ارجو المساعدة اخوكم محتاجكم

السلام عليكم ورحمة الله وبركاته:

اخواني انا طالب ماجستير وفي مرحلة البحث محتاج هذا الكتاب في بحثي
الكتاب:Genetic Algorithm In Search Optimization And Machine Learning 2nd Edition

انا اعرف انو الكتاب بمبلغ لكن الحال غير ميسرة لشرائه ارجو منكم المساعدة جزاكم الله الف خير

الخوارزمية الجينية genetic algorithms هي طريقة من طرق الاستمثال و البحث. يمكن تصنيف هذه الطريقة كإحدى طرق الخوارزميات التطورية evolutionary algorithms التي تعتمد على تقليد عمل الطبيعة من منظور دارويني.

الخوارزمية الوراثية: هي تقنية بحث تستعمل لإيجاد حلولِ مضبوطة أَو تقريبية التي تحقيقِ الأمثلية ، الخوارزميات الوراثية تصنف كبحوث العالمية الاستدلالي(Global search heuristics), وهي أيضا فئة معينة من الخوارزميات التطورية المعروفة كذلك بِالحساب التطوريِ (evolutionary computation) التي تستخدم تكنولوجيا المستوحاة من البيولوجيا التطورية (evolutionary biology) مثل التوريث والطفرات والاختيار و التهجين (crossover).
تعتبر الخوارزميات الجينية من التقنيات الهامة في البحث عن الخيار الأمثل من مجموعة حلول متوفرة لتصميم معين، وتعتمد مبدأ داروين في الاصطفاء حيث تقوم هذه المعالجة الوراثية بتمرير المزايا المثلى من خلال عمليات التوالد المتعاقبة، وتدعيم هذه الصفات، وتكون لهذه الصفات القدرة الأكبر على دخول عملية التوالد، وإنتاج ذرية أمثل وبتكرار الدورة الوراثية تتحسن نوعية الذرية تدريجياً.
المنهج (Methodology)
الخوارزميات الجينية يتم تنفيذها باعتبارها محاكاة الكمبيوتر حيث تستخدم الكورموسومات كأفراد في العمليات التي تقوم بها لإيجاد افصل الحلول , بشكل عام الحلول تمثل بنظام الثنائي (binary ) من 0 و1 ،وأيضا يمكن استخدام رموز أخرى.
عملية التطور(evolution) تبدأ عادة من اختيار الكورموسومات(population) بشكل عشوائي وهذا يحدث في الأجيال الأخرى ،في كل جيل يتم حساب الدالة الأمثلية(fitness function) لكل الكروسومات بشكل منفرد و يتم اختيار أفضل الكورموسومات بالاعتماد على أفضل الدالة الأمثلية و من ثم عمل تهجين (دمج) وأيضا عمل طفرة ، هذه الخوارزمية تتوقف عندما نصل إلى اكبر عدد من الأجيال تم إنتاجه أو الوصل إلى أفضل تحيق من خلال الدالة الأمثلية ، إذا كان التوقف بسبب اكبر عدد من الأجيال يكون الحل الأمثل غير متحقق.
الخوارزميات الجينية توجد في التطبيقات المعلوماتية الإحيائية(bioinformatics) و علوم الحاسوب والهندسة و الاقتصاد و الكيمياء و الصناعات التحويلية ( manufacturing) و الرياضيات والفيزياء وغيرها من الميادين.
خطوات الخوارزمية الجنية
1. التهيئة(initialization )
في البداية العديد من الحلول الفردية هي مولده عشوائيا على شكل أولي للكورموسومات. حجم الكورموسومات يعتمد على طبيعة المشكلة ، ولكن عادة ما يوجد عدة مئات أو آلاف من الحلول الممكنة. بشكل تقليدي يتم تتولد الكورموسومات بشكل عشوائي ،بحيث تغطي مجموعة كاملة من الحلول الممكنة البحث الفضائي(search spaces )وفي بعض الأحيان ، فإن هذا الحل قد تكون "المصنف" في حالة الوصول إلى الحل المثل(optimal solution) .
2.الاختيار (selection )
خلال كل الأجيال المتعاقبة،هنالك نسبة من الكورموسومات الحالية هي المختارة لإنتاج جيل جديد. ويتم اختيار هذه الكورموسومات الاعتماد على الدالة الأمثلية، حيث تكون نسبة الاختيار على أفضلية الدالة الأمثلية ,وهنالك طريقة أخرى عن طريق اختيار مجموعة عشوائية من الكورموسومات، لكن هذه العملية قد تستغرق وقتا طويلا جدا.
3. الاستنساخ
(reproduction) هي عملية لتوليد جيل ثان من الكورموسومات التي تم انتقاؤها من خلال عمليةالاختيار ومن ثم عمل عميلة التهجين (crossover) والطفرة (mutation) لإنتاج الأبناء.
عملية التهجين Crossover techniques
من خلال الآباء الذين تم اختيارهم من عملية الاختيار يتم تزاوج بين كل اثنين من الآباء لإنتاج طفلين جديدين وهذه العملية تستمر حتى يتم إيجاد مجوعة جديدة من الكورموسومات بالإضافة إلى مجموعة الآباء.
توجد العديد من التقنيات التي تَستعمل في عملية التهجين
• نقطة تهجين واحدة
• هذه العملية في نهاية المطاف تنتج الجيل القادم من السكان الكورموسومات التي تختلف عن الجيل الأول، جميع البيانات تترتب بالاعتماد على هذه النقطة حيث يحدث عملية تبدل للبيانات بشرط عدم حدوث تكرار.





• نقطتين تهجين
• هذه العملية في نهاية المطاف تنتج الجيل القادم من السكان الكورموسومات التي تختلف عن الجيل الأول، جميع البيانات تترتب بالاعتماد على هذه النقطتين حيث يحدث عملية تبدل للبيانات بشرط عدم حدوث تكرار.




• القطع والوصل
• حيث هذه العملية تعمل على قطع البيانات من منطقة تختلف عن منطقة الكروموسوم الثاني مما يودي إلى اختلاف في طول الكروموسوم.




