advertise laitec sharif univercity استخراج بیت کوین با کامپیوتر استخراج بیت کوین با کامپیوتر
دانلود پروژه مهندسی نرم افزار ، نمایندگی ایران خودرو

دانلود پروژه مهندسی نرم افزار ، نمایندگی ایران خودرو

3000 تومان
سورس پروژه دفترچه تلفن ساده در سی شارپ #c و بانک Access

سورس پروژه دفترچه تلفن ساده در سی شارپ #c و بانک Access

3000 تومان
دانلود سورس پروژه TSP با الگوریتم مورچگان Ants

دانلود سورس پروژه TSP با الگوریتم مورچگان Ants

4800 تومان
دانلود برنامه رنگ آمیزی گراف با الگوریتم عقبگرد در سی شارپ

دانلود برنامه رنگ آمیزی گراف با الگوریتم عقبگرد در سی شارپ

3000 تومان
دانلود سورس هوش مصنوعی رنگ آمیزی گراف با ژنتیک در #C

دانلود سورس هوش مصنوعی رنگ آمیزی گراف با ژنتیک در #C

4800 تومان

الگوریتم ژنتیک genetic algorithm

الگوریتم ژنتیک یا (GA) از دیگر استراتژی های جست وجوی محلی و شکلی از "جست وجوی پرتوی اتفاقی" است که در آن حالتهای پسین از طریق ترکیب دو حالت والد تولید میشود.
الگوریتم ژنتیک genetic algorithm

الگوریتم ژنتیک  genetic algorithm

الگوریتم ژنتیک  یا (GA)  از دیگر استراتژی های جست وجوی محلی و شکلی از "جست وجوی پرتوی اتفاقی" است که در آن حالتهای پسین از طریق ترکیب دو حالت والد تولید میشود. در مقایسه با انتخاب طبیعی مثل جست وجوی پرتوی اتفاقی عمل میکند. با این تفتوت که در اینجا با تولید مثل جنسی سروکار داریم نه غیر جنسی.

الگوریتم ژنتیک  با مجموعه ای از k حالت که بطور تصادفی تولید شده اند، شروع میکند که جمعیت نام دارد.هر حالت یا فرد بصورت رشته ای بر روی الفبای متناهی نمایش داده میشود. هر حالت توسط یک "تابع هدف" یا یک تابع برازش ارزیابی میشود. تابع برازش باید برای حالتهای بهتر، مقادیر بزرگتری را برگرداند. در شکل خاصی از الگوریتم ژنتیک (مانند مسئله هشت وزیر) احتمال انتخاب برای تولیدمثل مستقیما متناسب با امیتاز برازش است. در ادامه حل مسئله به روش الگوریتم ژنتیک، دو زوج بطور تصادفی برای تولید مثل انتخاب میشوند. برای هر زوجی که باید جفت گیری کنند، یک نقطه پیوند بطور تصادفی بین موقعیت ها انتخاب میشود.

وقتی دو حالت والد، کاملا فرق میکنند عملیات پیوند میتواند حالتی را تولید کند که از هر دو والد به یک فاصله است. معمولا ابتدا جمعیت در فرآیند متنوع است، لذا عمل پیوند (همانند الگوریتم simulated annealing) معمولا در ابتدا مراحل طولانی را در فضای حالت انتخاب میکند و به تدریج که افراد کاملا مشابه میشوند، مراحل کوتاهتر را انتخاب میکند.

همانند جست وجوی پرتوی اتفاقی، الگوریتم ژنتیک  نوعی تپه نوردی همراه با اکتشاف تصادفی را با تبادل اطلاعات بین نخ های جست وجوی موازی، با هم ترکیب میکند. امتیازات الگوریتم ژنتیک  ناشی از عملیات پیوند است. نتیجه ی این ترکیب است این است که عملکرهای مفیدی را ارائه میکند. لذا منجر به افزایش دقت عملکرد جست وجو میشود.

نظریه های الگوریتم های ژنتیک  توضیح میدهند که این کار چگونه با استفاده از ایده ی الگو انجام میشود. الگو زیر رشته ای است که بعضی از موقعیت های آن مشخص نشده باقی میمانند. رشته هایی که با الگو مطابقت میکنند نمونه هایی از الگو نامیده میشوند.  الگوریتم های ژنتیک وقتی به خوبی کار میکنند که الگوها متناظر با قطعات با معنایی از جواب باشند.  

در عمل الگوریتم های ژنتیک  اثر وسیعی در مسئله های بهینه سازی مثل زمانبندی کار و طراحی مدارات مجتمع داشته است.

                                  

شبه کد الگوریم ژنتیک:

 

function GENETIC-ALGPRITHM (population, FITNESS-FN)  returns   an   individual

       inputs :  population, a set  of  individuals

                     FITNESS-FN, a function  that  measure  the  fitness  of  an individual

 

       repeat

                  new_population  <-- empty  set

                  for  i= = 1  to SIZE(population)   do

                          x <--  RANDOM-SELECTION (population, FITNESS-FN)

                          y <--  RANDOM-SELECTION (population, FITNESS-FN)

                          Child <-- REPRODUCE (x ,y)

                          if (small  random probability)  then  child <-- MUTATE(child)

                          add  child to new_population

                  Population <--  new_population

      until  some individual is fit enough , or enough time has elapsed

      return  the best individual in population, according to  FITNESS-FN

 

function  REPRODUCE (x, y)   returns  an  individual

      input :  x , y , parent individuals

  

      n <-- LENGTH (x);  c <-- random number from 1 to n

      return APPEND (SUBSTRING(x,1, c), SUBSTRING(y, c+1, n))

 

 

 

 



0
نظرات

نظر خود را ارسال کنید



نام:
ایمیل:
دیدگاه:
captcha
کد امنیتی :


advertise
genetic algorithm searchاستراتژی های جست وجوی محلی geneticالگوریتم genetic searchدانلود رایگان شبه کد genetic algorithmآموزش الگوریتم جست وجوی ژنتیکدانلود سورس کد الگوریتم جست وجوی geneticالگوریتم های جست وجوی محلی geneticالگوریتم جست وجوی ژنتیک GAدانلود شبه کد الگوریتم های ژنتیکالگوریتم ژنتیک GA چیست؟الگوریتم جست وجوی ژنتیک GAشبه کد الگوریتم جست وجوی ژنتیک لیست برچسب ها
تمامی حقوق این سایت اعم از محتوی ، تصاویر ، قالب و ... متعلق به گروه مهندسی وب سایت سورس کد می باشد.
SourceCodes.ir ، افقی روشن برای برنامه نویسان ، از مبتدی تا حرفه ای

تولید بیت کوین با کامپیوتر

پیشنهادات ویژه سورس کد

پکیج ویژه پروژه پایانی رشته کامپیوتر دانلود مجموعه 70 پروژه کاربردی سی شارپ وب سایت فروشگاه با php