برخی از کاربردهای عمده الگوریتم های ژنتیک و روشهای محاسبات تکاملی

الگوریتم های ژنتیک که بر پایه تکامل زیستی می باشند، روش های جست‌ و‌ جویی هستند که در علوم کامپیوتر به کار می روند. در این پست، به بررسی کاربردهای الگوریتم ژنتیک و استفاده از آن در زمینه‌های مختلف می پردازیم. این مقاله نسخه ویرایش شده ترجمه مقاله کوتاهی است که توسط خانم شهربانو مهدینژاد، دانشجوی مدیریت دانشگاه تگزاس اِی اَند اِم، تهیه شده و جهت استفاده دوستان دانشجو، در اختیار وبسایت محاسبات تکاملی قرار داده شده است. همانگونه که در پست زیر توضیح داده شده است، کاربردهای مطرح شده، با اینکه در مورد الگوریتم ژنتیک هستند. اما همین کاربردها را عیناً می توان در مورد الگوریتم های مشابه دیگر همچون الگوریتم انبوه ذرات، الگوریتم کلونی مورچگان و الگوریتم رقابت استعماری بیان کرد. جهت کسب اطلاعات بیشتر، این پست (نحوه تعریف یک مسئله مناسب بهینه سازی برای حل با الگوریتم رقابت استعماری) را ببینید.

 جهت روشن شدن بیشتر موضوع در مقابل هر کاربرد، تا ممکن سعی شده است که یک مقاله علمی معتبر نیز ارجاع داده شود. غالب این مقالات از بخش  پایان نامه ها و مقالات سایت قابل دانلود هستند.
الگوریتم های ژنتیک چه هستند؟
الگوریتم های ژنتیک گروهی از روش های جست و جو در علوم کامپیوتر هستند که در سال 1970 توسعه یافته‌اند. این الگوریتم ها، نتایج مناسبی برای مسائل بهینه سازی و جست و جو فراهم می آورد و از آنجایی که این این نوع از الگوریتم ها، بر پایه تکامل زیستی هستند، روش های به کار گرفته در آنها، تقلیدی از مفاهیم ارثی، جهش و انتخاب می باشند.به زبان ساده الگوریتم ژنتیک، جمعیتی از نتیجه ها را برای مسئله ایجاد می کند. سپس بهترین نتیجه ها انتخاب می گردند. این نتیجه ها دوباره تولید می شوند که محیط جدید دیگری از نتیجه ها را در موقعیت متفاوتی از محیط قبلی ایجاد می کنند. این فرایند زمانی تمام می شود که نتایج به دست آمده با معیارهای خاص منطبق باشد.

کاربردهای اگوریتم ژنتیک
الگوریتم های ژنتیک، اغلب در بهینه سازی فرایندهای مشخص یا به منظور یافتن نتایج برای مسایلی که شرایط خاصی را ارضا می کنند، استفاده می شوند. زمینه هایی که الگوریتم ژنتیک در آنها به کار می رود متفاوت می باشند:

تحقیقات زیستی: الگوریتم های ژنتیک در جنبه های مختلف تحقیقات زیستی از بررسی حالات ژن در باکتری تا بررسی سیستمی پروتئین استفاده می شود.

بهینه سازی فرایند صنعتی: با استفاده از الگوریم ژنتیک فرایندهای صنعتی بهینه می شوند. در طی این روند، سوددهی سیستم افزایش می یابد و امکان هزینه های نیروی انسانی و انرژی به وجود می آید. این نوع کاربرد از الگوریتم های ژنتیک، از طراحی سیستم شبکه قدرت تا طراحی موثر توربین ها قابل مشاهده است. به عنوان یک مثال عملی و علمی از کاربرد الگوریتم های مختلف در حوزه محاسبات تکاملی در این زمینه پیشنهاد می شود به مقالات زیر توجه کنید. این مقالات کاربردهایی از الگوریتم رقابت استعماری در این زمینه هستند. این مقالات را می توانید از بخش مقالات سایت دانلود کنید.

