دانلود مقاله الگوریتم EZW

اختصاصی از اس فایل دانلود مقاله الگوریتم EZW دانلود با لینک مستقیم و پر سرعت .

مشخصات این فایل
عنوان: الگوریتم EZW
فرمت فایل :word(قابل ویرایش)
تعداد صفحات : 32

این مقاله درمورد الگوریتم EZW می باشد.

بخشی از تیترها به همراه مختصری از توضیحات هر تیتر از مقاله الگوریتم EZW

EZW
الگوریتم EZW در سال 1993 توسط shapiro ابداع شد نام کامل این واژه [1] به معنای کدینگ تدریجی با استفاده از درخت ضرایب ویولت است. این الگوریتم ضرایب ویولت را به عنوان مجموعه ای از درختهای جهت یابی مکانی در نظر می گیرد هر درخت شامل ضرایبی از تمام زیرباندهای فرکانسی و مکانی است که به یک ناحیه مشخص از تصویر اختصاص دارند. الگوریتم ابتدا ضرایب ویولت با دامنه بزرگتر را کددهی می کند در .....(ادامه دارد)

درخت جهت یابی مکانی
ایجاد و تقسیم بندی مجموعه ها با استفاده از ساختار ویژه ای به نام درخت جهت یابی مکانی انجام می شود این ساختار بگونه ای است که از ارتباط مکانی میان ضرایب ویولت در سطوح مختلف هرم زیرباندها [1] استفاده می کند.
درختهای جهت یابی مکانی در شکل 59-5 برای یک تصویر 16*16 نشان داده شده است. زیرباند LL₂ مجدداً به چهار گروه که هر یک شامل 2×2 ضریب است تقسیم می شود در هر گروه هر یک از چهار ضریب (شکل دو سطح پایین گذر و بالاگذر دارد و .....(ادامه دارد)

یک مثال از تبدیل ویولت سلسله مراتبی
یک مثال از تبدیل ویولت سلسله مراتبی در این بخش شرح داده شده است. تصویر اولیه 16*16 و مقادیر پیکسلهای مربوط به آن به ترتیب در شکل 3-2 و جدول 3-2 آمده است.
یک ویولت چهارلایه روی تصویر اولیه اعمال شده است. فیتلر مورد استفاده فیلتر دو متعامدی Daubechies 9/7 است [6]. جدول 4-2 ضرایب تبدیل گرد شده به اعداد صحیح را نشان می دهد. قابل توجه است که ضرایب با دامنه بیشتر در زیرباندهای با فرکانس کمتر قرار گرفته اند و بسیاری از ضرایب دامنه های کوچکی دارند ویژگی فشرده سازی انرژی در تبدیل ویولت در این مثال به خوبی دیده می شود جدول 5-2 تصویر تبدیل یافته و کمی شده را .....(ادامه دارد)

تحلیل و بررسی الگوریتم EZW
همانگونه که قبلا اشاره شد در مرحله گذار اصلی هنگامیکه یک ضریب با توجه به آستانه جاری بعنوان یک ضریب معنی دار شناخته می شود ضریب به لیست SL اضافه شده و دیگر در مرحله گذار اصلی بعدی مورد ارزیابی قرار نمی گیرد. در صورتیکه  باشد، ضریب ویولت  بعنوان ضریب بی معنی در نظر گرفته می شود. ساختار داده درخت صفر براساس نتایج عملی شناخته شده ای است که در ادامه است: اگر ضریب ویولت قرار گرفته در یک مقیاس کلی [1] بالای هرم مربوط به تصویر با توجه به آستانه T بی معنی باشد، آنگاه به احتمال زیاد تمام ضرایبی که در مقیاسهای جزئی تر [2] در همان جهت و در موقعیت .....(ادامه دارد)

تجزیه و تحلیل الگوریتم SPIHT
الگوریتم SPIHT یک روش ساده در میان روشهای فشرده سازی است چرا که در آن ضرایب پیش از آنکه حلقه شروع شود، مرتب شده اند ممکن است یک میلیون ضریب برای کدگذاری وجود داشته باشد که دسته بندی همه آنها بسیار آهسته صورت می گیرد. الگوریتم SPIHT به جای دسته بندی ضرایب از مقایسه دو عضو استفاده می کند و هر مقایسه یک نتیجه ساده بله یا نه دارد. بنابراین اگر اینکدر و دیکدر از الگوریتم مرتب سازی مشابهی استفاده کنند، اینکدر می تواند به سادگی به عمل اصلی الگوریتم SPIHT انتخاب ضرایب در مرحله مرتب سازی به گونه ای است که در هر تکرار ضریب در محدودة
فرمول
قرار گیرد. بدین ترتیب برای مقدار داده شده n ، اگر ضریب بصورت  باشد یا ضریب بصورت ضریب معنی دار و در غیر اینصورت بصورت ضریب بی معنی تعریف میشود. در حلقه اول تعداد ضرایب معنی دار نسبتاً کم است ولی این تعداد از یک حلقه به .....(ادامه دارد)

