صفحه قبلی

پیاده سازی موثر

در این بخش، چند نکته را که می تواند به کار طراح GA در کار خود کمک کنند، بیان می کنیم.

معرفی دانش دامنه خاص مساله

مشاهده شده است که هر چقدر بیشتر دانش دامنه خاص مساله را بهتر در GA قرار دهیم؛ مقادیر هدف بهتری بدست خواهد آمد. این کار می تواند با استفاده از عملگرهای برش یا جهش و یا نحوه نمایش راه حل خاص مساله انجام شود.

کاهش ازدحام

ازدحام زمانی اتفاق می افتد که یک کروموزوم با مقدار تناسب بالا، در طی چند نسل، فرزندانی مناسب و مشابه زیادی در کل جمعیت تولید کند. این موضوع تنوع را کاهش می دهد که یک عنصر بسیار مهم برای اطمینان از موفقیت GA است. راه های متعدد برای محدود کردن ازدحام وجود دارد. برخی از آنها عبارتند از:

  • استفاده از جهش برای ایجاد تنوع
  • استفاده از سیاستهای انتخاب مبتنی بر رتبه و رقابتی بجای انتخاب بر اساس میزان تناسب که فشار بیشتری را بر روی راه حل های با تناسب یکسان اعمال می کند.
  • به اشتراک گذاری مقدار تناسب – در این روش مقدار تناسب راه حلی که قبلا در جمعیت مشابه آن وجود داشته کاهش می یابد.

استفاده از راه حل های تصادفی

به تجربه ثابت شده است که بهترین راه حل ها توسط کروموزوم های تصادفی که تنوع را به جمعیت می بخشند، بدست می آیند. طراح GA باید مراقب باشد که برای به دست آوردن بهترین نتایج، میزان تصادف و تنوع را در جمعیت حفظ کند.

ترکیب GA با جستجوی محلی

جستجوی محلی به بررسی راه حل ها در مجاورت یک راه حل معین برای ارزیابی اهداف بهتر می پردازد. گاهی اوقات مفید است که GA را با جستجوی محلی ترکیب کنید. تصویر زیر مکان های مختلفی را نشان می دهد که در آن یک جستجوی محلی را می توان در یک GA ترکیب کرد.

تغییر پارامترها و تکنیک ها

در الگوریتم های ژنتیک، یک فرمول جادویی که برای تمام مسائل کار کند، وجود ندارد. حتی پس ازآماده شدن GA اولیه، زمان و تلاش زیادی برای تنظیم پارامترهایی مانند اندازه جمعیت، نرخ برش و جهش و غیره برای یک مساله خاص لازم است.

صفحه قبلی

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *