More Related Content Similar to Genetic algorithm Similar to Genetic algorithm (19) Genetic algorithm 3. 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
3
4. Introduction
است ژنتیک الگوریتم موجود الگوریتم ترین معروف شک بدون.
شود می تکاملی الگوریتم از صحبت که زمانی خاطر همین وبه
رسد می ذهن به ژنتیک ،الگوریتم.
اماری صورت به را آن خواهیم ومامی است تغییر حال در دایم جهان
کنیم بیان.بتواند باید کند زندگی جهان در بخواهد که موجودی هر
دهد تطبیق و کند عوض محیط تغییر با را خودش.
4
8. Evolution theory
کاملیافرگشتیابرآیش(ترویژه ٔهگون به یاتکامل
زیستییااندامی)چند یا یک در دگرگونی از عبارتست
ویژگیفنوتیپیموروثیدر زمان طی کههایجمعیتدهدمی رخ افراد.
همچون هایی پدیده عملکرد حاصل تکامل:
(1طبیعی انتخاب(natural selection)
(2مثل تولید(reproduction)
(3جهش(mutation)
(4همزیستی(symbiosis)
8
9. Evolution theory
طبیعی انتخاب(natural selection)
بقا شانس بیشتر باشد طبیعت برمعیارهای منطبق بیشتر که هرموجودی
شوند می حذف دارند کمتری تطابق که وبقیه دارد.
مثل تولید(reproduction)
جاودانگی به میل
جهش(mutation)
باشند خوب توانند می اندکی موارد در.
سرطان ،مانند باشند بد نیز مواردی ودر.
همزیستی(symbiosis)
همنوعان بقیه به نسبت انسان درکنار زندگی دراثر سگ و گربه مثل
ترند باهوش خود.
9
11. Genetics
طبیعت خط دست
اطلعات ،بایستی کند سازی بهینه کار بتواند انکه برای طبیعت
کند ذخیره نحوی به را سال ها میلیون طول در را آمده بدست.
است شیمیایی ،عناصر زنده موجودات دهنده تشکیل زیربنای.لذا
هرگونه به مربوط اطلعات سازی ذخیره ،برای عنصر همین از طبیعت
کنند می استفاده زیستی.
DNAاین درون به توان نمی راحتی به که است پیچیده ساختار یک
است مقاوم وبسیار کرد ایجاد وتغییر کرد نفوذ ساختار.
DNAاست شیمیایی اطلعات های بلوک دارای.
11
12. 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.
12
13. Genetics
ساختار از مخصوص هایی بخشDNAموجود های ویژگی و خواص که است
کند می تعریف را زنده.
DNAترکیبات از عدد میلیارد سه از بیش ،شامل انسان
(TA،AT،CG،GC)از بیش وتوالی نوع که99برای تعداد این از درصد
است مشترک ها انسان تمام.
یک از کمتر در فرد هر به مربوط اطلعات واقع در
ازساختار درصدDNAاست شده ذخیره.
13
14. Genetics
کند می تعیین را ارگان یک های جنبه از برخی هرژن.
ژنوتیپ(:(Genotypeاز هایی پایه ژنوتیپDNAیک به مربوط که است
است ویژگی.
فنوتیپ(Phenotype:)فنوتیپبه ژنوتیپ یک مشاهده قابل بروز
است مولکولی یا بیوشیمیایی با بالینی ، ظاهری صفتی عنوان.
را واجزا عامل که گفت میتوان ساده زبان به
گویند فنوتیپ را وخروجی ژنوتیپ.
14
15. Genetics
دارد وجود ژنی ورشته زنده هرموجود میان یک به یک ای رابطه.به
ساختار ،یک زنده ،هرموجود که معنی اینDNAدر که دارد ثابت
است نشده تکرار نوع ازهمان ،حتی دیگری زنده موجود هیچ.
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 میتوانDNAآن
گرفت نظر در کد بعنوان را.
مطابق اگر که دهد می نشان فنوتیپ سری یک صورت رابه خود هرکد
ماند می باقی باشد طبیعت معیارهای.خواهد حذف صورت غیراین در
شد.
15
16. Idea
بهینه الگوریتم یک تکرار بار هزاران ،نتیجه کنونی موجودات
بقای توان ،افزایش آن اجرای از هدف ،که هستند عظیم سازی
است زنده موجودات.
و کرد ،تقلید است کرده استفاده طبیعت که مکانیزمی از توان می
نمود سازی بهینه به اقدام.
باشد دست در هرجواب ارزیابی برای معیاری بایست می.
است زمان طبیعت معیار.
16
18. History of Genetic Algorithm
ازاوایل1950تلشهاییبرایشبیهسازیپدیدهتکاملبرروی
کامپیوترهاآغازشدکهدراینمیانتوجهبسیاریازمحققینحوزه
هایمربوطبهعلومومهندسی،بهاینزمینهجلبشد.
