مقدمه في الخوارزميات الجينيه

1. Introduction to Genetic Algorithms 1
‫الجينية‬ ‫الخوارزميات‬ ‫الى‬ ‫مقدمة‬
Assaf Zaritsky
Ben-Gurion University,
www.cs.bgu.ac.il/~assafza

2. Introduction to Genetic Algorithms 2
‫الجينية‬ ‫الخوارزميات‬
‫عامة‬ ‫نضرة‬
- ‫تحقيق‬ ‫احتمالية‬ ‫حسب‬ ‫على‬ ‫الجينية‬ ‫الخوارزميات‬ ‫تصنيف‬
‫االمثلية‬
‫تحصل‬ ‫سوف‬ ‫التي‬ ‫التطور‬ ‫بعملية‬ ‫تلهم‬
‫مثل‬ ‫مفاهيم‬ ‫استعمال‬
(
‫طبيعي‬ ‫اختيار‬
)
‫و‬
(
‫ميراث‬
‫وراثي‬
)
‫داروين‬
1859
‫هولند‬ ‫جون‬ ‫قبل‬ ‫من‬ ‫أصال‬ ‫طورت‬
1975

3. Introduction to Genetic Algorithms 3
‫الجينية‬ ‫الخوارزميات‬
‫عامة‬ ‫نضرة‬
‫التي‬ ‫الصعبة‬ ‫للمشاكل‬ ‫خصوصا‬ ‫جدا‬ ‫جيد‬ ‫بشكل‬ ‫مناسبة‬
‫ما‬ ‫قليال‬
‫التحتي‬ ‫البحث‬ ‫فضا‬ ‫حول‬ ‫عرفت‬
‫والهندسة‬ ‫والعلوم‬ ‫األعمال‬ ‫في‬ ‫االستخدام‬ ‫كثيرة‬

4. Introduction to Genetic Algorithms 4
‫البحث‬ ‫تقنيات‬ ‫تصنيف‬
‫البحث‬ ‫تقنيات‬
‫حساب‬ ‫تقنية‬
‫القاعدة‬
‫ال‬ ‫العشوائي‬ ‫البحث‬ ‫تقنية‬
‫موجه‬ ‫حسابية‬ ‫تقنية‬
BFS
DFS ‫البرمجة‬
‫الديناميكية‬
Tabu Search Hill
Climbing
‫التل‬ ‫تسلق‬
Simulated
Anealing
‫الخوارزميات‬
‫التطورية‬
‫الجينية‬ ‫البرمجة‬ ‫الخوارزميات‬
‫الجينية‬
Fibonacci ‫النوع‬

5. Introduction to Genetic Algorithms 5
‫تبقي‬ ‫الوراثية‬ ‫الخوارزميات‬ ‫من‬ ‫مجموعة‬
‫في‬ ‫السكان‬ ‫لمشكلة‬ ‫المرشحة‬ ‫الحلول‬
‫تطبيق‬ ‫خالل‬ ‫من‬ ‫تتطور‬ ‫وتجعلها‬ ‫المتناول‬
‫الجينية‬ ‫الخوارزميات‬ ‫عمليات‬ ‫من‬ ‫مجموعة‬
‫مرة‬ ‫من‬ ‫أكثر‬

6. Introduction to Genetic Algorithms 6
‫الجينية‬ ‫الخوارزميات‬ ‫عمليات‬
‫في‬ ‫وجدت‬ ‫التي‬ ‫نجاحا‬ ‫األكثر‬ ‫للحلول‬ ‫يكون‬ ‫االختيار‬
‫نسبة‬
‫السكان‬ ‫من‬ ‫معينة‬
‫ذلك‬ ‫وبعد‬ ‫متميزين‬ ‫حلين‬ ‫من‬ ‫تتكون‬ ‫مجموعة‬ ‫اعادة‬
‫ال‬ ‫الحلول‬ ‫لتشكيل‬ ‫عشوائي‬ ‫بشكل‬ ‫اجزائهم‬ ‫تخلطان‬
‫مبتكرة‬
‫المرشح‬ ‫للحل‬ ‫عشوائي‬ ‫بشكل‬ ‫يكون‬ ‫التغيير‬

7. Introduction to Genetic Algorithms 7
‫االستعارة‬
‫الجينية‬ ‫الخوارزميات‬
‫طبيعتها‬
‫األمثلية‬ ‫تحقيق‬ ‫مشكلة‬
‫البيئة‬
‫العملية‬ ‫الحلول‬
‫البي‬ ‫تلك‬ ‫في‬ ‫يعيشون‬ ‫الذين‬ ‫األفراد‬
‫ئة‬
‫الحلول‬ ‫نوعية‬
(
‫االمثلية‬ ‫دالة‬
) )
‫المحيط‬ ‫بيئته‬ ‫مع‬ ‫الفرد‬ ‫تكيف‬ ‫درجة‬
‫ة‬

8. Introduction to Genetic Algorithms 8
‫االستعارة‬
‫الجينية‬ ‫الخوارزميات‬
‫طبيعتها‬
‫العملية‬ ‫الحلول‬ ‫مجموعة‬
‫السكان‬
(
‫نوعه‬
)
‫الجينية‬ ‫الخوارزميات‬ ‫عمليات‬
‫الحلول‬ ‫مجموعة‬ ‫اعادة‬ ‫و‬ ‫االختيار‬
‫التطور‬ ‫عملية‬ ‫اعادة‬ ‫في‬ ‫والتغير‬
‫عمليات‬ ‫من‬ ‫مجموعة‬ ‫تطبيق‬
‫متكرر‬ ‫بشكل‬ ‫الجينية‬ ‫الخوارزميات‬
‫العملية‬ ‫الحلول‬ ‫من‬ ‫مجموعة‬ ‫على‬
‫بيئتهم‬ ‫لمناسبة‬ ‫السكان‬ ‫تطور‬

