توضیحات
فهرست مطالب تحقیق:
- چکيده
- مقدمه
- لگوریتم ژنتیک چیست؟
- نقاط قوت الگوریتم های ژنتیک
- تقاط قوت الگوریتم های ژنتیک
- چند نمونه از کاربرد های الگوریتم های ژنتیک
- نسل اول
- نسل بعدی
- شاره ای کوتاه در مورد کاربرد های مهم الگوریتم ژنتیک
- کاربرد اول: طراحی خودرو
- کاربرد دوم: طراحی مهندسی
- کاربرد سوم: رباتیک
- کاربرد چهارم: سخت افزارهای قابل تکامل
- کاربرد ششم : تولید جُک و تولید جناس
- کاربرد هفتم : ابداع زیست تقلیدی
- کاربرد هشتم: مسیریابی در سفر، ترافیک و حمل کالا
- کاربرد نهم : بازی رایانه ای
- کاربرد دهم: هک کردن و کُد شکنی
- کاربرد یازدهم: طراحی مولکول ها به کمک کامپیوتر
- کاربرد دوازدهم: تعیین حالت ژن
- کاربرد سیزدهم: بهینه سازی تجزیه و تحلیل های جنبشی شیمیایی (کینتیک شیمیایی)
- کاربرد چهاردهم: امور مالی و استراتژی های سرمایه گذاری
- کاربرد پانزدهم: بازاریابی و تجارت
- نتیجه گیری کلی
چکیده
الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند.الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای رگرسیون هستند.همان طور ساده،خطی وپارامتری یک گفته می شود،به الگوریتم های ژنتیک می توان غیر پارامتریک گفت.
مختصراً گفته می شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند.مسئله ای که باید حل شود ورودی است و راه حلها طبق یک الگو کد گذاری می شودومتریک که تابع fitness هم نام دارد هر راه حل کاندید را ارزیابی می کندکه اکثر آنها به صورت تصادفی انتخاب می شوند.
مقدمه
هنگامی كه لغت تنازع بقا به كار میرود اغلب بار ارزشی منفی آن به ذهن میآید. شاید همزمان قانون جنگل به ذهن برسد و حكم بقای قویتر!
البته برای آنكه خیالتان راحت شود میتوانید فكر كنید كه همیشه هم قویترینها برنده نبودهاند. مثلا دایناسورها با وجود جثه عظیم و قویتر بودن در طی روندی كاملا طبیعی بازی بقا و ادامه نسل را واگذار كردند در حالی كه موجوداتی بسیار ضعیفتر از آنها حیات خویش را ادامه دادند. ظاهرا طبیعت بهترینها را تنها بر اساس هیكل انتخاب نمیكند! در واقع درستتر آنست كه بگوییم طبیعت مناسب ترینها (Fittest) را انتخاب میكند نه بهترینها.
قانون انتخاب طبیعی بدین صورت است كه تنها گونههایی از یك جمعیت ادامه نسل میدهند كه بهترین خصوصیات را داشته باشند و آنهایی كه این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین میروند.
مثلا فرض كنید گونه خاصی از افراد، هوش بسیار بیشتری از بقیه افراد یك جامعه یا كولونی دارند. در شرایط كاملا طبیعی این افراد پیشرفت بهتری خواهند كرد و رفاه نسبتا بالاتری خواهند داشت و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود(توجه كنید شرایط طبیعیست نه در یك جامعه سطح بالا با ملاحظات امروزی یعنی طول عمر بیشتر در این جامعه نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت(هوش)ارثی باشد به طبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشتر اینگونه افراد بیشتر خواهد بود. اگر همین روند را ادامه دهید خواهید دید كه در طی نسلهای متوالی دائما جامعه نمونه ما باهوش و باهوشتر میشود. بدین ترتیب یك مكانیزم ساده طبیعی توانسته است در طی چند نسل عملا افراد كم هوش را از جامعه حذف كند علاوه بر اینكه میزان هوش متوسط جامعه نیز دائما در حال افزایش است.
بدین ترتیب میتوان دید كه طبیعت با بهرهگیری از یك روش بسیار ساده(حذف تدریجی گونههای نامناسب و در عین حال تكثیر بالاتر گونههای بهینه) توانسته است دائما هر نسل را از لحاظ خصوصیات مختلف ارتقا بخشد.
البته آنچه در بالا ذكر شد به تنهایی توصیف كننده آنچه واقعا در قالب تكامل در طبیعت اتفاق میافتد نیست. بهینهسازی و تكامل تدریجی به خودی خود نمیتواند طبیعت را در دسترسی به بهترین نمونهها یاری دهد. اجازه دهید تا این مساله را با یك مثال شرح دهیم.
