فایل حاضر کد کامل آماده شده الگوریتم ژنتیک است. شما تنها با جایگذاری مقادیر دلخواه خود در شرایط بهینه سازی و نیز تعریف تابع هزینه خود قادر خواهید بود مسئله مورد نظر خود را بهینه سازی کنید.
این فایل به صورت ام فایل بوده و به راحتی با هر ویرایشی از نرم افزار متلب قابل اجرا می باشد.
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 50
چکیده:
الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند. الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای رگرسیون هستند. همچنین ساده خطی وپارامتریک نیزگفته می شود، به الگوریتم های ژنتیک می توان غیر پارامتریک نیز گفت.
مختصراً گفته می شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند. مسئله ای که باید حل شود ورودی است و راه حل ها طبق یک الگو کد گذاری می شود ومتریک که تابع fitness هم نام دارد هر راه حل کاندید را ارزیابی می کندکه اکثر آنها به صورت تصادفی انتخاب می شوند. یکی از مهمترین کاربردهای الگوریتم های ژنتیک حل مسئله فروشنده دوره گرد می باشد که در بخش دوم به طور کامل به آن می پردازیم.
کلاً این الگوریتم ها از بخش های زیر تشکیل می شوند :
انتخاب مجدد selection
ترکیب combination
جهش ژنی mutation
که در ادامه آنها را توضیح خواهیم داد.
مقدمه:
قانون انتخاب طبیعی بدین صورت است که تنها گونه‌هایی از یک جمعیت ادامه نسل میدهند که بهترین خصوصیات را داشته باشند و آنهایی که این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می‌روند.
مثلا فرض کنید گونه خاصی از افراد هوش بسیار بیشتری از بقیه افراد یک جامعه یا کولونی دارند. در شرایط کاملا طبیعی این افراد پیشرفت بهتری خواهند کرد و رفاه نسبتا بالاتری خواهند داشت و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود(توجه کنید شرایط طبیعی است نه در یک جامعه سطح بالا با ملاحظات امروزی یعنی طول عمر بیشتر در این جامعه نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت(هوش)ارثی باشد به طبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشتر این‌گونه افراد بیشتر خواهد بود. اگر همین روند را ادامه دهید خواهید دید که در طی نسل‌های متوالی دائما جامعه نمونه ما باهوش و باهوش‌تر میشود. بدین ترتیب یک مکانیزم ساده طبیعی توانسته است در طی چند نسل عملا افراد کم هوش را از جامعه حذف کند علاوه بر اینکه میزان هوش متوسط جامعه نیز دائما در حال افزایش است.
بدین ترتیب می‌توان دید که طبیعت با بهره‌گیری از یک روش بسیار ساده(حذف تدریجی گونه‌های نامناسب و در عین حال تکثیر بالاتر گونه‌های بهینه) توانسته است دائما هر نسل را از لحاظ خصوصیات مختلف ارتقا بخشد.
در این میان آنچه شاید بتواند تا حدودی ما را در فهم این مساله یاری کند مفهومیست به نام :
تصادف یا جهش.
هدف اصلی روشهای هوشمند به کار گرفته شده در هوش مصنوعی یافتن پاسخ بهینه مسائل مهندسی است. به عنوان مثال اینکه چگونه یک موتور را طراحی کنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یک ربات را محرک کنیم تا کوتاه‌ترین مسیر را تا مقصد طی کند(دقت کنید که در صورت وجود مانع یافتن کوتاه‌ترین مسیر دیگر به سادگی کشیدن یک خط راست بین مبدا و مقصد نیست) همگی مسائل بهینه‌سازی هستند.
در مورد نکته دوم باید بگوییم که روشهای ریاضی بهینه‌سازی اغلب منجر به یک فرمول یا دستورالعمل خاص برای حل هر مسئله میشوند. در حالی که روشهای هوشمند دستورالعمل‌هایی هستند که به صورت کلی می‌توانند در حل هر مسئله‌ای به کار گرفته شوند. این نکته را پس از آشنایی با خود الگوریتم بیشتر و بهتر خواهید دید.
اما یک موجود چگونه قادر است که شکل و فرم موجودات بعد از خود را تعیین کند؟ برای اینکه جواب سوال را دریابیم، ابتدا باید فرآیند تولید مثل موجودات را بررسی کنیم.
