آموزش الگوریتم ژنتیک آموزش رایگان و جامع از 0 تا 100 الگوریتم ژنتیک پی استور

ولی در واقع، نقش مهمی را ایفا می کند، حتی اگر در درجه دوم از انتخاب و ترکیب باشد. انتخاب و ترکیب اطلاعات ژنتیکی کروموزوم‌های مناسب‌تر را حفظ می‌کند، اما این کروموزوم‌ها فقط نسبت به نسل فعلی مناسب‌تر هستند. این می تواند باعث شود که الگوریتم خیلی سریع همگرا شود و مواد ژنتیکی بالقوه مفید (1 یا 0 در مکان های خاص) را از دست بدهد. به عبارت دیگر، الگوریتم می تواند قبل از یافتن بهینه جهانی در یک بهینه محلی گیر کند. عملگر جهش با حفظ تنوع در جمعیت به محافظت در برابر این مشکل کمک می کند، اما همچنین می تواند باعث شود الگوریتم به کندی همگرا شود.

همچنین، چنین تنظیمی اعضای بسیار مناسب را تشویق می‌کند که حداقل یک بار انتخاب شوند. تصویر زیر محاسبه تابع تناسب برای حل کوله پشتی ۰/۱ را نشان می دهد. مثال زیر یک تابع تناسب ساده را نشان می‌دهد که فقط مقادیر سود اقلام انتخاب شده (که ۱ دارند) را جمع می‌کند، عناصر را از چپ به راست اسکن می‌کند تا زمانی که کوله پشتی پر شود. نمایش باینری «Binary Representation» یکی از ساده‌ترین و پرکاربردترین نمایش‌ها در الگوریتم ژنتیک است. فرایند نادری به نام «جهش» (Mutation) نیز سبب ایجاد تغییراتی در ویژگی‌ها یا خصیصه‌های موجودات زنده می‌شود.

اما اگر تعداد ویژگی‌های مشترک شما با نکات ذکر شده کمتر از ۳ مورد است، باید برای فهمیدن جواب این سوال که  آیا واقعاً برنامه‌نویسی مناسب شماست؟ در ادامه مقاله با ما همراه شوید تا نکات دیگری را نیز بررسی کنیم. شما با مسائلی مواجه می‌شوید که ممکن است در ابتدا گیج‌کننده یا حتی غیرممکن به نظر برسند. آیا از تلاش برای پیدا کردن راه‌حل لذت می‌برید؟ اگر در هنگام تکمیل یک پازل یا حل یک مسئله پیچیده از تحلیل کردن و رسیدن به نتیجه حس خوبی پیدا می‌کنید، برنامه‌ نویسی می‌تواند یک مسیر شغلی جذاب برای موفقیت شما در آینده باشد. برای این کار هم یک نرخ جهش انتخاب میکنیم برای این مثال مقدار 0.03 انتخاب کردم . سپس به ازای تمام بیتهای موجود عددی تصادفی تولید میکنیم و اگر مقدار عدد تصادفی کمتر از نرخ بود بیت متناظر را در جمعیت معکوس میکنیم . دنیای داده‌ها جذاب است و دانستن علم داده، توانایی تحلیل داده‌ یا بازاریابی مبتنی بر داده یا یادگیری ماشین شما را برای فرصت‌های شغلی بسیاری مناسب می‌کند.

همین حالا در دوره آموزش الگوریتم ژنتیک شرکت کنید و مهارت خود را در این حوزه ارتقا دهید! در مکتب خونه انواع دوره آموزش برنامه نویسی، آموزش هوش مصنوعی و آموزش ماشین لرنینگ به عنوان مکمل و پیش نیاز این دوره موجود است. استفاده از عملگرهای تولید مثل (انتخاب)، ترکیب و جهش روی رشته‌ها یا کروموزوم‌های نسل حاضر، سبب ایجاد جمعیت نسل بعد خواهد شد. از جمعیت تولید شده نیز برای تولید جمعیت نسل بعد از آن (از طریق عملگرهای تولید مثل (انتخاب)، ترکیب و جهش) استفاده می‌شود. این چرخه در نسل‌های بعدی ادامه پیدا می‌کند و در هر نسل، الگوریتم ژنتیک یک قدم به تولید جواب بهینه سراسری نزدیک‌تر خواهد شد.

الگوریتم ژنتیک در صورتی که جمعیت همگرا شود یعنی نسلی تولید کند که تفاوت زیادی با نسل قبلی خود ندارد خاتمه می‌یابد. در این حالت گفته می‌شود که الگوریتم ژنتیک مجموعه‌ای از راه‌حل‌ها برای مسئله ما ارائه کرده است. این فرایند با مجموعه‌ای از افراد آغاز می‌شود که «جمعیت» (Population) نامیده می‌شوند. هر فرد بر اساس مجموعه‌ای از پارامترها (متغیرها) به نام ژن‌ها شناسایی می‌شود. ژن‌ها به یک رشته ملحق می‌شوند تا یک کروموزوم (راه‌حل) را تشکیل دهند. فرایند انتخاب طبیعی با انتخاب افراد دارای بیشترین برازش از جمعیت آغاز می‌شود.

