دانشگاه امیرکبیر. موضوع : الگوریتمهای ژنتیک درس: کاربرد فن آوری اطلاعات پزشکی استاد: دکتر توحید خواه تهیه کننده : معصومه عمیدی بهار 86. الگوريتمهاي ژنتيك. الگوريتم ژنتيك. در گروه الگوريتمهاي بهينه سازي احتمالاتي است از فرآيند تكامل بيولوژيكي الهام گرفته است . - PowerPoint PPT Presentation
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Genetic Algorithms : Seminar1
دانشگاه امیرکبیر
موضوع : الگوریتمهای ژنتیک
درس: کاربرد فن آوری اطالعات پزشکی
استاد: دکتر توحید خواه
تهیه کننده : معصومه عمیدی
86بهار
Genetic Algorithms : Seminar2
الگوريتمهاي ژنتيكالگوريتمهاي ژنتيك
Genetic Algorithms : Seminar3
در گروه الگوريتمهاي بهينه سازي احتماالتي •است
از فرآيند تكامل بيولو ژيكي الهام گرفته است .•
از مفاهيم انتخاب طبيعي و وراثت ژنتيكي • استفاده مي كند. 1859داروين سال
الگوريتم ژنتيك
Genetic Algorithms : Seminar4
دانشگاه ميشيگان توسعه يافت توسط جان هلند ،•( 1970)
- به منظور مطالعه وشناخت فرآيندهاي تطبيقي سيستمهاي طبيعي
- به منظور طراحي نرم افزارهاي سيستمهاي مصنوعي
كه قدرت سيستمهاي طبيعي را حفظ مي كنند.
الگوريتم ژنتيك
Genetic Algorithms : Seminar5
الگوريتم ژنتيك )ادامه (
تكنيكهاي كافي و مؤثر براي كاربردهاي بهينه •سازي و يادگيري ماشين ارائه مي دهد.
امروزه در بسياري از زمينه ها مثل تجارت ، •مهندسي و پزشكي بكار ميرود. علوم ،
Genetic Algorithms : Seminar6
الگوريتم هاي ژنتيك يك مجموعه از راه
حلهاي كانديد براي مسئله نگهداري ميكنند .
و اين مجموعه را با اعمال تكراري مجموعه تكامل ميدهد .تصادفي عملگرهاي
Genetic Algorithms : Seminar7
اپراتورهای غير قطعي
: موفق ترين راه حل را در جمعيت انتخاب •مورد نظر مي يابد
: دو راه حل مجزا را تجزيه تركيب دوباره •
مي كند و آنها را براي ايجاد راه حلهاي جديد بطور با هم تركيب مي كند
بطور تصادفي راه حلهاي كانديد را : جهش •آشفته مي كند.
Genetic Algorithms : Seminar8
جدول مقايسه
الگوريتم ژنتيك طبيعت
مساله بهينه سازي محيط
افرادي كه درمحيط زندگي راه حلهاي ممكنميكنند
كيفيت راه حل ) برازش ( درجه تطبيق افراد با محيط اطراف
Genetic Algorithms : Seminar9
طبقه تكنيكهاي جستجو
F inonacc i N ew ton
D irect m ethods Indirec t m ethods
C alcu lus-based techn iques
E volu tionary s trategies
C entra l ized D is tr ibuted
Para l le l
S teady-s ta te G enera tiona l
S equentia l
G ene tic a lgori thm s
E volutionary a lgori thm s S im u lated annealing
G uided random search techniques
D ynam ic program m ing
E num erative techn iques
S earch techniques
Genetic Algorithms : Seminar10
الگوريتم ژنتيك ساده{initialize population;
evaluate population;
while TerminationCriteriaNotSatisfied
{select parents for reproduction;
perform recombination and mutation;
evaluate population;
}
}
Genetic Algorithms : Seminar11
GAسيكل توليد مجدد
reproduction
population evaluation
modification
discard
deleted members
parents
children
modifiedchildren
evaluated children
Genetic Algorithms : Seminar12
جمعيت
Chromosomes could be:–Bit strings (0101 ... 1100)–Real numbers (43.2 -33.1 ... 0.0 89.2) –Permutations of element (E11 E3 E7 ... E1 E15)–Lists of rules (R1 R2 R3 ... R22 R23)–Program elements (genetic programming)– ...any data structure...