9. Introduction to Genetic Algorithms 9
‫االستعارة‬
‫تبسيطا‬ ‫الحاسوب‬ ‫نموذج‬ ‫يقدم‬
(
‫الحقيقية‬ ‫الحيوية‬ ‫اآلليات‬ ‫إلى‬ ‫نسبة‬
)
‫لكن‬
‫التطويرية‬ ‫الخوارزميات‬ ‫خارج‬ ‫ظهرت‬ ‫جدا‬ ‫ومثيرة‬ ‫معقدة‬ ‫تراكيب‬ ‫هناك‬

10. Introduction to Genetic Algorithms 10
‫البسيطة‬ ‫الجينية‬ ‫الخوارزميات‬
•
‫األفراد‬ ‫من‬ ‫اولي‬ ‫مجتمع‬ ‫تكوين‬
•
‫األفراد‬ ‫لكل‬ ‫االمثلية‬ ‫دالة‬ ‫حساب‬
•
(
‫يقابله‬ ‫لم‬ ‫المحدد‬ ‫الشرط‬ ‫بينما‬
)
while termination condition not met do
•
‫اإلنتاج‬ ‫إلعادة‬ ‫أفضلية‬ ‫األكثر‬ ‫األفراد‬ ‫اختيار‬
•
‫األفراد‬ ‫بين‬ ‫التوحيد‬ ‫اعد‬
•
‫األفراد‬ ‫بدل‬
•
‫المعدلين‬ ‫ألفراد‬ ‫االمثلية‬ ‫دالة‬ ‫احسب‬
•
‫الكروموسومات‬ ‫من‬ ‫جديد‬ ‫مجتمع‬ ‫خلق‬
•
‫الدوران‬ ‫نهاية‬

11. Introduction to Genetic Algorithms 11
‫التطويرية‬ ‫الدورة‬
‫االختيار‬
‫السكان‬ ‫التقييم‬
‫التعديل‬
‫حذف‬
‫االفراد‬ ‫حذف‬
‫االباء‬
‫النسل‬ ‫معدل‬
‫المقيم‬ ‫النسل‬
‫و‬ ‫ابدأ‬
‫قيم‬

12. Introduction to Genetic Algorithms 12
‫مشكلة‬ ‫مثال‬
MAXONE
‫ثنائية‬ ‫ألرقام‬ ‫مجموعة‬ ‫في‬ ‫واحد‬ ‫رقم‬ ‫زيادة‬ ‫نريد‬ ‫نحن‬ ‫افترض‬
‫بديهية؟‬ ‫مشكلة‬ ‫هي‬ ‫هل‬
‫مقدما‬ ‫الجواب‬ ‫نعرف‬ ‫ألننا‬ ‫كذلك‬ ‫تبدو‬ ‫هي‬
‫الصح‬ ‫األجوبة‬ ‫عدد‬ ‫أقصى‬ ‫حد‬ ‫كتحقيق‬ ‫نعتبره‬ ‫أن‬ ‫يمكن‬ ‫نحن‬ ‫حال‬ ‫أية‬ ‫على‬
‫كل‬ ‫يحة‬
‫بواسطة‬ ‫مشفر‬
1
‫نعم‬ ‫ا‬ ‫الى‬
/
‫صعبة‬ ‫أسئلة‬ ‫ال‬

13. Introduction to Genetic Algorithms 13
‫المثال‬ ‫تكملة‬
‫الثنائي‬ ‫األرقام‬ ‫من‬ ‫مجموعه‬ ‫إلى‬ ‫طبيعيا‬ ‫مشفر‬ ‫الفرد‬
‫ة‬
‫لمشكلة‬ ‫المرشح‬ ‫للحل‬ ‫االمثلية‬ ‫حساب‬
Maxone
‫عبارة‬
‫الجينية‬ ‫الشفرة‬ ‫في‬ ‫واحد‬ ‫رقم‬ ‫عن‬
‫عشوائية‬ ‫كخيوط‬ ‫س‬ ‫سكان‬ ‫مع‬ ‫نبدأ‬
.
‫ا‬ ‫افترض‬
=
10
‫و‬
‫س‬
=
6

14. Introduction to Genetic Algorithms 14
‫مثال‬
(
‫التهيئة‬
)
‫معدنية‬ ‫عملة‬ ‫نرمي‬
60
‫التالية‬ ‫األولية‬ ‫الكروموسومات‬ ‫على‬ ‫ونحصل‬ ‫مرة‬
:
s1 = 1111010101 f (s1) = 7
s2 = 0111000101 f (s2) = 5
s3 = 1110110101 f (s3) = 7
s4 = 0100010011 f (s4) = 4
s5 = 1110111101 f (s5) = 8
s6 = 0100110000 f (s6) = 3