نهایتادر1970میلدیدانشمندیازدانشگاهمیشیگانبهنامجان
هلندایدهاستفادهازالگوریتمژنتیکرادرهایسازیبهینه
مهندسیمطرحکرد.
یکیازشاگردانشبهنامدیویدگلدبرگ،کارهایپراکندهایرا
کهتوسطهالندانجامشدهبودجمعآوریکردوبههمراهنتایج
حاصلازتحقیقاتخودرادرقالبیککتابکهبیشترینسهمرادر
توسعهومعرفیالگوریتمژنتیکداشتچاپکرد.
18
20. 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/بدون معین تعدادتکرار
نتیجه در خاصی بهبود مشاهده
4.به رسیدن
مناسب تعداد(NFE)
می اصلی جمعیت ایجاد بررسی به کار سادگی برای ادامه در
میکنیم بررسی انتها از را مراحل و پردازیم.
20
21. 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(
.)جمعیت تعداد به جمعیت این از باید که
اصلی) (کرد انتخاب.های راه که
داردکه وجود انتخاب برای مختلفی4بیان را مورد
است شده.
𝑛 𝑝𝑜𝑝
𝑛 𝑚
𝑛 𝑐
𝑛 𝑝𝑜𝑝
𝑛 𝑝𝑜𝑝
′
= 𝑛 𝑐 + 𝑛 𝑚 + 𝑛 𝑝𝑜𝑝
21
22. How to create a new population?
روشاول:میتوانیمابتداادغام(merge)،سپسمرتبسازی
(sort)وحذفدادههایبد(Truncate)
دراینجابهترینهایکلجمعیتانتخابمیشوند.
بعدازاینکهیکجمعیتازجمعفرزندان،جهشیافتگان،وجمعیت
اصلیایجادشد،بهمرتبسازیمجموعهپرداختهوازانهابهترین
هاانتخابمیشوند.البتهبهتعداد.( )
وحالتهایمختلفیممکناستپیشآید،مثلتماماعضایحذفشوند
یااینکهتمامفرزندانوجهشیافتگانحذفشوند،کهدراین
صورتمارادچاردردسرمیکند.
𝑛 𝑝𝑜𝑝
22
23. How to create a new population?
𝑝𝑡
𝑄𝑡
𝑅𝑡
𝑃𝑡
′ 𝑃𝑡
′′
ادغام
مرتب
سازی
یافتگان وجهش فرزندان جمع از جمعیت یک ازاینکه بعد
شد ایجاد اصلی وجمعیت:
𝑝𝑡
′
آن از که آید می بدست مجموعه یک سازی مرتب دراثر
است مجموعه این های بهترین و کرده جدا تعداد به.
𝑝𝑡
′′
𝑛 𝑝𝑜𝑝
23
24. 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
24
25. How to create a new population?
راانجام جهش آن روی سپس کرده تهیه اصلی جمعیت از کپی یک ابتدا
داده.
باشد یک از بزرگتر است ممکن.
𝑛 𝑚𝑢𝑡𝑎𝑡𝑖𝑜𝑛 = 𝑝 𝑚 × 𝑛 𝑝𝑜𝑝
0 ≤ 𝑝 𝑚 ≤ 1
𝑛 𝑚 = 𝑝 𝑚 × 𝑛 𝑝𝑜𝑝
𝑝 𝑚
25
26. 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.
تعداد
دفعات
فراخوانی
هدف تابع
تعدادجمعی
اصلی ت
تعداد
فرزندان
تعداد
جهش
یافتگان
تعداد
تکرار
تولید اعضای تعداد
جدید شده
26
27. How to create a new population?
دوم روش:شده تعیین قبل از های سهم(Predefined share)
بندی سهمیه مانند آیند می باال هرگروه های بهترین روش این در
کنکور.
𝑝𝑡
𝑄𝑡
𝑅𝑡
𝑝𝑡+1
27
28. 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 =
28
29. 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
29
30. 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
30
31. How to create a new population?
چهارم روش:
نداده انجام جهش اصلی جمعیت خود روی) (
از یکی به سپس3داده راانجام ترکیب قبل روش.
𝑄𝑡
فرزندان
عادی
جهش فرزندان
یافته
𝑄𝑡
′
𝑛 𝑐
𝑛 𝑚 = 0
31
32. 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
′
32
33. Selection parent
ابتدا شود انجام جهش آنها روی است قرار که والدین انتخاب برای
شود بررسی انها شایستگی بایست می.
والد انتخاب های روش:
.1تصادفی انتخاب(selection pressure=0)
.2رتبه و شایستگی براساس انتخاب
.3رقابتی انتخاب)(tournament selection
33
34. Selection parent
2)شایستگی براساس انتخاب:
براساس یا هدف تابع مطلق مقدار براساس یا داریم رویکرد نوع دو
رتبه.
