ترغب بنشر مسار تعليمي؟ اضغط هنا

تأثير متغيرات الخوارزميات الجينية في مسائل إيجاد الحل الأمثل

Genetic Algorithms Parameters Effects in Finding Optimal Solution

2528   4   75   0 ( 0 )
 تاريخ النشر 2006
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

نظراً للتطور السريع الذي يشهده عالمنا المعاصر و الذي زاد من تعقيد النظم تلبيـة لحاجـة المجتمع الملحة في الوصول إلى نظم ذات أداء و موثوقية عاليتين فقـد زاد الاهتمـام فـي الآونة الأخيرة بعلم الذكاء الاصطناعي لما أثبته من جدارة و فعالية في معالجـة كثيـر مـن القضايا و المسائل العالقة. نقدم في هذه المقالة تعريفاً بأحد فروع الذكاء الاصطناعي و هي الخوارزميات الجينية نظـراً لقدرتها على حل كثير من المسائل المعقدة، و في مجالات علمية متعددة، سـواء فـي علـم الحاسبات أو بحوث العمليات و معالجة الصور أو حتى في علم الاجتماع. قمنا في هذا البحث باستخدام الخوارزميات الجينية لإيجاد النهاية الحديـة العظمـى لتـابع مستمر ضمن مجال محدود، و ذلك بهدف دراسة تأثير بعض أهـم متغيـرات الخوارزميـات الجينية في الأداء و دقة النتائج. إِذْ لوحظ تأثير احتمال الطفرة و حجم الجيـل و عـدد مـرات التكرار في دقة النتيجة و زمن التنفيذ باختيار إجرائية العجلة المتدحرجة في عملية الانتخاب. بعد ذلك قمنا بمقارنة أداء العجلة المتدحرجة مع أداء إجرائية انتخـاب أخـرى هـي حكـم النخبة.


ملخص البحث
تتناول الورقة البحثية خوارزميات الجينات (Genetic Algorithms) واستخدامها في البحث والتحسين والتعلم الآلي. تبدأ الورقة بمقدمة عن خوارزميات الجينات وتشرح كيفية ترميز الكروموسومات باستخدام المتغيرات الثنائية والمتصلة. تتناول الورقة أيضًا إجراءات الاختيار مثل اختيار عجلة الروليت، وتشرح كيفية حساب احتمالية الاختيار بناءً على ملاءمة الكروموسومات. يتم شرح عملية التهجين (Crossover) باستخدام طرق متعددة مثل التهجين البسيط والتهجين النقطي. كما تتناول الورقة عملية الطفرة (Mutation) وتوضح كيفية حساب احتمالية الطفرة. يتم تقديم أمثلة عملية باستخدام برنامج Matlab لشرح كيفية تطبيق هذه الخوارزميات في البحث عن الحلول المثلى. تتناول الورقة أيضًا تأثير حجم السكان وعدد الأجيال على أداء الخوارزميات الجينية وتقدم نتائج تجريبية لدعم النقاط المطروحة.
قراءة نقدية
دراسة نقدية: تعتبر الورقة البحثية شاملة في تناولها لموضوع خوارزميات الجينات، حيث تغطي معظم الجوانب الأساسية لهذه الخوارزميات من ترميز الكروموسومات إلى إجراءات الاختيار والتهجين والطفرة. ومع ذلك، يمكن أن تكون الورقة أكثر وضوحًا في بعض الأجزاء، حيث أن بعض المعادلات والرسوم البيانية قد تكون معقدة للقارئ غير المتخصص. كما أن الورقة تعتمد بشكل كبير على برنامج Matlab، مما قد يحد من إمكانية تطبيق النتائج في بيئات برمجية أخرى. كان من الأفضل أيضًا تقديم مقارنة بين خوارزميات الجينات وخوارزميات تحسين أخرى لإعطاء القارئ فكرة أوسع عن مزايا وعيوب كل منها.
أسئلة حول البحث
  1. ما هي خوارزميات الجينات؟

    خوارزميات الجينات هي خوارزميات تحسين تعتمد على مبادئ الانتقاء الطبيعي والوراثة. تُستخدم في البحث عن الحلول المثلى في فضاء الحلول الكبير والمعقد.

  2. ما هي طرق ترميز الكروموسومات في خوارزميات الجينات؟

    يمكن ترميز الكروموسومات باستخدام المتغيرات الثنائية أو المتصلة. يتم اختيار نوع الترميز بناءً على طبيعة المشكلة المراد حلها.

