الگوریتم ژنتیک به دلیل تقلید نمودن از طبیعت دارای چند اختلاف اساسی با روش های جستجوی مرسوم می باشد که در زیر به تعدادی از ان ها اشاره می کنیم .

 

الگوریتم ژنتیک با رشته های بیتی کار می کند که هر کدام از این رشته ها کل مجموعه متغیر ها را نشان میدهد ، حال انکه بیشتر روشها به طور مستقل با متغیر های ویژه بر خورد می کنند .

الگوریتم ژنتیک برای راهنمایی جهت جستجو ، انتخاب تصادفی انجام می دهد ، که به این ترتیب به اطلاعات مشتق نیاز ندارد .

در الگوریتم ژنتیک ، روش های جستجو بر اساس مکانیزم انتخاب و ژنتیک طبیعی ، عمل می نمایند . این الگوریتم ها مناسب ترین رشته ها را از میان اطلاعات تصادفی سازمان دهی شده انتخاب میکنند .

در هر نسل ، یک گروه جدید رشته ها با استفاده از بهترین قسمت های دنباله های قبلی و بخش جدید اتفاقی برای رسیدن به یک جواب مناسب به وجود می ایند .

با وجود اینکه الگوریتم ها تصادفی هستند ، ولی در زمره الگوریتم های تصادفی ساده نیستند . ان ها به طور کار امدی به اکتشاف اطلاعات گذشته در فضای جستجو می پردازند تا در یک نقطه جستجوی جدیدی با پاسخ های بهتر ، به سمت بهترین جواب پیش روند .

هنگام پیش امد سازی ) ( Randomizationالگوریتم های ژنتیک عمل پیش امد سازی ساده را نمی پیمایند بلکه ان ها داده های پیشین را با تفکر انتخاب جستجوی جدید برای رسیدن پیشرفت مورد نظر ، توام میکنند .

 

الگوریتم ژنتیک در هر تکرار چند نقطه از فضای جستجو را در نظر میگیرد بنابر این شانس اینکه به یک ماکزیمم محلی همگرا شود کاهش می یابد .

معرفی الگوریتم ژنتیکدر بیشتر روش های جستجوی مرسوم ) روش گرادیان ( ، قاعده تصمیم حاکم به این صورت عمل می کند که از یک نقطه به نقطه ی دیگر حرکت می کند . این روش ها متوانند در فضاهای جستجو دارای چند بیشینه ی خطر ناک باشند . زیرا ممکن است انها به یک مازیمم محلی همگرا شوند .

لیکن الگوریتم ژنتیک جمعیت های کاملی از رشته ها ) نقاط ( را تولید می کند سپس هر نقطه را به صورت انفرادی امتحان می کند و با ترکیب محتویات انها ، یک جمعیت جدید را که شامل نقاط بهبود یافته است ، تشکیل می دهد .

صرف نظر از انجام یک جستجو ، ملاحظه همزمان تعدادی نقطه در الگوریتم ژنتیک ان ها را با ماشین های موازی قابل تطبیق می سازد ، زیرا در اینجا تکامل هر نقطه یک فرایند مستقل است .

لذا الگوریتم ژنتیک فقط نیاز به اطلاعاتی در مورد کیفیت حل های ایجاد شده به وسیله هر مجموعه از متغیر ها دارد .

در صورتی که بعضی از روش های بهینه سازی نیاز به اطلاعات یا حتی نیاز به شناخت کامل از ساختمان مسئله و متغیر ها دارند . چون الگوریتم ژنتیک نیاز به چنین اطلاعات مشخصی از مسئله ندارد بنابراین قابل انعطاف تر از بیشتر روش های جستجو است .

همچنین الگوریتم ژنتیک از روشه های جستجوی نوعی ، که برای راهنمایی جهت روش های جستجویشان از انتخاب تصادفی استفاده می کنند ، متفاوت است ، زیرا اگر چه برای تعریف روش های تصمیم گیری از تصادف و شانس استفاده می کند ، ولی در فضای جستجو به صورت تصادفی قدم نمی زند .

 

نوشتن دیدگاه


 

آموزش های گام به گام

دومین دوره مسابقات برنامه نویسی دانش آموزی امیرکبیر

دومین دوره مسابقات برنامه نویسی دانش آموزی امیرکبیر

ادامه مطلب...

سمینار خانه های هوشمند برای دوران پیری

سمینار خانه های هوشمند برای دوران پیری

ادامه مطلب...

چهارمین کارگاه ارتباطات و نظریه اطلاعات برگزار می شود

چهارمین کارگاه ارتباطات و نظریه اطلاعات
چهارمین کارگاه ارتباطات و نظریه اطلاعات

ادامه مطلب...

سمینار خانه های هوشمند برای دوران پیری

سمینار خانه های هوشمند برای دوران پیری

ادامه مطلب...