15. Introduction to Genetic Algorithms 15
‫مثال‬
(
‫االختيار‬
1
)
‫الروليت‬ ‫عجلة‬ ‫بطريقة‬ ‫المتكافئ‬ ‫األمثلية‬ ‫اختيار‬ ‫نطبق‬
:
‫سيختار‬ ‫الذي‬ ‫االحتمال‬ ‫عنده‬ ‫سيكون‬ ‫ا‬ ‫الفرد‬
2
1
n
3
‫نسبة‬ ‫مساحة‬
‫األمثلي‬ ‫قيمة‬
‫ة‬
‫عنده‬ ‫سيكون‬ ‫ا‬ ‫الفرد‬
‫سيختار‬ ‫الذي‬ ‫االحتمال‬

i
i
f
i
f
)
(
)
(
4
‫عدد‬ ‫حسب‬ ‫على‬ ‫الوقت‬ ‫بعض‬ ‫االنتزاع‬ ‫نكرر‬
‫حجم‬ ‫نفس‬ ‫عندنا‬ ‫ليكون‬ ‫نحتاجها‬ ‫التي‬ ‫األفراد‬
‫األصل‬ ‫السكان‬
(
6
‫الحالة‬ ‫هذه‬ ‫في‬
)

16. Introduction to Genetic Algorithms 16
‫مثال‬
(
‫االختيار‬
2
)
‫التالية‬ ‫الكروموسومات‬ ‫على‬ ‫نحصل‬، ‫االختيار‬ ‫عمل‬ ‫بعد‬ ‫أنة‬ ‫نفترض‬
:
s1` = 1111010101 (s1)
s2` = 1110110101 (s3)
s3` = 1110111101 (s5)
s4` = 0111000101 (s2)
s5` = 0100010011 (s4)
s6` = 1110111101 (s5)

17. Introduction to Genetic Algorithms 17
‫مثال‬
(
‫التبادل‬
1
)
‫الكروموسومات‬ ‫بين‬ ‫نبادل‬
.
‫التبادل‬ ‫احتمال‬ ‫نقرر‬ ‫زوج‬ ‫لكل‬
(
‫سبيل‬ ‫على‬
‫المثال‬
0,6
)
‫بأننا‬ ‫نفترض‬ ‫يعمله‬ ‫لم‬ ‫أو‬ ‫الحقيقة‬ ‫في‬ ‫التبادل‬ ‫عمل‬ ‫سوا‬
‫لألزواج‬ ‫الحقيقية‬ ‫في‬ ‫التبادل‬ ‫أداء‬ ‫قررنا‬ (s1,s2 )
‫و‬ (s5,s6 )
‫زوج‬ ‫لكل‬
‫المثال‬ ‫سبيل‬ ‫على‬ ‫لالنتقال‬ ‫نقطة‬ ‫عشوائي‬ ‫بشكل‬ ‫نختار‬
2
‫و‬ ‫لألولى‬
5
‫لثانية‬

18. Introduction to Genetic Algorithms 18
‫مثال‬
(
‫التبادل‬
2
)
s1` = 1111010101
s2` = 1110110101
s5` = 0100010011
s6` = 1110111101
‫االنتقال‬ ‫قبل‬
‫االنتقال‬ ‫بعد‬
s1`` = 1110110101
s2`` = 1111010101
s5`` = 0100011101
s6`` = 1110110011

19. Introduction to Genetic Algorithms 19
‫مثال‬
(
‫التغيير‬
)
‫العشوائي‬ ‫التغير‬ ‫نطبق‬ ‫أن‬ ‫النهائية‬ ‫الخطوة‬ ‫إن‬
:
‫نسمح‬ ‫جدد‬ ‫سكان‬ ‫إلى‬ ‫ننسخها‬ ‫بت‬ ‫لكل‬
‫الخطاء‬ ‫من‬ ‫صغير‬ ‫باحتمال‬
(
‫المثال‬ ‫سبيل‬ ‫على‬
0.1
)
‫التغيير‬ ‫عمل‬ ‫قبل‬
s1`` = 1110110101
s2`` = 1111010101
s3`` = 1110111101
s4`` = 0111000101
s5`` = 0100011101
s6`` = 1110110011

20. Introduction to Genetic Algorithms 20
‫مثال‬
(
‫التغيير‬
)
‫التغيير‬ ‫عمل‬ ‫بعد‬
s1``` = 1110100101 f (s1``` ) = 6
s2``` = 1111110100 f (s2``` ) = 7
s3``` = 1110101111 f (s3``` ) = 8
s4``` = 0111000101 f (s4``` ) = 5
s5``` = 0100011101 f (s5``` ) = 5
s6``` = 1110110001 f (s6``` ) = 6

21. Introduction to Genetic Algorithms 21
‫مثال‬
(
‫النهاية‬
)
‫تغ‬ ‫الكروموسومات‬ ‫المثلية‬ ‫الكلي‬ ‫المجموع‬ ‫الواحد‬ ‫الجيل‬ ‫في‬
‫يرت‬
‫من‬
34
‫الى‬
37
‫تحسنت‬ ‫هكذا‬
9
%
‫إيج‬ ‫عند‬ ‫ونقف‬ ‫أخرى‬ ‫مرة‬ ‫العملية‬ ‫بنفس‬ ‫نقوم‬ ‫النقطة‬ ‫هذه‬ ‫في‬
‫اد‬
‫مقابل‬ ‫معيار‬

22. Introduction to Genetic Algorithms 22
‫الجينية‬ ‫الخوارزميات‬ ‫مكونات‬
‫و‬ ‫كمدخل‬ ‫المشكلة‬ ‫تعريف‬
‫المبادئ‬ ‫تشفير‬
(
‫كروموسوم‬،‫جين‬
)
‫التهيئة‬ ‫إجراء‬
(
‫الخلق‬
)
‫اآلباء‬ ‫اختيار‬
(
‫اإلنتاج‬ ‫إعادة‬
)
‫الوراثية‬ ‫العمليات‬
(
‫العمليات‬ ‫من‬ ‫مجموعة‬ ‫وإعادة‬ ‫التغيير‬
)
‫التقييم‬ ‫دالة‬
(
‫البيئة‬
)
‫اإلنهاء‬ ‫شرط‬

