برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

آموزش به روش الگوریتم کاهش شیب پس انتشار به وسیله ی قاعده ی آموزش سازگار
traingda
آموزش به روش الگوریتم کاهش شیب پس انتشار مومنتوم و پس انتشار آموزش سازگار
traingdx
آموزش به روش پس انتشار شیب Levenberg-Marquardt
trainlm
آموزش به روش پس انتشار Resilient
trainrp
آموزش به روش پس انتشار گرادیان مقیاس بندی شده
trainscg
فصل سوم
بهینه سازی مدل با استفاده از الگوریتم ژنتیک
مقدمه ای بر الگوریتم ژنتیک
الگوریتم ژنتیک از دسته الگوریتم های بهینه سازی تکاملی و برگرفته از نظریه تکامل زیستی داروین (١٨۵٩) است. این الگوریتم اول بار توسط جان هولند معرفی شد الگوریتم ژنتیک برای بهینه سازی مسائل پیچیده به ویژه در مسائلی که اطلاعات کافی در مورد فضای جستجو در دسترس نیست بسیار مورد استفاده قرار می گیرد. اگرچه الگوریتم ژنتیک تضمین نمی کند که بهترین جواب ممکن را تولید کند اما معمولا در زمان کوتاهی با تقریب مناسب جواب بهینه را تولید خواهد کرد. برای حل هر مسئله به کمک الگوریتم ژنتیک، مجموعه ای از جواب های ممکن برای مسئله، با جمعیتی از کروموزوم ها مدل می شود. به هر کروموزوم بر اساس میزان برآورده کردن مطلوبات مورد نظر یک ضریب تناسب نسبت می دهیم. با اعمال عملگرهای الگوریتم ژنتیک مانند تولید مثل ژنتیکی ، جهش ژنتیکی و انتخاب گونه های قوی تر بر این جمعیت، به تدریج مجموعه جواب به سمت جواب های بهینه پیش می رود. در زیر برخی از این عملگرهای ژنتیکی توضیح داده شده اند:
انتخاب گونه های قوی تر: در هر نسل کروموزوم هایی که جواب های مناسب تر را مدل می کنند برای تولید نسل جدید انتخاب می شوند و گونه های ضعیف تر به تدریج حذف می شوند.
تولید مثل ژنتیکی: ژن های دو کروموزوم انتخاب شده برای تولید مثل به صورت تصادفی با هم ترکیب می شوند و کروموزوم های جدیدی تولید می شود.
جهش ژنتیکی: به صورت تصادفی تغییراتی در برخی ژن های موجود در تعدادی از کروموزوم ها ایجاد می کنند که منجر به تولید کروموزوم های جهش یافته می شود.
نکات مهم در الگوریتم های ژنتیک
الف- شرایط جمعیت اولیه می‌تواند در سرعت رسیدن به جواب بسیار تأثیرگذار باشد. یعنی اگر جمعیت اولیه مناسب‌تر باشد، بسیار سریع‌تر به جواب می‌رسیم. بنابراین گاهی در بعضی از مسئله‌ها به جای آن که جمعیت اولیه به صورت تصادفی ایجاد شود، از اعمال شرایط خاص مسئله به جمعیت اولیه نیز استفاده می‌شود.
ب- با توجه به وجود پارامترهای تصادفی در الگوریتم مسئله حتی در صورت استفاده از جمعیت اولیه یکسان ممکن است در اجراهای مختلف الزاماً جواب های یکسان به دست نیاید و البته در صورت استفاده از جمعیت اولیه متناوت این پدیده ملموس تر خواهد بود.
ج- تابع هدف در این‌گونه از الگوریتم‌ها از اهمیت بسزایی برخوردار است؛ چرا که معمولاً در اکثر مسائل در اثر ترکیب، حالت‌هایی رخ می‌دهد که منطبق بر شرایط مسئله نیست و حتی فاقد معنی و مفهوم است. بنابراین تابع ارزش باید به گونه‌ای طراحی شود که به ازای این حالات مقادیر بسیار کمی برگرداند و از طرفی باید برای نزدیک شدن به هدف بسیار خوب تخمین بزند(این همان نکته ای است که در مدل سازی با استفاده از شبکه عصبی و همچنین استخراج یک تایع هدف مناسب در فصل قبل به آن پرداخته شده است که نتایج کار را در فصل های آتی مشاهده خواهد شد).
د- یکی از پدیده‌های جالب این است که ممکن است در نسل‌های میانی نمونه‌هایی بروز کنند که از نظر تابع ارزش و خوب بودن بسیار مناسب باشند. یک روش این است که اینگونه موارد را شناسایی کنیم و در نسل بعدی نیز از آن‌ها استفاده کنیم. به این تکنیک نخبه‌گرایی می‌گویند که عملاً تأثیر بسزایی در رسیدن به جواب مسئله دارد[15].
مفاهیم اولیه در الگوریتم ژنتیک
دسته بندی : علمی