Novel Methods for Enhancing the Performance of Genetic Algorithms
| العنوان بلغة أخرى: |
طرق جديدة لتحسين أداء الخوارزمية الجينية |
|---|---|
| المؤلف الرئيسي: | Al Kafaween, Esra'a Omar (Author) |
| مؤلفين آخرين: | Hassanat, Ahmad Basheer (Advisor) |
| التاريخ الميلادي: |
2015
|
| موقع: | مؤتة |
| الصفحات: | 1 - 75 |
| رقم MD: | 786755 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة مؤتة |
| الكلية: | عمادة الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
55
| المستخلص: |
الخوارزميات الجينية (Genetic Algorithms) هي إحدى أساليب الذكاء الاصطناعي والتي تعتبر فرع من فروع الحوسبة التطورية (Evolutionary Computation) حيث تعتمد على مبدأ التطور والانتخاب الطبيعي (Natural Selection) ويمكن استخدامها في تحسين وإيجاد حلول للمسائل المعقدة ومسائل الحل الأمثل (Optimization Problems). تعتبر عمليه التداخل الابدالي (Crossover) وعمليه الطفرة (Mutation) هما مفتاح النجاح في الخوارزميات الجينية. على مدار السنين ظهر العديد من الأنواع لهذه العمليات، ولكن تكمن الصعوبة في اختيار النوع الملائم من التداخل الابدالي والطفرة لحل مشكلة معينة، حيث نحتاج إلى المزيد من التجارب لإصدار القرار بشأن أي الأنواع من تلك العمليات أفضل. في هذه الأطروحة قمنا بتقديم أنواع جديدة من التداخل الابدالي والطفرة؛ حيث أن كلا من هذه الأنواع يتبع دليلا معينا ليغير مسار الخوارزمية الجينية؛ بالإضافة إلى أننا قدمنا أربعة استراتيجيات تدعى: اختيار أفضل تداخل إبدالي (SBC)؛ اختيار أي تداخل إبدالي (SAC)؛ اختيار أفضل طفرة (SBM)، اختيار أية طفرة (SAM)، اثنان منها لعملية التداخل الابدالي واثنان لعملية الطفرة. تقوم هذه الاستراتيجيات على استخدام أكثر من تداخل إبدالي أو طفرة في آن معا، استراتيجية أفضل تداخل إبدالي واستراتيجية أفضل طفرة تختار في كل مرة أفضل عملية تداخل إبدالي/ طفرة من مجموعة من العمليات، بينما استراتيجية اختيار أي تداخل إبدالي/ طفرة تختار في كل مرة نوعا عشوائيا من الأنواع الموجودة. قمنا بتجربة الطرق والاستراتيجيات المقترحة على مسألة البائع المتجول (TSP)؛ حيث تبين من النتائج تفوق بعض العمليات المقترحة للتداخل الابدالي وللطفرة على عمليات تداخل إبدالي وعمليات طفرة موجودة مسبقا، بالإضافة إلى إنه تبين تفوق الاستراتيجيات الأربعة والتي تختار إحدى طرق التداخل الابدالي/ طفرة في كل جيل، بدلا من استخدام عملية تداخل إبدالي لوحدها أو عملية طفرة لوحدها لجميع الأجيال. وهذا أدى إلى تحسن أداء الخوارزمية الجينية، حيث أنها تجنبت الوقوع في حل محلي (local optima) أو ما يسمى بــــ التقارب السابق لأوانه (premature convergence) مما يؤدي إلى تحسين أداء الخوارزمية الجينية من حيث الدقة. |
|---|---|
| وصف العنصر: |
مستخلصات الأبحاث |
عناصر مشابهة
-
Forecasting Sales Using Genetic Algorithms
بواسطة: Mouffok, Omar منشور: (2019) -
the use of static var compensator (SVC) to enhance the angular stability by means of Genetic Algorithm GA
بواسطة: Alabd Aljabbar, Ayman منشور: (2004) -
A Hybrid Model of Genetic and Bat Algorithms for Pregnancy Prediction Based on the Decision Support Systems and Machine Learning
بواسطة: الضرابعة، أحمد مفلح محمد منشور: (2021) -
Learning Opponent Behavior in Game Theory Using Genetic Algorithms
بواسطة: المناصرة، سالي حسن منشور: (2007) -
Optimal Design of Digital filters using Genetic Algorithms
بواسطة: Al Zorgani, Maisun Mohamed منشور: (2010)