مثال
ضرایب ویولت مربوط به یک تصویر در یک ماتریس 4×4 نشان داده شده است. (شکل 62+5) این 16 ضریب هر کدام در حافظه بصورت شش بیتی نشان داده شده است که پنج بیت نشان دهنده بزرگی ضریب و یک بیت نشان دهنده علامت ضریب است. در شکل 62-5 تمامی ضرایب همراه با درخت جهت یابی مکانی مربوط به آنها نشان داده شده است. در الگوریتم کدینگ مقدار اولیه LIP برابر با { ( 1و 1) } مقدار اولیه LIS برابر با  و LSP تهی در نظر گرفته می شود. بزرگترین ضریب از میان ضرایب 18 است و مقدار n برابر با  در نظر گرفته می شود دو تکرار اول الگوریتم در ادامه آمده است: .....(ادامه دارد)

مقاله کامل در مورد الگوریتم های ژنتیک

اختصاصی از اس فایل مقاله کامل در مورد الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 44

کار برد های GA

برخی از مهم تر ین کار بردهای GA در علوم مختلف عبارتند از:

زمینه

کاربرد

کنترل:

خطوط انتقال گاز – پرتاب موشک – سیستم های تعادلی – رهگیری و ...

طراحی :

طراحی هواپیما – طراحی مدارات VLSI – شبکه های ارتباطی و ...

مدیریت و برنامه ریزی :

برنامه ریزی تولید – زمان بندی – تخصیص منابع و ...

روباتیک:

مسیر حرکت روبات ...

یادگیری ماشین :

طراحی شبکه های عصبی – الگوریتم های طبقه بندی و ...

پردازش سیگنال:

طراحی فیلتر و ...

سایر موارد:

هنر و موسیقی – حل مسئله فروشنده دوره گرد – مسیر یابی در شبکه ها و ...

طراحی آنتن

سیستم های ارتباط ماهواره ای از آنتنها برای دریافت سیگنال های ارسال شده از ماهواره استفاده می کنند . هر آنتن دارای یک Main  Beam  و تعدادی Sidelobe است .قسمت Main  beam که در جهت ماهواره قرار می گیرد دارای بهره (gain)  بالایی است تا بتواند سیگنال های ضعیف را تقویت کند . اما Sidelobe ها دارای بهر ه های پایینی هستند . بر خلاف Main  beamدر جهت های مختلفی قرار می گیرند . شکل زیر یک آنتن را با Sidelobe و Main  beam آن نشان می دهد .

مشکل این جا است که امکان ورود سیگنال ها ی ناخواسته قوی به داخل Sidelobe ها و یا ورود سیگنال های اصلی ضعیف به داخل Main  beam وجود دارد . فرض کنیم که  Main  beam یک آنتن ماهواره ای در راستا و جهت ماهواره قرار گرفته باشد .  سیگنال ها ی ماهواره بسیار ضعیف هستند زیرا از فاصله بسیار دور و با قدرت کمی ارسال می شوند اگر یک تلفن بی سیم نیز با همان فرکانس ماهواره در نزدیکی آن کار کند ممکن است سیگنال ها ی تلفن  وارد Side lobe آنتن شده و باعث تداخل با سیگنال های اصلی گردد . بنا بر این مهندسان افزایش بهره Main  beam و کاهش بهره Side lobe هستند .

یک نوع از آنتن ها (Antenna   array) است . ویژگی این آنتن ها توانایی آنها را در کاهش بهرة  Side lobeها است . در حقیقت این نوع آنتن یک گروه از آنتن های تکی هستند که سیگنال های آنها را با هم جمع کرده و یک خروجی را تولید می کند .

سیگنال های دریافتی در هر آنتن دارای یک دامنه و فاز است که یک تابعی از فرکانس، موقعیت آنتن و زاویه ارسال سیگنال ها است .

