پاورپوینت کامل آشنایی الگوریتم های ژنتیک ۳۲ اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل آشنایی الگوریتم های ژنتیک ۳۲ اسلاید در PowerPoint دارای ۳۲ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل آشنایی الگوریتم های ژنتیک ۳۲ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل آشنایی الگوریتم های ژنتیک ۳۲ اسلاید در PowerPoint

اسلاید ۴تعریف همسایگی (Neighborhood) : یک همسایگی از جواب شدنی xX مانند N(x,) به مجموعه ای از جواب های شدنی گفته می شود که با اعمال عملگر بروی x قابل دستیابی باشند. عملگر می تواند به معنی حذف، اضافه یا تغییر عناصر موجود در x باشد. به عملگر اصطلاحاً حرکت (Move) نیز گفته می شود. تعریف بهینه موضعی (Local Optimum): هرگاه یک همسایگی مانند N(x,) یافت شود بگونه ای که حل x از هر حل موجود در آن همسایگی بهتر باشد؛ به x اصطلاحاً بهینه موضعی گفته می شود.

اسلاید ۵مفهوم NPnTتعریف NP : عبارت NP مخفف (Non –Deterministic Polynomial) به معنای چندجمله ای نامعین بوده و در بحث پیچیدگی محاسبات مطرح می گردد. عبارت فوق به مسایلی اطلاق می گردد که زمان حل آنها توسط یک الگوریتم دقیق برحسب ابعاد مسأله از نوع یک سری چندجمله ای نامعین مانند سری نمایی باشد. مسایلی همانند TSP، knapsack، Job Shop Scheduling و… جزء مسایل NP می باشند.

اسلاید ۶روش ابتکاریتعریف : یک روش ابتکاری عبارت است از تکنیکی که حل های نزدیک به بهینه را با یک هزینه محاسباتی قابل قبول جستجو می کند. ولی تضمینی برای رسیدن به حل بهینه نمی دهد. توجه به این نکته حائز اهمیت می باشد که در اکثر مدلسازی ها؛ نمی توان کلیه پارامترهای مؤثر بر شرایط مسأله را وارد مدل نمود، لذا تضمینی وجود ندارد که بهترین حل بدست آمده توسط مدل همان حل مطلوب برای شرایط واقعی باشد. حال این سئوال مطرح می باشد که یک حل دقیق از یک مدل تقریبی بهتر می باشد یا یک حل تقریبی از یک مدل دقیق؟ در پاسخ به این سئوال رویکردهای فراابتکاری این امکان را مهیا می سازند که بتوانیم یک حل تقریباً خوب را از یک مدل کاملاً دقیق بدست آوریم چراکه افزایش پیچیدگی مسأله تأثیر چندانی در عملکرد آنها نخواهد داشت.

اسلاید ۷روشهای ابتکاری بر مبنای مکانیزم های طبیعیشبکه های عصبی مصنوعی(Artificial Neural Network) الگوریتم های ژنتیک (Genetic Algorithm) جستجوی ممنوع (Tabu Search)سرد شدن تدریجی (Simulated Annealing)جامعه مورچگان (Ant Colony)

اسلاید ۸مبانی الگوریتم ژنتیک ارگانیسم های طبیعی جهت ادامه بقای خود ناچار به تطبیق هرچه بیشتر با محیط اطراف خود می باشند. – ارگانیسم هایی که نتوانند خود را با محیط و شرایط زیست محیطی که در آن حضور دارند، تطبیق دهند، محکوم به فنا می باشند. – خصوصیات هر ارگانیسم طبیعی در یک رشته بنام کروموزوم کد شده است. – کروموزوم ها خود متشکل از تعدادی اجزاء بنام ژن می باشند بطوریکه هر ژن با توجه به مقدارخود، مبین خصوصیات ارگانیسم مانند اندازه قد؛ وزن، رنگ مو، رنگ پوست، رنگ چشم، نوع رفتار و…. می باشد. به مقادیری که هر ژن می تواند اختیار کند alleles و به موقعیت مکانی ژن درکروموزوم Locus می گویند. – هر موجود زنده در سیر تکامل خود خصوصیات والدینش را نیز به ارث می برد. – نوع گونه زنده (Organism) به ساختارکروموزوم (Genotype or Structure)، مقادیر ژن آن و تأثیرات ناشی از محیط اطراف (Phenotype) بستگی دارد.

اسلاید ۹الگوریتم ژنتیک در یک نگاهالگوریتم ژنتیک اولین بار توسط جان هلند در ۱۹۷۵ مطرح گردید. اساس الگوریتم ژنتیک، تکامل طبیعی می باشد. الگوریتم ژنتیک بر خلاف سایر رویکردهای فراابتکاری؛ بجای کار بروی یک جواب (کروموزوم) منفرد؛ در هرتکرار بروی جمعیتی از جواب ها کار می کند. به جمعیت (Population) فوق در هر تکرار الگوریتم نسل (Generation) گفته می شود. برای تولید نسل جدید، برخی از جواب ها در نسل فعلی انتخاب می شوند که به آن جمعیت والد (Mating pool) می گویند. کروموزوم های جمعیت والد با استفاده از سه عملگر اساسی ژنتیک بنام های تقاطع (Crossover) و جهش (Mutation) یا حضور مجدد (Reproduction)، فرزندان (Offspring) خود را جهت حضور در نسل بعدی تولید می کنند. عملگر جهش عموماً برای حفظ سطح قابل قبولی از تنوع (Diversity) در جمعیت مورد استفاده قرار می گیرد. فرازندانی برای حضور در نسل بعدی پذیرفته می شوند که دارای برازندگی (Fitness-Profit-Goodness-Utility) بهتری نسبت به والدین خود باشند. این امر موجب می گردد که نسل جدید نسبت به نسل قبلی تکامل (Evolution) یابد. با افزایش تکرارالگوریتم، متوسط برازندگی نسل ها بهبود خواهد یافت تا اینکه الگوریتم به ناحیه خاصی از فضای جواب همگرا گردد.

اسلاید ۱۰همسانی ذاتی و تئوری الگومفهوم بنیادین هلند برای توسعه تحلیل نظری الگوریتم های ژنتیک مفهوم الگو (Schema) می باشد. فرض کنید یک کروموزوم باینری به طول N مفروض می باشد بطوریکه هر ژن آن فقط مقادیر ۰ یا ۱ را می تواند داشته باشند. یک الگو به مجموعه ای از کروموزوم های مشابه گفته می شود که در تعداد مشخصی از ژن ها از لحاظ مکان و مقدار همسان باشند. الگو می تواند مبین یک ابرصفحه در فضای N بعدی باشد. شکل زیر یک الگو و دو نمونه (Instance) متعلق به آن را نشان می