انتخاب ویژگی با استفاده از الگوریتم ژنتیک

سورس کد برنامه پیاده سازی انتخاب ویژگی با استفاده از الگوریتم ژنتیک در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و بصورت کامل توسط گروه پشتیبانی تست و اجرا شده است. این محصول بهمراه فایل توضیحات سورس کد دراختیار شما قرار میگیرد. برای دانلود محصول آن را خریداری کنید.

توضیح روش

ابتدا با استفاده از توابع موجود در نرم‌افزار متلب، ماتریسی تصادفی شامل اعداد صفر و یک تولید می‌شود که صفر نشان‌دهنده عدم انتخاب ویژگی و یک نشانه انتخاب ویژگی می‌باشد. تعداد سطر این ماتریس برابر تعداد طول بردار ویژگی و تعداد ستون آن برابر تعداد الگوهای انتخابی است که برای حل مسأله درنظر گرفته می‌شوند. سپس با استفاده از هر الگوی انتخابی، ویژگی‌ها کاهش می‌یابند و با تابع برازندگی مقدار شایستگی الگو محاسبه می‌گردد. در روش پیشنهادی از تابع برازندگی ماشین بردار پشتیبان می‌باشد. جمعیت نیز بر­اساس شایستگی و احتمال بدست آمده برای هر الگو بروز­رسانی می‌شود. در ادامه کارکرد عملگرهای ترکیب و جهش بیان می‌گردند.

عملگر ترکیب

     این عملگر با استفاده از دو والد دو فرزند تولید می‌نماید. به­همین منظور قسمتی از بیت‌های والدین در فرزند کپی می‌شود. انتخاب این بیت‌ها که از والدین به فرزند انتقال می‌یابد به سه روش صورت می‌پذیرد. yun.ir/mxcxu.

• روش اول ترکیب تک‌نقطه‌ای: در این روش الگوها جفت‌جفت انتخاب شده و به عنوان والد در نظر گرفته می‌شوند. سپس یک نقطه تصادفی و برابر، برای هر دو رشته در طول رشته والدین، انتخاب شده و رشته والدین در این نقطه به دو رشته تبدیل می‌شود. رشته فرزندان به این روش تولید می‌شود که هر فرزند از ترکیب قطعه اول از والد اول و قطعه دوم از والد دوم کسب می‌شود.
• روش دوم ترکیب دونقطه‌ای: این روش نیز مانند روش قبل است اما در این روش بجای انتخاب یک نقطه، دو نقطه را برای تولید فرزندان انتخاب می‌نماییم. در این روش تغییرات در نسل‌ها آهسته‌تر است که نسبت به روش قبل مناسب­تر می­باشد.
• 
• روش سوم ترکیب یکنواخت: در این روش چند نقطه در طول رشته والدین انتخاب می‌شود و عمل تولید فرزندان صورت می‌پذیرد. برای این روش در محیط متلب چند ماسک ثابت تعریف می‌شود و با استفاده از این ماسک‌ها عملیات انتقال و تولید انجام می‌گیرد.

عملگر جهش

      این عملگر برای ایجاد فرزند از یک والد استفاده می‌‌کند که با ایجاد تغییرات اندکی در رشته اولیه، نسل بعد تولید می‌شود. در این روش با استفاده از یک توزیع یکنواخت یک بیت به صورت تصادفی انتخاب می‌شود و مقدار آن معکوس می‌گردد.

عملگر Mutation پس از اعمال عملگر Crossover اعمال می‌شود.

انتخاب جمعیت

     پس از اینکه مقدار شایستگی جمعیت اولیه کسب شد، باید نحوه‌ی تولید نسل را در جمعیتی که مقدار شایستگی بهتری دارد، از جمعیتی که مقدار شایستگی کمتری دارد، جدا نمود. برای این منظور پس از محاسبه مقدار برازندگی برای هر الگو مقدار احتمال یک الگو برای شرکت در نسل بعدی، بسته به مقدار شایستگی بدست آمده برای آن الگو، بدست آورده می‌شود. در ادامه پس از بروزرسانی الگوهای انتخابی بار دیگر مقدار شایستگی هر الگو را بدست آورده و این مراحل تکرار می‌شوند. شرط خاتمه نیز مقدار تکرار مشخص می‌باشد.

---

---