پس از اختراع اتومبیل به تدریج و در طی سالها اتومبیلهای بهتری با سرعتهای بالاتر و قابلیتهای بیشتر نسبت به نمونههای اولیه تولید شدند. طبیعیست كه این نمونههای متاخر حاصل تلاش مهندسان طراح جهت بهینهسازی طراحیهای قبلی بوده اند. اما دقت كنید كه بهینهسازی یك اتومبیل تنها یك “اتومبیل بهتر” را نتیجه میدهد.
اما آیا میتوان گفت اختراع هواپیما نتیجه همین تلاش بوده است؟ یا فرضا میتوان گفت فضا پیماها حاصل بهینهسازی طرح اولیه هواپیماها بودهاند؟
پاسخ اینست كه گرچه اختراع هواپیما قطعا تحت تاثیر دستاورهای صنعت اتومبیل بوده است اما بههیچ وجه نمیتوان گفت كه هواپیما صرفا حاصل بهینهسازی اتومبیل و یا فضا پیما حاصل بهینهسازی هواپیماست. در طبیعت هم عینا همین روند حكمفرماست. گونههای متكاملتری وجود دارند كه نمیتوان گفت صرفا حاصل تكامل تدریجی گونه قبلی هستند.
در این میان آنچه شاید بتواند تا حدودی ما را در فهم این مساله یاری كند مفهومیست به نام : تصادف یا جهش.
به عبارتی طرح هواپیما نسبت به طرح اتومبیل یك جهش بود و نه یك حركت تدریجی. در طبیعت نیز به همین گونهاست. در هر نسل جدید بعضی از خصوصیات به صورتی كاملا تصادفی تغییر مییابند سپس بر اثر تكامل تدریجی كه پیشتر توضیح دادیم در صورتی كه این خصوصیت تصادفی شرایط طبیعت را ارضا كند حفظ میشود در غیر اینصورت به شكل اتوماتیك از چرخه طبیعت حذف میگردد.
در واقع میتوان تكامل طبیعی را به اینصورت خلاصه كرد: جستوجوی كوركورانه(تصادف یا Blind Search)+ بقای قویتر.
حال ببینیم كه رابطه تكامل طبیعی با روشهای هوش مصنوعی چیست .هدف اصلی روشهای هوشمند به كار گرفته شده در هوش مصنوعی یافتن پاسخ بهینه مسائل مهندسی ست. بعنوان مثال اینكه چگونه یك موتور را طراحی كنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یك ربات را محرك كنیم تا كوتاهترین مسیر را تا مقصد طی كند(دقت كنید كه در صورت وجود مانع یافتن كوتاهترین مسیر دیگر به سادگی كشیدن یك خط راست بین مبدا و مقصد نیست) همگی مسائل بهینهسازی هستند.
روشهای كلاسیك ریاضیات دارای دو اشكال اساسی هستند. اغلب این روشها نقطه بهینه محلی(Local Optima) را بعنوان نقطه بهینه كلی در نظر میگیرند و نیز هر یك از این روشها تنها برای مساله خاصی كاربرد دارند. این دو نكته را با مثالهای سادهای روشن میكنیم.
به شكل زیر توجه كنید. این منحنی دارای دو نقطه ماكزیمم میباشد. كه یكی از آنها تنها ماكزیمم محلی است. حال اگر از روشهای بهینهسازی ریاضی استفاده كنیم مجبوریم تا در یك بازه بسیار كوچك مقدار ماكزیمم تابع را بیابیم. مثلا از نقطه 1 شروع كنیم و تابع را ماكزیمم كنیم. بدیهی است اگر از نقطه 1 شروع كنیم تنها به مقدار ماكزیمم محلی دست خواهیم یافت و الگوریتم ما پس از آن متوقف خواهد شد. اما در روشهای هوشمند خاصه الگوریتم ژنتیك بدلیل خصلت تصادفی آنها حتی اگر هم از نقطه 1 شروع كنیم باز ممكن است در میان راه نقطه A به صورت تصادفی انتخاب شود كه در این صورت ما شانس دستیابی به نقطه بهینه كلی (Global Optima) را خواهیم داشت.
در مورد نكته دوم باید بگوییم كه روشهای ریاضی بهینهسازی اغلب منجر به یك فرمول یا دستورالعمل خاص برای حل هر مسئله میشوند. در حالی كه روشهای هوشمند دستورالعملهایی هستند كه به صورت كلی میتوانند در حل هر مسئلهای به كار گرفته شوند. این نكته را پس از آشنایی با خود الگوریتم بیشتر و بهتر خواهید دید. [1]
توجه:
- برای دانلود فایل تحقیق لطفا اقدام به خرید فرمایید.
- پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.