خروجی این آنتن یک تابعی از سیگنال های در یافتی در هر آنتن است . بنا بر این با توجه به مقدار دامنه های سیگنال برای آنتن ها ممکن است باعث کاهش یا حذف Side lobe شود. در این مثال نشان می دهیم که چگونه می توان با استفاده از GAبه طراحی شبکه آنتن با Side lobe کم پرداخت .

مدل این آرایه خطی در راستای محور X و به صورت زیر است :

فرمول ریاضی در این خصوص برای حالتی که Main  beamبه صورت 90 درجه باشد برابر است با :

AF (  ) =  ei(n-1)                                                                                    (8-1)

که در این معادله :

N :تعداد آنتن ها

an: دامنه وزن دهی شده برای am =an+ 1-m که m = 1,2 ,… , N/2

: طول موج

d: فاصله بین آنتن ها

   : زوایه موج میدان الکترو مغناطیس

    =Kdu = Kdcos 

K= 2

هدف در این مسئله پیدا کردن an به گونه ای است که حداقل سطحSide lobe در الگوی آنتن وجود داشته باشد .

یک راه برای مسئله تولید Side lobeهایی برابر-   و پایین پیک Main  beam است به عبارت دیگر هیچگونهSide lobe ای وجود نداشته باشد .

روش حل این مسئله را شبکه دو جمله ای و وزن های دامنه سیگنال را ضرایب دو جمله ای می گویند ، بنا بر این یک آرایه 5 عضوی با وزن هایی که به عنوان ضرایب چند جمله ای در نظر گرفته شده است ، با پنج ضریب در نظر می گیریم .

ضرایب یک معادله چند جمله ای ، از مرتبه (N-1)یا وزن های دو جمله ای یک آرایه N عنصری همان ضرایب چند جمله ایN-1 (Z+1)   مفروض برای N ردیف مثلث پاسکال هستند .                        1                     

                                                        1     1 

                                                    1      2       1

                                                1       3     3       1

                                            1        4      6       4     1

                                             .

                                             .

                                             .    

در اولین تلاش اقدام به حذف Side lobe های یک آرایه 42 تایی با d=0.5 می کنیم .

هر دو روش الگوریتم ژنتیک پیوسته و باینری در پیدا کردن یک محدود کننده دامنه نوسان که حداکثر سطح Side lobeآن کمتر از 4db- و پایین پیک ، Main  beam باشد ناکار آمد هستند و این موضوع ناامید کننده است . مشکل احتمالا" به خاطر تابع هزینه است . تابع هزینه ما برابر با ماکزیمم سطح Side lobeمعادله (8-1) با پارامتر anاست . پیاده کردن این فرمول مشکل و همراه با جواب های نا خواسته ای خواهد بود که منجر به منحرف شدن GA می گردد .

 اما تابع هزینه دیگری وجود دارد که عملکرد بهتری دارد .

این روش همان تبدیل  zبرای معادله 8-1 است . بنا بر این با جایگذاری مقدار            

در معادله فوق خواهیم داشت :

AF

تابع هزینه حداکثر سطح Side lobe معادله فوق است که  به عنوان پارامتر آن در نظر گرفته می شود . شکل 50 همگرایی GAپیوسته را با تعداد 21 متغیر و تعداد 8 کروموزوم در Mating  pool  و  نشان می دهد .

و برای این روش GAباینری نیز جواب به صورت شکل 51 در می آید :

 هر الگوریتم پس از 10 بار تکرار و با تولید مقادیر به صورت تصادفی اجرا می شود . شکل زیر نتیجه میانگین هزینه را پس از 75 نسل برای این دو الگوریتم نشان می دهد :

همان طور که در شکل مشخص است ، روش باینری از این روش پیوسته جلو افتاده است. اما چرا ؟ شاید یک دلیل آن اندازه فضای جستجو باشد.

مسئله فروشنده دوره گرد TSP  

این مسئله یکی از مسائل مشهور در بهینه سازی و در بسیاری از رشته های مهندسی است که در طی چندین سال یک راه حل جامعی با استفاده از روش های کلاسیک بهینه سازی برای حل آن وجود نداشته است . هدف در این مسئله پیدا کردن کوتاه ترین مسیر برای فروشنده دوره گرد است که باید از N شهر بگذرد . این نوع مسئله در بسیاری از کاربرد های مهندسی مثل لوله کشی خطوط گاز ، طراحی آنتن ها، نحوه قرار گیری ترانزیستورها در مدارات VLSI و یا مرتب کردن اشیاء برای یک پیکره بندی خاص کاربرد دارد . اویلر در سال 1759 یک فرمی از این مسئله را ارائه کرد که در سال 1948 توسط شرکت Rand معرفی شد . مقدار تابع هزینه به فرم ساده برای این مسئله با توجه به مسافتی که فروشنده طی می کند با:

فرض موقعیت (  Xn ,yn  ) و N و ...وn=1 برابر است با :

که در این فرمول (  Xn ,yn ) مختصات و موقعیت n امین شهر است .

