site2017

پارامترهای GA
یک الگوریتم GA دارای پارامترهای زیر است :
GA(Fitness,Fitness_threshold,p,r,m)
Fitness : تابعی برای ارزیابی یک فرضیه که مقداری عددی به هر فرضیه نسبت میدهد
Fitness_threshold :مقدار آستانه که شرط پایان را معین میکند
p : تعداد فرضیه هائی که باید در جمعیت در نظر گرفته شوند
r : در صدی از جمعیت که در هر مرحله توسط الگوریتم crossover جایگزین میشوند
m : نرخ mutation
طراحی سايت شرکتی
الگورتیم
Initialize :جمعیت را با تعداد p فرضیه بطور تصادفی مقدار دهی اولیه کنید .
Evaluate : برای هر فرضیه h در p مقدار تابع Fitness(h) را محاسبه نمائید .
 تا زمانیکه [maxhFitness(h)] < Fitness_threshold یک جمعیت جدید ایجاد کنید .
 فرضیه ای که دارای بیشترین مقدار Fitness است را برگردانید .

نحوه ایجاد جمعیت جدید

مراحل ایجاد یک جمعیت جدید بصورت زیر است :
1. select : تعداد (1-r)p فرضیه از میان P انتخاب و به Ps اضافه کنید . احتمال انتخاب یک فرضیه hi از میان P عبارت است از :
P(hi) = Fitness (hi) / Σj Fitness (hj)

هر چه تناسب فرضیه ای بیشتر باشد احتمال انتخاب آن بیشتر است . این احتمال همچنین با مقدار تناسب فرضیه های دیگر نسبت عکس دارد.
2. Crossover : با استفاده از احتمال بدست آمده توسط رابطه فوق، تعداد (rp)/2 زوج فرضیه از میان P انتخاب و با استفاده از اپراتور Crossover دو فرزند از آنان ایجاد کنید . فرزندان را به Ps اضافه کنید.

3. Mutate : تعداد m درصد از اعضا Ps را با احتمال یکنواخت انتخاب و یک بیت از هر یک آنها را بصورت تصادفی معکوس کنید.

4. برای هر فرضیه h در P مقدار تابع Fitness را محاسبه کنید