پایان نامه با کلید واژگان الگوریتم ژنتیک

ت برابر 100 باشد، و تعداد متغیرهای تابع برازندگی برابر 3 باشد، جمعیت با یک ماتریس 3×100 نشان داده می شوند. ممکن است در یک جمعیت ، یک فرد ثابت بیشتر از یکبار وجود داشته باشد. برای مثال، فرد (1، 3-، 2) ممکن است در چند سطر از ماتریس وجود داشته باشد.
در هر مرحله، الگوریتم ژنتیک تعدادی محاسبات بر روی جمعیت کنونی انجام می دهد تا جمعیت جدیدی را به وجود آورد. هر جمعیت متوالی ، یک نسل جدید نامیده می شود.
تنوع93: تنوع یا پخشی به میانگین فاصله بین افراد هر جمعیت گفته می شود. اگر میانگین فاصله بزرگ باشد ، جمعیت دارای پخشی زیادی است.
تنوع در الگوریتم ژنتیک بسیار حائز اهمیت است زیرا به الگوریتم اجازه می دهد که محدوده بزرگتری از فضا را جستجو کند.
مقادیر برازندگی و مقادیر بهترین برازندگی94 : مقدار برازندگی یک فرد، مقدار تابع برازندگی برای آن فرد است. از آنجایی که الگوریتم ، کمترین مقدار تابع برازندگی را پیدا می کند، بهترین مقدار تابع برای یک جمعیت ، کوچکترین مقدار تابع برای هر فرد درآن جمعیت است.
والدین و فرزندان 95: برای تولید نسل بعدی ، الگوریتم ژنتیک افراد مشخصی را از نسل کنونی انتخاب می کند که به این افراد والدین گفته می شود و از آنها برای تولید نسل آینده استفاده می شود. نسل بعدی فرزندان خوانده می شوند. معمولا الگوریتم ژنتیک والدینی را انتخاب می کند که مقادیر برازندگی کمتری داشته باشند.
3-9-2- نحوه عملكرد الگوریتم ژنتیک:
در اینجا به طور خلاصه توضیح داده شده است که الگوریتم ژنتیک چگونه کار می کند:
• الگوریتم با تولید یک جمعیت اولیه تصادفی شروع می شود.
• سپس الگوریتم، رشته ای از جمعیت های جدید را به وجود می آورد. درهر مرحله ، الگوریتم از افراد نسل کنونی استفاده می کند تا جمعیت بعدی را بسازد. برای تولید جمعیت جدید، الگوریتم مرحل زیر را انجام می دهد:
الف- با محاسبه مقدار برازندگی، به هر عضو جمعیت کنونی نمره می دهد.
ب- نمرات خام تابع را تغییر مقیاس می دهد (نرمالیزه می کند( تا در محدوده ای قابل استفاده تر قرار بگیرند.
پ- والدین را بر اساس مقدار برازندگی آنها انتخاب می کند.
ت-تعدادی از افراد جامعه کنونی که برازندگی کمتر دارند، به عنوان نخبه انتخاب می شوند و مستقیما به نسل بعد منتقل می شوند.
ث-از روی والدین فرزندان را تولید می کند. فرزندان یا به صورت جهش ( انجام تغییرات تصادفی روی تنها یک والد) ، یا به صورت تقاطع ( ترکیب دو بردار ورودی به صورت یک جفت والد) تولید می شوند.
ج-جمعیت کنونی را با فرزندان جایگزین می کند تا نسل بعد را تولید کند.
• هنگامی که یکی از معیارهای توقف به وقوع بپیوندد، الگوریتم متوقف می شود.
3-9-3- روند انتخاب ويژگي هاي مؤثر با استفاده از الگوريتم ژنتيك و SFAM
در اين روش انتخاب ويژگي شرايط، تابع برازندگي، افراد، نحوه انتخاب جمعيت نسل بعد، شرايط توقف الگوريتم ژنتيك و ساير مسائل جزئي مربوطه به تفصيل بيان شده اند.
الف) افراد: افراد تشكيل دهنده جمعيت ها در اين روش بردارهاي 39 مولفه اي با مقادير باينري مي باشند. مولفه هاي 0 يا 1 در اين بردارها در حقيقت ضرايب 39 مولفه اساسي اول هر يك از مجموعه دادگان تصادفي معرفي شده در بخش 3-6 هستند. ضريب 1 به معني حضور و ضريب 0 به معني عدم حضور مولفه اساسي متناظر با انديس ضريب در بردار مي باشد.
