| المستخلص: |
تتميز الخوارزمية الجينية بأنها تعتبر من طرق البحث السريعة لحل الكثير من المسائل وذلك بكونها سريعة الاقتراب من النهاية العليا، وتعتمد في عملها على عدة عوامل ومعاملات للحصول على الحل الامثل ومنها (حجم المجتمع احتمالية التزاوج، واحتمالية الطفرة وغيرها من العوامل) ويجب أن يكون هناك اختيار دقيق لهذه العوامل والمعاملات والذي يكون له تأثير قوي على كفاءة ألخوارزمية الجينية. وعملية تحديد المعاملات والعوامل الجينية يتطلب منا وقت وجهد كبير لتحديد الاختيار الامثل للقيم الابتدائية لهذه العوامل عن طريق التجربة. وقد واجهتنا هذه المشكلة عند تصميم وتدريب شبكة انسياب الخطأ خلفا (Back propagation BP) باستخدام الخوارزمية الجينية حيث وجدنا صعوبة في تحديد المعاملات والعوامل الجينية للوصول إلى الحل الامثل (التصميم المناسب للشبكة العصبية) وقد استغرق منا وقت وجهد كبير. فكرة بحثنا هو ترك اختبار قيم المعاملات والعوامل الجينية إلى الخوارزمية الجينية نفسها أثناء التنفيذ وهذا ما يسمى بالتأقلم الذاتي للخوارزمية الجينية (Self Adaptation)، وتشفر هذه المعاملات ضمن كروموسوم الفرد الواحد الى جانب تشفير اوزان الشبكة العصبية أي نفترض بأن كل فرد (كروموسوم) والذي يمثل شبكة عصبية من أفراد المجتمع يمتلك المعاملات الجينية مشفرة كجزء من الكروموسوم الخاص به وتحسب قيمتها الابتدائية عشوائيا أثناء التنفيذ وباستعمال هذه المعاملات ننفذ الخوارزمية الجينية للحصول على الفرد الجديد ويتم بعد ذلك حساب صلاحية كل فرد بتنفيذ خوارزمية انسياب الخطأ خلفا وبهذه العملية يتم تحديث المجتمع وتطويره وصولا الى الحل المناسب. وقد استخدمنا الخوارزمية الجينية لحالة الاستقرار (SSGA) (Steady State) Genetic Algorithm المؤقلمة ذاتيا في تصميم وتدريب شبكة انسياب الخطأ خلفا (Back Propagation) وقد برهن هذا البحث تجريبيا على نجاحه في الحصول على افصل تصاميم لشبكة انسياب الخطأ خلفا وبأقل وقت وجهد (بأسرع وقت).
The genetic algorithm is distinguished from the methods of rapid research to solve a lot of matters that it considered more rapidity in approaching from the upper ending , and it is depends in its work on many factors and treatments to get the super solution , one of them are ( the seize society , the assuming crossover , the assuming mutation and other factors) also there must be accurate choice for these factors and treatment which is have a very big influence on the qualification of the genetic algorithm. The limiting of treatments and genetic factors process needs from us time and great efforts to limit the supper choice preliminary values for these factors through experiment. We have faced this problem when we design and train the back propagation by using the genetic algorithm to approach the super solution ( the suitable design for the neural networks) which take from us a great time and effort. The idea of our research is to leave the choice of the values of the treatments and genetic factors itself during implementation this is called Self - Adaptation to the genetic algorithm and these factors is coding within the chromosome of the single person in addition to the coding of the weight of the neural networks. That is we supposed that every person (chromosome) which represents the neural network from the persons of the society have the coding genetic factors as a part from his private chromosome. We count its preliminary values randomly during the implementation and by using these factors we carry out the genetic algorithm to get the new person and after that we complete the counting of the validity of every person by implementation of the genetic back propagation and by this person we can updating and developing the society to get the proper solution, and we used the Steady State Genetic Algorithm which self-Adapted in design and train the back propagation and this research proved experimentally on his success, to get the better back propagation and in less time and effort (faster time).
|