الطفرة Mutation
هي عملية تغير مفاجأة في الأبناء الناتجة من عملية التهجين بحيث تكون تغير في شكل الكروموسوم عن طريق تغير احد مكونات الكروموسوم (تغير bit) هذه العملية ليسن ناتجة من الآباء.
عملية الاستنساخ في النهاية تؤدي إلى إنتاج الكورموسومات جديدة فيتم تطبيق عليها الدالة الأمثلية لإنتاج أبناء جدد.
4. الإنهاء (Termination) عملية إيجاد جيل جديد تستمر حتى يحدث احد أسباب الإنهاءو هي:
1. الوصول إلى الحل الأفضل .
2. الوصل إلى العدد من الأجيال المطلوب.
3. الوصول إلى قيمة معينة(budget) مثل حساب (الزمن/المال).
4. الوصل إلى (local minimum) وعدم المقدرة على الخروج منها.
5. التخمين .
6. باستخدام مجموعة من الأسباب السابقة .
5. الشيفرة التضليلية (Pseudo-code ) للخوارزمية.
1. اختيار مجموعة البيانات الكورموسومات(Population).
2. حساب الدالة الأمثلية لكل كروموسوم.
3. إعادة
1. اختيار أفضل آباء لعملية إنتاج الأبناء.
2. توليد جيل جديد باستخدام التهجين والطفرة.
3. تقيم للابن الجديد بالاعتماد على الدالة الأمثلية.
4. عمل تغير للكروموسومات الأصلية بالاعتماد على قيم الأبناء.
4. أكمل حتى الانتهاء
الإشكال
عادة ما يتم استعمال هذه الطريقة للقيام بالبحث في فضاء بحث (مجموعة عناصر يتم البحث فيها) أو في عملية إستمثال ،أي أن الهدف هو جعل دالة رياضية معينة تتخذ قيمة علوى قصوى أو دنيا قصوى و لهذه الدالة اسم خاص في مجال الخوارزميات الجينية حيث يطلق عليها اسم دالة لأمثلية fitness function.
ولتطبيق الخوارزمية الوراثية علينا أولاً أن نوجد التمثيل المناسب للمشكلة المدروسة وفق عمليات صبغية، وأشهر طرق التمثيل هي استخدام السلاسل الثنائية لتمثيل قيم المتغيرات التي تعبر عن حلّ للمشكلة المعطاة وعلى هيئة صبغيات، وبعد أن تنتج هذه الصبغيات لا بد من طرق لمعالجتها حيث يوجد أربعة عمليات وهي (النسخ، التصالب،الطفرة و العكس).
مصطلحات الخوارزميات الجينية
رغم أن تطبيق هذه الطريقة عادة يتلخص في عملية إستمثال فإنها لها مصطلحاتها الخاصة نظرا لأصولها الراجعة أو المرتبطة بنظرية التطور. من أهم هذه المصطلحات:
• الإصطفاء: و هي عملية إصطفاء الكروموزومات أي الأفراد أي الحلول التي ستشارك في عملية التكاثر أي التي سيتم عليها لاحقا عملية مزج أجزائها مع أجزاء حلول أخرى أو تغير جزء من أجزاء هذا الحل
• الفرد أو الكروموزوم: هي الحلول المتاحة و التي يتم معالجتها
• الجين: هو أصغر جزء من الفرد و أصغر جزء حامل للمعلومة. حيث يتم عادة تشفير متغيرات الدالة التي تخضع للإستمثال لتكون في الشكل الثنائي (صفر و واحد). البت يسمى جين
• ال population هي مجموع الحلول المتاحة
• دالة الأمثلية fitness function: هي الدالة التي تعطي نتيجتها احتمال دخول فرد ما في الإصطفاء و توريث خاصياته. حيث أن الحلول الأمثل تعطى حظا أكبر للدخول في عملية التكاثر و توريث الخاصيات أو التغيير.
• دالة التشفير: هي طريقة تشفير الحل أي متغيرات عملية الإستمثال (تشفير ثنائي مثلا لمتغير ينتمي للأعداد الحقيقية)
• دالة فك التشفير: دالة فك التشفير هي الدالة العكسية لدالة التشفير التي نحتاجها لقرائة الحل النهائي الذي تعطيه الخوارزمية الجينية
• تلاقح cross over: عملية يتم خلالها تبادل أجزاء حلول (قيمة متغيرات) بين الأفراد أو الصبغيات أو الكروموزومات التي تم إصطفائها سابقا للدخول في هذه العملية
• mtutation عملية تغير على صبغية معينة أي طفرة أو تغير يطرؤ على إحدى متغيراته
طريقة العمل
تقوم طريقة الخوارزميات الجينية على توليد حلول جديدة تولد حلولا من احتمالات مشفرة على الشكل المعروف ب "كروموسوم" أَو "مورّث". الكروموسومات تجمع أو تتغير لإنتاج الأفراد الجدد. وهي مفيدة لإيجاد الحل الامثل للمعضلات المتعددة الأبعاد التي يمكن فيها أن تشفر القيم للمتغيرات المختلفة فيها على شكل الكروموسوم.
ولتطبيق الخوارزمية الوراثية علينا أولاً أن نوجد التمثيل المناسب للمشكلة المدروسة وفق عمليات صبغية، وأشهر طرق التمثيل هي استخدام السلاسل الثنائية لتمثيل قيم المتغيرات التي تعبر عن حلّ للمشكلة المعطاة وعلى هيئة صبغيات، وبعد أن تنتج هذه الصبغيات لا بد من طرق لمعالجتها حيث يوجد أربعة عمليات وهي (النسخ، التصالب،الطفرة و العكس).
فالخوارزمية الوراثية مبنية على أساس تقنية الحلول المثلى تحاكي النشوء الطبيعي وذلك عن طريق تشفير الحلول الممكنة لتمثيلها على شكل سلاسل مشابهة لسلاسل الصبغي، ومن ثم تطبيق بعض العمليات البيولوجية (نسخ، تصالب، طفرة)، والعمليات الصنعية(العكس) لإنتاج الحل الأمثل.
والميزة الأهم في الخوارزمية الوراثية هي طبيعتها التكييفية، والتي تجعلها أقل حاجة لمعرفة المعادلة من أجل حلها.
فالخوارزمات الجينية هي طريقة لمحاكاة ماتفعله الطبيعة في تكاثر الكائنات الحية، واستخدام تلك الطريقة لحل مشكلات معقدة للوصول للحل الأفضل، أو أقرب حل ممكن للحل الأفضل. إذن لدينا مشكلة لها عدد كبير جدا من من الحلول أكثرها خاطئ وبعضها صحيح، وهنالك دائما الحل الأفضل والذي يصعب غالبا الوصول إليه.
ففكرة الخوارزميات الجينية تكمن في توليد بعض الحلول للمشكلة عشوائيا، ثم تفحص هذه الحلول وتقارن ببعض المعايير التي يضعها مصمم الخوارزم، وأفضل الحلول فقط هي التي تبقى أما الحلول الأقل كفاءة فيتم إهمالها عملا بالقاعدة البيولوجية "البقاء للأصلح".
والخطوة التالية هي مزاوجة أو خلط الحلول المتبقية (الحلول الأكثر كفاءة) لإنتاج حلول جديدة على غرار ما يحصل في الكائنات الحية وذلك بمزج مورثاتها (جيناتها) بحيث يحمل الكائن الجديد صفات هي عبارة عن مزيج من صفات والديه.
الحلول الناتجة من التزاوج تدخل هي أيضا تحت الفحص والتنقيح لمعرفة مدى كفاءتها واقترابها من الحل الأمثل، فإن ثبتت كفاءة الحل الجديد فإنه يبقى وإلا يُهمل، وهكذا تتم عمليات التزاوج والانتقاء حتى تصل العملية إما لعدد معين من التكرارات (يقرره مستحدم النظام) أو تصل الحلول الناتجة، أو إحداها إلى نسبة كفاءة، أو نسبة خطأ ضئيلة (يحددها المستخدم أيضا) أو حتى الحل الأفضل.