در جریان تولید مثل یک موجود کروموزومهای والدین موجود با یکدیگر ترکیب میشوند و سلول تخم را تشکیل می دهند. تکثیر این سلول تخم منجر به تشکیل یک فرزند تقریباً مشابه والدینش میشود. این موجود ترکیبی از خصوصیات والدین خود را به همراه خواهد داشت. این روند باعث تکامل یک موجود میشود.
اما تا اینجای کار اتفاق خاصی که باعث ایجاد یک موجود جدید گردد به وقوع نپیوسته است. نکته کار اینجاست که در حین تشکیل سلول تخم تغییرات ناخواستهای درون کروموزوم(های) سلول بوجود میآید. این تغییرات اگر کوچک باشند، در حین تکثیر سلول تخم و تشکیل موجود اصلی اصلاح میشوند. اما تغییرات بزرگ اصلاح نمیشوند و منجر به تشکیل یک موجود جدید میشوند.
اگر موجود جدید (و بطور کلی فرزند) ایجاد شده نسبت به والدین در تقابل با محیط برتری داشته باشد، قطعاً در جریان زندگی موفقتر است و امکان تولید مثل پیدا میکند و در نتیجه میتواند خصوصیات خوبش را به فرزندانش منتقل نماید. با توجه به اینکه این فرزندان نیز در تقابل با محیط موفقتر هستند، امکان تولید مثل پیدا میکنند.
با توجه به مطالب فوق متوجه میشوید که سه فاکتور اصلی مبنای نظریه داروین را تشکیل میدهند، این سه فاکتور عبارتند از:
· تنوع: ترکیب شدن مشخصات والدین متفاوت باعث میشود که خصوصیات خوب آنها ترکیب شود و یک موجود بهتر بوجود آید.
· تصادف: عامل ایجاد تغییرات در موجودات فرزند
· انتخاب: که توسط محیط انجام میشود، به این معنی که موجودات با شایستگی پائین احتمال ادامه حیات و تولید مثل کمتری دارند. (بقای شایستهترین)
روند فوق و مخصوصاً سه فاکتور فوق مبنای کار دانشمندان رشته کامپیوتر قرار گرفت و در نتیجه الگوریتمهای ژنتیک بوجود آمدند. این روش در سال 1970 توسط John Holland معرفی گردید
این روشها با نام Evolutionary Algorithms نیز خوانده میشوند. پیشرفت این الگوریتمها باعث شد که کلاً مجموعه روشهای حل مساله با نام پردازش تکاملی بوجود بیاید.
پردازش تکاملی از شاخههای زیر تشکیل شده است:
1. الگوریتمهای ژنتیک (Genetic Algorithms)
2. برنامه نویسی ژنتیک (Genetic Programming)
3. استراتژیهای تکاملی (Evolutionary Strategies)
4. برنامه نویسی تکاملی (Evolutionary Programming)
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 28
بهینه سازی منبع با استفاده از شبیه سازی ترکیب یافته و الگوریتم ژنتیک
خلاصه
این مقاله، توسط ترکیب کردن فلوچارت ( نمودار گردش کار) براساس ابراز شبیه سازی با یک روش بهینه سازی ژنتیک قدرتمند، یک روش را برای بهینه سازی منبع نشان می دهد.روش ارائه شده، کمترین هزینه،و بیشترین بازده را ارائه میدهد، وبالاترین نسبت سودمندی را در عملکردهای ساخت و تولید فراهم می آورد. به منظور یکپارچگی بیشتر بهینه سازی منبع در طرح ریزی های ساخت،مدلهای شبیه سازی بهینه یافته (GA) الگوریتم های ژنتیکی گوناگون،عموماً با نرم افزارهای مدیریت پروژه بکار رفته شده ادغام می شوند. بنابراین، این مدلها از طریق نرم افزار زمان بندی فعال می شوند و طرح را بهینه می سازند.نتیجه، یک ساختار کاری تقلیل یافته سلسله مراتبی در رابطه با مدلهای همانندی سازی بهینه یافته GA است. آزمایشات گوناگون بهینه سازی با یک سیستم در دو مورد مطالعه، توانایی آن را برای بهینه ساختن منابع در محدوده محدودیتهای واقعی مدلهای همانند سازی آشکار کرد. این الگو برای کاربرد بسیارآسان است و می تواند در پروژه های بزرگ بکار رود. براساس این تحقیق، همانندسازی کامپیوتر وا لگوریتمهای ژنتیک ،می توانند یک ترکیب موثر برای بهبود دادن بازده و صرفه جویی در زمان وساخت و هزینه ها باشند.