جمعیت جدید تولید شده نیز مورد ارزیابی بیشتر قرار می‌گیرد و اینکار تا «خاتمه یافتن» (Termination) فرایندهای عملیاتی در الگوریتم ژنتیک ادامه پیدا می‌کند. تا زمانی که شرط توقف الگوریتم ژنتیک ارضا نشود، جمعیت کروموزوم‌ها یا بردارهای جواب، به وسیله عملگرهای  تولید مثل، ترکیب و جهش دستکاری و ارزیابی می‌شوند. این رویه تا زمانی که معیار توقف الگوریتم ژنتیک ارضا شود، ادامه پیدا می‌کند. یک رویکرد این است که هر مقدار پارامتر را به یک رشته بیت (توالی 1 و 0) تبدیل کنید، سپس پارامترها را مانند ژن‌ها از سر به انتها در یک رشته DNA برای ایجاد کروموزوم‌ها الحاق کنید. از نظر تاریخی، کروموزوم‌ها معمولاً به این روش کدگذاری می‌شدند، و این روشی مناسب برای فضاهای راه حل گسسته بود. رایانه‌های مدرن به کروموزوم‌ها اجازه می‌دهند که جایگشت، اعداد واقعی و بسیاری از اجسام دیگر را شامل شوند.

محاسبه آهسته مقدار تابع تناسب می‌تواند بر عملکرد الگوریتم ژنتیک تأثیر منفی بگذارد و آن را بسیار کند یا ناکارآمد کند. در صورتی که بتوانید جواب‌های کاندید یک مسأله را در قالب کروموزوم‌ها کدبندی کنید، به راحتی خواهید توانست از الگوریتم ژنتیک برای حل مسأله و مقایسه عملکرد (برازندگی) نسبی جواب‌های بهینه حاصل شده استفاده کنید. نمایش دقیق و مؤثر از متغیرهای مسأله و پیاده‌سازی ساز و کارهای با معنی برای ارزیابی برازندگی جواب‌های کاندید، مهم‌ترین عوامل در موفقیت در کاربردهای تولید شده از الگوریتم ژنتیک است. عملگر جهش یکی از مهم‌ترین فرایندهای تکاملی برای رسیدن به جواب بهینه در الگوریتم ژنتیک محسوب می‌شود. در عملگر جهش، به شکل تصادفی، اطلاعات جدیدی به فرایند جستجو در الگوریتم ژنتیک اضافه می‌شود. چنین ویژگی مهمی به الگوریتم ژنتیک کمک می‌کند تا از قرار گرفتن در دام «بهینه محلی» (Local Optimum) فرار کند.

با ثبت نام در این دوره و یادگیری این سرفصل‌ها، می‌توانید به بهترین شکل ممکن مهارت‌های خود را در حوزه الگوریتم ژنتیک تقویت کنید. همچنین با به کارگیری آموزه‌های این دوره، می‌توانید مسائل بهینه‌سازی را در زمینه‌های گوناگون حل کرده تا همواره بهترین پاسخ ممکن را دریابید. همچنین برای بسیاری از مسائل بهینه‌سازی روش‌های متداول ریاضیاتی به‌خاطر مشتق‌ناپذیر بودن، دشواری محاسبات مشتق‌گیری، گاه ناهمگونی و نویزی بودن داده‌ها و ... برای حل این مسائل مهندسی در این دوره آموزشی از الگوریتم‌های تکاملی استفاده می‌شود که خود، زیرمجموعه‌ای از محاسبات نرم به‌حساب می‌آیند و در صورت برخورد با این مسائل کارایی لازم را دارند. محاسبات نرم از محاسبات تقریبی برای حل مسائل استفاده می‌کند که نتیجه آن راه‌حل‌های خوب برای حل مسائل پیچیده محاسباتی می‌باشد.

توجه داشته باشید که ورودی a مربوط به تابع numpy.random.choice می‌تواند یک آرایه باشد و از داخل آن موارد انتخاب شود. در صورتی که به جای آرایه، یک عدد صحیح وارد کنیم، اعدادی در بازه [0,a) انتخاب می‌شود. متقاطع یا کراس اوورهای بسیار دیگری مانند Partially Mapped Crossover (PMX)، Order based crossover (OX2)، کراس اوور شافل، کراس اوور حلقه و غیره وجود دارد. در یک متقاطع یکنواخت Uniform Crossover، ما کروموزوم را به بخش‌هایی تقسیم نمی‌کنیم، بلکه هر ژن را جداگانه جابجا می‌کنیم. اساساً یک چرخه رولت برای هر کروموزوم می‌چرخانیم تا تصمیم بگیریم که آیا آن کروموزوم در نسل بعدی قرار می‌گیرد یا خیر. همچنین می‌توانیم چرخه رولت را به یکی از والدین سوگیری کنیم تا مواد ژنتیکی بیشتری از آن والدین در فرزند داشته باشیم.

