پایان نامه ها و مقالات

پایان نامه با کلید واژگان الگوریتم ژنتیک

ت برابر ۱۰۰ باشد، و تعداد متغیرهای تابع برازندگی برابر ۳ باشد، جمعیت با یک ماتریس ۳×۱۰۰ نشان داده می شوند. ممکن است در یک جمعیت ، یک فرد ثابت بیشتر از یکبار وجود داشته باشد. برای مثال، فرد (۱، ۳-، ۲) 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.
تنوع۹۳: 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 برازندگی۹۴ : 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 ۹۵: 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.
۳-۹-۲- نحوه عملکرد 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.
۳-۹-۳- روند انتخاب ویژگی های مؤثر با استفاده از الگوریتم ژنتیک و SFAM
در این روش انتخاب ویژگی شرایط، تابع برازندگی، افراد، نحوه انتخاب جمعیت نسل بعد، شرایط توقف الگوریتم ژنتیک و سایر مسائل جزئی مربوطه به تفصیل بیان شده اند.
الف) افراد: افراد تشکیل دهنده جمعیت ها در این روش بردارهای ۳۹ مولفه ای با مقادیر باینری می باشند. مولفه های ۰ یا ۱ در این بردارها در حقیقت ضرایب ۳۹ مولفه اساسی اول هر یک از مجموعه دادگان تصادفی معرفی شده در بخش ۳-۶ هستند. ضریب ۱ به معنی حضور و ضریب ۰ به معنی عدم حضور مولفه اساسی متناظر با اندیس ضریب در بردار می باشد.
ب) تابع برازندگی: افراد با برازندگی بالاتر، در صورت ضرب نظیر به نظیر در بردار مولفه های اساسی مجموعه داده تصادفی مربوطه، مولفه های اساسی موثرتر را حفظ کرده و بقیه را حذف می کنند. لذا آرگومان ورودی تابع برازندگی فرد یا بردار ۳۹ مولفه ای بوده و خروجی آن درصد صحت کلاسه بندی با علامت منفی می باشد. علامت منفی از آن جهت است که الگوریتم در حالت کلی، سعی در کمینه کردن تابع برازندگی دارد. در شبیه سازی های این بخش ، هر نسل الگوریتم شامل ۱۰۰ فرد می باشد.
ج) انتخاب: انتخاب افراد نسل بعد: ۵% از افراد نسل جاری که بیشترین برازندگی را دارند مستقیماً به نسل بعد می روند ۸۰% از افراد هر نسل فرزندان تقاطع و الباقی باجهش تولید شده اند. تابع مقیاس برازندگی،‌Rank در نظر گرفته شده است که نمرات خام هر فرد را بر اساس رتبه فرد و نه نمره او مقیاس می کند به این صورت که رتبه فردی با بهترین برازندگی ۱ است و فرد برتر بعد از او،‌ رتبه ۲ را خواهد داشت و به همین ترتیب.
د) تابع انتخاب: تابع انتخاب در این جا “Stochastic Uniform” در نظر گرفته شد. این تابع، خطی را در نظر گرفته که هر بخش آن به یک فرد مربوط است و هر بخش،‌متناسب با مقدار مقیاس شده، برای آن فرد می باشد. الگوریتم با گام های مساوی در طول خط پیش می رود و در هر گام،‌الگوریتم به بخشی که در آن قرار گرفته یک والد نسبت می دهد. گام اول به اندازه یک مقدار تصادفی یکنواخت از اندازه گام کمتر است.
ه) شرایط توقف الگوریتم: شرط توقف، با محدود کردن بیشینه تکرارهای ممکن الگوریتم به میزان ۱۰۰ نسل و همچنین عدم تغییر بهترین برازندگی در طول ۲۰ نسل ،در نظر گرفته شده است.
۳-۹-۴- نتایج شبیه سازیها (سری سوم آزمایشات):
آزمایشهای این بخش با استفاده از مجموعه های داده هایی شامل ۲، ۴ و ۶ نمونه برای آموزش از هر کلاس انجام گرفته است. از هر یک از این مجموعه ها، ۱۰ مجموعه تصادفی،‌چنانکه در ۳-۶ ذکر شده است،‌ایجاد شده و حاصل ۱۰۰ بار میانگین گیری در تابع برازندگی با علامت منفی، به عنوان مقدار برازندگی انتخاب شده است. به این شکل که یک بار در هر مجموعه کلی،‌ ۱۰۰ چینش مختل
ف از نمونه های آموزش انتخاب شده تا بتوان برای هر کدام از ۱۰ مجموعه تصادفی مربوط به آن، از یک مجموعه ۱۰۰ چیدمانی یکسان استفاده کرد.
نتایج شبیه سازیها برای مجموعه دادگان شامل ۲، ۴ و ۶ نمونه برای آموزش به ترتیب، در جداول ۳-۴، ۳-۵ و ۳-۶ نمایش داده شده است. درتمامی این آزمایش ها شبکه عصبی SFAM در مود آموزش تک تکراری می باشد.
جدول ۳-۴: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه عصبی SFAM به ازای داده هایی با ۲ نمونه برای آموزش
بعد فضای ویژگی
منتخب
درصد صحت کلاسه بندی
میانگین زمان آموزش
متوسط تعداد خوشه های ایجاد شده
پایگاه داده تصادفی
۱۷
۱۵/۸۹
۰۰۸/۰
۲۶
۱
۲۳
۹/۸۷
۰۰۶/۰
۲۲
۲
۱۷
۴۲/۹۰
۰۰۶۷/۰
۲۵
۳
۲۰
۸۶/۸۷
۰۰۶۸/۰
۷/۲۵
۴
۲۲
۰۴/۸۷
۰۰۶۱/۰
۷۵/۲۳
۵
۱۶
۵۴/۸۸
۰۰۶۹/۰
۲۶
۶
۱۴
۸۳/۸۳
۰۰۸۲/۰
۲۹
۷
۲۲
۳۴/۹۱
۰۰۵۶/۰
۲۴/۲۲
۸
۲۱
۶۵/۸۷
۰۰۵۶/۰
۱۶/۲۲
۹
۲۴
۶۸/۸۷
۰۰۶۸/۰
۸۸/۲۴
۱۰
۶/۱۹
۱۴/۸۸
۰۰۶۷/۰
۴/۲۴
میانگین

مطلب مشابه :  شرایط آب و هوایی

دیدگاهتان را بنویسید