دانلود با لینک مستقیم و پر سرعت .
نوع فایل: word
قابل ویرایش 47 صفحه
مقدمه:
تا کنون از الگوریتم های ژنتیک برای حل مسائل زیادی استفاده شده است. در مهندسی برای حل مسائل بهینه سازی بسیار از این روش کمک گرفته شده. در اینجا ما قصد داریم با به کارگیری الگوریتم های ژنتیک گامی در جهت حل مشکل جابه جایی معلمان آموزش و پرورش برداریم. در تهیه این متن سعی شده مطالب طوری ارائه شوند که اگر کسی با الگوریتم های ژنتیک آشنایی نداشته باشد تکنیک حل مسئله را دریابد و در انتها دید روشنی نسبت به الگوریتمهای ژنتیک پیدا کند. ابتدا مسأله را به صورت ساده بیان می کنیم یعنی پارامترهای فرعی را حذف کرده و شرط ها و قیودی که باعث پیچیده تر شدن مسأله می گردند نیز کنار می گذاریم. پس از ارائه یک راه حل برای مسأله ساده شده پارامترهای فرعی و شروط را وارد مسأله می کنیم.
به عنوان نمونه می توان از مسایلی مثل کوتاهترین مسیر در شبکه ، مساله فروشنده دوره گرد و... که در آنها به دنبال حداقل و یا حداکثر کردن کمیتی برای حل مساله می باشیم ، اشاره نمود هر چند روشهای حل دقیقی برای حل این مسایل وجود دارد ، اما اغلب آنها از درجه پیچیدگی بالایی (NP OR NP_ COPMLETE ) برخوردارند و زمان لازم جهت محاسبه جواب بهینه برای مسایل بزرگ ، بسیار افزایش می یابد .
برای حل مسایلی شبیه مسایل فوق به روش ژنتیک ، ابتدا جوابهای امکان پذیر اولیه را به صورت تصادفی ایجاد می کنیم. این جوابهای اولیه را که به احتمال زیاد بهینه نیستند ، والدین می نامیم.این والدین با عمل تولید مثل ، به تولید فرزندان( جوابهای جدید ) می پردازند .فرزندان حاصل مورد بررسی و ارزیابی قرار گرفته و آن عده که قابل قبول نباشند ( یعنی امکان ناپذیر بوده و یا بهتر از جوابهای قبلی نباشند ) حذف می شوندو فقط فرزندان برگزیده باقی می مانند. تابعی که به بررسی مقبولیت فرزندان حاصل می پردازد ، اصطلاحا تابع FIT نام دارد. والدین اولیه به همراه فرزندان باقی مانده آنها تا این مرحله را نسل اول می نامیم. این مراحل را با فرض فرزندان باقی مانده به عنوان والدین جدید برای تولید نسلهای دوم، سوم ، ... ادامه می دهیم.
فهرست مطالب:
1- چکیده
2- کلمات کلیدی
3- مقدمه
4- الگوریتمهای (GA)
4-1- اعمال پایه GA
4-1-1- تولید REPRODUCTION
4-1-2- برش CROSS OVER
4-1-3- جهش MUTATION
5- صورت مسئله
6- حل مسئله با استفاده از GA
6-1- ایجاد جمعیت اولیه
6-2- تابع هدف
6-3- انتخاب
6-4- ترکیب
6-5- ایجاد نسل جدید
6-6- جهش
6-7- بذنه اصلی برنامه
7- نتیجه اجرای برنامه
8- تغییر تابع هذف
9- تقدیر تشکر
10- مراجع
منابع و مأخذ:
1) Johannes A.Buchman, Introduction to cryptography, springer,2000
2) Evolving Boolean Functions Satisfying Multiple Criteria
John A Clark, Jeremy L Jacob and Susan Stepney (University of York,UK)
Subhamoy Maitra (Indian Statistical Institute,Kolcatta,India)
William Millan (SRC Queensland University of Technology,Brisbane, Australia )
3) Using Genetic Algorithm for Parameter
Estimation Yi Wang Computer Science Department , Tsing hua University,100084, Beijing, China
wangy01@mails.tsinghua.edu.cn
September 30, 2004
4) Genetic Algorithms For Classification and Feature Extraction
Min Pei, 1,2 Ying Ding, 2 William F. Punch, III, 3 and Erik D. Goodman 2
1 Beijing Union University, Beijing, China
2 Case Center for Computer-Aided Engineering and Manufacturing
3 Intelligent Systems Laboratory, Department of Computer Science
Michigan State University
Genetic Algorithms Research and Applications Group (GARAGe)
112 Engineering Building
East Lansing, MI 48824
Tel: (517)-353-4973. Fax: (517)-355-7516 e-mail: pei@egr.msu.edu
5) Goldberg, D.E. The Design of Innovation:
Lessons from and for Competent Genetic
- Kluwer, 2002.