به این فرایند و نیروی شگفت‌انگیز طبیعی، «انتخاب طبیعی» (Natural Selection) گفته می‌شود. کوزا مطالعات خود را ادامه داد و ۲۰۵ مقاله دربارهٔ «برنامه‌نویسی ژنتیک» که توسط دیوید گولدبرگ نامگذاری شده بود،[۶] منتشر کرد. البته در واقع مجموعهٔ ۴ کتابی او که از سال ۱۹۹۲ همراه ویدئوهای آموزشی منتشر شد،[۷][۸] برنامه‌نویسی ژنتیک را بنیان نهاد. برنامه‌نویسی ژنتیک با موفقیت به عنوان ابزار یادگیری ماشینی برای مسئله‌های دسته‌بندی، رگرسیون و رگرسیون نمادین استفاده شده است. یکی از بهترین روش‌های یادگیری برنامه‌نویسی، انجام پروژه‌های عملی است. به جای حفظ مفاهیم، با کدنویسی و ساخت پروژه‌های کوچک مانند طراحی یک وب‌سایت ساده، ساخت ماشین‌حساب یا طراحی یک بازی، مهارت‌های خود را تقویت کنید و با چالش‌های جدید روبرو شوید.

این انتخاب به صورت تصادفی، با استفاده از یک احتمال متناسب با تابع برازندگی افراد انجام می گردد. بنابراین، همواره بهترین فرد شانس بیشتری برای انتخاب نسبت به فرد ضعیف تر دارد. الگوریتم ژنتیک یا Genetic Algorithm مشهورترین تکنیک در تحقیقات الگوریتم‌های تکاملی است. این الگوریتم یک تکنیک جستجو را برای یافتن راه حل‌های نزدیک به بهینه‌ در زمان قابل قبول برای مسایل بهینه‌سازی ارایه می نماید. کروموزوم را به عنوان ظرفی در نظر بگیرید که راه حل بالقوه ای برای مشکل در دست دارد.

در عملیات ترکیب در الگوریتم ژنتیک، طریق ترکیب کردن مواد ژنتیکی دو کروموزوم موجود در جمعیت نسل قبل، کروموزوم‌های جدیدی در نسل‌های فعلی می‌شود. به عبارت دیگر، فرایند بازترکیب، ژن‌های موجود در دو کروموزوم را ترکیب و از این طریق، کروموزوم‌های جدیدی در جمعیت فعلی تولید می‌کند. از دیدگاه زیست‌شناسی، برازندگی یک «مقدار کیفی» (Qualitative Value) است که بازده تولیدِ مثل کروموزوم‌ها را می‌سنجد. الگوریتم‌های ژنتیک اغلب برای حل مسائل بهینه‌سازی استفاده می‌شوند، مانند یافتن بهترین پارامترها برای مدل‌های یادگیری ماشین، بهینه‌سازی تخصیص منابع در لجستیک و تنظیم سیستم‌های پیچیده. هوش مصنوعی می‌تواند GA را با ارائه راه‌های هوشمندتر و کارآمدتر برای انتخاب، جهش و ترکیب مجدد افراد در جمعیت تقویت کند. عملیات بهینه‌سازی در الگوریتم ژنتیک، با یک تولید جمعیت اولیه از «رشته‌های تصادفی» (Random Strings) آغاز می‌شود (این رشته‌ها معادل کروموزوم‌ها یا موجودیت‌ها یا جواب‌های کاندید مسأله هستند).

اگر می‌توانید به خوبی با دیگران همکاری کنید، ایده‌های خود را به اشتراک بگذارید و بازخورد دریافت کنید، این مهارت می‌تواند در موفقیت شما نقش کلیدی ایفا کند. اگر آدمی هستید که سریع ناامید می‌شوید یا حوصله زیادی برای بررسی دقیق جزئیات ندارید، شاید کار در زمینه برنامه‌‌نویسی برای شما چالش‌برانگیز باشد. اما اگر از تلاش و پیشرفت لذت می‌برید، این ویژگی به شما کمک می‌کند تا به یک برنامه‌نویس موفق تبدیل شوید. ساختار هر کروموزوم و جمعیت اولیه با توجه به شرایط اولیه مساله ایجاد میشوند و باید در کل الگوریتم شرایط مساله را حفظ کنند. الگوریتم ژنتیک یک رویه تکراری را به منظور تکامل جمعیت انجام می دهد که در آن فعالیت‌های زیر انجام می شود.

با گذشت زمان، الگوریتم ژنتیک روی یک راه حل تقریباً بهینه همگرا می‌شود. هوش مصنوعی برای ژنتیک در مسائل زمان‌بندی و تخصیص منابع در حوزه‌های مختلف از جمله تولید، حمل‌ونقل و مدیریت پروژه استفاده می‌شوند. هوش مصنوعی می‌تواند به مدل‌سازی و بهینه‌سازی این مشکلات زمان‌بندی پیچیده کمک کند و منجر به استفاده کارآمدتر از منابع شود. الگوریتم‌های ژنتیک را می‌توان همراه با تکنیک‌های هوش مصنوعی مانند یادگیری عمیق برای کارهایی مانند حذف نویز تصویر، بهبود تصویر و پردازش سیگنال استفاده کرد. هوش مصنوعی می‌تواند به GA کمک کند تا فیلترهای پردازش تصویر یا الگوریتم‌های پردازش سیگنال را برای نتایج بهتر تطبیق داده و تکامل دهند.

