مقدمه

در مسائل تصمیم گیری به منظور رسیدن به اهداف مورد نظر می توان مسئله را به صورت یک مدل ریاضی تبدیل نمود و از روش های بهینه سازی موجود بهره جست. تبدیل یک مسئله تصمیم گیری به یک مدل ریاضی، مدل سازی نامیده می شود. به طور کلی مدل سازی سیستم ها به دو منظور شبیه سازی و بهینه سازی انجام می گیرد.
مدل های بهینه سازی که مبتنی بر الگوریتم های ریاضی ای هستند که قادر به تعیین بهترین و بهینه ترین راه حل برای مسائل می باشند. و این راه حل ها از دقت بالایی برخوردار بوده و باعث افزایش منافع می شوند. این مدل ها می توانند خطی یا غیر خطی باشند. در حالیکه مدل های شبیه سازی به پیش بینی عملکرد سیستم با توجه به مقادیر متغیرهای داده شده توسط کاربر محدود است، مدل های بهینه سازی به صورت خودکار به جستجوی یک گروه بهینه از بین مقادیر متغیرهای تصمیم می پردازند.
الگوریتم ژنتیک یکی از روشهای جدید بهینه سازی است که بیشتر برای بهینه سـازی مسـائل بسـیارپیچیده وغیر خطی به کار می رود. اساس این روش بر مبنای فرایند تکامل است.
در واقع اساس این روش بر پایه اصل “سیر تکاملی جانداران در طبیعت”یا”انتخاب طبیعت”است.
در همه مسائل،الگوریتم ژنتیک به وسیله تابع هدف خود که از نوع ماکزیمم است،نقطه بهینه را در مسئله میابد.
الگوریتم های ژنتیک تفاوت بسیار زیادی با روش های بهینه سازی قدیمی دارند. در این الگوریتم باید فضای طراحی به فضای ژنتیک تبدیل شود. بنابراین الگوریتم های ژنتیک با یک سری متغیرهای کدشده کار می کنند. مزیت کار با متغیرهای کدشده در این است که اصولاً کدها قابلیت تبدیل فضای پیوسته به فضای گسسته را دارند. یکی از تفاوت های اصلی این روش با روش های قدیمی بهینه سازی در این است که الگوریتم ژنتیک با جمعیت یا مجموعه ای از نقاط در یک لحظه خاص کار می کند.
روش الگوریتم ژنتیک ضمن آن که هزینه نسبتاً زیادی در مقایسه با سایر روش های بهینه سازی دارد، در پروژه های چند منظوره و پیچیده کاربرد داشته و نسبتاً سریع به جواب میرسد.

