انواع الگوریتم هاي ژنتیکی

الگوریتم هاي ژنتیک که نمونه اولیه آن توسط هالند در سال 1975 ارائه شد، تکامل طبیعی را در سطح ژن و کروموزوم شبیه سازي می کنند. عملکرد غالب در تولید نسل جدید، پیوند کروموزوم هاست، گرچه جهش در ژن ها نیز به عنوان یک عملکرد ثانوي به کار می رود.

انواع بسیاري برايGA شناخته شده است که در اینجا به تعدادي از آنها اشاره می کنیم :

-1 الگوریتم ژنتیک سري[1]

-2 الگوریتم ژنتیک موازي[2]

-3 الگوریتم ژنتیک آشفته [3]

-4 الگوریتم ژنتیک هیبرید [4]

-5 الگوریتم ژنتیک خودسازمان[5]

-6 الگوریتم ژنتیک زایشی [6]

-7 الگوریتم ژنتیک حالت دائمی [7]

1-1-1-1-1 الگوریتم ژنتیکی سري

الگوریتم ژنتیک سري همان الگوریتم ژنتیک معمولی است که در مقابل نوع موازي سري نام گرفته است.

تکامل یک پروسه بهینه  سازي مبتنی بر تغییرات تصادفی تدریجی نمونه هاي مختلف در یک جمعیت و انتخاب اَحسن آنهاست. با مدل سازي این پروسه می توان یک تکنیک بهینه سازي آماري را به دست آورد که امروزه در مسائل پیچیده مختلف و بخصوص مسائل طراحی، کارائی خود را نشان داده است. در الگوریتم ژنتیک به عنوان یکی از الگوریتم هاي تکاملی، اثر کدهاي ژنتیکی در ترکیب و انتقال اطلاعات و همچنین

فرآیند انتخاب طبیعی بر اساس سازگاري موجود با شرایط زیست محیطی مدلسازي است. در این الگوریتم نمونه هایی که در پروسه تکاملی قرار می گیرند، جوابهاي مختلف در فضاهاي جواب هستند  متناظر هر جواب (نقطه در فضاي جواب)، یک نمونه ژنتیکی (Genotype) به صورت یک رشته از کاراکترها (ژن ها)، نسبت داده می شود.

الگوریتم ژنتیک در هر تکرار محاسباتی (نسل)روي جمعیتی از رشته ها عمل می کند.

تغییرات تصادفی روي مجموعه نمونه ها، از طریق اعمال مدلهاي ایدهآل فرآیندهاي ژنتیکی روي رشته ها انجام می شود، اما انتخاب طبیعی براساس نمود رفتاري (Phenotype)  هر رشته انجام می شود. بدین مفهوم که رشته ها رمزگشایی می شوند و جوابهاي مختلف از نظر عملکرد بر اساس تابع هدف ارزیابی شده و انتخاب، بر مبناي این ارزیابی و تصادف انجام می شود.

 1-1-1-1-2- الگوریتم ژنتیکی موازي

تا کنون دو مدل اصلی در الگوریتم ژنتیک موازي مطرح گشته است:

مدل جزیرهاي [8]

مدل همسایگی [9]

در مدل جزیره اي چندین زیرجمعیت مجزّا مطابق با الگوریتم ژنتیک معمولی تکامل می یابد و هر از چند گاهی زیر جمعیت هاي همسایه، بهترین کروموزوم یکدیگر را معاوضه می کنند.

در مدل همسایگی یک مدل منفرد تکامل می یابد. هر کروموزوم این جمعیت در یک سلول از یک شبکه مشبک قرار دارد و الگوریتم ژنتیک سري، به صورت مجزا به هر سلول و همسایگانش که بر حسب شعاع همسایگی مشخص می شوند، اعمال می گردد. شبکه به صورت تروید[10] در نظر گرفته می شود تا از اثرات

مرزي اجتناب گرد.

مقایسه اي بین رفتار این الگوریتم با الگوریتم هاي معمولی نشان می دهد که مدل همسایگی به خاطر مکانیزیم انتخاب محلی که از فشار انتخاب می کاهد، کاوش دقیق تري را در فضاي جستجو فراهم می سازد. از این جهت در مسائل ساده تر بدون بهبودي در عملکرد روش، تنها بار محاسباتی اضافی تر تحمل می گردد. ولی مسائل مشکل تر از این طریقه جستجو سود خواهد برد.

شعاع همسایگی مناسب نیز به مسأله مورد حل بستگی دارد و حتی همسایگی هاي کوچک به شعاع یک یا دو، انتخابی مقاوم و اطمینان از رفتاري خوب را فراهم می سازند.

مطالعۀ دیگر انواع GA به خوانندة محترم واگذار می شود که با مراجعه به منبع [ 1 ] می تواند اطلاعات