در آموزش الگوریتم ژنتیک سعی شد مفاهیم و اصطلاحات رایج این الگوریتم تشریح شوند تا الگویی کامل در ذهن فراگیر از الگوریم ژنتیک شکل بگیرد. در مورد عملگرهای اصلی Crossover، جهش و غیره توضیحات کاملی ارائه شد و در مورد شرط یا شرایط پایانی الگوریتم نیز مطالبی بیان شد. هر چند که این مقاله آموزشی منتشر شده از سایت پی استور بسیار پرمحتوا و کامل است ولی آموزش‌های تکمیلی زیادی نیز می‌تواند برای آموزش وجود داشته باشد. یکی از جدیدترین فیلم های آموزشی سایت پی استور در زمینه حل مسئله TSP با الگوریتم ژنتیک است که می‌تواند برای فراگیران عزیز مفید باشد. در انتخاب تورنومنتی K-Way، ما K نفر را از جمعیت به صورت تصادفی انتخاب می‌کنیم و از بین آن‌ها بهترین را برای تبدیل شدن به والدین انتخاب می‌کنیم. روش انتخاب تورنومنتی نیز در الگوریتم ژنتیک بسیار محبوب است چون می‌تواند با مقادیر تابع تناسب منفی نیز کار کند.

یک الگوریتم ژنتیک معمولاً برای هر جایی از ۵۰ تا ۵۰۰ یا نسل های بیشتر تکرار می شود. در پایان یک اجرا اغلب یک یا چند کروموزوم بسیار برازنده در جمعیت وجود دارد. از آنجایی که تصادفی بودن نقش بزرگی در هر اجرا ایفا می‌کند، دو اجرا با تعداد دانه‌(seed)های تصادفی متفاوت معمولاً رفتارهای دقیقا متفاوتی ایجاد می‌کنند. محققان الگوریتم ژنتیک اغلب آماری (مانند بهترین برازندگی یافت شده در یک اجرا و نسلی که در آن فرد با بهترین برازندگی کشف شد) که میانگین تعداد زیادی از اجرا های مختلف الگوریتم ژنتیک است را در مورد یک مسئله را گزارش می کنند. GAهای مجهز به هوش مصنوعی می‌توانند با بهینه‌سازی ساختارهای مولکولی و پیش‌بینی میل اتصال مولکول‌ها به پروتئین‌های هدف، فرآیند کشف دارو را تسریع کنند. این می‌تواند به شناسایی سریع‌تر و مقرون‌به‌صرفه تر نامزدهای دارویی بالقوه کمک کند.

در صورتی که کروموزوم‌های فرزند خوبی در نتیجه ترکیب تولید شوند، در جمعیت نسل‌های بعدی، کروموزوم‌های خوبی مشارکت خواهند کرد و برعکس. چنین فرایندی به صورت تکراری و در تمامی نسل‌های یک الگوریتم ژنتیک انجام خواهد شد. در فرایند تولید مثل، معمولا تعداد کپی‌های ایجاد شده از کروموزوم‌هایی که برازندگی بالایی دارند، بیشتر از دیگر کروموزم‌ها خواهد بود. در پایان فرایند تولید مثل، مخزن Mating Pool تشکیل می‌شود (و تمامی کپی‌های تولید شده در آن قرار می‌گیرد). با توجه به اهمیت روش‌های بهینه‌سازی هوشمند و الگوریتم‌های تکاملی، «فرادرس» اقدام به انتشار فیلم آموزش تئوری و عملی الگوریتم ژنتیک در قالب آموزشی ۱۴ ساعت و ۲۳ دقیقه‌ای کرده که در ادامه متن به آن اشاره شده است. این شاخه از حوزه «هوش مصنوعی» (Artificial Intelligence)، بر پایه مکانیزم تکامل موجودات زنده و تولید گونه‌های موفق‌تر و برازنده‌تر در طبیعت الهام گرفته شده است.

همان‌طور که قبلا گفتیم، هر فرد با فهرست از ژن‌ها تعریف می‌شود که در این مسئله نشان‌دهنده انتخاب‌شدن یا انتخاب‌نشدن هر یک از اشیاست. در پایان، از هر نسل بهترین فرد با بیش‌ترین برازش را چاپ می‌کنیم. هدف از این تابع افزودن تنوع ژنتیکی به جمعیت ازطریق تغییر تصادفی بیت‌هاست. میزان خوب‌بودن داشتن تعداد یک‌های بیش‌تر است؛ به‌همین دلیل، از تابع مجموع‌گیری (sum) روی بیت‌های هر فرد استفاده شده است. (تقاطع تک‌نقطه‌ای) در اینجا یک نقطه تقاطع تصادفی انتخاب کردیم هر دو کروموزوم برای تولید فرزند جدید جا‌به‌جا شدند. بنابراین در هر سلول، یک مجموعه واحد کروموزوم(Chromosome) وجود دارد.