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فهرست مطالب

چکیده ………………………………………………………………………………………………………………………. 1

مقدمه ……………………………………………………………………………………………………………………….2

فصل اول : تعریف مسئله

مدل شرحی ساده از هویت یا فرآیندی پیچیده است . به عبارت دیگر مدل سازی به معنای استخراج روابط بین پدیده های مرتبط با هم و ارایه یک سیستم پویا است، تا امکان پیشگویی تغییرات پدیده یا پدیده ها نسبت به زمان، مکان و غیره به وجود آید. ساخت مدل بر پایه کشف روابط منطقی و شناخت و تفسیر این روابط امکان پذیر می گردد . در شرایط حاضر استفاده از مدل تقریبا در تمامی علوم، کاری متعارف می باشد به طوری که امروزه از شبیه سازی انفجارهای اتمی گرفته تا علوم انسانی، از مدل استفاده می شود ( Le Ngo, 2007 Long). در علوم مهندسی با پیشرفت محا سبات عددی و ساخت کامپیوترهای پرسرعت طی چند دهه اخیر، زمینه لازم برای ساخت و ارایه مدل، بیش از پیش فراهم گردیده است . در علوم مختلف کشاورزی و از آن جمله آبیاری و زهکشی نیز مدل سازی در حال توسعه می باشد . استفاده از مدل ها ، زمینه لازم را برای پاسخ های سریع، دقیق و اقتصادی به بسیاری از سوالات فراهم آورده است(Mitchell , 1999).
در مسائل تصمیم گیری به منظور رسیدن به اهداف مورد نظر می توان مسئله را به صورت یک مدل ریاضی تبدیل نمود و از روش های بهینه سازی موجود بهره جست. تبدیل یک مسئله تصمیم گیری به یک مدل ریاضی، مدل سازی نامیده می شود. به طور کلی مدل سازی سیستم ها به دو منظور شبیه سازی و بهینه سازی انجام می گیرد(کارآموز ، 1385).
مدل ها را به شیوه های مختلفی می توان طبقه بندی کرد. بطور کلی سـه نـوع مـدل تولیـد کننـدهوجود دارد:
1-مدل های شبیه سازی که مبتنی بر قوانین بهره برداری از پیش تعیین شده هستند. این مدل ها فقط می توانند جواب های بهینه نزدیک را تعیین کنند که در برخی موارد این جواب ها قابل قبول نیستند. شبیه سازی سیستم به ازای مقادیر جواب های امکان پذیر ورودی می تواند جهت بررسی مشخصات مدل و میزان دستیابی به اهداف به ازای مقادیر مختلف متغیرهای تصمیم گیری مورداستفاده قرار گیرد.
2- مدل های بهینه سازی که مبتنی بر الگوریتم های ریاضی ای هستند که قادر به تعیین بهترین و بهینه ترین راه حل برای مسائل می باشند. و این راه حل ها از دقت بالایی برخوردار بوده و باعث افزایش منافع می شوند. این مدل ها می توانند خطی یا غیر خطی باشند. در حالیکه مدل های شبیه سازی به پیش بینی عملکرد سیستم با توجه به مقادیر متغیرهای داده شده توسط کاربر محدود است، مدل های بهینه سازی به صورت خودکار به جستجوی یک گروه بهینه از بین مقادیر متغیرهای تصمیم می پردازند.
بهینه سازی در واقع تعیین مقادیر متغیرهای تصمیم است به صورتی که معیار یا هدف موردنظر بهینه گردد(S.Jebaraj, 2004 ).
1-2-مقدمه ای بر مدل های بهینه سازی
به طور کلی، بهینه سازی عبارت است از جستجو برای یک سیاست بهره برداری انعطاف پذیر که مقدار تابع هدف را مینیمم یا ماکزیمم می کند. این واژه دارای یک مفهوم ریاضی است. به طور ساده می توان گفت در شرایط بهینه ، سود خالص حاصل از عملکرد سیستم حداکثر خواهد بود به عبارت دیگر حالتی از عملکرد سیستم مورد جستجو قرار می گیرد که در آن محصول تولید شده حداکثر سود خالص را تضمین نماید. به تعبیر ریاضی بهینه سازی سیستم به دنبال حداکثر نمودن یک تابع ضمنی مانند U است که در آن شرایط و محدودیت هایی مانند F وجود دارد(جواهری ، 1385).
تابع هدف هسته اصلی مدل های بهینه سازی را تشکیل می دهد. این تابع که با توجه به قیود و محدودیت های سیستم به حداقل یا حداکثر رسانده می شود، باید در یک قالب ریاضی مناسب و با متغیرهای تصمیم بیان شود. تابع هدف ممکن است یک تابع هزینه(جریمه) یا یک تابع
.(Rafael B. Macabiog, 2001)مطلوبیت(سود) باشد
هر مسئله مهندسی ممکن است دارای چندین جواب مختلف باشد که بعضی از آنها ممکن و بعضیغیرممکن است. وظیفه طراحان پیدا کردن بهترین جواب ممکن از میان جواب های مختلف است.
مجموعه جواب های ممکن فضای طراحی را شکل می دهند که باید در این فضا به جستجوی بهترین جواب پرداخت(کارآموز، 1382).
مسئله طراحی و بهره برداری بهینه از دیدگاه منابع آب یک سد برقابی، یک مسئله بهینه سازی نسبتاً پیچیده به دلیل وجود متغیرهای تصمیم طراحی و بهره برداری به شکل توام، توابع غیرخطی با فضای غیر محدب و قیود احتمالاتی است.
کاربرد روش های تحلیل سیستمی مانند بهینه سازی و شبیه سازی در تعریف، تشخیص، ارزیابی و انتخاب طرح ها، مقررات و سرمایه گذاری در منابع آب که هرچه نزدیک تر به نیازها و اهداف طراحان، استفاده کنندگان و افراد ذینفع و درگیر با طرح های مدیریتی منابع آب قرار دارند، به طور قابل ملاحظه ای مفید بوده و استفاده از ابزار و روش های تحلیل سیستمی در طرح ریزی سیستم های منابع آب هر روزه افزایش می یابد. روش کاربردی و مرسوم در طراحی سدهای برقابی استفاده از مدل های شبیه سازی بر مبنای اعتمادپذیری با استفاده از قواعد بهره برداری معلوم است. علی رغم اینکه مدل های شبیه سازی در ارزیابی عملکرد مخازن برقابی در شرایط گوناگون، مدل های کارایی می باشند؛ این مدل ها در زمینه انتخاب و تعریف بهترین ترکیب متغیرهای تصمیم و اهداف ابزار کاملی نیستند. در مدل های شبیه سازی برای انتخاب بهینه اجزاء مدل، ممکن است از یک روند مبتنی بر سعی و خطا در طی چندین گام برای تعداد محدودی از پارامترهای طراحی استفاده شود. در این شرایط رسیدن به بهترین جواب عملاً ممکن نخواهد بود. از طرفی بهینه سازی طراحی و بهره برداری از مخازن برقابی با استفاده از روش های بهینه سازی کلاسیک نظیر غیرخطی و غیرمحدب بودن مدل و نیز چگونگی احتساب قیود احتمالاتی مربوط به اعتمادپذیری نیاز انرژی مواجه است. در این زمینه استفاده از روش های بهینه سازی بر مبنای شبیه سازی از نوع الگوریتم های جستجوی هوشمند می تواند مورد توجه قرار گیرد. این روش ها در یک فرآیند جستجوی خودکار و تکاملی به جستجوی بهترین ترکیب متغیرهای طراحی و سیاست بهره برداری یک مخزن برقابی با استفاده ازیک مدل شبیه سازی می پردازد(کارآموز، 1385).

