الگوریتم ژنتیک :
نگاه به طبیعت همواره الهام بخش بشر برای حل مسائلی که با آن مواجه می‌شود، بوده است. یکی از روش های حل مسائل بدون اینکه درگیر پیچیدگی ذات مسائل شد، استفاده از الگوریتم ژنتیک است. الگوریتم ژنتیک یکی از الگوریتم‌های پرکاربرد و شناخته شده در عمل بهینه‌سازی است. این الگوریتم بر گرفته از نظریه تکامل داروین می‌باشد، که در آن افراد قوی تر و برازنده تر شانس بیشتری برای تولید و گسترش نسل خود دارند. بر همین اساس آقای جان هالند در سال ۱۹۷۵ میلادی الگوریتمی نوین ارائه داد، که تحت عنوان الگوریتم ژنتیک شناخته شد. گرچه این الگوریتم در ابتدای کار صرفا برای بهینه سازی های باینری بوده است، اما بعدها شکل بهبود یافته آن برای حل مسائل گسترده ای به کار رفت. و هم چنان یکی از الگوریتم های بهینه سازی پرطرفدار بین محققان می‌باشد. الگوریتم ژنتیک با توجه به عملگرهایی که دارد، به خوبی می‌تواند برای مسائل بهینه سازی پیوسته و گسسته به کار رود.
روند اجرای الگوریتم ژنتیک که پایه الگوریتم های تکاملی است به صورت شکل ۱ زیر است:
شکل ۱: چرخه‌ی الگوریتم‌های تکاملی
اجزای اصلی الگوریتم ژنتیک به صورت زیر است :
_ بازنمایی محیط
_ تابع ارزیابی
_ جمعیت (مجموعه‌ای از جواب‌ها)
_ فرآیند انتخاب والدین
_ عملگرهای ایجاد تنوع (تولید نسل)
_ فرآیند انتخاب زنده‌ها (انتخاب افراد بهتر جهت ساخت نسل بعد)
_ شرط توقف
الگوریتم GA در موارد زیر می‌تواند مورد استفاده قرار گیرد :
_ حل مساله ۸ وزیر
_ انتخاب ویژگی برای طبقه بندی و رگرسیون
_ بهینه سازی توابع مهندسی
_ بهینه سازی مسائل گسترده ریاضی و مهندسی
_ بهینه سازی شبکه های عصبی
_ کاهش ابعاد مجموعه داده ها
_ بهینه سازی توابع بنچمارک (پایه) cec 2013،
_ بهینه سازی توابع بنچمارک (پایه) cec 2012،
_ بهینه سازی توابع بنچمارک (پایه) cec 2014،
_ بهینه سازی توابع بنچمارک (پایه) cec 2015،
_ حل مسائل زمانبندی با استفاده از الگوریتم‌های تکاملی
وب سایت مطلب دی ال با انجام پروژه های ژنتیک در خدمت کاربران عزیز می باشد .