جهش با تغییر تصادفی ژن‌ها، تازگی ایجاد می‌کند و امکان کشف بالقوه صفات جدید و مفید را فراهم خواهد کرد. تقاطع تبادل و بازترکیب مواد ژنتیکی را تسهیل می‌کند، تنوع و انتشار ویژگی‌های مطلوب را در طول نسل‌ها ارتقا می‌دهد. در GA، ما مجموعه ای از راه حل های ممکن برای مشکل ارائه شده داریم. سپس این راه حل ها تحت ترکیب مجدد و جهش قرار می گیرند (مانند ژنتیک طبیعی)، بچه های جدیدی تولید می کنند و این روند برای نسل های مختلف تکرار می شود. به هر فرد (یا راه حل کاندیدا) مقدار تناسب اندام اختصاص داده می شود (بر اساس مقدار عملکرد هدف آن) و به افراد برازنده شانس بیشتری برای جفت گیری و تولید افراد مناسبتر می رسد. این مفهوم می‌تواند در مورد مسئله جستجو نیز مورد استفاده قرار گیرد.

برنامه‌ نویسان موفق کسانی هستند که نه‌ تنها از این تغییرات نمی‌ترسند، بلکه مشتاق‌اند هر روز چیز جدیدی یاد بگیرند. اگر عاشق یادگیری هستید و دوست دارید همیشه به‌روز باشید، این حرفه کاملا با روحیه شما سازگار است. برای هر شیء از بیش‌ترین ظرفیت شروع می‌کنیم و به عقب بازمی‌گردیم تا از تداخل جلوگیری کنیم. اگر اضافه‌کردن شیء جدید ارزش بیشتری ایجاد کند، آن را در فهرست dp به‌روزرسانی می‌کنیم. هر تاپل شامل یک عدد صفر (به‌معنای ارزش اولیه) و یک فهرست خالی (به‌معنای اینکه هنوز هیچ شیئی انتخاب نشده) است.

انتخاب والدین بر اساس تابع تناسب مناسب یکی از محبوب‌ترین روش های انتخاب والدین است. در این حالت هر فردی با احتمالی متناسب با تابع تناسب خود می‌تواند پدر و مادر شود. در آینده، ممکن است شاهد توسعه الگوریتم‌های تکاملی باشید که برای حل مسائل خاص مورد استفاده قرار بگیرند. این امر، نقض اصول پیاده‌سازی الگوریتم ژنتیک است که با هدف استفاده همه منظوره و بدون در نظر گرفتن دامنه مسائل قابل حل، توسعه داده شده‌اند. به عبارت دیگر، دو کپی از این رشته یا کروموزوم در جمعیت نسل بعد حضور خواهد داشت.

GA های تقویت شده با فناوری هوش مصنوعی در بازی، مانند استراتژی‌های تکامل یافته برای بازی‌های رومیزی یا بازی‌های ویدیویی به کار گرفته‌شده‌اند. ترکیبی از الگوریتم‌های ژنتیک و یادگیری تقویتی می‌تواند منجر به توسعه عوامل بازی‌سازی بسیار رقابتی شود. هوش مصنوعی (AI) و الگوریتم‌های ژنتیک (GAs) هر دو تکنیک‌های محاسباتی قدرتمندی هستند و ترکیب آن‌ها می‌تواند به راه‌حل‌های خلاقانه در زمینه‌های مختلف منجر شود. در ادامه چند کاربرد هوش مصنوعی در الگوریتم‌های ژنتیک آورده شده است. در یک الگوریتم ژنتیک، مجموعه ژن‌های یک فرد با استفاده از یک رشته برحسب الفبا نمایش می‌یابند. به طور معمول مقادیر باینری مورد استفاده قرار می‌گیرند (رشته‌های 1 و 0).

الگوریتم های ژنتیک نوعی الگوریتم بهینه سازی هستند، به این معنی که برای یافتن حداکثر یا حداقل یک تابع استفاده می شوند. در این مقاله ما الگوریتم های ژنتیک را نشان داده و مورد بحث قرار می دهیم. ما نشان می دهیم که چه اجزایی الگوریتم های ژنتیک را تشکیل می دهند و چگونه آنها را بنویسیم. ما همچنین تاریخچه الگوریتم های ژنتیک، کاربردهای فعلی و پیشرفت های آینده را مورد بحث قرار می دهیم. الگوریتم‌های ژنتیک نشان‌دهنده یکی از شاخه‌های مطالعاتی به نام محاسبات تکاملی هستند که از فرآیندهای بیولوژیکی تولید مثل و انتخاب طبیعی برای حل «مناسب‌ترین» راه‌حل‌ها تقلید می‌کنند.