1- 1- تعریف مدل و مدلسازی……………………………………………………………………………………………… 3
1- 2- مقدمه ای بر مدل های بهینه سازی ………………………………………………………………………………. 4
1- 3- روش های بهینه سازی ……………………………………………………………………………………………… 6
1- 3- 1- برنامه ریزی خطی ………………………………………………………………………………………………… 10
1- 3- 2- برنامه ریزی غیر خطی …………………………………………………………………………………………… 11

فصل دوم : مروری بر مطالعات گذشته

استفاده کرده اند
کارآموز و همکاران(1992)، قوانین ماهانه و سالانه بهره برداری از مخزن را با استفاده از مدل بهینه سازی قطعی توسعه دادند. ایشان از یک الگوریتم سه سیکلی شامل برنامه ریزی قطعی دینامیکی، تحلیل رگرسیون و شبیه سازی استفاده کردند(زهرائی 1385).
. فهمی و همکاران(1994)از مدل الگوریتم ژنتیک در یک سیستم مخزن استفاده نمودند و اظهار داشتند که مدل الگوریتم ژنتیک پتانسیل کاربرد در سیستم رودخانه-مخزن بزرگ را دارد(زهرائی 1385).
آقای لانگ لی.ان.گو و هنریک مدسن (2007) موفق شدند برای تعیین سیاست های بهره برداری از مخزن هائوبین در ویتنام، یک مدل تلفیقی بهینه سازی و شبیه سازی توسعه دادند(زهرائی 1385).

2 -2- افرادی که از مدل الگوریتم ژنتیک در بهینه سازی بهره برداری از سیستم چند مخزنه استفاده کرده اند
واردلاو و شریف(1999) تحقیقی در جهت استفاده از الگوریتم ژنتیک در بهینه سازی بهره برداری از سیستم چند مخزنه انجام دادند و به این نتیجه رسیدند که نمایش اعداد از نوع واقعی، انتخاب اعضاء به روش تورنومنت، ادغام و جهش یکنواخت جواب های رضایتبخشی را ارائه خواهد داد(زهرائی
.(1385

2 -3- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی قوانین بهره برداری از مخازن چند منظوره استفاده کرده اند
ژوران علی احمد و آروپ کومار سارما(2005)از الگوریتم ژنتیک جهت پیدا کردن عملکرد بهینه یک مخزن چند منظوره استفاده کردند و نتایج به دست آمده با نتایج حاصل از روش دینامیکی احتمالی مقایسه شد.مقایسه نتایج حاصل نشان داد که الگوریتم ژنتیک جهت پیدا کردن عملکرد بهینه مخازن چند منظوره عملکرد بهتری داشته ونتایج قابل اطمینانی را ارئه می دهد.
2-4- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی منحنـی فرمـان درسیستم چند مخزنه و مخازن چند منظوره استفاده کرده اند
چن(2003) موفق شد با تلفیق الگوریتم ژنتیک دارای کدگذاری حقیقی با یک مدل شبیه سازی، منحنی های فرمان بهره برداری10 روزه از یک سیستم مخزن مهم در تایوان را بهینه سازی کند.
نتایج نشان داد که این روش می تواند با موفقیت برای بهینه سازی منحنی های فرمان به کار رود و همچنین، نوع تابع هدف و مدل شبیه سازی به کار گرفته شده هیچگونه محدودیتی برای این روش ایجاد نمی کند(زهرائی 1385).
چانگ و همکاران (2004)، کارایی و تاثیر دو رهیافت از نمایش کروموزوم های الگوریتم ژنتیک(نمایش اعداد به صورت واقعی و در مبنای دودویی) به منظور تدوین منحنی فرمان بهره برداری از مخزن چندمنظورهShih-Men در تایوان را مورد بررسی قرار دادند. نتایج نشان داده که روش الگوریتم ژنتیک، یک روش قدرتمند، موثر و مناسب در تدوین منحنی فرمان می باشد(زهرائی 1385).
2 -5- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی سیستم آبهای زیر زمینی استفاده کرده اند
یون شوماخر (2001)از ابگوریتم ژنتیک کد گذاری شده با مقادیر واقعی (RGA)و با دو عملگر گسترش یافته جدیدکه عبارت بودند از ترکیب مستقیم وجایگزینی محافظت شده برای یک سیستم آبهای زیر زمینی استفاده کردند.آنها نتیجه گرفتند که کد گذاری با مقادیر واقعی نسبت به کدگذاری باینری بهتر است.
2-6- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی تولید نیروی برقابی استفاده کرده اند
ایست و هال(1994)از مدل الگوریتم ژنتیک برای حل یک مسئله چهارمخزنی با هدف حداکثر نمودن سود تولید برق و تامین آب آبیاری و اعمال محدودیت های ذخیره و خروجی ، استفاده نمودند.
تحقیق آنان نشان داده است که پتانسیل قابل توجهی از مدل الگوریتم ژنتیک در بهینه سازی سیستم مخازن وجود دارد و مزیت این رهیافت را نسبت به مدل برنامه ریزی پویا در تامین نیازها به خوبی اثبات نمودند(زهرائی 1385).
چانگ ژیان ایا هوانگ کوانگ و وانگ یی مین(2005)از الگوریتم ژنتیک برای بهینه سازی مقدار رها سازی آب در 12 بازه زمانی ماهانه استفاده کردند.ماکزیمم کردن مفدار تولید نیروی برقابی هدف مورد نظر آنها بود،مقایسه نتایج بدست آمده از الگوریتم ژنتیک با سایر روشها نشانگر برتری الگوریتم ژنتیک بود.

2- 1-افرادی که از مدل الگوریتم ژنتیک در مدیریت و بهره برداری از مخزن استفاده کرده اند ………………………… ١٢
2- 2- افرادی که از مدل الگوریتم ژنتیک در بهینه سازی بهره برداری از سیستم چند مخزنه استفاده کرده اند …….. ١٢
2- 3- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی قوانین بهره برداری از مخازن چند منظوره استفاده کرده اند … ١٣
2- 4- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی منحنی فرمان در سیستم چند مخزنه و مخازن چند منظوره استفاده کرده اند .. ١٣

2- 5- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی قوانین بهره برداری از سیستم آبهای زیرزمینی استفاده کرده اند …. ١۴
2- 6- افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی قوانین بهره برداری تولید نیروی برقابی استفاده کرده اند …. ١۴