6) Milner, R. The Encyclopedia of
- Facts on File, 1990.
7) A Design Problem of Assembly Line Systems using Genetic Algorithm
under the BTO Environment
Kazuaki Abe Non-member (The University of Electro-Communications, kabe@se.uec.ac.jp)
Tetsuo Yamada Member (The University of Electro-Communications, tyamada@se.uec.ac.jp)
Masayuki Matsui Non-member (The University of Electro-Communications, matsui@se.uec.ac.jp)
8) Using Genetic Algorithm in Building Domain-Specific Collections: An
Experiment in the Nanotechnology Domain
Jialun Qin & Hsinchun Chen
Department of Management Information Systems
University of Arizona
{qin, hchen}@bpa.arizona.edu
9) Pattern recognition using multilayer neural-genetic algorithm
Yas Abbas Alsultanny∗, Musbah M. Aqel
Computer Science Department, College of Computer and Information Technology,
Applied Science University, P.O. Box17, Amman 11931, Jordan
Received 2 July 2001; accepted 8 May 2002
10) Creating Q-table parameters using Genetic Algorithms
Hal Aljibury, A. Antonio Arroyo
Machine Intelligence Laboratory
- of Electrical Engineering
University of Florida, USA
- (352) 392-6605
Email: luck@mil.ufl.edu,arroyo@mil.ufl.edu
1999 Florida conference on Recent Advances in Robotics
April 29-30 University of Florida
11) Binary Decision Tree Using Genetic Algorithm for Recognizing Defect Patterns of Cold Mill Strip
Kyoung Min Kim1,4, Joong Jo Park2, Myung Hyun Song3, In Cheol Kim1,
and Ching Y. Suen1
1 Centre for Pattern Recognition and Machine Intelligence (CENPARMI), Concordia
University, 1455 de Maisonneuve Blvd. West, Suite GM606, Montreal, Canada H3G 1M8
{kkm, kiminc, suen}@cenparmi.concordia.ca
2 Department of Control and Instrumentation Engineering, Gyeongsang National
University, 900, Gazwa-dong, Chinju, Gyeongnam, 660-701, Korea
3 Department of Electric Control Engineering, Sunchon National
University, 540-742, Korea
4 Department of Electrical Engineering, Yosu National University, 550-749, Korea
12) Using Genetic Algorithm for Network Intrusion Detection
Wei Li Department of Computer Science and Engineering
Mississippi State University, Mississippi State, MS 39762
Email: wli@cse.msstate.edu
13) Cluster-based stream flow prediction using genetic
algorithm-trained neural networks
- Parasuraman, A. Elshorbagy
Centre for Advanced Numerical Simulation (CANSIM), Department of Civil & Geological
Engineering, University of Saskatchewan, Saskatoon, SK, Canada S7N 5A9
(amin.elshorbagy@usask.ca / Fax: 1 306-966-5427)
14) AN EXPERIMENTAL STUDY OF BENCHMARKING FUNCTIONS FOR
GENETIC ALGORITHMS
JASON G. DIGALAKIS and KONSTANTINOS G. MARGARITIS
Department of Applied Informatics, University of Macedonia, Greece
(Received 3 March 2000; in final form 9 August 2000)
15 ) ON BENCHMARKING FUNCTIONS FOR GENETIC ALGORITHMS
- G. DIGALAKIS* and K. G. MARGARITISy
University of Macedonia, 54046, Thessaloniki, Greece
(Received 9 March 2000; In ®nal form 8 September 2000)
16) Breaking the Steganalytic Systems by Using Genetic Algorithm
Yi-Ta Wu
Advisor: Dr. Frank. Y. Shih
Links :
http://www.ciphersbyritter.com/ARTS/MIXNONLI.HTM
http://www.cs.qub.ac.uk/~M.Sullivan/ga/ga_index.html
http://www.math.uno.edu/
http://mathworld.wolfram.com/
An Introduction to Genetic Algorithms - The MIT Press
http://www.Wotsite.org
http://www.issa.orgt
