جزوه آموزش الگوریتم ژنتیک

الگوریتم‌ ژنتیک با نماد اختصاری (GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است.

الگوریتم ژنتیک از تکنیک‌ های زیست‌ شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این الگوریتم برای اولین بار توسط جان هالند معرفی شد.

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. در هوش مصنوعی 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 دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها بعنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. الگوریتم ژنتیک بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند. (فایل دانلود در ادامه مطلب)

الگوریتم ژنتیک در مسیریابی وسیله ی نقلیه

طراحی شبکه­های توزیع و جمع­آوری یکی از مهم­ترین مسائل مطرح در صنایع کنونی جهان است. در این صنایع، مسیر یابی وسایل حمل و نقل در نظر گرفته شده و مدل VRP را شکل دادهاند، به این معنا که مسیر بهینه­ی هر وسیله­ی نقلیه در مسیر مرتبط خود تعیین شود.

مساله مسیریابی وسیله نقلیه یکی از مهمترین مسائل موجود در صنایع جهان است که امروزه به علت کاربردهای واقعی در مسائل صنعتی بسیار مورد توجه قرار گرفته است.در این مساله چندین وسیله نقلیه بطور همزمان از انبار (پارکینگ وسایل نقلیه) شروع به حرکت کرده و بعد از ملاقات کردن گره­های تقاضا (مشتریان) به انبار باز می­گردند، به شرط آن­که اولاً هر گره­ی تقاضا فقط توسط یکی از این وسایل نقلیه ملاقات شود و ثانیاً هر وسیله نقلیه بیشتر از ظرفیت خود در طول مسیر بارگذاری نکند. به کاربردن صحیح این مساله حدود ۵ تا ۲۰ درصد در کل هزینه ­ی حمل و نقل صرفه ­جویی می کند. در ادامه مطلب دو مقاله در رابطه با حل مسئله مسیریابی با استفاده از الگوریتم ژنتیک برایتان قرار دادیم.

فایل Word مقایسه الگوریتم ژنتیک و جستجوی ممنوعه

الگوریتم‌های فراابتکاری:

روش‌ها و الگوریتم‌های بهینه‌سازی به دو دسته الگوریتمهای دقیق (exact) و الگوریتم‌های تقریبی (approximate algortithms) تقسیم‌بندی می‌شوند. الگوریتم‌های دقیق قادر به یافتن جواب بهینه به صورت دقیق هستند اما در مورد مسائل بهینه سازی سخت کارایی ندارند و زمان حل آنها در این مسائل به صورت نمایی افزایش می‌یابد. الگوریتم‌های تقریبی قادر به یافتن جواب‌های خوب (نزدیک به بهینه) در زمان حل کوتاه برای مسائل بهینه‌سازی سخت هستند. الگوریتم‌های تقریبی نیز به سه دسته الگوریتم‌های ابتکاری (heuristic) و فراابتکاری (meta-heuristic) و فوق ابتکاری (hyper heuristic) بخش بندی می شوند. دو مشکل اصلی الگوریتم‌های ابتکاری، قرار گرفتن آنها در بهینه‌های محلی، و ناتوانی آنها برای کاربرد در مسائل گوناگون است. الگوریتم‌های فراابتکاری برای حل این مشکلات الگوریتم‌های ابتکاری ارائه شده‌اند. در واقع الگوریتم‌های فراابتکاری، یکی از انواع الگوریتم‌های بهینه‌سازی تقریبی هستند که دارای راهکارهای برونرفت از بهینه محلی می‌باشند و قابل کاربرد در طیف گسترده ای از مسائل هستند.  رده های گوناگونی از این نوع الگوریتم در ده های اخیر توسعه یافته است.