Crossover OR mutation?
تابلو استيل
Crossover : خاصیت جستجوگرانه و یا explorative دارد . میتواندبا انجام پرشهای بزرگ به محل هائی دربین والدین رفته و نواحی جدیدی را کشف نماید .
Mutation : خاصیت گسترشی و یا exploitive دارد . میتواند با انجام تغییرات کوچک تصادفی به نواحی کشف شده وسعت ببخشد .
Crossove : اطلاعات والدین را ترکیب میکند درحالیکه mutation میتواند اطلاعات جدیدی اضافه نماید .
برای رسیدن به یک پاسخ بهینه یک خوش شانسی در mutation لازم است.
تابع تناسب
تابع fitness : معیاری برای رتبه بندی فرضیه هاست که کمک میکند تا فرضیه های برتر برای نسل بعدی جمعیت انتخاب شوند . نحوه انتخاب این تابع بسته به کاربر مورد نظر دارد :
classification : در این نوع مسایل تابع تناسب معمولا برابر است با دقت قانون در دسته بندی مثالهای آموزشی
انتخاب فرضیه ها
Roulette Wheel selection :
در روش معرفی شده در الگوریتم ساده GA احتمال انتخاب یک فرضیه برای استفاده در جمعیت بعدی بستگی به نسبت fitness آن به fitness بقیه اعضا دارد . این روش Roulette Wheel selection نامیده میشود .
P(hi) = Fitness (hi) / ΣjFitness (hj)
fitness(A) = 3
fitness(B) = 1
fitness(C) = 2
A
C
1/6 = 17%
3/6 = 50%
B
2/6 = 33%
روشهای دیگر :
tournament selection
rank selection
منبع : matlabdl