الگوریتم ژنتیک (GA) که یک روش تصادفی است،  در علم رایانه به منظور بهینه سازی و مسائل جستجو مورد استفاده قرار می گیرد. در واقع این الگوریتم از اصل انتخاب طبیعی داروین برای فرمول یافتن استفاده می کند. الگوریتم های ژنتیک از چهار بخش تشکیل شده اند: تابع برازش، نمایش، انتخاب و تغییر.

GA انواع بسیاری دارد که برخی از آنها عبارتند از:

الگوریتم GA یا ژنتیک سری

الگوریتم ژنتیک موازی

الگوریتم ژنتیک آشفته

الگوریتم ژنتیک هیبرید

الگوریتم ژنتیک خودسازمان

الگوریتم ژنتیک زایشی

الگوریتم ژنتیک حالت دائمی

الگوریتم ژنتیک سری همان GA معمولی است که روش یادگیری بر پایه تکامل بیولوژیک است. تکامل یک پروسه بهینه سازی مبتنی بر تغییران تصادفی تدریجی نمونه های مختلف در یک جمعیت و انتخاب برتر آنها است. یک الگوریتم ژنتیک به منظور حل کردن مسئله یک مجموعه بسیار بزرگی از راه حل های ممکن را تولید می کند. هر یک از راه حل ها از یم تابع مناسب استفاده م یکنند و مورد ارزیابی قرار می گیرند. سپس ترتیب فضای جستجو در جهتی تکامل می یابد که بتوان به راه حلی مطلوب رسید. در صورتی که پارامترها را درستت انتخاب کنید این روش عملکردی بسیار موثر خواهد داشت.

به طور کلی از GA می توان در مسائلی که فضای جستجوی بزرگی دارند استفاده کرد. البته در فضایی با فرضیه پیچیده نیز می توان از این الگوریتم استفاده کرد. الگوریتم های ژنتیک کاربردهای فراوانی از جمله بهینه سازی، برنامه نویسی اتوماتیک، یادگیری ماشینی، اقتصاد، اکولوژی، تحقیقات اجرایی و سیستم های اجتماعی اشاره کرد.

سوالی که شاید برای تازه واردان درباره GA ایجاد شود این است که چرا الگوریتم GA کار می کند؟ آیا روشی مفید است؟

در پاسخ این سوال باید گفت که یک Schema اطلاعات امید بخشی در جمعیت را کد می کند و از آنجایی که همیشه شانس انتخاب با رشته هایی است که سازگاری بالاتری دارند، بنابراین کم کم مثالهای بیشتری به بهترین Schemaها داده می شود. الگوریتم GA در هر نسل روی جمعیتی از رشته ها تکرار شده و تغییراتی روی مجموعه دسته ها که تصادفی هستند ایجاد می نماید. پس از آنکه رشته ها رمزگشایی شد،پاسخ هایی متفاوت بر اساس تابع هدف ایجاد می شود که در نهایت انتخاب بر مبنای این ارزیابی و تصادف انجام می شود.


ثبت پروژه