مقدمه
این امر کاملاً آشکار شده است که بازده کاری پایین ،عدم آموزش، و کاهش تعداد معاملات، چالشهای بحرانی هستند که صنعت ساختمان( ساخت) با آن روبرو خواهد شد.
بهره دهی یا قدرت تولید در رابطه با مطالعه ها، برای مثال،دلالت بر زمان بیکاری (بیهودة) کاربران در ساخت(تولید) دارد که این زمان از 20 تا 45% متغیر است. این اتلاف وقت ، که از طریق منابع ناکارآمد و طرح ریزیهای غیربسنده( نامناسب) ناشی می شود، تاثیر و پیامد فوق العاده ای در هزینه های ساخت دارد. همچنین، پیماناکاران که مهارتهای مدیریتی منابع کارآمد را ندارند، این رقابت کردن در بازارهای ساخت جهانی که آنها د ر آن فرصتها بسیاری را خواهند یافت، برای آنها کاری بس دشوار خواهد بود.
با ایجاد تجهیزات و نیروی کار برای امر ساخت و تولید، این امر آشکار است که تدبیرهای کاربرد نیروی کار متناوب و کاربرد بهتر از منابع کاری موجود، به منظور بهبود دادن،بهره دهی کاری و کاهش هزینه های ساخت، مورد نیاز است. استفاده کارآمد از منابع پروژه، هزینه های ساخت را برای مالکان و مصرف کنندگان کاهش می دهد، و در عین حال سودمندیهایی را برای پیمانکاران افزایش می دهد. با این وجود،برخی فاکتورها وجود دارند که ،مدیریت منبع را امر دشواری می سازند، این فاکتورها در مراحل زیر توضیح داده شده اند:
سیاست جداسازی مدیریت منبع:در ادبیات، محققان گوناگون، تعدادی تکنیکها را برای پرداختن به جنبه های فردی مدیریت منبع، همانند تخصیص منبع، سطح بندی منبع، مدیریت نقدینگی، و تجزیه و هزینه و زمان معاملات (TCT) ، ارائه داده اند. مطالعات تالبوت و پترسون(1979) و گاولیش و پیرکون (1991)، برای مثال، به تخصیص منابع مربوط بود ، در حالیکه بررسیهای Easa (1989) و Shah et al (1993) به سطح بندی و تراز کردن منابع می پرداخت روشهای دیگر ، تنها روی تجزیه TCT متمرکز شدند. همانطوریکه این بررسیها سودمند واقع شدند، آنها به ویژگیهای مجزایی پرداختند که یکی پس از دیگری برای پروژه ها بکار برده می شدند ( نه بطور همزمان) . بوسیله پیچیدگی اساسی پروژه ها و مشکلاتی در رابطه با الگوبرداری تمام ویژگیهای ترکیب یافته، تلاش بسیار کمی برای بهینه سازی منابع ترکیب شده به عمل آمد.
ناکارآمدی الگوریتم های بهنیه سازی سنتی: در چند دهه گذشته ، بهینه سازی منبع سنتی، براساس روشهای ریاضی یا براساس تکنیکهای ذهنی(غیرمستدل) بوده است. روشهای ریاضی ، همانند برنامه ریزیهای عدد صحیح ، خطی، یا برنامه ریزیهای دینامیکی ،برای مشکلات منبع فردی پیشنهاد شده بودند.با این وجود ، روشهای ریاضی از لحاظ محاسبه ای برای هر پروژه واقعی انعطاف ناپذیر بودند که این روش فقط برای سایزهایی از پروژه مناسب می باشد. همچنین ،روشهای ریاضی پیچیده ایشان دستخوش تغییر می شوند وممکن در مطلوبترین وبهینه ترین قرار بگیرند، روشهای ذهنی (غیرمستدل) ، ازسوی دیگر، تجربیات وقوانین thumb را بکار می برند، نه فرمولهای ریاضی سخت ودقیق را. محققان برای تخصیص منبع، مدلهای ذهنی گوناگونی را پیشنهاد نموده اندن،تراز بندی منبع ها،تجزیه TCT، علی رغم سهولتشان
1) درمان ناهنجاری‌های ژنتیک
ساختن داروها
موارد مصرف: درمان بیماری‌های ژنی که در آنها بدن قادر به ساختن یک نوع پروتئین خاص نیست.
