الگوریتم ژنتیک موازی
الگوریتم ژنتیک موازی
عنوان مقاله : الگوریتم های ژنتیک موازی
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : تکنيک‌هاي محاسبات نرم، به هدف حل مسائل پيچيده با استفاده از روش‌هاي غيردقيق براي ارائه‌ي پاسخ‌هاي مفيد اما غيردقيق ارائه شده‌اند. برخلاف طرح‌هاي محاسبات سخت که پاسخ دقيق و کامل را جست‌وجو مي‌کنند، تکنيک‌هاي محاسبه‌ي نرم با راه‌دادن به روش‌هاي نادقيق، از پاسخ‌هايي نيمه‌درست و غيرقطعي براي مسائل خاص سود مي‌جويد. الگوريتم‌هاي ژنتيک که يکي از تکنيک‌هاي محاسبه‌ي نرم هستند، در اين سال‌ها به ابزارهاي محبوبي براي مسائل بهينه‌سازي تبديل شده‌اند. با اين حال زمان زيادي که اين الگوريتم‌ها براي يافتن پاسخ نزديک‌به‌بهينه صرف مي‌کنند، همواره استفاده از آنها را براي حل مسائل بهينه‌سازي دشوار مي‌سازد. بر خلاف روش‌هاي دقيق، که در آنها کارائي زماني الگوريتم اصلي‌ترين معيار اندازه‌گيري ميزان موفقيت آن است، در الگوريتم ژنتيک و ساير محاسبات نرم دو موضوع اصلي، در ارزيابي مورد توجه قرار مي‌گيرند: اينکه پاسخ چه‌قدر سريع پيدا مي‌شود؟ واينکه از بهينه‌ي اصلي چه‌قدر فاصله دارد؟ موازي‌سازي الگوريتم‌هاي ژنتيک، يکي از اساسي‌ترين و بهترين راه‌هايي است که مي‌تواند زمان بسيار زياد مورد نياز براي انجام گرفتن محاسبات ژنتيکي و رسيدن به نتيجه‌ي مطلوب براي حل مسئله توسط آنها را به حد قابل قبولي برساند و امکان استفاده از اين الگوريتم‌ها را، در زمان قابل قبول، فراهم کند. الگوريتم‌هاي ژنتيک موازي چه به لحاظ دست‌يابي به برازندگي بهتر براي کروموزوم‌ها (نتيجه‌ي مطلوب‌تر) و چه به لحاظ دسترسي به تسريع بالاتر و مقياس‌پذيريِ بيشتر، بهتر از الگوريتم‌هاي ژنتيک ترتيبي و تک‌جمعيتي عمل مي‌کنند.
فهرست :
مقدمه
پیدایش الگوریتم ژنتیک و روند اجرای آن
نحوه ی نمایش
گام ارزیابی و گام انتخاب
عملگرهای ژنتیک
سایز جمعیت
پارامترهای crossover 11
Exploration & Exploitation 13
چالشهایی که GA با آن رودررو است
فاکتورهای موثر در PGA 11
یادداشت های تاریخی روی PGA 11
نحوه ی کنترل در سیستمهای موازی
چگونه GA را موازی کنیم
طبقه بندی PGA 16
معیار ارزیابی کارآیی در الگوریتم ژنتیک موازی
نتیجه گیری
منابع و مراجع
الگوریتم ژنتیک موازی
عنوان مقاله : الگوریتمهای ژنتیک
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. در واقع الگوریتمهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.الگوریتمهای ژنتیک اغلب گزینه خوبی برای تکنیکهای پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند.مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند. کلاً این الگوریتم‌ها از بخش های زیر تشکیل می‌شوند : تابع برازش – نمایش – انتخاب – تغییر
کلمات کلیدی : الگوریتم ژنتیک، تکنیک جستجوی ژنتیکی، الگوریتمهای تکامل، تابع برازش، تنازع بقا، انواع الگوریتمهای ژنتیک، مقاله الگوریتم ژنتیک، عملگرهای الگوریتم ، کاربرد الگوریتم ژنتیک، کاربرد الگوریتم ژنتیک در علم شیمی، الگوریتمهای مینیمم یابنده، هیوریستیک ها، متغیرهای پیوسته، متغیرهای پیوسته، کدینگ درخت، روش محاطی، انتخاب بولتزمن، نخبه سالاری، جهش باینری، جهش حقیقی، وارون سازی، طرحواره، الگوریتم ژنتیک موازی، الگوریتم ژنتیک سری،