مسألة البائع المتجول
(Traveling Salesman Problem) هي احد التطبيقات على خوارزميات الجنية . بفرض أن بائع متجول عليه زيارة عدد ما من المدن المبعثرة حيث انه يعرف الطرق الواصلة بين المدن وأطوال هذه الطرق ، عندها عليه إيجاد الجولة الأقصر بين مجموعة المدن بحيث يمر بكل المدن ولا يمر بالمدينة الواحدة لأكثر من مرة وبحيث تكون المسافة المقطوعة أصغر ما يمكن بالتأكيد يتم تعميم هذه المسألة على مسائل أوسع أهمها إيجاد المسارات المثالية للأسلاك في الدرات المطبوعة بين نقطتين على الدارة مروراً بعناصر محددة، كما أنها تستخدم بكثرة في تحديد مسارات الطائرات وغيرها من التطبيقات.

ما هو الخوارزميات الجينية؟ حول الخوارزميات الجينية (الخوارزميات الجينية)

الخوارزميات الجينية لوحظ في الطبيعة ، والعمل بطريقة مماثلة طالما بحث التطورية والأسلوب الأمثل. المجمع الفضائي البحث متعدد الأبعاد وفقا لمبدأ البقاء للكلي معظم تبدو جيدة للحصول على أفضل حل.
وقد اقترحت المبادئ الأساسية للخوارزميات الجينية جون هولاند في جامعة ميتشيغان لأول مرة. هولندا في عام 1975 وعمله ، جلب "التكيف في النظم الطبيعية والاصطناعية ،" معا في كتابه. أولا ، قوانين تطور هولندا في الخوارزميات الجينية المستخدمة لمشاكل التحسين.
الخوارزميات الجينية لإيجاد حلول للمشاكل بدلا من مجموعة واحدة من الحلول المختلفة لإنتاج حل. وهكذا ، فضاء البحث في نفس الوقت يزيد من إمكانية التوصل إلى العديد من النقاط ويتم تقييمها في نهاية المطاف الى حل شامل. الحل هو مستقلة تماما عن كل الحلول الكتلة الأخرى. كل واحد هو متجه للفضاء متعدد الأبعاد.
الخوارزميات الوراثية من أجل حل المشاكل في جهاز محاكاة عملية تطورية. طرق التحسين الأخرى ، فضلا عن تطوير الحل بدلا من هيكل واحد يحدث في مثل هذه الهياكل لتشكيل كتلة. هذه المجموعة تمثل حلا ممكنا لمشكلة السكان في العديد من الخوارزمية الجينية تأخذ اسمها من المصطلحات. السكان ناقلات يتكون من سلاسل من الأرقام ، ودعا كروموسوم أو الفردية. ويطلق على العناصر الفردية داخل كل الجينات. يتم تحديد المعالجات من قبل الأفراد في الخوارزمية الجينية السكان في عملية تطورية.
الأفراد تختلف في تمثيل المشكلة ، المشكلة ، المشكلة. الخوارزميات الوراثية في حل مشكلة أهم عامل في نجاح عملية صنع القرار تمثيل الأفراد الذين يمثلون في حل المشكلة. السكان في حل لمشكلة كل فرد أن يقرر ما إذا كان لديك وظيفة لياقة. الامتثال للأفراد ذات القيمة العالية ، وفقا لقيمة أرجعها وظيفة ويرد سكان الفرصة لتكرار مع الأفراد الآخرين. ودعا الطفل في نهاية هذه العملية ، والأفراد عبر أكثر من إنتاج أفراد جدد. الأطفال يشكلون والديه (والدة الأب) هي خصائص. الأفراد توليد جديدة ، وبقي من الأفراد مع انخفاض قيمة اللياقة البدنية بعد فترة من السكان أقل مختارة من هؤلاء الأفراد خارج. السكان جديد ملاءمة للسكان السابقة يتكون من الأفراد مع ارتفاع çoğalmalarıyla معا. وفي الوقت نفسه مدى ملاءمة عالية من الأفراد في هذه الفئة من السكان قبل السكان يشمل جزءا كبيرا من خصائصه. وهكذا ، انتشار السكان في ملامح الجيل المقبل من خلال الكثير من الخير ويتم الجمع بين الميزات الأخرى جيدة من خلال عمليات الجينية. الامتثال للمزيد من الأفراد ذات القيمة العالية معايخلق الأفراد جديدة في فضاء البحث ، كلما كان ذلك أفضل للحصول على منطقة العمل. لإيجاد أفضل حل لهذه المشكلة ؛
وينبغي للأفراد عرض بشكل صحيح
لياقة وظيفة المنشأة على نحو فعال
اختيار المعالجات الجينية الصحيحة.
في هذه الحالة ، مجموعة من الحلول لهذه المشكلة عند نقطة واحدة المتحدة. الخوارزميات الجينية واجه صعوبات كبيرة عند استخدام أساليب التحسين الأخرى إظهار نجاح في حل المشاكل مع فضاء البحث كبير جدا. لا ضمان لايجاد افضل حل لمشكلة العام. ومع ذلك ، فإن المشاكل في غضون فترة زمنية معقولة مقبول البحث عن أفضل الحلول. والهدف الرئيسي من الخوارزميات الجينية السعي إلى إيجاد حلول لمشاكل تقنية دون أي حل. تقنيات الحل لحل مشاكل محددة من السرعة المطلقة الخاصة ودقة النتيجة لا تستخدم للخوارزميات الجينية. الخوارزميات الجينية ، ولكن ؛
فضاء البحث كبيرة ومعقدة
المعارف الحالية محدودة من الحل الفضاء من الصعب البحث
لا يمكن أن تكون المشكلة التي أعرب عنها في نموذج رياضي معين
أساليب التحسين التقليدية ، والنتيجة المرجوة لا يؤخذ المناطق فعالة ومفيدة.
الخوارزميات الوراثية والمعلمات ، ونظام التشخيص أنظمة تحكم تطبيقات الروبوت الصورة والتعرف الصوتيالتصاميم الهندسية التخطيط تطبيقات الذكاء الاصطناعي النظم الخبيرة وظيفة والمشاكل التحسين التوافقي ، ومشاكل تصميم الشبكات الاستطلاعية المشاكل مشاكل التخطيط الاجتماعي والاقتصادي لتوفير نتائج ناجحة ، بالإضافة إلى أساليب التحسين الأخرى.

