منوی محصولات
منوی محصولات

آموزش الگوریتم ژنتیک در متلب (Matlab)

آموزش الگوریتم ژنتیک در متلب (Matlab)
برند مهندسی یار
تعداد دی وی دی 1
گارانتی شرکت مهندس یار
این کالا در حال حاضر موجود نمیباشد.

در این قسمت قصد داریم آموزش مربوط به یکی از تخصصی ترین مباحث نرم افزار متلب یعنی الگوریتم ژنتیک را معرفی نماییم. همانطور که می دانید، الگوریتم ژنتیک یکی از روش های بسیار پیشرفته در زمینه بهینه سازی مسائل مهندسی بوده و از  این روش در بسیاری از مسائل پیچیده که به روش عادی قابل حل نیستند استفاده می گردد. در مجموعه آموزشی که ملاحظه می فرمایید نحوه استفاده از روش الگوریتم ژنتیک در نرم افزار Matlab به صورت تفصیلی و در قالب مثال و پروژه آموزش داده شده است. این آموزش محصولی از شرکت نرم افزاری مهندس یار بوده و تالیف این مجموعه را سرکار خانم نازیلا امامدوست (کارشناسی ارشد پژوهشگاه مواد و انرژی) بر عهده داشته اند. مدت زمان آموزش نیز 4 ساعت می باشد. در ادامه می توانید توضیحات بیشتری را در مورد سرفصل های این مجموعه آموزشی و همچنین این روش بهینه سازی ملاحظه فرمایید:

عناوین مباحث این مجموعه آموزشی نیز عبارتند از:

آشنایی با مدل های تکاملی یا Evolutionary Algorithms، تئوری Lamarck، تئوری Baldwin ، آشنایی با الگوریتم ژنتیک و کاربردهای آن، تابع fitness، انتخاب فرضیه ها، اپراتور Crossover ، اپراتور mutation  ، پدیده crowding ، حل کننده GA، شروع به کار در نرم افزار متلب، تابع برازندگی، انتخابگر های ترکیبی، مفهوم غلبه (dominance)، انتخاب بر اساس مفهوم پارتو، مثال ها و پروژه های انجام شده توسط الگوریتم ژنتیک در Matlab. تصاویری از محیط این برنامه آموزشی:

 آموزش الگوریتم ژنتیک در متلب (Matlab)
 آموزش الگوریتم ژنتیک در متلب (Matlab)
 آموزش الگوریتم ژنتیک در متلب (Matlab)

Lamarck دانشمند قرن نوزدهم فرضیه ای ارائه کرده که طبق آن تجربیات یک موجود زنده، در ترکیب ژنتیکی فرزندان آن تاثیر میگذارد. برای مثال موجودی که یاد گرفته از غذای سمی پرهیز کند این ویژگی را بصورت ژنتیکی به فرزندان خود منتقل  مینماید تا آنها دیگر مجبور به یادگیری این پدیده نباشند. اما شواهد تجربی این نظر را تائید نمی کنند. یعنی تجربیات فردی هیچ تاثیری در ترکیب ژنتیکی فرزندان ندارد.

نظریه دیگری وجود دارد که تاثیر یادگیری را بر تکامل توضیح می دهد. این نظریه که اثر Baldwin نامیده می شود بر مبنای  مشاهدات زیر استوار است: اگر موجودی  از طرف محیط متغیری تحت فشار قرار گرفته باشد، افرادی که توانایی یادگیری نحوه برخورد با شرایط را داشته باشند شانس بیشتری برای بقا دارند. موجوداتی که تحت شرایط جدید باقی می مانند جمعیتی با توانائی یادگیری را تشکیل می دهند که فرایندهای تکاملی در آنها سریعتر رخ می دهد و باعث میشود تا نسلی بوجود بیاید که نیازی به یادگیری مواجهه با شرایط جدید را نداشته باشند.

قانون GA، قانون انتخاب طبیعت بر مبنای قانون بهترین ها است. روش های EA  به دو نوع مرتبط به هم ولی مجزا دسته بندی میشوند:

.Genetic Algorithms 

در این روش  راه حل یک مسئله بصورت  یک bit string نشان داده می شود.

.Genetic Programming

این روش به تولید expression trees که در زبانهای برنامه نویسی مثل lisp  مورد استفاده هستند می پردازد بدین ترتیب می توان برنامه هائی ساخت که قابل اجرا باشند.

در مورد این روش می توان به نکات زیر اشاره کرد:

  • برای مسائل پیچیده یا مسائلی که دارای فضای سرچ بسیار بزرگی هستند کاربرد زیادی دارد.
  • برای بهینه سازی گسسته کاربرد بسیار زیادی دارد.
  • روش کارآمدی در  optimization و  Machine learning است.
  • هدف بهینه سازی طراحی در  GA ،یافتن جواب یا جواب هایی بر روی یک مجموعه از گزینه های ممکن با رعایت قیود مسئله با هدف بهینه کردن معیارهای مساله است.
  • هدف بهینه سازی در یادگیری ماشین، تخمین توابع غیر صریحی از فرضیه هاست.
  • روش جستجوی GA با روشهای دیگر مثل شبکه های عصبی تفاوت دارد.
  • در شبکه عصبی روش Gradient descent بصورت  هموار از فرضیه ای به فرضیه  مشابه دیگری حرکت میکند در حالیکه GA  ممکن است بصورت ناگهانی فرضیه والد را با فرزندی جایگزین نماید که تفاوت اساسی با والد آن داشته باشد. از اینرو احتمال گیر افتادن GA در مینیمم محلی کاهش می یابد.
  • چون در هر بار تولید نسل، جمعیت بصورت تصادفی انتخاب می شوند تضمینی وجود ندارد که به جواب بهینه برسد اما لزوما به جواب هایی با تناسب بالا می رسد.
  • از مزایای  GA این است که چون مستقیما با تابع هدف سروکار دارد نیازی به داشتن معادله دقیق نیست (مناسب برای داده هایی که براحتی می توان با  curve fitting به معادله تقریبی از رفتار داده ها رسید).

روش متداول پیاده سازی الگوریتم ژنتیک بدین ترتیب است که:

  • مجموعه ای از فرضیه ها که population  نامیده میشود تولید وبطور متناوب با فرضیه های جدیدی جایگزین میگردد.
  • در هر بار تکرارتمامی فرضیه ها با استفاده از یک تابع تناسب یا Fitness مورد ارزیابی قرار داده میشوند. آنگاه تعدادی از بهترین فرضیه ها با استفاده از یک تابع احتمال انتخاب شده و جمعیت جدید را تشکیل میدهند.
  • تعدادی از این فرضیه های انتخاب شده به همان صورت مورد استفاده واقع شده و مابقی با استفاده از اپراتورهای ژنتیکی نظیر Crossover و Mutation برای تولید فرزندان بکار میروند.
برند مهندسی یار
طبقه بندی
قیمت ۱۸,۰۰۰ تومان
قیمت فروش ۱۶,۲۰۰ تومان
مخاطبین مهندسین برق
تعداد دی وی دی 1
گارانتی شرکت مهندس یار
مدرس خانم نازیلا امامدوست

شما میتوانید نظر خود را در مورد این مطلب بیان کنید.

ایمیل شما منتشر نخواهد شد.
حروف بزرگ و کوچک یکسان است.