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل سوم : الگوریتم ژنتیک

مقدمه :
تکنیک جستجویی در علم رایانه برای یافتن راهحل تقریبی برای بهینه سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیستشناسی مانند وراثت و جهش استفاده میکند.
الگوریتمهای ژنتیک معمولاً به عنوان یک شبیه ساز کامپیوتر که در آن جمعیت یک نمونهٔ انتزاعی (کروموزوم ها) از نامزدهای راه حل یک مسأله بهینه سازی به راه حل بهتری منجر شود، پیاده سازی می شوند.همانطور که قبلا گفتیم، به طور سنتی راه حل ها به شکل رشته هایی از 0 و 1 بودند، اما امروزه به گونه های دیگری هم پیاده سازی شده اند. فرضیه با جمعیتی کاملاً تصادفی منحصر بفرد آغاز میشود و در نسل ها ادامه مییابد. در هر نسل گنجایش تمام جمعیت ارزیابی میشود، چندین فرد منحصر در فرایندی تصادفی از نسل جاری انتخاب میشوند (بر اساس شایستگی ها) و برای شکل دادن نسل جدید، اصلاح میشوند (کسر یا دوباره ترکیب میشوند) و در تکرار بعدی الگوریتم به نسل جاری تبدیل
میشود.
3-1- معرفی الگوریتم ژنتیک
الگوریتم ژنتیک یکی از روشهای جدید بهینه سازی است که بیشتر برای بهینه سازی مسائل بسیار پیچیده وغیر خطی به کار می رود.اساس این روش بر مبنای فرایند تکامل است. جان هلند در دانشگاه میشیگان امریکا با تحقیقات خود در اوایل دهه 70 میلادی بنای این روش را گذاشت و در سال 1975 به طور رسمی با انتشار کتابی ان را به جهان معرفی کرد.قبل از وی در قانون بقای داروین اصول اولیه و فرضیه های الگوریتم ژنتیک مشخص شده بود.در واقع اساس این روش بر پایه اصل “سیر تکاملی جانداران در طبیعت”یا”انتخاب طبیعت”است
در جوامع موجودات زنده و از جمله جوامع انسانی، بقای هر عضو جامعه در گرو رقابت با سایر اعضا است. هر عضوی که توان رقابت در جامعه ای زنده را نداشته باشد به قهر طبیعت باید زودتر از سایر اعضا از بین برود.
با از بین رفتن اعضای ضعیف، جامعه موجودات زنده همواره در حال پالایش و گزینش افراد قوی تر است. از طرفی شرط بقاء موجودات زنده، تولید مثل و تولید نسل های آینده است. از آنجا که در جوامع زنده همواره شانس بقاء برای موجودات قوی تر (برحسب صفت مورد جستجو) فراهم است، لذا ازدواج و تولید مثل نسل های آینده براساس به گزینی و تکامل ژنتیک موجودات بنا نهاده شده است.
در جوامع انسانی عوامل بقاء را میتوان تابع شرایطی نظیر رقابت های اقتصادی، اجتماعی ، جنگ و فقر و
…. به شمار آورد. عموماً معیار انتخاب قوی ترها در جوامع انسانی پیچیده است و لذا در این گونه جوامع، انتخاب قویتر ها براساس معیارهای خاص گزینشی آن جامعه صورت می پذیرد.
بعضی از صفات یا معیارها در جامعه منحصر به فرد و بعضی متعلق به گروهی از افراد جامعه است. در این شرایط معیار به گزینی ممکن است یک نفر یا گروه از جامعه را به عنوان جامعه برگزیده انتخاب کند.
. ربات های بسیار قدرتمندی ساخته شده اند که برای پیدا کردن نقاط بهینه در مسئله ،از این روش بهره می گیرند.شیوه های طبیعی برای یافتن هدف مسئله،روش های جستجوی بسیار سازگاری دارند که مبتنی بر قوانین ژنتیکی و طبیعی است.الگوریتم ژنتیک در یک لحظه نقاط بسیاری را برای رسیدن به جواب بهینه کنترل و جستجو میکند.
در همه مسائل،الگوریتم نتیک به وسیله تابع هدف خود که از نوع ماکزیمم است،نقطه بهینه را در مسئله میابد.
اگر مسئله ای که با آن مواجه شده ایم از نوع مینیمم سازی باشد و یافتن کمترین مقدار در مسئله لازم باشد،این روش ابتدا به کمک روشهای خاصی مسئله را به صورت ماکزیمم در می آورد و سپس به دنبال نقاط بهینه در مسئله میگردد.بدون اینکه در جواب بهینه مسئله تاثیری بگذارد.در حل مسائل به روش الگوریتم ژنتیک، اگر صورت مسئله و کلیه متغیرهای آن به درستی تعریف وتعیین شده باشند، فرایند رسیدن به جواب بسیار اسان خواهد بود،ولی اگر مسئله به صورت صریح و روشن متغیرهای خود را در اختیار ما قرار ندهد یک فرایند حل بسیار مشکل و طولانی برای حل آن ایجاد می شود و تا زمانی که خصوصیات مسئله برای ما روشن نشده باشد،دریک فضای حل مجازی و متغیر حرکت خواهیم کرد و در نتیجه با یک فرایند طولانی و پر هزینه روبه رو هستیم. به طور کلی ایده اصلی الگوریتم ژنتیک انتخاب بهترین مسیرها و ادغام انها به بهترین نحو تا رسیدن به نقطه بهینه است.