أساليب أخرى ، والفرق
الخوارزميات الوراثية حل المشكلات وليس لقيم المعلمات رموز والتفتيش. Kodlanabildiği حل طالما كما يمكن أن تنتج المعلمات. لهذا السبب ، الخوارزميات الجينية ، لا تتضمن معلومات حول ما يعرف كيف فعل.
لا نقطة واحدة للبحث عن الخوارزميات الجينية تبدأ مجموعة من النقاط. ولذلك ، لا المحاصرين في كثير من الأحيان أفضل حل المحلية.
الخوارزميات الوراثية ، وظيفة لياقة يستخدم قيمة المشتقات. باستخدام هذه القيمة أيضا لا تتطلب استخدام للمعلومات مساعدة.
الخوارزميات الوراثية واحتمالي ، لا قواعد القطعية قواعد استخدامها.

الخوارزميات الجينية

معلومات عامة
العلاقة بين العلم الحديث مجموعات البيانات تحديد الاستفادة من تجربة درست وبحثت كثيرا على كعب. القضايا البحثية الحالية والمشاكل أكثر تعقيدا بكثير من ذي قبل. هذا الارتباك في زيادة عدد المعلمات التي تؤثر على المشكلة والحل لهذه المشكلة ينبع من نمو حجم الكتلة. لذلك ، نتيجة لتحليلكم للأساليب البيانات والتنبؤ من هذه البيانات ذات أهمية متزايدة للباحثين. مفيدة ووفقا للمعايير التالية تعتبر طريقة جيدة لتحليل البيانات. يجب تخمين أو تقدير جيد لتكون النتيجة ويمكن تحليل آلية داخل النظام ويتم تعيين نتائج كل مساحة حل ممكن. هذا النوع من صعوبة حل لإزالة حجم الكتلة من جهة ، من صعوبة في تقييم الحل من ناحية أخرى سوف تجعل من المستحيل تطبيق الأساليب الخطية.
في الماضي ، ودرس باحثون العلاقات بين المعلمات عادة من خلال محاكمة ليست مصنوعة للعينات العلاقات المعقدة التي يصعب أو الثابت ، ولكن الجمود أو زيادة ، اعتمادا على عدد من المعايير التي تم الحصول عليها من حل المشكلة وdeğerlendirememe. الأساليب الإحصائية الباحثون في إيجاد علاقة مفيدة هو الأداة الأولى. الأساليب الإحصائية :
1) جمع المنتظم للبيانات
2) البيانات في شكل من أشكال المساواة بين علاقة معينة (مثل الخطي التربيعية أو متعدد الحدود)
يجب 3) أن المتغيرات المستقلة.
إذا كانت المشكلة توفر المعايير قد يكون من المفيد طريقة الإحصائية في إيجاد العلاقات. ومع ذلك ، هذه المعايير التي نادرا ما توفر من واقع الحياة المشاكل.
المباشرة نتيجة لهذه المعايير ، أو نتيجة الحديثة خوارزميات sınırlandırılamazlar التنمية. الشبكات العصبية (الشبكات العصبية الاصطناعية) أو الذكاء الاصطناعي (منظمة العفو الدولية (التقنيات ، والعلاقات المعقدة شاملة ، ولكنها تتنبأ نماذج آلية قوية لتحديد العلاقات الهامة. ومع ذلك الخوارزميات الجينية والوراثية تقنيات البرمجة الأخرى من الفضاء حل تقني ومعقد من القوى إيجاد أوسع. العلاقات مع إيجاد آلية تعمل بشكل مستقل من البيانات والمعلمات أمثلة ناجحة.
الخوارزمية الجينية النظام البيولوجي örneklendirilmesidir حول استخدام تكييف الأسلوب. الكمبيوتر ويمكن أن تؤخذ المشاكل آلة التعلم مثل هذه المشاكل متعددة المعلمة إيجاد الحل الأمثل كنموذج.
مستوحى من قبل الجمعية العامة التكيف الطبيعي للهيكل عظمي لبسيط :
أ) للفرد من أجل البقاء في وجود تغيير البيئة نفسها يصبح مناسبا
ب) خلال هذا التكيف الأجيال الجديدة المنتجة هذه الميزات جنبا إلى جنب مع التغييرات المحتملة التي قد يتم نقل أكثر ويمكن تلخيصها كما أن الانحياز المزيد من الأفراد.
الهندسة العلم الاقتصاد تقنيات البحث المستخدمة في حل المشاكل في التمويل ، الخ. ويمكن تصنيف تقنيات البحث القائمة على حساب ومباشرة قدر. يمكن وصفها بأنها أفضل من الحلول العددية أو تحليلية للمشاكل ، أو إذا كان مساحة صغيرة وفقط حساب المستندة إلى تقنية البحث تعمل على نحو أفضل. ومع ذلك ، على أساس حساب optimizasyoların الهندسة التقنية أيضا العثور على نحو متزايد وظيفة الأمثل لا يزال ضعيفا جدا. مباشرة وظيفة البحث وتكنولوجيا المعلومات الضرورية فقط تقنية حساب المستندة يعمل بسرعة أكبر وأكثر فعالية. تقنية البحث المباشر على أساس مشكلة ويمكن الوصول إلى الحل الأمثل مع اليقين العلاقة بين وقت الكمبيوتر (الخوارزميات الوراثية في البحث التحسين وآلة التعلم غولدبرغ 1989).

تاريخ الخوارزميات الجينية

جون هولاند وهو خبير في علم النفس وعلوم الحاسب الآلي من الدراسات في جامعة ولاية ميشيغان ، الأول عن هذا الموضوع هو شخص. الميكانيكية التعلم (التعلم الآلي) ، والعمل في هولندا تأثر الفكر نظرية داروين للتطور في العملية الوراثية للكائنات الحية على أداء الكمبيوتر. تحسين القدرة على التعلم هيكل الميكانيكية واحدة من المجتمع بدلا من انتشار مثل هذه الهياكل تزاوج تحول وهلم جرا. كان يمر الناجح للعمليات الجينية (تعلم) إنشاء أفراد جدد. بحث والبحث للعثور على أفضل استنادا إلى التطور الجيني ، وجعلت الانتقاء الطبيعي. خلال عمليةيساعد على تحقيق التوجه السليم للنظام البيولوجي الفردية على غرار لتصبح وتعلم الآلة مشاكل في العثور على أفضل على غرار بواسطة برامج الكمبيوتر.
في عام 1975 ، بعد نشر الكتاب يصف نتيجة لطريقة العمل التي وضعها دعا الخوارزميات الجينية (أو الجمعية العامة قصيرة) انتقل الى. ومع ذلك ، في عام 1985 كما طالب دكتوراه في هولندا ديفيد هاء يعتبر كتاب غولدبرغ كلاسيكية في مهندس مدني في عام 1989 حتى yayınlayana الخوارزميات الجينية كان يعتقد لا فائدة عملية للغاية أن يكون موضوع البحث. أولا ، في هولندا تستخدم كوسيلة مساعدة لتعلم آلة نظم وتحليلها ثم دي جونغ غولدبرغ وغيرهم. غولدبرغ فروع الجمعية العامة مفصولة عدد كبير من أنابيب الغاز وتنظيم تدفق الغاز لمراقبة تطبيق وصفها. وبالإضافة إلى ذلك ، وقال انه يستخدم آلة التعلم كائن الاعتراف والتركيز على استخدام مجالات مثل معالجة الصور والبحث الحسابية.
بقي من المؤسسة الوطنية للعلوم جائزة الباحث الصغير لها 1985 فقط غولدبرغ لم أطروحة الدكتوراه بشأن التحكم في خطوط أنابيب الغاز ، وإنشاء بهم أثبتت جدوى الاستخدام العملي للخوارزميات الجينية. وبالإضافة إلى ذلك ، أظهرت الخوارزميات الجينية ، استنادا إلى كتاب كامل بما في ذلك 83 الممارسة أن الجمعية العامة غير المستخدمة في جميع أنحاء العالم في مختلف الموضوعات.

أسس النظرية

تعريف الخوارزميات الوراثية
الخوارزميات الجينية آلية للتطور في الطبيعة ، وطريقة البحث وعينة من البيانات والبيانات المستخدمة في البحث عن مجموعة خاصة. وقد تم اقتراح الخوارزميات الجينية جون هولاند في أوائل 1970s. الخوارزميات الجينية علم الوراثة والتطور التي وضعها وضع مماثل لاختيار داروين الطبيعية "تكراري " احتمال وجود طريقة البحث.
الخوارزميات الوراثية المتوفرة على طبيعة الحكم على أساس التحسين المستمر في البقاء على قيد الحياة من حلول جيدة. لهذا ، "جيدة" هو ما يحدد مطابقة (لياقة) وظيفة وتوليد حلول جديدة إعادة نسخةتغيير (طفرة) يستخدم مثل المشغلين. ميزة أخرى هامة من الخوارزميات الجينية uğraşmasıdır حل المجموعة. وبهذه الطريقة ، قد اختيار عدد كبير من السيئة يمكن القضاء عليها من الحل.
واحدة من أهم المعالم المميزة من الخوارزميات الجينية لتحديد خوارزميات أخرى. ملاءمة الحل يزيد من فرصة من الخوارزميات الجينية ، لكنه لا يضمن انتخابه. مزيد من مثل إنشاء المجموعة الأولى ، ولكن هذا الاختيار العشوائي اختيار عشوائي يحدد أهلية امكانيات الحلول.
الجينية الخوارزميات نقاط تفصل بين الطرق الأخرى هي كما يلي :
(التوحد)
الجا ليست مجرد نقطة البحث مجموعة من نقطة البحث (المرشحين) يعمل على. حتى فضاء البحث المحلية لا العالمية تهدف إلى تحقيق بالقيام نتيجة بحث. حل من خلال بحث واحد من مجموعة لا.
الجا ملاءمة الأفراد في البحث عن قيمة فضاء البحث فقط "الغرض -- وظيفة لياقة" (- هدف لياقة وظيفة) ، أو. وهكذا ، لتحقيق النتيجة وقبول استخدام المشتقات وليس بحاجة إلى أي معلومات أخرى ، مثل العمليات التفاضلية.
وحدد مراحل دمج الأفراد ، وليس القواعد القطعية ، "قواعد احتمال" الاستخدامات.
فضلا عن وسائل أخرى لا تعمل مباشرة على المعلمات. الخوارزميات الجينية ليكون الأمثل رموز والمعلمات أكثر من المعلمات لا تعمل على هذا الرمز. رموز التعامل مع المعلمات. والغرض من هذا الترميز مشكلة التحسين التوافقية هو ترجمة المشكلة الأصلية.
الخوارزميات الوراثية لا تحتوي على معلومات حول ما يعرف كيف فعل. لهذا السبب ، وهو metotudur البحث الأعمى.
العمل وفقا لقواعد الاحتمالات. لا يمكن تحديد مقدما بالضبط كم من برنامج العمل بشكل جيد. لكن olasıklıkla المحسوبة.
الجا التوافقية آلية للاحالة.
الخوارزميات الجينية 3 خطوات لخلق جيل جديد من المفاتيح :
1. حساب قيمة الجيل القديم من أهلية كل فرد.
2. الأفراد النظر في قيمة اللياقة البدنية (اللياقة البدنية وظيفة) باستخدام الخيار.
3. اختيار الأفراد عبر أكثر من (العبور) طفرة (الطفرة) باستخدام العمليات الوراثية مثل الذهول.
حسابي وجهة نظر ، هذه المراحل يمكن أن ينظر إليها على أنها تغيير في الجمع بين الحلول القائمة محليا.
الخوارزميات الجينية ؛ الفضاء في البداية غير معروف البحث بجمع المعلومات yığıp تستخدم الفرعية البحث المسافات لتوجيه دعوات لاحقة.