مدرس این دوره آموزشی دکتر سید مصطفی کلامی هریس و مدت زمان دوره 14 ساعت و 20 دقیقه است. همانطور که پیش از این نیز اشاره شد، الگوریتم ژنتیک را می‌توان به عنوان مکانیزمی جهت بیشینه‌سازی تابع هدف در نظر گرفت. این کار، از طریق از طریق ارزیابی کروموزوم‌ها یا بردارهای جواب انجام می‌شود. هدف عملگرهای اصلی در الگوریتم ژنتیک، انتخاب، ترکیب و تغییر بردارهای متناظر با جواب‌هایی است که در نسل کنونی، بهترین جواب برای مسأله بهینه‌سازی محسوب می‌شوند. از این طریق، جمعیت جدیدی از کروموزوم‌ها یا بردارهای جواب تولید خواهد شد.

الگوریتم‌های تکاملی نوعی از محاسبات نرم می‌باشد که با نگرش به چرخه تکامل طبیعت، راه‌حل مسائل مهندسی و بهینه‌سازی را می‌یابند. جهانی که در آن زیست می‌کنیم گویی توسط یک برنامه کامپیوتری بی نظیر هدایت می‌شود. برنامه ای که میلیاردها سال پیش توسط پروردگار مقتدر و بی‌همتای ما طرح ریزی شده است. در این برنامه‌ی دقیق، ژن‌های برتر مخلوقات در طی زمان حفظ می‌شوند و در مقابل ژن‌های ضعیف و ناکارآمد به‌مرور زمان از بین می‌روند. الگوریتم ژنتیک (Genetic Algorithm یا GA) یک الگوریتم از خانواده الگوریتم‌های تکاملی (Evolutionary Algorithms یا EA) است.

این الگوریتم‌ توانایی یافتن پاسخ‌های نزدیک به بهینه در مسائل پیچیده‌ای را دارد که شاید با روش‌های سنتی حل‌شدنی نباشند. این روش در دهه ۱۹۷۰ مطرح شده و از آن زمان تاکنون در زمینه‌های گوناگونی ازجمله علم داده و مهندسی نرم‌افزار کاربرد داشته است. در این مطلب ما، ضمن بررسی مبانی موردنیاز، به پیاده‌سازی الگوریتم‌ ژنتیک در پایتون و حل مسئله کوله‌پشتی صفر و یک به‌کمک آن می‌پردازیم. ادبیات الگوریتم ژنتیک تعداد زیادی از برنامه های کاربردی موفق را توصیف می کند، اما موارد بسیاری نیز وجود دارد که در آنها الگوریتم های ژنتیک عملکرد ضعیفی دارند. در ادامه مثالی از پیاده‌سازی الگوریتم ژنتیک در جاوا ارائه شده است.

این الگوریتم با الهام گرفتن از روند تکامل ژن برای افزایش شانس زیستن موجودات طراحی شده است. ویژگی‌های فیزیکی موجودات توسط ماده ژنتیک که DNA (Deoxyribonucleic Acid) نام دارد تنظیم می‌شود. DNA شامل تعداد زیادی ژن (Gene) است که هرکدام کنترل یک فرآیند را بر عهده دارد. ژن‌ها در طول زمان در نتیجه انتخاب طبیعی (Natural Selection) تغییر یافته و بهینه می‌شوند. به عنوان مثال، در یک الگوریتم ژنتیک، شمارنده‌ای نگه می‌داریم که نسل‌هایی را که هیچ پیشرفتی در جمعیت آن‌ها صورت نگرفته است، ردیابی می‌کند. هر بار که ما فرزندهایی بهتر از اعضای جمعیت تولید نمی کنیم، شمارنده را افزایش می‌دهیم.

مقدار برازندگی هر یک از رشته‌ها یا کروموزوم‌های جمعیت جدید نیز از طریق قرار دادن مقادیر متغیرها در تابع برازندگی و کد گشایی آن‌ها به دست می‌آید. در صورتی که به موضوع الگوریتم ژنتیک علاقه‌مند هستید، می‌توانید دوره ویدیویی آموزش این الگوریتم و پیاده‌سازی آن در متلب را در وب سایت فرادرس مشاهده کنید. در این دوره آموزشی، ابتدا مروری بر مبانی علم ژنتیک و منشأ الهام الگوریتم‌های تکاملی و الگوریتم‌‎های ژنتیک انجام شده است. در گام بعدی، انواع شرایط خاتمه در روش‌های بهینه‌سازی و الگوریتم‌های عددی، انواع ساختارهای ممکن برای تلفیق و انتخاب اعضای جمعیت جدید، انواع روش‌های انتخاب والدین و انواع عملگرها برای مسائل مختلف مورد بررسی قرار گرفته‌اند. در ادامه، پیاده‌سازی الگوریتم ژنتیک باینری و پیاده‌سازی الگوریتم ژنتیک پیوسته، در متلب انجام شده است. همچنین، مسأله مکان‌یابی هاب، مسأله حمل و نقل، مسأله تخصیص درجه دو یا QAP، مسأله شناسایی سیستم و مدل‌سازی سیستم‌های غیر خطی و روش حل آن‌ها با استفاده از الگوریتم ژنتیک، بیان و در متلب پیاده‌سازی شده است.

