الگوريتم ژنتيك (GA)

[ravegoat]

تفاوت بنيادي GA در بهينه سازي تك هدفه (Single) و چند هدفه (Multi) در تعيين برازندگي است. در بهينه سازي تك هدفه تنها يك تابع هدف وجود دارد و برازندگي خيلي راحت تعريف مي شود. در حالي كه در بهينه سازي تك چند هدفه، حالتي ممكن است از ديد يك تابع هدف مطلوب باشد ولي از ديد تابع هدف ديگر مطلوب نباشد. لذا بايد روشي ابداع كرد تا بتواند برازندگي جمعيت را نسبت به چند تابع هدف تعيين نمايد. روش متداول جبهه بندي نقاط غير برتر (Non-dominant) است؛ بدين شكل كه نقاط طراحي در جبهه (Front) هاي مختلف دسته بندي مي شوند. سپس گونه هاي برتر در هر جبهه با الگوريتم هايي تعيين مي شوند كه معروف ترين آن ها به شرح زير اند:

• معيار شلوغي (Crowding Distance) در NSGA II
• Epsilon Elimination در MUGA
• مفهوم Dominant Space در SPEA

هر يك از الگورتيم هاي فوق منحي نقاط Pareto را در اختيار ما قرار مي دهند كه يكي از هدف هاي مهم در بهينه سازي چند هدفه است زيرا طراح با بررسي Pareto Front مي تواند در مورد طراحي سيستم تصميم گيري كند. منحني Pareto مي تواند شامل نقطه ي مصالحه ي طراحي (Trade-Off) باشد كه توازني بين تمامي توابع هدف خواهد بود. شكل زير يك Pareto Front مربوط به دو تابع هدف را نشان مي دهد:

pareto_front.jpg

دوستاني كه تمايل دارند با جزئيات كامل اين مبحث آشنا شوند مي توانند اين كتاب را كاملا" رايگان دربافت نموده و مطالعه كنند.