ترميز أساليب
الخوارزميات الوراثية تشكل جزءا هاما من نظام ترميز. تحد بشدة من إطار هذه الخطة بسبب المعلومات. وترد معلومات مشكلة محددة بحيث تمثيل تمثيل kromozomsal. كروموسوم عادة problemdeki سلسلة من المتغيرات في ترتيب معين. لإنشاء كروموسوم لكل متغير فرز "جينةيسمى. بناء على ذلك ، جينة أصغر التركيبة الجينية الذي يحمل المعلومات الوراثية في حد ذاتها كبيرة. على سبيل المثال ، قد 101 بت ثنائي تسلسل الجينات المشفرة تكون نقطة في العاشر من تنسيق. وبالمثل ، كروموسوم ويمكن مع مجموعة من واحد أو أكثر من الجينات وتحمل الهيكل الجيني للجميع المعلومات اللازمة من أجل حل هذه المشكلة يكون على النحو المحدد. وعلى سبيل المثال ؛ 100011101111 x1 Y1 x2 إحداثيات Y2 سوف تقدم لنا معلومات حول مكان وجود نقطتين.
هذه هي واحدة من أهم النقاط ويجب النظر إلى ترميز معلمات ترميز كيف. فعلى سبيل المثال ، في بعض الأحيان أو خطي لوغاريتمي ترميز معلمة يؤدي إلى الاختلاف في أداء الجمعية العامة.
مسألة أخرى مهمة لكيفية فحص من الترميز الترميز. هذا هو ما يكفي من نقطة واضحة على الرغم من عدم التأثير على أداء الجمعية العامة. وسيتم شرح هذه المسألة في وقت لاحق.

الامتثال تقنيات
بعد وقت البدء خلق مجتمع يبدأ التطور. الخوارزميات الوراثية تتطلب الاعتراف الأفراد المنفصلين جراء الامتثال وحماية. مطابقة كيفية حل مشكلة بعض الأفراد في المجتمع هو حسن التدبير. قياس معايير الترميز المشكلة وظيفة لياقة يستخدم كمدخل. ربما أعضاء النمو المناسب إعادة ويتم اختيار التبادل والتغيير المشغلين.
بعض المشاكل في ملاءمة الفرد ل يمكن العثور على خطأ بين النتائج المتوقعة مع النتائج التي تم الحصول عليها من الفرد. وسوف يكون من الأفضل الأفراد إغلاق هذا الخطأ إلى الصفر. هذا الخطأ هو عادة ومزيج من المدخلات يعاد حساب متوسط أو مبلغ (قيم المتغيرات المستقلة). أنتجت الارتباط بين وكيل والقيمة المتوقعة ويمكن استخدامها لحساب القيمة المطابقة. (بول ، 1994).
الوظيفة الموضوعية (وظيفة التقييم) يوفر آلية لتقييم حالة كل كروموسوم هو أحد الموارد الرئيسية. هذا هو حلقة وصل هامة بين الجمعية العامة والنظام. هو فك الكروموسوم كمقدمة إلى الدالة (النمط الظاهري) هو قياس الأداء وكما كروموسوم تنتج قيمة الهدف. حالما يتم ذلك للصبغيات أخرى ، ثم استخدام هذه القيم يتم حساب القيم وظيفة مناسبة لياقة والمخطط لها في ترتيب معين. وهذا يتيح التخطيط والامتثال التقنيات ، والمعروفة باسم هناك العديد من الطرق. وتستخدم معظم هذه الأساليب في شيوعا هي :

1. النوافذ
وإذا قبلنا أن قيمة الهدف من سيارة فولكس واجن من أسوأ كروموسوم في السكان من كل كروموسوم يتناسب مع الفرق بين الأول وأسوأ كروموسوم يمكن تعيين فاي قيمة اللياقة البدنية. يمكن التعبير عن هذا الشرط رياضيا على النحو التالي :
فاي \u003d ج±/ سادسا : فولكس فاجن

هنا ، والسادس أنا كروموسوم إلى قيمة موضوعية وج عدد كبير بما فيه الكفاية لضمان الامتثال يمكنني منع سلبية. إذا كانت المعادلة هي مشكلة تعظيم مصادفة يعتبر علامة ايجابية. من ناحية أخرى ، يعتبر علامة سلبية مطلوب تقليل.
ن
واو \u003d 1 / + 1)å| معهد سياسة البحث ، رديه |) (2.2)
ط \u003d 1
2. خطي التطبيع
هدف تعظيم أو التقليل من قيمة دالة الهدف وفقا للصبغيات يتم فرز وفقا للترتيب زيادة أو نقصان. الكروموسومات تعيين عشوائيا لهم أفضل من fbest أفضل لياقة فرز الكروموسومات uyguluğu أمر آخر هو وظيفة خطي :

فاي \u003d fbest - (أنا - 1). دال

د حيث هي نسبة انخفاض. هذا الأسلوب يسمح لك خطة بالتفصيل داخل السكان ، ومتوسط قيمة الهدف من اللياقة البدنية المتوسط.
انها أساليبه الخاصة الأخرى المتاحة في تقنيات الأخريين.