23. Introduction to Genetic Algorithms 23
‫التمثيل‬
(
‫التشفير‬
)
‫المحتمل‬ ‫الفرد‬ ‫تشفير‬
‫المحتمل‬ ‫الفرد‬ ‫تشفير‬
‫البتات‬ ‫من‬ ‫مجموعة‬
(
bits
)
(0101 ... 1100)
-
‫الحقيقية‬ ‫األعداد‬
(43.2 -33.1 ... 0.0 89.2)
-
‫العنصر‬ ‫تقليب‬
(E11 E3 E7 ... E1 E15)
-
‫القواعد‬ ‫قوائم‬
(R1 R2 R3 ... R22 R23)
‫البرنامج‬ ‫عناصر‬
(
‫الجينية‬ ‫برمجة‬
)
...
‫والتنظيم‬ ‫لتركيب‬ ‫بيانات‬ ‫أي‬
...

24. Introduction to Genetic Algorithms 24
‫التمثيل‬
‫التالية‬ ‫الرئيسية‬ ‫األفكار‬ ‫على‬ ‫تعتمد‬ ‫أن‬ ‫البد‬ ‫تشفير‬ ‫نقطة‬ ‫اختيار‬ ‫عند‬
:
‫الط‬ ‫التمثيل‬ ‫إلى‬ ‫يمكن‬ ‫ما‬ ‫أقرب‬ ‫تمثل‬ ‫بيانات‬ ‫استعمال‬
‫بيعي‬
‫الحاجة‬ ‫حسب‬ ‫مالئمتين‬ ‫وراثيتين‬ ‫عمليتين‬ ‫كتابة‬
‫حلول‬ ‫لها‬ ‫الوراثية‬ ‫االنواع‬ ‫كل‬ ‫أن‬ ‫ضمان‬ ‫الممكن‬ ‫من‬ ‫كان‬ ‫إذا‬
‫عملية‬
‫تبقى‬ ‫الوراثية‬ ‫العمليات‬ ‫كل‬ ‫أن‬ ‫ضمان‬ ‫الممكن‬ ‫من‬ ‫كان‬ ‫إذا‬
‫عملية‬

25. Introduction to Genetic Algorithms 25
‫البداية‬ ‫أو‬ ‫التهيئة‬
‫باستخد‬ ‫أو‬ ‫عشوائيا‬ ‫مولدين‬ ‫السكان‬ ‫من‬ ‫بأفراد‬ ‫تكون‬ ‫البداية‬
‫ام‬
-
‫سابقا‬ ‫محفوظين‬ ‫سكان‬
-
‫اإلنساني‬ ‫بالخبير‬ ‫المزودة‬ ‫الحلول‬ ‫مجموعة‬
-
‫األخرى‬ ‫اإلرشادية‬ ‫بالخوارزمية‬ ‫المزودة‬ ‫الحلول‬ ‫مجموعة‬

26. Introduction to Genetic Algorithms 26
‫االختيار‬
‫الغرض‬
:
‫الفضاء‬ ‫من‬ ‫مناطق‬ ‫في‬ ‫البحث‬ ‫لتركيز‬
‫اإللهام‬
:
‫لألصلح‬ ‫البقاء‬ ‫داروين‬ ‫مبدأ‬
‫البحث‬ ‫فضاء‬ ‫واستغالل‬ ‫االستكشاف‬ ‫بين‬ ‫المبادلة‬
‫المحتملة‬ ‫االختيار‬ ‫طرق‬ ‫مناقشة‬ ‫هو‬ ‫التالي‬

27. Introduction to Genetic Algorithms 27
‫المكافئ‬ ‫واألفضل‬ ‫األمثل‬ ‫اختيار‬
‫ولالستغالل‬ ‫االستكشاف‬ ‫بين‬ ‫المثالية‬ ‫كالمبادلة‬ ‫هولند‬ ‫قبل‬ ‫من‬ ‫اشتقت‬
‫العوائق‬
‫الثانية‬ ‫االمثلية‬ ‫والدالة‬ ‫األولى‬ ‫االمثلية‬ ‫لدالة‬ ‫الفرق‬ ‫اختيار‬
f1(x)
and f2(x) = f1(x) + c
ً‫ا‬‫تقارب‬ ‫الممتازون‬ ‫األفراد‬ ‫يسبب‬
(
‫ناضج‬ ‫غير‬ ‫يكون‬ ‫قد‬ ‫ذلك‬
)

28. Introduction to Genetic Algorithms 28
‫االختيار‬ ‫رتبة‬ ‫تصنيف‬ ‫خط‬
‫االمث‬ ‫نقص‬ ‫حسب‬ ‫على‬ ‫األفراد‬ ‫تصنيف‬ ‫على‬ ‫مستند‬
‫لية‬
‫معر‬ ‫رتبته‬ ‫تصنيف‬ ‫في‬ ‫الفرد‬ ‫الختيار‬ ‫االحتمالية‬
‫كالتالي‬ ‫فة‬
2
1
,
1
1
)
1
(
2
1
)
( 











 


n
i
n
i
p
‫حيث‬b
‫اخذ‬ ‫كنسبة‬ ‫تترجم‬ ‫أن‬ ‫يمكن‬
‫فر‬ ‫ألفضل‬ ‫المتوقعة‬ ‫العينات‬
‫د‬

