کاربر:FundamentalGeneticAlgorithm

مفاهیم بنیادین در علم ژنتیک

به طور کلی الگوریتم ژنتیک از یک سری مفاهیم پایه و کلی تشکیل شده است که عبارتند از :

• phenotype
• genotype
• gene
• chromosome
• population
• crossover
• mutation
• selection method
• fitness function

که هر کدام از این مفاهیم توضیح داده می شود.

phenotype

این پارامتر در بیولوژی و در زیست شناسی، ساختار کلی اعضای موجود زنده را مشخص می کند.به عنوان مثال می توان به هر کدام از اعضای بدن انسان اشاره کرد.

genotype

این پارامتر در علم زیست شناسی، به صورت تفکیکی و جدااز هم ژن ها را نشان می دهد. به عنوان مثال موجود زنده ای ژن های مخصوص به خصوصت های رفتاری خاصی را در خود دارد ولی آیا همه آن رفتارها را به ارث می برد؟ قطعااینگونه نیست. در علوم کامپیوتر هم به همین گونه می باشد.

gene

ژن در واقع کوچکترین ساختاری که تشکیل دهنده موجود زنده است.ژن در علوم کامپیوتر معادل صفر و یک اعداد باینری است.

chromosome

به مجموعه ای از ژن ها کروموزوم گفته می شود. کروموزوم را در علوم کامپیوتر معادل رشته ای از اعداد باینری می توان به حساب آورد.

population

در علم ژنتیک، جمعیتی که نمونه گیری از آن صورت می گیرد را نشان می دهد. در علوم کامپیوتر جمعیت را می توان معادل رشته های باینری که مورد بررسی قرار می گیرد در نظر گرفت.

crossover

دو پارامترمهم عبارتند از پارامترهای crossover و mutation.پارامتر crossover انواع مختلفی دارد.یکی از مهمترین آنها one point crossover نام دارد.به این معنی که برای هر کروموزومی که به عنوان parent ایجاد شده است یک برش به صورت تصادفی ایجاد می گرددو فرزند جدید شامل قسمت ابتدایی کروموزوم از parent اول و قسمت انتهایی از parent دوم را در بر می گیرد. نوع دیگری از crossover را می توان uniform crossover را نام برد. به این معنی که فرزندی که ایجاد می شود به صورت کاملأ تصادفی یا از کروموزوم های parent اول و یا از کروموزوم های parent دوم ایجاد می شود.

mutation

جهشی که به صورت تصادفی ایجاد شد و در نتیجه فرزند جدید به وجود می آید. مثلأ در علوم کامپیوتر ممکن است یک رقم صفر یا یک رقم یک باینری جابجا شود.

selection method

متدی است که برای اینکه تابع شایستگی انجام شود، مورد استفاده قرار می گیرد. به عنوان مثال اگر از روش Tournament استفاده شود به این معنی است که پس از چند بار مسابقه، آن کروموزوم هایی که مقدار تابع شایستگی بیشتری دارند، به عنوان فرزند برای نسل بعدی انتخاب می شود. به عنوان مثال در علوم کامپیوتر، اگر چندین بار رشته های اعداد باینری به صورت جدا از هم به عنوان چندین parents ایجاد شده با شند، یک معیار سنجش بهینگی برای انتخاب بعدی برای هر یک از رشته های ایجاد شده وجود دارد به نام تابع شایستگی. هر کدام از رشته های ایجادشده که مقدار این تابع مقدار بیشتری داشته باشد، برای نسل بعدی انتخاب می شود.

fitness function

بر پایه متد انتخابی، مقدار آن معین می شود.

بررسی موردی در یک مساله زمان بندی

اگر بخواهیم در یک مساله زمان بندی بر پایه و مبنای الگوریتم ژنتیک بحث کنیم شاید بهتر باشد که ابتدا یک تعریف کوتاهی از زمان بندی داشته باشیم. زمان بندی به طور خلاصه تخصیص دادن کارها به ماشین ها به گونه ای که هرکدام از ماشین ها در هر واحد زمانی کاری را انجام داده و کار تکراری نداشته باشیم و از تمام ماشین ها حداکثر استفاده به عمل آید.

معادل پارامترهای الگوریتم ژنتیک را در یک مساله زمان بندی به این صورت تعریف کرد:

• phenotype

معادل خود مساله زمان بندی است.

• genotype

معادل رفتاری است که از کار مورد نظر انتظار می رود.

• gene

هر کدام از صفر و یک ها به معنی کارهای کوچک هستند.

• chromosome

مجموعه یا رشته ای از صفر و یک ها یک کار بزرگ را تشکیل می دهند. اگر کارهای کوچک انجام نشود به این معنی است که هر کدام از صفر ویک ها انجام نشده و انجام شدن کار بزرگ امکان پذیر نیست. به نوعی انجام شدن کار بزرگ به انجام شدن کارهای کوچک وابسته است.

• population

در یک مساله زمان بندی جمعیت را می توان معادل تمام کارهای بزرگ که باید انجام شود در نظر گرفت.

• crossover

برشی است که بر روی رشته ای از کارها ایجاد می شودو باعث می شود زمان بندی خاصی به وجود آید.

• mutation

جهشی است که بر روی رشته ای از کارها ایجاد می شود یعنی وقتی گفته می شود به جای یک کار، کار دیگری انجام شود خود آن باعث ایجاد زمان بندی جدیدی می شود.

• selection-method

متدی است که در اولویت بندی کارها به ماشین مورد نظر در نظر گرفته می شود.

• fitness-function

معیاری است که برای اولویت کارها در نظر گرفته می شود.