الجينية مشغلي

تستخدم العمليات الوراثية الجيل الحالي (السكان) المطبقة على العمليات. الغرض من هذه الإجراءات إنتاج الأجيال الجديدة مع ميزات أفضل ، وتوسيع مجال البحث الخوارزمية.
هناك 3 أنواع من العمليات الوراثية :
الاختيار (اختيار / الاستنساخ)
الانتقال (العبور)
طفرة (الطفرة)
1. الاختيار (اختيار / الاستنساخ)
إعادة التركيب المشغل اختيار الأفراد المناسبين ومجتمعاتهم على استعداد للبقاء على قيد الحياة للمجتمع المقبل حول النسخ. اختيار نموذج آلية الامتثال ، وهذا نموذج من الطبيعة من أجل البقاء. إعادة توليد عملية الأفراد وفقا لوظائفها لياقتهم البدنية والنسخ. لياقة وظيفة الحاجة إلى رفع قدر الإمكان ، بعض الأبعاد مفيدة وجيدة. مجتمع الفضاء لملاءمة كل فرد على أساس الكيفية التي سيتم بها قررت نسخ عديدة. أفضل الأفراد نسخا أكثروهناك نسخ من أسوأ الأفراد. هذه الاستراتيجية الامتثال لميزة البقاء على قيد الحياة التي تقدمها الجمعية العامة أيضا.

1،1. اختيار عجلة الروليت
*** هناك عدة طرق لتحديد عدد من عناوين المواقع التي تم إنشاؤها بواسطة الجمعية العامة. قريبة من بعضها البعض من أجل تجنب خيار مناسب من المعلمات المستخدمة في هذا الأسلوب. طريقة بسيطة لإنتاج البداية مرة أخرى ، "عجلة الروليت اختيار" (الروليت اختيار العجلات) وفقا لقيم اللياقة البدنية للأفراد لإعداد عجلة الروليت. بعد تناوب عشوائية من العجلات اختيار الفرد للجيل القادم يرتبط ارتباطا مباشرا المساحة المغطاة على عجلة القيادة. هذا الأسلوب يتيح لك الحق في أن ينتخب كأفراد مع لياقة منخفضة.

ن
Pseçilen \u003d فاي / å فاي (2.4)
ط \u003d 1
فاي : أولا اللياقة البدنية قيمة للعنصر
ن : عدد الأفراد
ويتم اختيار الآباء والأمهات وفقا لuygunluklarına. أفضل الكروموسومات ذلك هو فرصة لينتخب.


ثم اختر الكرة والقيت في كروموسوم. وسيتم اختيار الامتثال أكثر من الكروموسومات. يمكن أن يكون هذا في محاكاة الخوارزمية التالية :
1. [المجموع] حساب مجموع جميع الكروموسومات في مدى ملاءمة عدد السكان -- مجموع ق.
2. [حدد] (0س) -- ص مجموعة توليد رقم عشوائي.
3. [حلقة] الذهاب على طول ومدى ملاءمتها من مجموع السكان من 0 ق يصل الى الكرة. إذا كان مجموع ق ص هو اكبر مما كنت لوقف وإرسالها مرة أخرى إلى كروموسوم المحلية.
بالطبع 1 لكل السكان من العروض الوقت الخط.

1،2 رتبة الاختيار
إذا كان يختلف كثيرا مع فقا الانتخابات أعلاه ، سوف يؤدي إلى بعض المشاكل. على سبيل المثال ، والامتثال لأفضل كروموسوم مع كروموزومات أخرى ، فإن 90 ٪ من كل عجلة الروليت لديهما فرصة ضئيلة جدا من الانتخابات. أنواع التدرج السكان قبل اختيار وملاءمة كل كروموسوم ، ثم وهذا هو الترتيب ، بعد. وسوف يكون أسوأ الامتثالوقيمة أفضل لياقة ن 2 ، والثاني أن يكون أسوأ في عدد ن من الكروموسومات في عدد السكان.


بعد ذلك ، سيكون على كل كروموسوم الحق في أن ينتخب. ومع ذلك ، هذا الأسلوب هو أبطأ من لا تظهر الكثير من التغيير لأن الكروموسومات أفضل من الآخرين.

1.3 المطرد للدولة الاختيار (الدولة ثابت)
ويسمى هذا أيضا من أساليب بديلة. هذه ليست طريقة للآباء لاختيار جزئية. والفكرة الرئيسية لهذا الخيار ، ينبغي أن الغالبية العظمى من الكروموسومات البقاء على قيد الحياة للجيل القادم.
ثم الجا يعمل على النحو التالي. لخلق جيل جديد كل الأطفال يتم تحديد عدد قليل جدا كروموسوم uygunluklu جيدة. ثم يتم التخلص من بعض أسوأ الكروموسومات ويتم وضع الطفل uygunluklu منخفض جديد في مكانها. بقية السكان لا يزالون على قيد الحياة في الجيل الجديد. قريبا جدا بعد إنشاء يتفق مع هذا الأسلوب ، يتم حساب الفرعي السكان أفضل الكروموسومات في عدد السكان من الكروموزومات في بداية أسوأ الأماكن للمغادرة.

1،4 النخبية
ويعرف هذا الأسلوب واستبدال. بالفعل Tanışılmıştı قبل فكرة النخبوية. الطفرة وخلق جيل جديد من çaprazlamalarla فرصة كبيرة لدينا لاختيار أفضل كروموسوم.
النخبوية في أفضل كروموسوم أو الكروموسومات من عدد قليل من أفضل طريقة لنسخ هو اسم من الجيل الجديد. الباقي يتم بالطريقة الكلاسيكية. النخبوية جدا بسرعة الجمعية العامة هو أفضل حل لتفقد لأنه يتجنب زيادة الأداء.
أيضا Musbaka و التناسب وهناك أيضا أساليب.