برای مثال ، فرض کنیم نقطه ابتدا و انتها برابر با :

 باشد از آنجایی که مسیر های محتمل بهینه بسیار زیادی با افزایش تعداد شهر ها به وجود می آید ، امکان حل این مسئله با استفاده از روش های بهینه سازی کلاسیک وجود ندارد . حتی در مقایسه با شبکه های عصبی الگوریتم ژنتیک نشان داده اند که در حل این مسئله بهتر عمل می کنند ! برای عملگر ادغام در حل این مسئله از روش جایگشتی (Permutation ) استفاده شده است و عملگر جهش ( موتاسیون ) به صورت تصادفی یک رشته را انتخاب کرده و بر روی آن عمل می کند .

برای مثال تعداد شهر ها را برابر با N =13 در نظر می گیریم که تعداد ترکیب های نقاطی که باید چک شود برابر است با :                            13!/2 = 3.1135* 109

برای شروع فرض می کنیم شهرها به صورت مستطیلی شکل و مطابق شکل زیر قرار گرفته باشند .

تعداد 200 کروموزوم و نرخ جهشی برابر با 04/0 پس از 35 نسل به صورت شکل می گردد :

حال فرم پیچیده تری را در نظر می گیریم . فرض کنیم 25 شهر به صورت تصادفی در یک مستطیلی با ابعاد 1*1 قرار گرفته اند . در این حالت برای 50 کروموزوم و با نرخ موتاسیون 04/0 پس از 130 نسل مقدار مینیمم به دست می آید . شکل زیر نحوه همگرایی الگوریتم را نشان می دهد :

و شکل نیز جواب بهینه ( بهترین مسیر) را نشان می دهد :  

یک نتیجه مهم : جمعیت های کوچک با نرخ موتاسیون بالا برابر حل مسائل جایگشتی

( Permutation )مناسب نیست .

رمز گشایی یک پیام سری :

در این مثال ، از روش GA پیوسته برای شکستن یک رمز استفاده می کنیم . یک پیام رمز شامل یکسری حروف جا به جا شده است که به صورت تصادفی و یا بر اساس یک متد خاص قرار گرفته اند . برای مثال :فرض کنیم تمام حروف dرا با حرف cو فضاهای خالی را با  qنشان دهیم . اگر پیام از همه حروف الفبا به علاوه فضای خالی استفاده کند . تعداد !27 ( فاکتوریل ) کد ممکن وجود دارد که فقط یکی از آنها درست است و اگر پیام از s سمبل استفاده کند تعداد !s - !27 کد ممکن وجود خواهد داشت .

بنابراین یک کروموزوم شامل 27 ژن با مقادیر واحدی از 1 تا 27 متناظر با حروف الفبا در نظر گرفته می شود . مثلا" 1 برای فضای خالی (space) 2 برای a و ...

مقدار تابع هزینه (Cost   function)مطابق فرمول زیر از تفاضل حدس (guess) از پیام (message) و جمع این مقادیر به دست می آید .

اگر مقدار Costصفر باشد ، یعنی پیام کشف شده است .

برای مثال فرض کنیم بخواهیم ببینیم GA برای رمز گشایی پیام :

"bonny and amy are our children"                                          

چگونه عمل می کند .

این پیام در مجموعه شامل 30 سمبل است .

 GAدر این مسئله با فرض جمعیت کروموزوم در mating  pool  برابر با 40 و نرخ جهشی برابر با 20/0پس از 68 نسل مطابق شکل زیر رمز به دست می آورد :

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

تحقیق درباره الگوریتم فلوید برای یافتن کوتاه ترین مسیر

اختصاصی از اس فایل تحقیق درباره الگوریتم فلوید برای یافتن کوتاه ترین مسیر دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه 8