های معدل با نفر سه مثال عنوان به19،18/5و12برتر نفر سه که
هستند کلس.
معدل به یا داریم نیاز را برتر نفر سه بگوییم توانیم می هم حال
باالی های17.
های تفاوت با قبل مورد در(rank base)و(fitness base)شدیم آشنا.
که ،معیاری دارد وجود والدین انتخاب برای مختلفی های معیار
هزینه تابع گرفتیم درنظر اکنون(cost function)کار تابع این وبا
دهیم می راادامه.
مانند دیگر معیارهایrankوfitnessاند استفاده قابل نیز.
موردهای برای2و3میکنیم تعریف گسسته احتمال توزیع یک ابتدا
گردیم می نتیجه دنبال وبه کرده برداری نمونه آن براساس وسپس.
34
35. 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
شرط سه دارای باید البته
باشد داشته را زیر.
35
36. Selection parent
اول روش:کرد تعریف زیر شکل به توان رامی:
:تخمین یا هزینه تابع برای ممکن مقدار بیشترین
است هزینه از وبراوردی.
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
36
37. Selection parent
دوم روش:
به پیش مشکل شد صفر با برابر اگر که است این برای
نیاید وجود.
𝑃𝑖 ∝
1
𝐶𝑖 + 𝜀
𝐶𝑖 + 𝜀 〉 0 𝐶𝑖〉 − 𝜀
𝑃𝑖 =
1
𝐶𝑖 + 𝜀
𝑗=1
1
𝐶𝑗 + 𝜀
𝜀𝐶𝑖
37
38. Selection parent
سوم روش:بولتزمان روش
چه های تفاوت توانیم نمی که است این دارد وجود که امامشکلی
است داشته احتماالت تفاوت برروی را تاثیراتی.
𝑝𝑖 ∝ 𝑒−𝑐 𝑖
𝑝𝑖 =
𝑒−𝑐 𝑖
𝑒−𝑐𝑗
38
39. Selection Pressure
یک شویم متوجه توانیم نمی که است این داریم اکنون که مشکلی
است تر ضعیف مقدار چه تر ضعیف عضو.
تاثیری چه ها هزینه تفاوت ببینیم اینکه برای کنترلی یعنی
،نداریم دارد احتماالت تفاوت برروی.
راهکار!!!...
انتخاب فشار تعریف(Selection Pressure)
باشد رندوم انتخاب اگر(SP=0)
باشد نهایت بی انتخاب فشار اگر(SP=)بهتر عضو اعضای فقط
شوند می انتخاب جمعیت.
∞
39
42. Selection Pressure
تعریف اثر در آمده وجود به تغییرات حال(selection pressure)را
کنیم می اعمال.
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
42
43. 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
عضو بهترین
جمعیت
سایرین
𝛽
𝑖=1
𝑛 𝑝𝑜𝑝
2
𝑃𝑖 = 0.8
43
44. Selection Pressure
معیار با توان می شد اشاره قبل که همانطورrankجای به نیز
costکرد کار.
𝑝𝑖 ∝ 𝑛 𝑝𝑜𝑝 − 𝑟𝑖 + 𝑘
𝛽
𝑝𝑖 ∝
1
𝑟𝑖 + 𝜀
𝛽
𝑃𝑖 ∝ 𝑒−𝛽𝑟 𝑖
44
45. 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.
45
46. Rolette wheel selection(RWS)
از که درآوریم رمان یک صورت به را وآن کرده باز را چرخ اگر
نقش که یک تا صفر بین عدد یک انتخاب با سپس و است یک تا صفر
چرخه کند،دقیقا می بازی را ما نشانگر(RWS)شده سازی پیاده
است.
میکنیم تولید ویک صفر بین عدد یک گسسته توزیع یک با حقیقت در
شود می مشخص شده انتخاب ناحیه افتاد که هرناحیه ،در.
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 46
47. 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
در دستور
متلب Find
47
48. Tournament selection
ابتداmشود می انتخاب تصادف به جمعیت اعضای از عضو
(یکسان بااحتمال)
میان از عضو بهترین سپسmانتخاب نتیجه عنوان ،به منتخب عضو
شود می مشخص رقابتی.(m array tournament selection)
اگرm=2،Binary tournament selection.
مثال:
اگرm=3در که ،چرا شود انتخاب تواند نمی جمعیت عضو ،بدترین
ندارد جای رقابتی هیچ.
شود انتخاب تواند نمی نیز جمعیت بدتر عضو دومین همچنین.
، رقابتی انتخاب روش در کلی طور بهm-1هیچ به جمعیت بدتر عضو
ندارند شدن انتخاب شانس وجه.