29. Introduction to Genetic Algorithms 29
‫المحلي‬ ‫الفرد‬ ‫اختيار‬
‫عدد‬ ‫اختيار‬
k
‫الموحد‬ ‫باالحتمال‬ ‫السكان‬ ‫من‬
(
‫إدخال‬ ‫إعادة‬ ‫بدون‬
)
‫ويجعلهم‬
‫نس‬ ‫إلى‬ ‫عموما‬ ‫يحسب‬ ‫لربح‬ ‫الفرد‬ ‫احتمال‬ ‫إن‬ ‫حيث‬ ‫بطولة‬ ‫يلعبون‬
‫لياقته‬ ‫بة‬

30. Introduction to Genetic Algorithms 30
‫مجموعة‬ ‫إعادة‬
(
‫تبادل‬
)
•
‫المناطق‬ ‫نحو‬ ‫التحرك‬ ‫من‬ ‫التطور‬ ‫عملية‬ ‫تمكن‬
‫البحث‬ ‫فضاء‬ ‫من‬ ‫الواعدة‬
‫ثانوي‬ ‫حلول‬ ‫إليجاد‬ ‫جيدين‬ ‫أباء‬ ‫بين‬ ‫يصل‬
‫ة‬
‫أفضل‬ ‫نسل‬ ‫إليجاد‬

31. Introduction to Genetic Algorithms 31
‫التغيير‬
‫الغرض‬
:
‫باال‬ ‫تحدث‬ ‫التي‬ ‫األخطاء‬ ‫تأثير‬ ‫لتقليل‬
‫حتمال‬
‫المضاعفة‬ ‫اثنا‬ ‫المنخفض‬
‫النتائج‬
:
‫البحث‬ ‫فضاء‬ ‫في‬ ‫التحرك‬
‫السكان‬ ‫إلى‬ ‫المفقودة‬ ‫المعلومات‬ ‫إعادة‬

32. Introduction to Genetic Algorithms 32
‫التقييم‬
(
‫االمثلية‬ ‫دالة‬
)
-
‫التقييم‬ ‫لدالة‬ ‫جيد‬ ‫يكون‬ ‫واحدة‬ ‫حالة‬ ‫في‬ ‫الحل‬
:
‫اخت‬
‫يار‬
‫الصلب‬ ‫الجزء‬ ‫يكون‬ ‫الغالب‬ ‫في‬ ‫جيد‬ ‫واحد‬
‫امثلي‬ ‫عندها‬ ‫تكون‬ ‫ان‬ ‫يجب‬ ‫المشفرة‬ ‫المماثلة‬ ‫الحلول‬
‫ة‬
‫مماثلة‬

33. Introduction to Genetic Algorithms 33
‫اإلنهاء‬ ‫شرط‬
‫أمثلة‬
:
‫الوقت‬ ‫انتهاء‬ ‫أو‬ ‫األجيال‬ ‫من‬ ‫محدد‬ ‫عدد‬
‫جيد‬ ‫حل‬ ‫على‬ ‫الحصول‬
‫األج‬ ‫من‬ ‫محدد‬ ‫لعدد‬ ‫حدثت‬ ‫الحل‬ ‫نوعية‬ ‫في‬ ‫تحسين‬ ‫ال‬
‫يال‬

34. Introduction to Genetic Algorithms 34
‫أخرى‬ ‫أمثلة‬
‫المتجول‬ ‫البائع‬ ‫مشكلة‬
‫ف‬ ‫واحدة‬ ‫مرة‬ ‫أرضة‬ ‫في‬ ‫مدينة‬ ‫كل‬ ‫يزور‬ ‫أن‬ ‫يجب‬ ‫المتجول‬ ‫البائع‬
‫قط‬
‫البداية‬ ‫نقطة‬ ‫إلى‬ ‫يعود‬ ‫ذلك‬ ‫وبعد‬
,
‫ك‬ ‫بين‬ ‫السفر‬ ‫كلفة‬ ‫لديك‬
‫المدن‬ ‫ل‬
‫الجولة‬ ‫لكامل‬ ‫تكلفة‬ ‫بأقل‬ ‫رحلته‬ ‫مخطط‬ ‫يخطط‬ ‫أن‬ ‫يجب‬ ‫كيف‬،
‫؟‬
‫مالحظة‬
:
‫سنناقش‬ ‫نحن‬
‫البائ‬ ‫مشكلة‬ ‫لتقريب‬ ‫وحيدة‬ ‫محتملة‬ ‫نظرة‬
‫ع‬
‫الجينية‬ ‫بالخوارزميات‬ ‫المتجول‬

35. Introduction to Genetic Algorithms 35
‫المتجول‬ ‫البائع‬ ‫مشكلة‬
(
‫وتهيئة‬ ‫وتقييم‬ ‫تمثيل‬
‫واختيار‬
)
‫الموجه‬
v = (i1 i2… in)
‫جولة‬ ‫يمثل‬
(
V
‫تحريك‬
(
{1,2,…,n)
)
‫االمثلية‬ ‫دالة‬
f
‫المطابقة‬ ‫للجولة‬ ‫المعكوسة‬ ‫التكلفة‬ ‫حل‬
‫التهيئة‬
:
‫التحريك‬ ‫من‬ ‫عشوائية‬ ‫عينة‬ ‫أو‬ ‫الهياكل‬ ‫استعمال‬
{1,2,……,n}
‫المتكافئ‬ ‫االمثلية‬ ‫اختيار‬ ‫سنستعمل‬ ‫نحن‬