روش درمان: ساختن پروتئین‌های مورد نیاز توسط باکتری‌ها با بکار بردن روشهای مهندسی ژنتیک
مثال‌ها
بیماری هموفیلی:
تعریف بیماری: ناتوانی در انعقاد خون به علت کمبود فاکتور انعقادی شماره VIII که پروتئینی موثر در روند انعقاد است.
روشهای درمان:
الف ـ درمان قدیمی: تزریق فاکتور VIII استخراج شده از خون‌های اهدایی
ب ـ درمان جدید: تزریق فاکتور VIII ساخته شده با کمک مهندسی ژنتیک
عیب روش درمان قدیمی: خطر آلوده بودن خون‌های اهدایی و در نتیجه، آلوده شدن فاکتور استخراج شد به ویروس HIV یا ویروس هپاتیت B
بیماری دیابت: انسولین ساخته شده با کمک مهندسی ژنتیک در باکتری برای درمان این بیماری به کار می‌رود.
ژن درمانی
تعریف: قرار دادن یک نسخه سالم از یک ژن، درون سلولهای فردی که دارای نسخه‌ای ناقص از ژن است.
موارد مصرف: درمان بعضی از ناهنجاری‌های ژنتیک که در آنها فرد نسخه فعال یک ژن خاص را ندارد
تعیین توالی نوکلئوتیدی و نقشه ژنی جانداران
هدف ـ تعیین توالی نوکلئوتیدهای ژنوم
تعریف ژنوم: کل محتوای DNA جاندار
اجزای ژنوم:
DNA-1 هسته
DNA-2 سیتوپلاسمی:
aـ DNA میتوکندری
bـ DNA کلروپلاست
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 79
بسمه تعالی:
مبنای تکنیک های ژنتیک
تکنیکهای فنی ژنتیکی بعد از شناسایی کامل DNA از سال 1953 آغاز شد بعد با کشف حکم مرکزی در سال 1958 توسط فرانسیس کریک اتفاق اتفاد. ژنتیک وارد مسیری تازه شد که هدف آن درک پنج الگوی رفتاری سلولی رشد تقسیم تمایز، حرکت و میانکش است.
میزان پیشرفت در این زمینه باعث بهت و حیرت و حتی خوپش بین ترین دانشمندان باشد بطور روزانه کشفیات بدست آمده از آزمایشگاههای تحقیقاتی خبر از شناسایی ژن های جدید عامل بیماری ها یا محصولات بیوتکنولوژی نوید بخش می دهند اکثر کشفیات مهم ژنتیکی با استفاده از ساده ترین موجودات ( ویرو ها ، باکتری ها) بدست آمده اند اگر چه امروزه یافته های جدید در مورد گیاهان و پستانداران نیز ارائه شده است. اگر چه باکتری ها و باکتریوفاژ ها هنوز هم پیچیده هستند اما نسبت به سلولهای جانوری و گیاهی سیستم ساده تری دارند، با استفاده از این سیستم های ساده بود که دانشمندان توانستند DNA را بعنوان مولکول حاوی اطلاعات ژنتیکی یک سلول معرفی کنند.
DNA در سال 1869 توسط میکشن در اسپرم ماهی شناسایی شد ولی عملکرد و اهمیت آن در سلول به عنوان مسئول صفات توارثتا قرن اخیر نا شناخته ماند ساختار فیزیکوشیمیایی DNA توسط واتسون و کریک بدست آمد .
با فاصله زمانی کوتاه بعد ازشناسایی DNA ساختار DNA شناخته شد که به عنوان ماکرو مولکول حد واسط مهم در نستز آنزیمها و سایر پروتئین ها عمل می کند.
