فایل دانلودی حاوی یک فایل پاورپوینتی قابل ویرایش میباشد.
فهرست مطالب فایل دانلودی:
ایده کلی
فضای فرضیه
ویژگیها
Parallelization of Genetic Programming
کاربر دها
زیر شاخه
های EA
الگوریتم های
ژنتیک
پارامترهای GA
الگورتیم
نحوه ایجاد
جمعیت جدید
نمایش فرضیه
ها
مثال: نمایش
قوانین If-then
rules
نمایش فرضیه
ها: ملاحظات
اپراتورهای ژنتیکی
Crossover :
Single-point crossover
روشهای دیگر
Crossover
اپراتورهای ژنتیکی
Mutation :
Crossover OR mutation?
تابع تناسب
انتخاب فرضیه
ها
نحوه جستجو
در فضای
فرضیه
Crowding
راه حل
رفع مشکل
Crowding
چرا GA کار
میکند؟
قضیه Schema
خلاصه
تفاوت GA با
سایر روشهای
جستجو
مثالی از
کاربرد
الگوریتم ژنتیک
مقدمه
مساله
الگوریتم ژنتیک
جمعیت
تابع تناسب
عملگرهای ژنتیکی
کارایی
بهترین چینش
مدلهای تکامل
Lamarckian evolution
Baldwin Effect
اجرای موازی
الگوریتم های
ژنتیک
Evolving Neural Networks
مراجع
نمایش برنامه
ها
اپراتور
crossoverبرای GP
مثال
مثال : طراحی
فیلتر
قسمتی از متن
l الگوریتم ژنتیک روش یادگیری بر پایه تکامل بیولوژیک است.
l این روش در سال 1970 توسط John Holland معرفی گردید
l این روشها با نام Evolutionary Algorithms نیز خوانده میشوند.
ایده کلی
l یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن را تولید
میکند.
l هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار
میگیرد.
l آنگاه تعدادی از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند. که
اینکار باعث تکامل راه حلها میگردد.
l بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب
برسد
l در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل
نماید.
فضای فرضیه
l الگوریتم ژنتیک بجای جستجوی فرضیه های general-to specific و یا simple
to complex فرضیه ها ی جدید را با تغییر و ترکیب متوالی اجزا بهترین فرضیه های
موجود بدست میاورد.
l در هرمرحله مجموعه ای از فرضیه ها که جمعیت (population) نامیده میشوند
از طریق جایگزینی بخشی از جمعیت فعلی با فرزندانی که از بهترین فرضیه های موجود
حاصل شده اند بدست میآید.
و.....