36. Introduction to Genetic Algorithms 36
‫المتجول‬ ‫البائع‬ ‫مشكلة‬
(
‫االنتقال‬
1
)
OX
‫ن‬ ‫الطلب‬ ‫ويبقي‬ ‫واحد‬ ‫والد‬ ‫من‬ ‫لجولة‬ ‫الثانوية‬ ‫السلسلة‬ ‫باختيار‬ ‫نسال‬ ‫يبني‬
‫الوالد‬ ‫من‬ ‫سبيا‬
‫والعملية‬ ‫األخر‬ ‫الوالد‬ ‫من‬ ‫للمدن‬
‫مثال‬
p1 = (1 2 3 4 5 6 7 8 9) and
p2 = (4 5 2 1 8 7 6 9 3)
‫أوال‬
,
‫النسل‬ ‫إلى‬ ‫منسوخة‬ ‫القطع‬ ‫نقاط‬ ‫بين‬ ‫التي‬ ‫القطع‬
o1 = (x x x 4 5 6 7 x x),
o2 = (x x x 1 8 7 6 x x)

37. Introduction to Genetic Algorithms 37
‫المتجول‬ ‫البائع‬ ‫مشكلة‬
(
‫االنتقال‬
2
)
‫واحد‬ ‫والد‬ ‫من‬ ‫الثانية‬ ‫القطع‬ ‫نقطة‬ ‫من‬ ‫البدا‬ ‫التالي‬
,
‫األخ‬ ‫الوالد‬ ‫من‬ ‫المدن‬
‫ر‬
‫العمل‬ ‫نفس‬ ‫في‬ ‫ننسخها‬
‫هي‬ ‫الثاني‬ ‫للكروموسوم‬ ‫للمدن‬ ‫السلسلة‬
9
-
3
-
4
-
5
-
2
-
1
-
8
-
7
-
6
‫تصبح‬ ‫األول‬ ‫الجيل‬ ‫من‬ ‫المدن‬ ‫إزالة‬ ‫بعد‬
8
-
2
-
3
-
9
‫األول‬ ‫الجيل‬ ‫في‬ ‫موضوعه‬ ‫السلسلة‬ ‫هذه‬
o1 = (2 1 8 4 5 6 7 9 3),
‫الثاني‬ ‫الجيل‬ ‫في‬ ‫الطريقة‬ ‫وبنفس‬
o2 = (3 4 5 1 8 7 6 9 2)

38. Introduction to Genetic Algorithms 38
‫المتجول‬ ‫البائع‬ ‫مشكلة‬
(
‫االنعكاس‬
)
‫ث‬ ‫الثانوي‬ ‫الخيط‬ ‫في‬ ‫عشوائي‬ ‫بشكل‬ ‫نقطتين‬ ‫اختيار‬
‫نكتبهم‬ ‫م‬
‫معكوس‬ ‫باتجاه‬
‫مثال‬
:
(
123456789
)
‫إلى‬ ‫نغيرها‬
(
127654389
)
‫جولة‬ ‫الناتج‬ ‫النسل‬ ‫بان‬ ‫يضمن‬ ‫البسيط‬ ‫االنعكاس‬ ‫مثال‬
‫قانونية‬

39. Introduction to Genetic Algorithms 39
‫الجينية‬ ‫الخوارزميات‬
:
‫بها؟‬ ‫العمل‬ ‫لماذا‬
‫الخوارزمية‬ ‫عمل‬ ‫في‬ ‫معمقة‬ ‫نضرة‬ ‫نلقي‬ ‫القسم‬ ‫هذا‬ ‫في‬
‫الجيني‬ ‫الخوارزميات‬ ‫لماذا‬ ‫يوضح‬ ‫القياسية‬ ‫الجينية‬
‫تشكل‬ ‫ة‬
‫فعال‬ ‫بحث‬ ‫أجراء‬
‫سنناقش‬ ‫للتبسيط‬
‫األفراد‬ ‫من‬ ‫ثنائي‬ ‫خيط‬ ‫تمثيل‬

40. Introduction to Genetic Algorithms 40
‫الترقيم‬
(schema)
(
,#
0,1
)
‫إن‬ ‫حيث‬ ‫أبجدية‬ ‫رموز‬
#
‫بطاقة‬ ‫رمز‬ ‫عن‬ ‫عبارة‬
‫خاص‬
‫من‬ ‫مكون‬ ‫خيط‬ ‫علي‬ ‫تحتوي‬ ‫طبعه‬ ‫عن‬ ‫عبارة‬ ‫هو‬ ‫المخطط‬
‫الثالثة‬ ‫الرموز‬ ‫هذه‬
‫المخطط‬ ‫مثال‬
]
#
1
#
01
[
‫الخيوط‬ ‫يجاري‬
:
[01010], [01011], [01110] and [01111]

41. Introduction to Genetic Algorithms 41
‫الترقيم‬
(
‫عملها‬
)
‫مخطط‬ ‫عمل‬
S
(
‫قبل‬ ‫من‬ ‫علية‬ ‫دل‬
o(S)
)
‫الثابتة‬ ‫المواقع‬ ‫عمل‬ ‫عن‬ ‫عبارة‬
0
‫او‬
1
‫المخطط‬ ‫في‬ ‫المقدمة‬
‫مثال‬
:
for S1 = [01#1#], o(S1) = 3
for S2 = [##1#1010], o(S2) = 5
‫المخطط‬ ‫بقاء‬ ‫احتمال‬ ‫لحساب‬ ‫مفيد‬ ‫المخطط‬ ‫طلب‬ ‫او‬ ‫عمل‬
‫لتغيرات‬
‫هناك‬
2 l-o(S)
‫تجاري‬ ‫التي‬ ‫مختلفة‬ ‫خيوط‬
S