اما اگر از این چالش‌ها خسته می‌شوید و کار را نیمه تمام رها می‌کنید، شاید نیاز باشد بیشتر درباره مسیرتان فکر کنید. اولین قدم این است که بدون صرف هزینه زیاد یا درگیر شدن در یک دوره طولانی، برنامه‌نویسی را امتحان کنید. می‌توانید برای شروع به سراغ پلتفرم‌های آنلاینی بروید که آموزش‌های رایگان برای مبتدیان دارند. همچنین می‌توانید از زبان‌های ساده‌ای مثل Python یا JavaScript شروع کنید و پروژه‌های کوچک مثل ماشین‌حساب ساده یا وب‌سایت شخصی بسازید. اگر از این فرآیند لذت بردید و کنجکاو بودید پروژه‌های پیچیده‌تر را امتحان کنید، این می‌تواند نشان‌دهنده علاقه شما باشد. براساس تئوری انتخاب طبیعی، گیاهان و موجودات زنده ای که در حال حاضر وجود دارند، نتیجه میلیون‌ها سال تطابق با تقاضای‌های محیط می باشند.

اکنون نسل دوم با عملکرد تابع برازندگی آزمایش می شود و چرخه تکرار می شود. ثبت کروموزوم با بالاترین برازندگی (همراه با ارزش برازندگی آن) از هر نسل یا کروموزوم بهترین تاکنون(best-so-far) یک روش معمول است. الگوریتم های ژنتیک تا زمانی تکرار می شوند که ارزش برازندگی کروموزوم بهترین تاکنون تثبیت شود و برای چندین نسل تغییر نکند. در پایان هر مرحله معمولاً حداقل یک کروموزوم وجود دارد که راه حل بسیار مناسبی برای مشکل اصلی است. جهش و تقاطع با هم توانایی الگوریتم ژنتیک را برای کاوش و بهره‌برداری از فضای راه‌حل هدایت می‌کنند.

تصور کنید که از سیستم ناوبری GPS خود استفاده می‌کنید؛ محاسبه مسیر بهینه از مبدا تا مقصد چند دقیقه (یا حتی چند ساعت) طول می‌کشد. تأخیر در چنین برنامه‌های کاربردی دنیای واقعی، قابل قبول نیست بنابراین یک راه حل «به اندازه کافی خوب» که «سریع» ارائه می‌شود چیزی است که مورد نیاز است. به این ترتیب اعضا یا راه‌حل‌های بهتر در طول نسل‌ها به «تکامل» می‌رسند تا زمانی که به یک معیار توقف برسیم. الگوریتم‌ ژنتیک از نظر ماهیت تاحدودی تصادفی است، همان چیزی که باعث پیدایش آفرینش شده است. الگوریتم GA عملکرد بهتری نسبت به جستجوی تصادفی (که در آن ما فقط راه‌حل‌های تصادفی مختلفی را امتحان می‌کنیم)، دارد، چون از اطلاعات گذشته یا «Historical» نیز بهره می برد. جزئیات مرتبط با رشته‌ها یا کروموزوم‌های اول تا دهم جمعیت، پس از انجام عملیات جهش و ترکیب روی آن‌ها در جدول زیر نمایش داده شده است.

الگوریتم‌ ژنتیک برای حل مسائلی که به یافتن ترکیب‌های بهینه از اشیا با محدودیت‌های خاص نیاز دارد بسیار مؤثرند. در مسئله کوله‌پشتی هدف یافتن بهترین ترکیب از اشیاست که بیشترین ارزش را داشته باشد و وزن کل از ظرفیت محدود کوله‌پشتی تجاوز نکند که الگوریتم ژنتیک با تنظیمات مناسب می‌تواند به‌خوبی این ترکیب‌ها را بیابد. برای حل این مسأله با استفاده از الگوریتم ژنتیک، گام اول تعریف جمعیت است. الگوریتم ژنتیک جستجوی مکاشفه‌ای است که از نظریه تکامل طبیعی چارلز داروین الهام گرفته است. این الگوریتم بازتاب‌دهنده فرایند انتخاب طبیعی است که در آن افراد با برازش بیشتر برای تولید مثل انتخاب می‌شوند تا فرزندان نسل بعد را تشکیل دهند. هدف از یادگیری این دوره آموزشی فراگیری مفاهیم اساسی و بنیادین الگوریتم‌های تکاملی به ساده‌ترین شکل ممکن می‌باشد و بعد از درک این مهم، مفاهیم به‌صورت عملی پیاده‌سازی می‌شوند تا درک و کاربرد آن برای فراگیر آسان‌تر باشد.

توجه داشته باشید که برای بررسی عملکرد، 10 متغیر تصمیم در نظر گرفته‌ایم. ابعاد دو آرایه فوق، نشان‌دهنده ابعاد فضای جستجو و تعداد متغیرهای تصمیم است. در جهش swap، ما دو موقعیت روی کروموزوم را به طور تصادفی انتخاب می‌کنیم و مقادیر را با هم عوض می‌کنیم. در این بخش در مورد برخی از پرکاربردترین عملگر متقاطع Crossover بحث خواهیم کرد. لازم به ذکر است که این عملگرها عمومی هستند و یک طراح الگوریتم ژنتیک ممکن است یک عملگر Crossover مخصوص مسئله را نیز اجرا کند. به بیان ساده‌تر، موجودات برازنده‌تر زنده می‌مانند و موجودات نامناسب از بین می‌روند.