اگر،باشداگر و
𝛽 𝑠𝑒𝑙𝑒𝑐𝑡𝑖𝑜𝑛 𝑝𝑟𝑒𝑠𝑠𝑢𝑟𝑒 = 0،𝑚 = 𝑛 𝑝𝑜𝑝 𝑚 = 1𝛽 → ∞
48
49. Binary problems
باینری مسایل در جهش:
آن مدیر در که شهر یک در شرکت یک های دفتر درباره مثال طور به
فعال را کدام ویا ببندد را شرکت کدام که است این بررسی حال در
است باینری مساله یک حقیقت ،در ندارد نگه.
𝑛var =
𝑥 = 𝑥1, 𝑥2, 𝑥3, . . . , 𝑥 𝑛var
𝑋𝑖 ∈ 0,1
)min Z = 𝑓(𝑥
مجهوالت تعداد
شکل
کروموزوم
𝑓: 0,1 𝑛var → ℝ
49
50. 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
50
52. 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
52
53. Binary problems
سهم یک هرکدام ،از مورد سه از واستفاده ترکیب برای توانیم می
شود استفاده مشخص.
از بااستفاده سپسRWSبار هر درCrossoverمی استفاده نوع یک از
کنیم.
از استفاده وباینری صحیح عدد حوزه برایUniform Crossover
است مناسب بسیار.
𝑃𝑠𝑝𝑥 → 𝛱𝑠𝑝𝑥
𝑃 𝐷𝑝𝑥 → 𝛱 𝐷𝑝𝑥
𝑃𝑢𝑐𝑥 → 𝛱 𝑢𝑐𝑥
𝜋 𝑢𝑐𝑥 + 𝜋 𝑠𝑝𝑥 + 𝜋 𝑑𝑝𝑥 = 1
53
54. Binary problems
جهش تاثیر نرخ) (
، جهش ،برای باینری حوزه درصفرهاتبدیل صفر به ها ویک یک به
شوند می.
0 ≤ 𝜋 𝑚 ≤ 1
= 𝜋 𝑚× 𝑛var
𝜋 𝑚
تحت های مولفه تعداد
جهش تاثیر
𝑥𝑖 = 0 → 𝑥𝑖 = 1
𝑥𝑖 = 1 → 𝑥𝑖 = 0
𝑥𝑖
𝑛𝑒𝑤
← 1 − 𝑥𝑖
if
54
55. integer problems
کرد استفاده باینری تقاطع سه هر از توان می تقاطع برای.
𝑛var:
𝑋 = 𝑥1, 𝑥2, 𝑥3,. . . , 𝑥 𝑛var
𝑥𝑖 ∈ 𝑥min, . . . , 𝑥max
تعداد
مجهوالت
𝑥𝑖 → 𝑥𝑖
𝑛𝑒𝑤
𝑥𝑖
𝑛𝑒𝑤
∈ 𝑋 − 𝑥𝑖 → مقدار مجموعه از
کنیم می حذف را.
𝑥𝑖 𝑋
را فوق ی مجموعه از عضوی تصادف به
کنیم می انتخاب.
55
56. Real problems
شود می ،استفاده است پیوسته ما تصمیم متغیر که جاهایی در.
در باتغییرuniform crossoverخاص نوع یک توان میcrossoverبدست
آید می.
𝑛var:
)𝑋 = (𝑥1, 𝑥2, 𝑥3, . . . , 𝑥var
𝑋 ∈ 𝑥min, 𝑥max
𝑥min ≤ 𝑥𝑖 ≤ 𝑥max
56
57. 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
57
58. Real problems
پیوسته فضای در جهش:
و بین عددی هر ،اما نداریم کردن حذف قبل مانند
باشد تواند می.
اگر و یابد می افزایش ما گام باشد بزرگتر ما معیار انحراف اگر
شود می کوچک گام باشد کم ما معیار انحراف.
𝑥min𝑥max
𝑋𝑖
𝑛𝑒𝑤
∼ 𝑝 𝑥 𝑥 ∈ [𝑥min, 𝑥max
)𝑥𝑖
𝑛𝑒𝑤
= 𝑁(𝑥𝑖, 𝜎2
)𝑥𝑖
𝑛𝑒𝑤
= 𝑥𝑖 + 𝜎 × 𝑁(0,1
𝜎 = 𝜇 𝑥max − 𝑥min
58
59. Real problems
باشد بزرگ باید ونه باشد کوچک باید گام طول نه.قانون یک
دارد وجود کلی(Evolution strategy)معروف پنجم یک قانون به که
است.
قانون(ES:)
1)را گام طول باشد پنجم یک از بیش موفق های جهش نسبت اگر
دهیم می افزایش
2)را گام ،طول باشد پنجم یک از کمتر موفق های جهش نسبت اگر
کنیم می کمتر.
59