42. Introduction to Genetic Algorithms 42
‫الترقيم‬
(
‫التعريف‬ ‫طول‬
)
‫ا‬ ‫بين‬ ‫المسافة‬ ‫قياس‬ ‫قبل‬ ‫من‬ ‫علية‬ ‫دل‬ ‫للمخطط‬ ‫التعريف‬ ‫طول‬
‫لنقطة‬
‫المخطط‬ ‫هذه‬ ‫في‬ ‫الثابتة‬ ‫واألخيرة‬ ‫األولى‬
‫س‬ ‫مثال‬
1
=
#
1
#
10
δ
‫س‬
1
=
4
-
1
=
3
‫س‬
2
=
0101
#
1
##
δ
‫س‬
2
=
8
-
3
=
5
‫لع‬ ‫المخطط‬ ‫بقاء‬ ‫احتمال‬ ‫لحساب‬ ‫مفيد‬ ‫للمخطط‬ ‫الطول‬ ‫تعريف‬ ‫أن‬
‫مليات‬
‫التبادل‬

43. Introduction to Genetic Algorithms 43
‫الترقيم‬
‫ا‬ ‫في‬ ‫س‬ ‫معين‬ ‫مخطط‬ ‫إلى‬ ‫يعود‬ ‫السكان‬ ‫في‬ ‫األفراد‬ ‫عدد‬
‫لوقت‬
‫ت‬
(
‫األجيال‬ ‫ناحية‬ ‫من‬
)
fS(t)
‫تعو‬ ‫التي‬ ‫للخيوط‬ ‫االمثلية‬ ‫الدالة‬ ‫قيمة‬ ‫متوسط‬
‫د‬
‫ت‬ ‫الوقت‬ ‫في‬ ‫س‬ ‫لمخطط‬
f (t)
‫ا‬ ‫في‬ ‫الخيوط‬ ‫كل‬ ‫على‬ ‫االمثلية‬ ‫دالة‬ ‫قيمة‬ ‫متوسط‬
‫لسكان‬

44. Introduction to Genetic Algorithms 44
‫االختيار‬ ‫تأثير‬
‫في‬ ‫س‬ ‫المخطط‬ ‫إلى‬ ‫يعودون‬ ‫الذين‬ ‫األفراد‬ ‫عدد‬ ‫توقع‬ ‫المتكافئة‬ ‫االمثلية‬ ‫دالة‬ ‫اختيار‬ ‫تحت‬
‫الوقت‬
(t+1)
m (S,t+1) = m (S,t) ( fS(t)/f (t) )
‫بحل‬ ‫المعدل‬ ‫فوق‬ ‫يبقى‬ ‫س‬ ‫المخطط‬ ‫ان‬ ‫افتراض‬ ‫على‬
0  c, (i.e., fS(t) = f (t) + c f (t) ), then
m (S,t) = m (S,0) (1 + c)
t
‫األهمية‬
:
‫التوليد‬ ‫في‬ ‫الخيوط‬ ‫من‬ ‫تصاعديا‬ ‫متزايد‬ ‫عدد‬ ‫يكون‬ ‫المعدل‬ ‫فوق‬ ‫مخطط‬ ‫استالم‬
‫القادم‬

45. Introduction to Genetic Algorithms 45
‫االنتقال‬ ‫تأثير‬
‫س‬ ‫السكيما‬ ‫احتمال‬
(|S| = l)
‫االنتقال‬ ‫لعدم‬
‫هو‬
ps(S)  1 – pc((S)/(l – 1))
‫المنتقلة‬ ‫النواتج‬ ‫و‬ ‫لالختيار‬ ‫المشترك‬ ‫التأثير‬
m (S,t+1)  m (S,t) ( fS(t)/f (t) ) [1 - pc((S)/(l – 1))]
‫تصاعدي‬ ‫المتزايدة‬ ‫النسب‬ ‫في‬ ‫مختبرة‬ ‫تكون‬ ‫مازالت‬ ‫القصير‬ ‫بالطول‬ ‫المعدل‬ ‫فوق‬ ‫سكيما‬
‫ا‬

46. Introduction to Genetic Algorithms 46
‫التغيير‬ ‫تاثير‬
‫التغير‬ ‫لعدم‬ ‫س‬ ‫مخطط‬ ‫احتمالية‬
ps(S) = (1 – pm)
o(S)
‫منذ‬
pm<< 1
‫قبل‬ ‫من‬ ‫يقرب‬ ‫ان‬ ‫يمكن‬ ‫االحتمال‬ ‫هذا‬
ps(S)  1 – pm·o(S)
‫االنتقال‬ ‫وحصول‬ ‫الختيار‬ ‫المشترك‬ ‫التأثير‬
m (S,t+1)  m (S,t) ( fS(t)/f (t) ) [1 - pc((S)/(l – 1)) -pmo(S)]

47. Introduction to Genetic Algorithms 47
‫سكيما‬ ‫نظرية‬
‫تتلقى‬ ‫األقل‬ ‫الرتبة‬ ‫وذات‬ ‫والقصيرة‬ ‫المعدل‬ ‫فوق‬ ‫المخطط‬
‫للخوارزمية‬ ‫الالحقة‬ ‫األجيال‬ ‫في‬ ‫تصاعديا‬ ‫تتزايد‬ ‫محاكمات‬
‫الوراثية‬
‫النتيجة‬
:
‫ب‬ ‫البحث‬ ‫فضاء‬ ‫الجينية‬ ‫الخوارزميات‬ ‫تستكشف‬
‫واسطة‬
‫يس‬ ‫ذلك‬ ‫بعد‬ ‫الذي‬ ‫الرتبة‬ ‫االقل‬ ‫و‬ ‫القصير‬ ‫المخطط‬
‫تعمل‬
‫االنتقال‬ ‫اثناء‬ ‫المعلومات‬ ‫لتبادل‬

