فهرست مطالب فایل دانلودی:
ایده کلی
فضای فرضیه
ویژگیها
Parallelization of Genetic Programming
کاربر دها
زیر شاخه های EA
الگوریتم های ژنتیک
پارامترهای GA
الگورتیم
نحوه ایجاد جمعیت جدید
نمایش فرضیه ها
مثال: نمایش قوانین If-then rules
نمایش فرضیه ها: ملاحظات
اپراتورهای ژنتیکی Crossover :
Single-point crossover
روشهای دیگر Crossover
اپراتورهای ژنتیکی Mutation :
Crossover OR mutation?
تابع تناسب
انتخاب فرضیه ها
نحوه جستجو در فضای فرضیه
Crowding
راه حل رفع مشکل Crowding
چرا GA کار میکند؟
قضیه Schema
خلاصه
تفاوت GA با سایر روشهای جستجو
مثالی از کاربرد الگوریتم ژنتیک
مقدمه
مساله
الگوریتم ژنتیک
جمعیت
تابع تناسب
عملگرهای ژنتیکی
کارایی
بهترین چینش
مدلهای تکامل
Lamarckian evolution
Baldwin Effect
اجرای موازی الگوریتم های ژنتیک
Evolving Neural Networks
مراجع
نمایش برنامه ها
اپراتور crossoverبرای GP
مثال
مثال : طراحی فیلتر



قسمتی از متن
 الگوریتم ژنتیک روش یادگیری بر پایه تکامل بیولوژیک است.
 این روش در سال 1970 توسط John Holland معرفی گردید
 این روشها با نام Evolutionary Algorithms نیز خوانده میشوند.
ایده کلی
 یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن را تولید میکند.
 هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار میگیرد.
 آنگاه تعدادی از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند. که اینکار باعث تکامل راه حلها میگردد.
 بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب برسد
 در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل نماید.
فضای فرضیه
 الگوریتم ژنتیک بجای جستجوی فرضیه های general-to specific و یا simple to complex فرضیه ها ی جدید را با تغییر و ترکیب متوالی اجزا بهترین فرضیه های موجود بدست میاورد.
 در هرمرحله مجموعه ای از فرضیه ها که جمعیت (population) نامیده میشوند از طریق جایگزینی بخشی از جمعیت فعلی با فرزندانی که از بهترین فرضیه های موجود حاصل شده اند بدست میآید.
و.....