بدنبال این کشفیات شاخه جدید بنام ژنتیک مولکولی در اواخر دهه 1950 و اوایل دهه 1960 بوجود آمد که مفاهیم جدید را معرفی کرد موفقیت های اولیه و تجمع مقدار انبوه اطلاعات دانشمندان را قادر ساخت تا تکنیک های قوی و روش های منطقی را برای موضوعات گوناگون ژنتیک مولکولی و عملکرد عصب، عضله- عملکرد آنتی بیوتیک... ) ارائه دهند.
اعتقاد به یک شکل ذاتی فرآیند های زیستی یک فاکتور مهم در زمینه رشد سریع شاخه ژنتیک مولکولی بر دانشمندان معتقد هستند که ساختار اصول بیولوژیکی که فعالیت ارگانیسم های ساده را هدایت می کند در مورد سلول های پیچیده نیز صادق هستند و فقط در یک سری جزئیات تفاوت دارند که این نظریه با یک سری نتایج آزمایشگاهی بدست آمده نیز مورد تائید قرار گرفت.
ساختار DNA:
ساختمان DNA پلی است که از تعداد زیادی نوکلئوتید ساخته شده فرق نوکلوئید ها در بازنیتروژن داراست دانشمندی به نام Charaff با امکانات ساده مقدار G,A . C,T را در موجودات مختلف استخراج کرد و مقدار نسبی آن را حساب کرد و نتایجی گرفت. دیدار همه DNA های دو رشته ای و همواره است.
خانم فرانکلین و ویل کین DNA را استخراج کرده و از طریق اشعه xمتوجه شدند DNA دو رشته ای است اما سرانجام Watson و crick در سال 1953 مدل DNA را ارائه دادند و گفتند که مولکول DNA مولکولی دو رشته ای است و مارپیچ Doulde Helix علت مارپیچ DNA است و جفت نوکلئوید ها با هم زاویه دارند.
اندازه زاویه هر جفت را 36 محاسبه کردند و اثبات کردند که در هر 10 نوکلئوتید وجود دارد طول هر DNA A 34 درجه هر چفت باز nm 0.34 در نتیجه زاویه های وپیچ ها دارای شیار بزرگ و کوچک است به آن قسمتی از DNA است که اگر ازبیرون به آن بنگریم جفت نوکلئوتیدها را می بینیم این شیارها محل اتصال هستند این شیار به وسیله پروتئین هایی به آنها متصلند نقش مهمی در میان ژن ها دارند.
علت ایجاد شیار:
نیروهای موجود در DNA از نوع هیدروژنی ، هیدروفوب DNA به فرمهای B,Z,A وجود دارد. فرم A در سلول وجود ندارد و از آبگیری B- DNA بدست می آیند در یک A- DNA در هر دور بجای 10 تانوکلئوتید وجود دارد و قطری بجای 23A-20A درجه است مثل B- DNA راست گرد زاویه حدود 34 است در اینجا هم شیار بزرگ و کوچک وجود دارد.
ما در سلول هیرید RNA- DNA را مشابه A- DNA داریم.
فرم B- DNA همان فرم است که واتسون و کریک شرح دادند و فرم شایع DNA در سلول است اما فرم 2 در مناطقی از DNA تشکیل می شود که G-C فراوان دارند خیلی باریک است قطر 18A است و در هر دو جفت نوکلئوتید دارند و تنها DNA چپ گرد است و فقط شیار کوچک دارد و طرف دیگر صاف است در طول هر دو 45A است.
فرم های D,E,C هم فقط در شرایط آزمایشگاه ساخته شده اند.
فرم DNA:
DNAبصورت حلقوی – خطی تک رشته ای و دو رشته ای مارپیچ وجود دارد. رشته الگوی آن Coding نام دارد و رشته دیگر Non coding نام دارد.
وقتی در DNA تعداد دورها با تعداد دفعات که یک رشته DNA و RNA دیگر را قطع می کند مساوی باشد یعنی در حقیقت DNA بر روی DNA باشد نه رشته بر روی رشته حالت supyeoil داریم حالت چپ گرد سوپرکویل به فرم فعال DNA نزدیک است در تکنیک های جدیدی