48. Introduction to Genetic Algorithms 48
‫الكتلة‬ ‫فرضية‬ ‫بناء‬
‫تراص‬ ‫خالل‬ ‫تقريبا‬ ‫مثالي‬ ‫أداء‬ ‫تريد‬ ‫الوراثية‬ ‫الخوارزمية‬
‫ف‬
‫الب‬ ‫كتل‬ ‫تسمى‬ ‫رتبة‬ ‫االقل‬ ‫األداء‬ ‫عالي‬ ‫القصير‬ ‫لمخطط‬ ‫ا‬
‫ناء‬
‫الح‬ ‫من‬ ‫العديد‬ ‫في‬ ‫لتطبق‬ ‫وجدت‬ ‫البناء‬ ‫كتل‬ ‫فرضية‬
‫لكنها‬ ‫االت‬
‫المستخدم‬ ‫الوراثية‬ ‫العمليات‬ ‫و‬ ‫التمثيل‬ ‫على‬ ‫تعتمد‬
‫ة‬

49. Introduction to Genetic Algorithms 49
‫الكتلة‬ ‫فرضية‬ ‫بناء‬ ‫تكملة‬
‫لتحمل‬ ‫اعاله‬ ‫فرضية‬ ‫ألي‬ ‫االمثلة‬ ‫لبنا‬ ‫سهلة‬ ‫هي‬
:
S1 = [111#######] and S2 = [########11]
‫مجموعهم‬ ‫لكن‬ ‫المعدل‬ ‫فوق‬ ‫هما‬
S3 = [111#####11]
‫من‬ ‫االمثلية‬ ‫في‬ ‫بكثير‬ ‫قل‬ ‫أ‬
S4 = [000#####00]
‫المثالي‬ ‫الخيط‬ ‫أن‬ ‫افترض‬
S0 = [1111111111]
‫الى‬ ‫تضافر‬ ‫في‬ ‫الصعوبات‬ ‫بعض‬ ‫عندها‬ ‫ربما‬ ‫الجينية‬ ‫الخوارزميات‬
S0
‫نقاط‬ ‫إلى‬ ‫التالقي‬ ‫إلى‬ ‫يميل‬ ‫انه‬
‫[مثال‬0001111100
‫البناء‬ ‫كتل‬ ‫بعض‬
(
‫والقصير‬ ‫الرتبة‬ ‫االقل‬ ‫المخطط‬
)
‫تق‬ ‫وتسبب‬ ‫الوراثية‬ ‫الخوارزميات‬ ‫تضلل‬ ‫أن‬ ‫يمكن‬
‫اربها‬
‫الفرعية‬ ‫المثالية‬ ‫النقاط‬ ‫الى‬

50. Introduction to Genetic Algorithms 50
‫الكتلة‬ ‫فرضية‬ ‫بناء‬ ‫تكملة‬
‫المشاكل‬ ‫مع‬ ‫تعامل‬
‫مالئمة‬ ‫طريقة‬ ‫على‬ ‫للكود‬ ‫االمثلية‬ ‫دالة‬ ‫نحسب‬
(
‫مسبق‬ ‫علم‬ ‫نفترض‬
)
‫او‬
‫االنعكاس‬ ‫ثالث‬ ‫وراثي‬ ‫معامل‬ ‫استعمال‬

51. Introduction to Genetic Algorithms 51
‫المشار‬ ‫التطور‬ ‫إلى‬ ‫قصيرة‬ ‫مقدمة‬
‫ك‬
‫االمثلية‬ ‫دالة‬ ‫خالل‬ ‫ويتفاعل‬ ‫يتطور‬ ‫أكثر‬ ‫أو‬ ‫نوعان‬
‫الحقيقية‬ ‫الحيوية‬ ‫األنظمة‬ ‫إلى‬ ‫أقرب‬
‫تنافسي‬
(
‫الحل‬ ‫تكوين‬ ‫في‬ ‫ينافس‬ ‫فرد‬
)
‫التعاو‬ ‫او‬
‫فيما‬ ‫ن‬
‫بينهم‬

52. Introduction to Genetic Algorithms 52
‫مراجع‬
C. Darwin. On the Origin of Species by Means of Natural Selection;
or, the Preservation of flavored Races in the Struggle for Life. John
Murray, London, 1859.
W. D. Hillis. Co-Evolving Parasites Improve Simulated Evolution as
an Optimization Procedure. Artificial Life 2, vol 10, Addison-Wesley,
1991.
J. H. Holland. Adaptation in Natural and Artificial Systems. The
University of Michigan Press, Ann Arbor, Michigan, 1975.
Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution
Programs. Springer-Verlag, Berlin, third edition, 1996.
M. Sipper. Machine Nature: The Coming Age of Bio-Inspired
Computing. McGraw-Hill, New-York, first edition, 2002.
M. Tomassini. Evolutionary algorithms. In E. Sanchez and
M. Tomassini, editors, Towards Evolvable Hardware, volume 1062
of Lecture Notes in Computer Science, pages 19-47. Springer-
Verlag, Berlin, 1996.