population
Genetic Algorithms : Seminar13
توليد مجدد
reproduction
population
parents
children
والدها بطور تصادفي بر اساس شانسهاي انتخابي مرتبط با ارزيابي هاي كروموزوم
.انتخاب مي شوند
Genetic Algorithms : Seminar14
تغييرات كروموزوم
modificationchildren
تغييرات بطور غير قطعي انجام مي شوند : •انواع عملگرها عبارتند از : •
جهش –تركيب مجدد ( تقاطع ) –
modified children
Genetic Algorithms : Seminar15
جهش : تغييرات محليBefore: (1 0 1 1 0 1 1 0)
After: (0 1 1 0 0 1 1 0)
Before: (1.38 -69.4 326.44 0.1)
After: (1.38 -67.5 326.44 0.1)
محلي ) باعث ايجاد حركت در فضاي جستجو مي شود • ) يا عمومي
اطالعات از دست رفته در جمعيت را ذخيره مجدد مي كند•
Genetic Algorithms : Seminar16
تقاطع : تركيب دوباره*
P1 (0 1 1 0 1 0 0 0) (0 1 0 0 1 0 0 0) C1
P2 (1 1 0 1 1 0 1 0) (1 1 1 1 1 0 1 0) C2
تقاطع يك ابزار حياتي براي الگوريتمهاي ژنتيك –است
جستجو را در تكامل اوليه جمعيت شتاب مي –دهد.
باعث مي شود كه زير مجموعه هایی از راه حل –با هم ترکیب ها روي كروموزومهاي متفاوت
شوند.
Genetic Algorithms : Seminar17
ارزيابي
عملگر ارزيابي يك كروموزوم را رمزگشايي مي •كندو يك مقدار
برازندگي به آن نسبت مي دهد. و مسأله اي ga عملگر ارزيابي تنها ارتباط بين •
كه آن را حل ميكند مي باشد.
evaluation
evaluatedchildren
modifiedchildren
Genetic Algorithms : Seminar18
حذف
GA كل جمعيت با هر بار تكرار توليد نسل : جايگزين ميشود.
GA تعداد كمي از اعضا در هر :حالت پايدار بار توليد جايگزين ميشود.
population
discard
discarded members
Genetic Algorithms : Seminar19
يك مثال انتزاعي
Distribution of Individuals in Generation 0
Distribution of Individuals in Generation N
Genetic Algorithms : Seminar20
GAنكاتي براي استفاده كنندگان انتخاب موارد پايه پياده سازي •
نمايش دادن - جمعيت ، نرخ جهش ، .. - اندازه
- انتخاب ، سياستهاي حذف ، ... شرايط پايان •كارايي ، مقياس پذيري •راه حل خوب ، به خوب بودن تابع ارزيابي بستگي •
دارد ) معموال“ سخت ترين قسمت است (
Genetic Algorithms : Seminar21
GAمزاياي
درك مفاهيم آن آسان است . •ژوالر است و از برنامه كاربردي جداست . ما• پشتيباني بهينه سازي چند منظوره • مناسب noisy براي محيطهاي پر اغتشاش •
است هميشه يك جواب داريم ، جواب با گذشت زمان •
بهتر ميشود. ذاتا“ موازي است ، به سادگي توزيع پذير است.•
Genetic Algorithms : Seminar22
GAمزاياي با بدست آوردن دانش در مورد دامنه مسئله ، •
راههاي زيادي براي افزايش سرعت و بهبود برنامه وجود دارد . GAهاي كاربردي مبتني بر
بهره برداري آسان از راه حلهاي فرعي يا راه •حلهاي گذشته
بلوكهاي ساختماني انعطاف پذير براي برنامه هاي •كاربردي تركيبي
Genetic Algorithms : Seminar23
فرضیه بلوکهای ساختمانی
GA الگوهاي با كارايي باال و درجه پايين ،پيچيدگي را كنار هم قرار مي دهد و بنابراين
تالش مي كند تا به سمت كارايي نزديك به بهينه حركت كند كه به آن فرضيه بلوكهاي
ساختماني مي گويند.
اين فرضيه دربسیاری از کاربردهای عملی دیده شده است ولی درحالت کلی بستگی به نحوه نمایش و عملگرهای استفاده شده دارد.(
Genetic Algorithms : Seminar24
استفاده كنيمGAچه موقع از ؟
زماني كه پيچيuده • و كنuد بسuيار متنuاوب حلهuاي راه
هستند.ابuزار • بuه جديuد روشuهاي آزمuودن بuراي
اكتشافي احتياج است. تكنولuو ژي • مزايuاي از نيازهuاي GAاسuتفاده
انتخاب والد ) تولید مجدد(عملگرهای ژنتیک ) ترکیب دوباره ، جهش (
تابع ارزیابی )محیط( شرایط خاتمه
Genetic Algorithms : Seminar26
نمايش ) كد گذاری(
:روشهاي كدگذاري ممكن
رشته بيت ) 1100 ... 0101(–اعداد حقيقي ) 89.2 0.0 ... 33.1 -43.2(–– )E11 E3 E7 ... E1 E15( عناصر جايگشتي– )R1 R2 R3 ... R22 R23( ليست قوانين –)genetic programming( عناصر برنامه– ...any data structure... هر نوع ساختمان داده
ديگر
Genetic Algorithms : Seminar27
نمايش ) ادامه (
انتخاب روشهاي رمزگذاري به ايده هاي اصلي زير :بستگي دارد
استفاده از ساختار داده تا حد ممكن نزديك به نمايش •طبيعي