  3. ما هو اختيار عجلة الروليت وكيف يعمل؟

    اختيار عجلة الروليت هو إجراء اختيار يعتمد على احتمالية اختيار الكروموسومات بناءً على ملاءمتها. يتم حساب احتمالية الاختيار لكل كروموسوم بناءً على نسبة ملاءمته إلى مجموع ملاءمة جميع الكروموسومات في السكان.

  4. كيف يتم حساب احتمالية الطفرة في خوارزميات الجينات؟

    يتم حساب احتمالية الطفرة بناءً على معدل الطفرة المحدد مسبقًا. يتم تطبيق الطفرة على الجينات الفردية في الكروموسوم بناءً على هذه الاحتمالية لتوليد تنوع جيني جديد.


المراجع المستخدمة
E. Goldberg, David, “Genetic Algorithms in Search, Optimization, and Machine Learning “, Addison-Wesley Publishing Company, Inc, 1989
Goldberg, D. E., & Lingle, R. (1985). "Alleles, loci, and the traveling salesman problem". Proceedings of an International Conference on Genetic Algorithms and Their Applications, 154-159
Meyer, D, C. "An evolutionary Algorithm with Applications to statistics". Journal of computational and graphical ststistics, volume 12, number 2, pages 1-17, DOI:10.1198/106186003169
قيم البحث

اقرأ أيضاً

نعرض في هذا البحث النماذج الرياضية لمسائل النقل. المسألة الأولية و الثنوية. بينا أولا كيف تتم صياغة النماذج الثنوية لمسائل النقل. أخيرا, و بما أن حل أحد النموذجين يقود إلى حل النموذج الآخر, قمنا بحل المسألة المرافقة لمسألة النقل و اعتمدنا بذلك على طريقة الكلفة الأقل في حل مسألة النقل الأولية.
مع تزايد استخدام التكنولوجيا و الأتمتة في مختلف مناحي الحياة الحديثة، أصبح انقطاع التغذية الكهربائية ذا تأثير كبير يؤدي إلى اضطراب، و ربما إلى شلل تام في مسار الحياة اليومية لمعظم القطاعات سواء الصناعية أو الاقتصادية أو حتى الترفيهية. لذلك أصبح من ا لضروري الوصول إلى نظام كهربائي ذي موثوقية عالية لتأمين استمرارية التغذية الكهربائية للمستهلك. بناء على ما تقدم نقوم في هذا البحث بدراسة طريقة جديدة لاستعادة الخدمة في شبكات التوزيع الكهربائية باستخدام الخوارزميات الجينية من أجل رفع موثوقية أنظمة التوزيع الكهربائية و تحسين أدائها، و يتضمن البحث لمحة عن موثوقية النظم الكهربائية فضلاً عن المبادئ الأساسية للخوارزميات الجينية و كيفية استخدام هذه التقنيات في استعادة الخدمة في مراكز التنسيق. فضلاً عن ذلك صمم برنامج حاسوبي ضمن بيئة (MATLAB) لتطبيق تقنية استعادة الخدمة باستخدام الخوارزمية الجينية، كما اختُبِر هذا البرنامج على مثال تطبيقي مع توضيح النتائج الموافقة .
يتضمن هذا البحث دراسة تحليل و تصميم أحد أنواع الخزانات العالية و ذلك بدراسة حلة الخزان وفق الطريقة المرنة و دراسة الجملة الحاملة للخزان باعتماد الطريقة الستاتيكية المكافئة الثانية و من ثم التحليل وفق الطريقة الديناميكية الخطية طريقة طيف الاستجابة و ذ لك باستخدام برنامج SAP2000 و إجراء المقارنات اللازمة.
تم في هذا البحث دراسة طريقة حديثة لاستعادة الخدمة في نظم القدرة الكهربائية عن طريق مركز تنسيق مؤتمت باستخدام الخوارزميات الجينية.
تم في هذا البحث اختبار تأثير تغير كل من تركيز محلول كربوكسي ميتيل السيللوز و درجتي حرارته و حموضته على سلوكه الريولوجي من خلال دراسة تغير إجهاد القص كتابع لمعدل القص. لوحظ من النتائج التجريبية بأن إجهاد القص يرتفع بارتفاع معدل القص عند جميع شروط ا لتشغيل. كما يرتفع إجهاد القص أيضاً عند قيمة محددة لمعدل القص بارتفاع كل من التركيز و درجة الحموضة و بانخفاض درجة الحرارة.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا