑃𝑢𝑐𝑥 → 𝛱 𝑢𝑐𝑥
𝜋 𝑢𝑐𝑥 + 𝜋 𝑠𝑝𝑥 + 𝜋 𝑑𝑝𝑥 = 1
52
53. Binary problems
جهش تاثیر نرخ) (
، جهش ،برای باینری حوزه درصفرهاشوند می تبدیل صفر به ها ویک یک به.
0 ≤ 𝜋 𝑚 ≤ 1
= 𝜋 𝑚× 𝑛var
𝜋 𝑚
جهش تاثیر تحت های مولفه تعداد
𝑥𝑖 = 0 → 𝑥𝑖 = 1
𝑥𝑖 = 1 → 𝑥𝑖 = 0
𝑥𝑖
𝑛𝑒𝑤
← 1 − 𝑥𝑖
if
53
54. integer problems
کرد استفاده باینری تقاطع سه هر از توان می تقاطع برای.
𝑛var:
𝑋 = 𝑥1, 𝑥2, 𝑥3,. . . , 𝑥 𝑛var
𝑥𝑖 ∈ 𝑥min, . . . , 𝑥max
مجهوالت تعداد
𝑥𝑖 → 𝑥𝑖
𝑛𝑒𝑤
𝑥𝑖
𝑛𝑒𝑤
∈ 𝑋 − 𝑥𝑖 → کنیم می حذف را مقدار مجموعه از. 𝑥𝑖 𝑋
کنی می انتخاب را فوق ی مجموعه از عضوی تصادف بهم.
54
55. Real problems
شود می ،استفاده است پیوسته ما تصمیم متغیر که جاهایی در.
در باتغییرuniform crossoverخاص نوع یک توان میcrossoverآید می بدست.
𝑛var:
)𝑋 = (𝑥1, 𝑥2, 𝑥3, . . . , 𝑥var
𝑋 ∈ 𝑥min, 𝑥max
𝑥min ≤ 𝑥𝑖 ≤ 𝑥max
55
56. Real problems
Arithmetic Crossover:
)𝑋2 = (𝑥21, 𝑥22, 𝑥23, . . . , 𝑥2𝑛
)𝛼 = (𝛼1, 𝛼2, 𝛼3, . . . , 𝛼 𝑛
)𝑋1 = (𝑥11, 𝑥12, 𝑥13, . . . , 𝑥1𝑛
, 0 ≤ 𝛼𝑖 ≤ 1
)𝑌2 = (𝑦21, 𝑦22, 𝑦23, . . . , 𝑦2𝑛
)𝑌1 = (𝑦11, 𝑦12, 𝑦13, . . . , 𝑦1𝑛
𝑌1𝑖 = 𝛼𝑖 𝑥1𝑖 + (1 − 𝛼𝑖) × 𝑥2𝑖
𝑌2𝑖 = 𝛼𝑖 𝑥2𝑖 + (1 − 𝛼𝑖) × 𝑥1𝑖
56
57. Real problems
پیوسته فضای در جهش:
باشد تواند می و بین عددی هر ،اما نداریم کردن حذف قبل مانند.
کوچ گام باشد کم ما معیار انحراف اگر و یابد می افزایش ما گام باشد بزرگتر ما معیار انحراف اگرمی ک
شود.
𝑥min𝑥max
𝑋𝑖
𝑛𝑒𝑤
∼ 𝑝 𝑥 𝑥 ∈ [𝑥min, 𝑥max
)𝑥𝑖
𝑛𝑒𝑤
= 𝑁(𝑥𝑖, 𝜎2
)𝑥𝑖
𝑛𝑒𝑤
= 𝑥𝑖 + 𝜎 × 𝑁(0,1
𝜎 = 𝜇 𝑥max − 𝑥min
57
58. Real problems
باشد بزرگ باید ونه باشد کوچک باید گام طول نه.دارد وجود کلی قانون یک(Evolution strategy)
است معروف پنجم یک قانون به که.
قانون(ES:)
1)دهیم می افزایش را گام طول باشد پنجم یک از بیش موفق های جهش نسبت اگر
2)کنیم می کمتر را گام ،طول باشد پنجم یک از کمتر موفق های جهش نسبت اگر.
58