فهرست مطالب

یک مشکل متداول در سفره های هوایی هنگامی که پرواز مستقیم وجود نداشته باشد تعیین کوتاه ترین مسیر پرواز از شهری به شهر دیگر است . حال الگوریتمی طراحی می کنیم که این مسئله و مسائل مشابه را حل کند . نخست لازم است نظریه گراف ها را مرور کنیم . شکل یک گراف جهت دار و موضون را نشان می دهد به خاطر دارید که در نمایش تصویری گراف ها دایره نشان گر راس ها و خط میان دو دایره نشان دهنده یال ها هستند . اگر هر یال دارای جهت باشد گراف را گراف جهت دار یا دیاگراف می گویند . هنگام رسم یال ها در این گونه گراف ها از پیکان برای نشان دادن جهت استفاده می کنیم در یک دیاگراف بین دو راس امکان وجود دو یال است که جهت آنها مخالف هم هست. برای مثال درشکل یک یال از v1 به v2 و یکی از v2 به v1  وجود دارد.اگر این یال ها با مقادیری همراه باشند این مقادیر را وزن و گراف حاصل را موزون می خوانند.

در این جا فرض می کنیم که این مقادیر غیر منفی است.گرچه این مقادیر را معولاً وزن می نامند در بسیاری از از کابردها نشانگر فاصله است.بنابراین مسیر را به عنوان فاصله میان راسی تا راس دیگر در نظر می گیرند.در یک گراف جهت دار مسیر مجموعه ای از راس هاست به طوری که از یک راس تا راس دیگر یک یال وجود دارد. مسیری از یک راس به خود آن راس را چرخه می گویند.

اگر مسیری هیچگاه دوبار از یک راس نگذرد مسیر ساده نامیده می شود.توجه کنید که یک مسیر ساده هرگز حاوی زیر مسیری که چرخه ای باشد نیست.طول یک مسیر در گراف موزون حاصل جمع اوزان مسیر است. در یک گراف ناموزون طول مسیر صرفاً عبارت است از تعداد رئوس موجود در آن است.

مسئله ای که کاربردهای فراوان دارد یافتن کوتاهترین مسیر از راسی به رئوس دیگر است. واضح است کوتاهترین مسیر باید مسیری ساده باشد. در شکل سه مسیر ساده از v1 به v2 وجود دارد یعنی [v1,v2,v3] [v1,v4,v3]  [v1,v2,v4,v3] .چون

Length[v1,v2,v3]=1+3=4

Length[v1,v4,v3]=1+2=3

Length[v1,v2,v4,v3]=1+2+2=5

[v1,v4,v3]کوتاهترین مسیر ازv1 به v3   است.همانطور که پیش از این گفته شد یک کاربرد متداول کوتاهترین مسیر تعیین کوتاهترین مسیر میان دو شهر است.

مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی

اختصاصی از اس فایل مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی دانلود با لینک مستقیم و پر سرعت .

19 صفحه pdf

مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی مطالعه موردی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

چکیده مقاله:

پیش بینی ورشکستگی مدت هاست که به عنوان یکی از مهمترین موضوعات مهم در حوزه مدیریت مالی و شناخت فرصت های مطلوب سرمایه گذاری از فرصت های نامطلوب و جلوگیری از به هدر رفتن منابع مطرح است. لذا در این پژوهش سعی شده است تا با بهره گیری از مدل شبکه های عصبی و الگوریتم ژنتیک به مقایسه نتایج حاصل از پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته و همچنین از سوی دیگر با بکارگیری الگوریتم ژنتیک در توسعه تئوری ورشکستگی، راه های غلبه بر ضعف های روش های معمول پیش بینی ورشکستگی مورد بحث و بررسی قرار گیرد. نمونه مورد مطالعه در این پژوهش شامل 70 جفت شرکت ورشکسته و غیر ورشکسته طی بازه زمانی 1390-1380 است. با بررسی های انجام شده بروی اطلاعات مستخرج از صورت های مالی شرکتهای مورد نظر در نهایت 5 متغیر مالی بعنوان متغیرهای مستفل جهت استفاده در هر دو مدل شناسایی گردید. نتایج این پژوهش نشان داد که استفاده از الگوریتم ژنتیک در مقایسه با مدل شبکه های عصبی در پیش بینی ورشکستگی مالی بسیار موثر است بطوریکه این مدل توانست جهت پیش بینی صحیح ورشکستگی مالی شرکتها به ترتیب در دوسال قبل از سال مبنا، یکسال قبل از سال مبنا و سال مبنا به دقتی معادل 96/44 و 97/94 و 95/53 درصد دست یابد.