  • Mochamad Avid Fassamsi, Muhammad Abdillah, A. M. Benie Zakariya I, Rio Indralaksono, Imam Robandi (ITS), “Solving Load Dispatch Problem Considering Network Losses Using Imperialist Competitive Algorithm (ICA)“, The 5th International Student Conference on Advanced Science and Technology
  • A Method Based on Imperialist Competitive Algorithm, Aiming to Mitigate Harmonics in Multilevel Inverters“, The Second Annual Power Electronics, Drive Systems & Technologies Conference (PEDSTC), February 16-17, 2011, Tehran, Iran
  • Mohammad Ahmadi Movahed, Amir Mehdi Yazdani, “Application of Imperialist Competitive Algorithm in Online PI Controller“, 2011 Second International Conference on Intelligent Systems, Modelling and Simulation
  • Ms. M.S. Pavithra, Prof.  A. Marimuthu, “Economic Power Dispatch Solution using Imperialist Competitive Algorithm (ICA)“, National Conference on Emerging Technologies in Electrical and Electronics Systems. New Delhi, India
  • Caro Lucas, Zahra Nasiri-Gheidari, Farid Tootoonchian, “Application of an imperialist competitive algorithm to the design of a linear induction motor“, Energy Conversion and Management, Elsevier, pp 1407–1411
  • Esmaeil Atashpaz Gargari, Farzad Hashemzadeh, Ramin Rajabioun, Caro Lucas, “Colonial Competitive Algorithm: A Novel Approach for PID Controller Design in MIMO Distillation Column Process“, International Journal of Intelligent Computing and Cybernetics (IJICC), Vol. 1 No. 3, 2008, pp. 337-355

بازی های کامپیوتری: الگوریتم های ژنتیک در بازی های کامپیوتری کاربردهای متنوعی دارند. این کاربردها از توسعه شخصیت های بازی تا شناسایی بهترین استراتژی جهت برد ادامه دارند.

اقتصاد: کاربرد دیگر الگوریتم های ژنتیک در اقتصاد می باشد. مثلاً در توسعه استراتژی های بهینه حراجی و قیمت گذاری و نیز ایجاد مدل برای بازار های اقتصادی از الگوریتم های ژنتیک به وفور استفاده می شود. در این مورد نیز چند کاربرد و مقاله منتشر شده علمی در مورد استفاده از الگوریتم رقابت استعماری در این زمینه را لیست کرده ایم.

  • Ramin Rajabioun, Esmaeil Atashpaz-Gargari, Caro Lucas, “Colonial Competitive Algorithm as a Tool for Nash Equilibrium Point Achievement“, Springer LNCS
  • Narjes Pourjafarian, Ali Akbar Safavi, “APPLICATION OF IMPERIALIST COMPETITIVE ALGORITHM IN E-COMMERCE NEGOTIATION“,
روباتیک: کاربرد دیگر الگوریتم های ژنتیک، در طراحی ربات می باشد. مثلاً از این الگوریتمها برای طراحی بهینه ربات برای محیط های مشخص استفاده می شود. به عنوان مثالی دیگر، از این الگوریتم ها، در یادگیری، طبقه بندی و پیش بینی وظایف و عمل مناسب بر طبق آن استفاده می شود. اگر می خواهید، چند کاربرد علمی این حوزه را ببینید، به چند مورد از مقالات زیر مراجعه نمایید.

  • Mojdeh Akhtari, Karim Faez, “The Application of a CICA Neural Network on Farsi License Plates Recognition, Hybrid Intelligent Systems (HIS)“, 2010 10th International Conference on
  • Samaneh Karami, Shahriar Baradaran Shokouhi and Mehdi Mokhtarzade, “Application of Imperialist Competitive Algorithm for Automated Classification of Remote Sensing Images“, 2011 IACSIT DUBAI CONFERENCES SCHEDULE
  • Ali Tamimi, Houman Sadjadian, Hesam Omranpour, “Mobile Robot Global Localization using Imperialist Competitive Algorithm“, 3rd International Conference on Advanced Computer Theory and Engineering (ICACTE), 2010
  • S. Khailaie, P. Bahmanyar, and Caro Lucas, “Decision making strategy in the designing of a fuzzy controller for inverted pendulum-cart system“,  Fuzzy Systems (FUZZ), 2010 IEEE International Conference on

 مراجع:
جهت کسب اطلاعات بیشتر مب توانید به مراجع زیر مراجعه کنید.

  • Hill T, Lundgren A, Fredriksson R, Schiöth HB (2005). “Genetic algorithm for large-scale maximum parsimony phylogenetic analysis of proteins”. Biochimica et Biophysica Acta 1725 (1): 19–29.
  • Lucas, S., and Kendell, G. (2006). Evolutionary computation and games. IEEE Comput Intell Mag., pp. 10–18
  • Mitchell, M. (1998). An introduction to genetic algorithms. MIT Press.
  • To, C.C. & Vohradsky, J. (2007). A parallel genetic algorithm for single class pattern classification and its application for gene expression profiling in Streptomyces coelicolor. BMC Genomics 8: 49.
  • Zhang, J., Lo, W.L., and Chung, H. (2006).Pseudocoevolutionary Genetic Algorithms for Power Electronic Circuits Optimization. IEEE Trans Systems, Man, and Cybernetics, 36C (4), pp. 590–598.
  • Read more: http://www.brighthub.com/science/genetics/articles/102918.aspx#ixzz1JA6uwEjy

شما نیز اگر تمایل دارید در تولید محتوای علمی در زمینه محاسبات تکاملی به ما کمک کنید، به لینک بخش همکاری با ما مراجعه نمایید.

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

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