ب) تابع برازندگي: افراد با برازندگي بالاتر، در صورت ضرب نظیر به نظیر در بردار مولفه هاي اساسي مجموعه داده تصادفي مربوطه، مولفه هاي اساسي موثرتر را حفظ كرده و بقيه را حذف مي كنند. لذا آرگومان ورودي تابع برازندگي فرد يا بردار 39 مولفه اي بوده و خروجي آن درصد صحت كلاسه بندي با علامت منفي مي باشد. علامت منفي از آن جهت است كه الگوريتم در حالت كلي، سعي در كمينه كردن تابع برازندگي دارد. در شبيه سازي هاي اين بخش ، هر نسل الگوريتم شامل 100 فرد مي باشد.
ج) انتخاب: انتخاب افراد نسل بعد: 5% از افراد نسل جاري كه بيشترين برازندگي را دارند مستقيماً به نسل بعد مي روند 80% از افراد هر نسل فرزندان تقاطع و الباقي باجهش توليد شده اند. تابع مقياس برازندگي،‌Rank در نظر گرفته شده است كه نمرات خام هر فرد را بر اساس رتبه فرد و نه نمره او مقياس مي كند به اين صورت كه رتبه فردي با بهترين برازندگي 1 است و فرد برتر بعد از او،‌ رتبه 2 را خواهد داشت و به همين ترتيب.
د) تابع انتخاب: تابع انتخاب در اين جا “Stochastic Uniform” در نظر گرفته شد. اين تابع، خطي را در نظر گرفته كه هر بخش آن به يك فرد مربوط است و هر بخش،‌متناسب با مقدار مقياس شده، براي آن فرد مي باشد. الگوريتم با گام هاي مساوي در طول خط پيش مي رود و در هر گام،‌الگوريتم به بخشي كه در آن قرار گرفته يك والد نسبت مي دهد. گام اول به اندازه يك مقدار تصادفي يكنواخت از اندازه گام كمتر است.
ه) شرايط توقف الگوريتم: شرط توقف، با محدود كردن بيشينه تكرارهاي ممکن الگوريتم به ميزان 100 نسل و همچنين عدم تغيير بهترين برازندگي در طول 20 نسل ،در نظر گرفته شده است.
3-9-4- نتايج شبيه سازيها (سري سوم آزمايشات):
آزمايشهاي اين بخش با استفاده از مجموعه هاي داده هايي شامل 2، 4 و 6 نمونه براي آموزش از هر كلاس انجام گرفته است. از هر يك از اين مجموعه ها، 10 مجموعه تصادفي،‌چنانكه در 3-6 ذكر شده است،‌ايجاد شده و حاصل 100 بار ميانگين گيري در تابع برازندگي با علامت منفي، به عنوان مقدار برازندگي انتخاب شده است. به اين شكل كه يك بار در هر مجموعه كلي،‌ 100 چينش مختل
ف از نمونه هاي آموزش انتخاب شده تا بتوان براي هر كدام از 10 مجموعه تصادفي مربوط به آن، از يك مجموعه 100 چيدماني يكسان استفاده كرد.
نتايج شبيه سازيها براي مجموعه دادگان شامل 2، 4 و 6 نمونه براي آموزش به ترتيب، در جداول 3-4، 3-5 و 3-6 نمايش داده شده است. درتمامي اين آزمايش ها شبكه عصبي SFAM در مود آموزش تك تكراري مي باشد.
جدول 3-4: نتايج حاصله از انتخاب ويژگي هاي موثر با استفاده از الگوريتم ژنتيك و شبكه عصبي SFAM به ازاي داده هايي با 2 نمونه براي آموزش
بعد فضاي ويژگي
منتخب
درصد صحت كلاسه بندي
ميانگين زمان آموزش
متوسط تعداد خوشه هاي ايجاد شده
پايگاه داده تصادفي
17
15/89
008/0
26
1
23
9/87
006/0
22
2
17
42/90
0067/0
25
3
20
86/87
0068/0
7/25
4
22
04/87
0061/0
75/23
5
16
54/88
0069/0
26
6
14
83/83
0082/0
29
7
22
34/91
0056/0
24/22
8
21
65/87
0056/0
16/22
9
24
68/87
0068/0
88/24
10
6/19
14/88
0067/0
4/24
ميانگين

دیدگاهتان را بنویسید