پروژه در مورد الگوریتم ژنتیک در زبان برنامه نویسی c++

اختصاصی از اس فایل پروژه در مورد الگوریتم ژنتیک در زبان برنامه نویسی c++ دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:136

فهرست مطالب:

چکیده

1

مقدمه

2

الگوریتم ژنتیک

5

تعریف خروجی(نمایش)

8

عملگرهای مجموعه ژن

10

شئ جمعیت

13

توابع شئ و مقیاس گذاری مناسب

14

نمایش الگوریتم ژنتیک درc++

15

توانایی عملگرها

17

چگونگی تعریف عملگرها

18

چگونگی تعریف کلاس مجموعه ژن

22

سلسله مراتب کلاس ها

23

1. سلسله مراتب کلاس GALib – گرافیکی

23

1. سلسله مراتب کلاس GALib – مراتب

24

رابط برنامه نویسی

25

نام پارامترها و گزینه های خط فرمان

26

رفع خطا 

28

توابع اعداد تصادفی

29

GAGeneticAlgorithm

31

GADemeGA

42

GAIncrementalGA

44

GASimpleGA

47

GASteadyStateGA

50

Terminators

52

Replacement Schemes

54

GAGenome

55

GA1DArrayGenome<T>

62

GA1DArrayAlleleGenome<T>

65

GA2DArrayGenome<T>

67

GA2DArrayAlleleGenome<T>

70

GA3DArrayGenome<T>

72

GA3DArrayAlleleGenome<T>

76

GA1DBinaryStringGenome

78

GA2DBinaryStringGenome

81

GA3DBinaryStringGenome

85

GABin2DecGenome

88

GAListGenome<T>

91

GARealGenome

92

GAStringGenome

94

GATreeGenome<T>

96

GAEvalData

97

GABin2DecPhenotype

98

GAAlleleSet<T>

100

GAAlleleSetArray<T>

103

GAParameter and GAParameterList

104

GAStatistics

108

GAPopulation

113

GAScalingScheme

123

GASelectionScheme

127

GAArray<T>

130

GABinaryString

132

نتیجه گیری

135

مراجع

136

چکیده

علم ژنتیک، علمی است که به تازگی وارد علوم کامپیوتر شده و با استفاده از اجزا مورد نیاز ژنتیک و شبیه سازی آن در کامپیوتر، انسان را قادر می سازد تا بعضی از مسائل مختلف و پیچیده ای که در اوایل حل نشدنی بودند، را حل کند.

این مستند، یک کتابخانه از اشیا الگوریتم ژنتیک به زبان c++ می باشد. این کتابخانه شامل ابزاریست که برای بهبود هر برنامه ای به زبان c++ و هر خروجی و هر عملگر ژنتیکی، استفاده می شوند. در اینجا، با پیاده سازی الگوریتم ژنتیک، رابط برنامه نویسی آن و اشکالی برای راهنمایی، آشنا خواهید شد.             

مقدمه

این مستند محتویات کتابخانه الگوریتم  ژنتیک را رمز بندی می کند و بعضی از فلسفه های طراحی را که در پشت پیاده سازی هستند، نمایش می دهد. بعضی از مثال های کد منبع در آخر صفحه مشخص شده تا ساختار اصلی برنامه، توانایی های عملگرها، تطابق عملگرها با نیاز کاربر و مشتقاتی از کلاس های جدید مجموعه ژن را نمایش بدهند. وقتی که شما از یک کتابخانه استفاده می کنید به صورت ابتدایی با دو نوع کلاس کار می کنید الگوریتم مجموعه ژن و الگوریتم ژنتیک. هر نمونه ای از مجموعه ژن یک راه حل برای مسئله شما نشان می دهد. شی الگوریتم ژنتیک توضیح می دهد که چگونه سیر تکامل باید طی شود. الگوریتم ژنتیک از یک تابع عضو شی ای که توسط شما تعریف شده است استفاده می کند تا معین کند چگونه هر مجموعه ژن برای زنده ماندن مناسب است؟

الگوریتم ژنتیک از عملگر های مجموعه ژن ( که در داخل مجموعه هستند) و استراتژی های انتخاب/ جایگزینی ( که در داخل الگوریتم ساخته می شود ) برای تولید یک مجموعه ژن جدید مجزا ، استفاده می کند.

سه چیز برای حل مسئله با استفاده از الگوریتم ژنتیک وجود دارد :

1. تعریف خروجی های که نشان داده میشوند
2. تعریف عملگر های ژنتیکی
3. تعریف تابع عضو شی را