با کاوش و آزمایش بیشتر، می‌توانید از پتانسیل کامل الگوریتم‌ ژنتیک و هوش مصنوعی استفاده کنید. به امید اینکه این آموزش الگوریتم ژنتیک در هوش مصنوعی مورد توجه شما قرار گرفته باشد. برای یادگیری هوش مصنوعی به صورت کاملا حرفه‌ای می‌توانید از صفحه آموزش هوش مصنوعی مکتب خونه دیدن کنید. هوش مصنوعی در مهندسی ژنتیک در توسعه وسایل نقلیه خودران برای بهینه‌سازی برنامه‌ریزی مسیر، کنترل وسیله نقلیه و همجوشی حسگرها استفاده می‌شوند. الگوریتم‌های تکاملی را می‌توان برای تکامل رفتارهای رانندگی و انطباق با شرایط مختلف رانندگی به کار گرفت. هم‌افزایی بین هوش مصنوعی و ژنتیک به پیشرفت در حوزه‌های مختلف ادامه می‌دهد و فرآیندهای بهینه‌سازی و تصمیم‌گیری را بهبود می‌بخشد.

موارد زیر دنباله ای از مراحل مکانیسم GA است که برای بهینه سازی مشکلات استفاده می شود. GA توسط جان هالند و دانشجویان و همکارانش در دانشگاه میشیگان، به ویژه دیوید گلدبرگ، توسعه داده شد. از آن زمان تاکنون روی موفقیت های مختلف در زمینه مشکلات مختلف بهینه سازی آزمایش شده است. مهندس صمیمی از سال 1395 فعالیت ویژه‌ای در حوزه دیجیتال مارکتینگ داشته است. وی همچنین سال‌ها در حوزه استارتاپ‌های بین المللی هوش مصنوعی، به عنوان مدیر تحقیق و توسعه و مشاور فنی مشغول به کار است و با چند تیم آلمانی و کانادایی همکاری دارد.

عملگر جهش، ژن‌های کروموزوم‌ها را به شکل محلی تغییر می‌دهد و از این طریق، منجر به ایجاد جواب‌ها یا رشته‌ها یا کروموزوم‌های بهتر می‌شود. در نتیجه، الگوریتم ژنتیک ابزار قدرتمندی برای حل مسائل بهینه سازی است. این یک رویکرد تکراری و تکاملی است که می تواند راه حل هایی را در فضاهای راه حل پیچیده پیدا کند. این الگوریتم با استعاره ژنتیکی و اصول انتخاب، متقاطع و جهش، راهی موثر برای مقابله با چالش‌های پیچیده ارائه می‌کند. با استفاده از قابلیت‌های پایتون، می‌توانید یک پیاده‌سازی کارآمد و مؤثر از الگوریتم ژنتیک ایجاد کنید و آن را برای طیف متنوعی از مشکلات اعمال کنید. از منابعی مانند گیت هاب میتوانید به دانلود انواع کد پایتون الگوریتم ژنتیک بپردازید و آن ها را تجزیه و تحلیک کنید.

برخی از نمونه های برجسته برنامه نویسی خودکار و یادگیری ماشین هستند. آنها همچنین برای مدل‌سازی پدیده‌های اقتصاد، اکولوژی، سیستم ایمنی انسان، ژنتیک جمعیت و سیستم‌های اجتماعی مناسب هستند. در حوزه هوش مصنوعی (AI)، الگوریتم‌های مختلف به حل مسائل پیچیده کمک می‌کنند. یکی از این الگوریتم‌ها که توجه زیادی را به خود جلب کرده است، الگوریتم ژنتیک (Genetic Algorithm) است. با ریشه در زیست‌شناسی تکاملی، GA ثابت کرده که ابزاری قدرتمند برای بهینه‌سازی و مشکلات جستجو در هوش مصنوعی است.

الگوریتم ژنتیک یک الگوریتم تکاملی است که از فرآیند انتخاب طبیعی الهام می گیرد. در حوزه مسائل بهینه‌سازی، این الگوریتم به دنبال یافتن راه‌حل‌هایی برای چالش‌های پیچیده با تقلید از روش تکامل و سازگاری طبیعت در طول زمان است. درست همانطور که صفات بیولوژیکی از طریق نسل ها منتقل می شوند، الگوریتم ژنتیک با جمعیتی از راه حل های بالقوه کار می کند و به تدریج آنها را برای دستیابی به بهترین نتیجه ممکن اصلاح می کند. برای انتخاب بهترین مسیر آموزشی، باید با توجه به سابقه تحصیلی، سطح علمی و اهداف خود در این حوزه، از طریق یکی از متدهای آموزشی فوق اقدام کنید. همچنین، می‌توانید با ترکیب مسیرهای آموزشی مختلف، شیوه‌ای نوین برای یادگیری الگوریتم ژنتیک ابداع کنید.