3- 1- معرفی الگوریتم ژنتیک ……………………………………………………………………………………………….. 15
3- 2- تفاوت الگوریتم ژنتیک با روش های قدیمی بهینه سازی …………………………………………………………. ١٧
3- 3- ویژگی های الگوریتم ژنتیک …………………………………………………………………………………………… ١٨
3- 4- مزایای الگوریتم ژنتیک …………………………………………………………………………………………………. ١٩
3- 5- اصطلاح شناسی الگوریتم ژنتیک …………………………………………………………………………………….. ٢٠

3- 6- ساختار کلی روند محاسبات در الگوریتم ژنتی………………………………………………………………………. 21
3- 7- روش های کدگذاری در الگوریتم ژنتیک ……………………………………………………………………………….. ٢٢
3- 7-1- روش کدگذاری باینری ……………………………………………………………………………………………….. ٢٣
3- 7-2- روش کدگذاری گری ……………………………………………………………………………………………….. ٢۴
3- 7-3- روش کدگذاری واقعی …………………………………………………………………………………………………. ٢۴
3- 8- ارزیابی و انتخاب نسل نمونه …………………………………………………………………………………………… ٢۴
3- 8-1- روش های نمونه برداری تصادفی ……………………………………………………………………………………. ٢۶
3- 8-4- روش نمونه برداری مختلط …………………………………………………………………………………………… ٢٨
3- 9- تولید نسل بعد ………………………………………………………………………………………………………….. ٢٨
3- 9-1- عملگر ادغام ………………………………………………………………………………………………………….. ٢٩
3- 9-2- عملگرجهش …………………………………………………………………………………………………………. ٣٠
3- 10- شرط توقف الگوریتم ………………………………………………………………………………………………….. ٣١
منابع فارسی …………………………………………………………………………………………………………………..33
منابع لاتین ……………………………………………………………………………………………………………………..34
چکیده لاتین …………………………………………………………………………………………………………………… ٣۶

فهرست اشکال

شکل(2-1) طبقه بندی کلی روش های بهینه سازی ……………………………………………………………………. 9

شکل (2- 2) طبقه بندی روش های نوین بهینه سازی …………………………………………………………………..10

Abstract:
Optimization in general, is the search for a feasible operational policy that maximizes or minimizes the value of the objective function or optimization criteria.
Optimization Models Are models based on mathematical algorithms that can find the optimal or best solution to the problems. The solution is with high accuracy and can result in increase of the revenues. These models can be linear or non-linear.
Genetic algorithms were formally introduced in the United States in the 1970s by John Holland at University of Michigan. The continuing price/performance improvements of computational systems has made them attractive for some types of optimization. In particular, genetic algorithms work very well on mixed (continuous and discrete), combinatorial problems. They are less susceptible to getting ‘stuck’ at local optima than gradient search methods. But they tend to be computationally expensive.
This presentation outlines some of the basics of genetic algorithms. The three most important aspects of using genetic algorithms are: (1) definition of the objective function, (2) definition and implementation of the genetic representation, and (3) definition and implementation of the genetic operators. Once these three have been defined, the generic genetic algorithm should work fairly well.
The genetic algorithm creates a population of genomes then applies crossover and mutation to the individuals in the population to generate new individuals. It uses various selection criteria so that it picks the best individuals for mating (and subsequent crossover).



مقطع : کارشناسی ارشد

قیمت 25 هزار تومان

خرید فایل pdf به همراه فایلword

قیمت:35هزار تومان