پایان نامه ارشد رایگان با موضوع عملگرهای الگوریتم ژنتیک و الگوریتم ژنتیک

grain_size(D)=exp(D_normal);
که در آن m میانگین توزیع نرمال لگاریتمی، s انحراف معیار توزیع نرمال لگاریتمی، mu میانگین توزیع نرمال، و sigma انحراف معیار توزیع نرمال می باشد.
همانطوری که ذکر شد، دو پارامتر مهم این توزیع، میانگین و انحراف معیار می باشند. در ابتدا جهت دستیابی به جوابهای بهینه در چند تکرار به کمک روش مونت کارلو، خروجی های مساله در 100 تکرار محاسبه گردید و سپس میانگین و انحراف معیار هر یک از خروجی های مساله (شامل سود نهایی، پیشنهاد مناقصه برای بازار و …) به دست آمد. m بردار قیمت انرژی در هر ساعت است که از جدول (1) استخراج شده است. انحراف معیار جهت بررسی میزان پراکندگی جوابها در هر ساعت محاسبه می گردد. میزان s متغیر بوده که در جدول (2) به آن اشاره شده است.
در دهه 70 میلادی دانشمندی از دانشگاه میشیگان به نام جان هلند ایده استفاده از الگوریتم ژنتیک را در بهینه‌سازی‌های مهندسی مطرح کرد. الگوریتم ژنتیک به عنوان یک الگوریتم محاسباتیِ بهینه‌سازی با در نظر گرفتن مجموعه‌ای از نقاط فضای جواب در هر تکرار محاسباتی به نحو مؤثری نواحی مختلف فضای جواب را جستجو می‌کند. ایده اساسی این الگوریتم انتقال خصوصیات موروثی توسط ژن‌هاست]5 [. هنگامی که هدف، پیدا کردن جوابی نزدیک به پاسخ بهینه برای یک تابع چند بعدی با چندین قید باشد بهینه سازهای ژنتیکی بسیار موثر و کارا هستند. در این روش بر اساس قاعده بقای ژنها یا کروموزومهایی که بیشترین تطابق با محیط را دارند و همچنین تبادل تصادفی اطلاعات ژنتیکی، مجموعه جدیدی از کروموزومها تولید می شوند که تشکیل دهنده نسل بعدی هستند. بدین ترتیب با پیشرفت تدریجی الگوریتم، نسلهای بهتر و سازگارتری پدید می آیند. به عبارت دیگر نقاط بهتری ازفضای جستجو پیدا می شوند. در مکانیزم جستجو گرچه مقدار تابع هدف تمام فضای جواب محاسبه نمی‌شود ولی مقدار محاسبه شده تابع هدف برای هر نقطه، در متوسط‌گیری آماری تابع هدف برای هر نقطه، در متوسط‌گیری آماری تابع هدف در کلیه زیر فضاهایی که آن نقطه به آنها وابسته بوده دخالت داده می‌شود و این زیر فضاها به طور موازی از نظر تابع هدف متوسط‌گیری آماری می‌شوند. این مکانیزم را توازی ضمنی می‌گویند. این روند باعث می‌شود که جستجوی فضا به نواحی از آن که متوسط آماری تابع هدف در آنها زیاد بوده و امکان وجود نقطه بهینه مطلق در آنها بیشتر است سوق پیدا کند. چون در این روش برخلاف روش‌های تک‌مسیری فضای جواب به طور همه جانبه جستجو می‌شود، امکان کمتری برای همگرایی به یک نقطه بهینه محلی وجود خواهد داشت]6 [.
3-5 عملگرهای الگوریتم ژنتیک
به طور خلاصه الگوریتم ژنتیک از عملگرهای زیر تشکیل شده است:
کدگذاری
الگوریتم ژنتیک به جای اینکه بر روی پارامترها یا متغیرهای مسأله کار کند، با شکل کد شدۀ آنها سروکار دارد.
انواع کدینگ(کدگذاری):
کدینگ باینری
کدینگ جایگشتی
کدینگ مقدار
کدینگ درختی
تعداد بیت‌هایی که برای کد گذاری متغیر‌ها استفاده می‌شود، به دقت مورد نظر برای جواب‌ها، محدوده تغییر پارامترها و رابطه بین متغیرها وابسته است. رشته یا دنباله‌ای از بیت‌ها که به عنوان شکل کد شده یک جواب از مسأله مورد نظر می‌باشد، کروموزوم نامیده می‌شود. در حقیقت بیت‌های یک کروموزوم نقش ژن‌ها در طبیعت را بازی می‌کنند. یکی از ویژگی‌های اصلی الگوریتم‌های ژنتیک آن است که به طور متناوب بر روی فضای کدینگ و فضای جواب کار می‌کنند
ذکر این نکته ضروری است که هر زمان از کدینگ صحبت به میان می‌آید بطور پیش فرض منظور کد کردن از نوع باینری می‌باشد (رشته‌های دودویی). همچنین ساختمان داده مورد استفاده بطور پیش فرض، رشته می‌باشد.
ارزیابی
تابع برازندگی را از اِعمال تبدیل مناسب بر روی تابع هدف یعنی تابعی که قرار است بهینه شود به دست می‌آورند. این تابع هر رشته را با یک مقدار عددی ارزیابی می‌کند که کیفیت آن را مشخص می‌نماید. هر چه کیفیت رشته جواب بالاتر باشد مقدار برازندگی جواب بیشتر است و احتمال مشارکت برای تولید نسل بعدی نیز افزایش خواهد یافت.
ترکیب
مهمترین عملگر در الگوریتم ژنتیک، عملگر ترکیب است. ترکیب فرآیندی است که در آن نسل قدیمی کروموزوم‌ها با یکدیگر مخلوط و ترکیب می‌شوند تا نسل تازه‌ای از کروموزوم‌ها بوجود بیاید.
جفت‌هایی که در قسمت انتخاب به عنوان والد در نظر گرفته شدند در این قسمت ژن‌هایشان را با هم مبادله می‌کنند و اعضای جدید بوجود می‌آورند. ترکیب در الگوریتم ژنتیک باعث از بین رفتن پراکندگی یا تنوع ژنتیکی جمعیت می‌شود زیرا اجازه می‌دهد ژن‌های خوب یکدیگر را بیابند.
انواع ترکیب:
ترکیب تک نقطه ای.
ترکیب دو نقطه ای.
ترکیب یکنواخت.
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.