نوع فایل: word
قابل ویرایش 92 صفحه
مقدمه:
char les darvin تئوری سیر تکاملی طبیعی مبدا بشر را توضیح داد.در طبیعت یک فرد از جمعیت برای بدست آوردن منابعی مانند غذا، پناهگاه و چیزهای دیگر با دیگران رقابت می کند. همچنین افراد برای به دست آوردن و اختیار کردن همسر برای تولید مثل با هم رقابت می کنند و افراد شایسته یک جمعیت بزرگی از فرزندان را تولید می کنند.
در طول تولید نسل مشخصات خوب از هر جد می تواند فرزندان بهتری نسبت به والدین را تولید کند که fitness شان بزرگتر از ولدین است. در سال 1975 جان هالند توسعه داد این نظریه را او چگونگی بکارگیری اصول تکاملی طبیعی را برای بهینه سازی مسائل و ساخت اولین الگوریتم ژنتیک توضیح داد.
تئوری هالند مجددا توسعه داده شد و اکنون الگوریتم های ژنتیک به عنوان یک ابزار قوی برای حل مسائل بهینه سازی و جستجو به کار می روند.الگوریتم های ژنتیک مبتنی بز قانون علم وراثت و تکامل هستند.
الگوریتم های ژنتیک یک نمونه از تکنولوژی ریاضات هستند که با تقلید از سیر تکاملی یک چیز می توانند مسائل را حل کنند.
منشاء بشر بر مبنای حفظ گونه ها و تغییرات مطلوب و رد گونه های نا مطلوب بوده است. افراد زیادی تولد یافته اند که می توانند زنده بمانند همچنین کشمکش های مداوم برای زندگی وجود دارد. افراد شانس بزرگی برای زنده ماندن دارند آن هم بقای شایستگی است.
فهرست مطالب:
1 – مقدمه
1-1 تاریخچه
1-1-1- سلول
1-1-2- کروموزوم
1- 2- الگوریتم ژنتیک چیست؟
1-2-1- فضای جستجو
1-2-2- الگوریتم ژنتیک و تکامل
1-3- مزایا و محدودیت های الگوریتم ژنتیک
1-4- کاربردهای الگوریتم ژنتیک
2- اصطلاحات و عملگرهای الگوریتم ژنتیک
2-1- عناصر اصلی
2-2- افراد
2-3- ژن
2-4-fitness (شایستگی)
2-5- جمعیت
2-6- کدگذاری
2-6-1- Binary Encoding (کدگذاری باینری)
2-6-2- Octal Encoding (کدگذاری مبنی 8)
2-6-3-Hexadecimal Encoding(کدگذاری مبنای 16)
2-6-4- کدگذاری جایگشتی (کدگذاری اعداد حقیقی)
2-6-5- Value Encoding
2-6-6- Tree Encoding
2-7- (تولید نسل) Breeding
2-7-1- انتخاب (selection)
2-7-2- crossover
2-7-3- mutation
2-7-4-جایگذاری Replacement
2-7- ) Search Termination(Convergence Criteri) پایان جستجو (معیارهای همگرایی)
2 -8- الگوریتم ژنتیک چگونه کار می کند
Building Block Hypothesis 2-8-1-
A Macro-Mutation Hypothesis2-8-2-
An Adaptive Mutation Hypothesis2-8-3-
The Schema Theorem 2 -8-4-
Implicit Parallelism 2 -8-5-
2-9- نمونه مثال هایی در باره الگوریتم ژنتیک
2-9-1- ماکزیمم مقدار تابعX
2-9-2- مسئله فروشنده دوره گرد (TSP)
3- دسته بندی الگوریتم ژنتیک
3-1- Simple Genetic Algorithm (SGA)
3-2- Parallel and Distributed Genetic Algorithm (PGA and DGA)40
3-2-1- Master-Slave Parallelization
3-2-2- Fine Grained Parallel GAs (Cellular GAs)
3-2-3- Multiple-Deme Parallel GAs (Distributed GAs or Coars Grained GAs)
3-2-4- Hierarchical Parallel Algorithms
3-3- Hybrid Genetic Algorithm (HGA)
3-4- Adaptive Genetic Algorithm (AGA)
3-5- Fast Messy Genetic Algorithm (FmGA)
4- پیاده سازی الگوریتم ژنتیک با استفاده از MATLAB
4-1- ساختمان داده
4-2- کروموزوم
4-3- کاربر گرافیکی الگوریتم ژنتیک مشترک با Toolbox
5- کاربرد های الگوریتم ژنتیک
5-1- الگوریتم ژنتیک در دنیای کامپیوتر
5-2 نکات مهم در الگوریتم های ژنتیک
5-3 فناوری الگوریتم ژنتیک
5-4 مروری بر کاربردهای تجاری
5-5 بانکداری و حوزه های مالی
5-6 پیش بینی
5 -7 سایر حوزه های تجاری
6- منابعو مأخذ
منابع و مأخذ:
- Dawkins, R. (1989). The Selfish Gene - New Ed. Oxford University Press, Great Britain.
- Fraser, A. P. (1994). Genetic Programming in C++. Technical report 040, University of
- Salford.
- Goldberg, D. E. & Smith, R. E. (1987) Nonstationary Function Optimization using Genetic
Algorithms with Diploidy and Dominance. In J.J Grefenstette, editor, Proceedings of the Second
International Conference on Genetic Algorithms, 59–68. Lawrence Erlbaum Associates.
- Hadad B. S. & Eick C. F. (1997) Supporting Polyploidy in Genetic Algorithms Using Dominance
- In P.J. Angeline et al. (eds.), Proceedings of the Sixth International Conference
on Evolutionary Programming, 223–234. Berlin: Springer-Verlag.
5- مهندس لطفی. پردازش تکاملی.دانشگاه آزاد شبستر2008
6- سایت های اینترنت
پروژه کامپیوتر در باره الگوریتم های ژنتیک. doc