2. الانتقال (العبور)
الهدف الموقع الرئيسي كروموسوم (الأصل) عن طريق تغيير الجينات الطفل (الطفل) وبالتالي إنتاج الكروموسومات ذات القيمة العالية لياقة الكروموسومات الموجودة يتم الحصول على الكروموسومات مع قيمة أعلى للياقة البدنية. ما هو مهم هنا في مسألة التي يمكن الحصول عليها çaprazlamadan نقطة عبور على تأثير القيم اللياقة البدنية للأطفال من الكروموسومات. لا يمكن توقع أن تكون النتائج في أي وقت خلال هذه العملية. لذلك أنا التغيرات العشوائية نتيجة فإنه يحاول العثور على معايير محددة للتميز للذهاب إلى اليمين. التحقيق في تأثيرات الجينات على الكروموسوم وهيكل يمكن الحصول على بعض من أفضل الميزات الموجودة في الجينات الفردية مع هذه التدخلات. اللياقة البدنية قيمة من الكروموسومات التي يمكن الحصول عليها Çaprazlamadan الطفل قد لا يكون أعلى من الكروموسومات المضيفة السابقة.


وبالمثل ، الجا اختيار اثنين من أفراد الأصل وفقا لعملية الامتثال الصليب استخدامات جديدة للأفراد للحصول على خصائص جيدة. كروس تم اختيارها عشوائيا فرعية من المعلومات في اثنين من عملية الاستبدال المزدوج السلسلة. 1 في التفاصيل لالخاصة بك من موقف طول السلسلة إلى موقف مفقود استبدال جزء من واحدة من المعلومات المتبادلة بين الأفراد.
إذا شخصين يكون لها بعض الأثر في حل المشكلة من أجزاء مفيدة لهم معلومات nitelenebilecek جيدة أو مناسبة. كروس قد يكون الحل للمشكلة من خلال الجمع بين هذه المعلومات مفيدة توليد الأفراد جديدة أكثر فعالية.

وهناك طريقة تربية ، دعا انعكاس Çaprazlamadan آخر. من خلال تحديد طول هذا الكروموسوم بدلا من هولندا مع الكثير من الأفراد الذين يعبرون الاستخدام المقترح من حيث الأداء. انعكاس (انقلاب) من كروموسوم ، وتشكيل مجموعة من الجينات على التوالي مع بعضها البعض في دورات خاصة بهم عن طريق تغيير dizilmeleridir عكس ذلك. على سبيل المثال : 011110101 الصبغيات (مع افتراض أن كل الجينات في بت) 5 و8 011101011 tersindiğinde بين الكروموزومات من جينات الكروموسوم من الفائدة.
انعكاس للسكان هي أكثر عادة من طول الكروموسوم.

3. طفرة (الطفرة)
الهدف مبادلة واحدة أو أكثر من الجينات الموجودة في كروموسوم هو خلق كروموسوم جديدة. مرة أخرى ، ونتيجة لاستمرار انتاج جيل جديد من الكروموسومات بعد فترة معينة كل جيل يمكن أن تأتي من تكرار ونتيجة لذلك ، قد يتم تخفيض عدد أو وقف الإنتاج من الكروموزومات المختلفة. وهنا بعض من الكروموسومات سيتم تحور لزيادة التنوع جيل uğratılır الكروموسومات. الغرض الأول هو تحديد طفرة كما هو موضح في تغيير في عدد السكان. الطفرة السكانية هو مهم جدا. حتى أن الكثير من السكان هنا هو مجموعة فرعية صغيرة من كافة الحلول الممكنة التي قد تخفض من مجموع السكان من الكروموسومات وبت أولى هامة قد يكون صفرا. ومع ذلك ، قد يكون قليلا لعلاج هذه المشكلة وdüzeltemeyebilir عبوره. في هذه الحالة ، فإنه لا مفر من أن تحور إلى بت. 0.005/bit/generasyondur عادة المقترحة معدل الطفرات. ويأتي هذا الإجراء بعد çaprazlamadan. طفرة يحدد ما إذا كان أو لا لاختبار إمكانية. على سبيل المثال ، متوسط الامتثال مع الجيل الجديد جنيه استرليني إذا كان الجيل القديم ، والامتثال المتوسط ؛ X. كروموسوم Y. يمكن أن يسمى تغيير بت. هذه التغييرات الطفل الجديد على نحو عشوائي. تم اختيارها عشوائيا بت لترميز ثنائي 0s 1 0 1s القيام به.
الخوارزميات الجينية
ويكيبيديا الموسوعة الحرة

الجينية الخوارزمية في البحث الأمثل وآلة التعلم الطبعة 2


تحميل

http://go.rapiddigger.com/spn/1-Genetic-Algorithm-In-Search-Optimization-And-Machine-Learning-2nd-Edition/

السلام عليكم ورحمة الله وبركاته:
اخواني الاعزاء الذين اجابو حاجتي بارك الله فيكم وكثر الله من امثالكم .
اخواني الرابطين الذين ارسلو لي يطلبون من النقود لكي اسحب الكتاب اخواني الافاضل ارجو منكم ان تبعثو لي موقع او رابط لتحميل هذا الكتاب مجاني ولن انسى لكم هذا المعروف مادمت حيا.
"من يسر عن مكرب كربة من كرب الدنيا يسر الله له عسرة من عسر يوم القيامة"

اخي هذا الرابط يطلب النقود
ممكن رابط مجاني؟

اخي هذا الرابط يطلب النقود
ممكن رابط مجاني؟
عدا هذا :
http://nowdownloadall.com/join1.asp?PID=22b63779-a7a7-4f7e-a5e7-753801119c13&jstyle=2&lbd=1&ts=1/2/2011%206:10:53%20PM&q=genetic%20algorithm%20in%20search%20optimization%20and%20machine%20learning%202nd%20edition&cr=1

جزاك الله الف الف خير وابعد عنك كل مكروه