پروژه های الگوریتم ژنتیک در متلب

واژه الگوریتم ژنتیک به عنوان تکنیک جستجو برای محاسبه راه حل واقعی یا مرتبط و مسائل محاسباتی در محدوده وسیع استفاده می شود. یک تکنیک محاسباتی برای پردازش روش تکاملی، الگوریتم ژنتیک است. پروژه های الگوریتم ژنتیک با کدگذاری بیت و جستجوی راه حل مناسب در ژنوتیپ فضایی با استفاده از جهش ها انتخابی و متقاطع که عملیات الگوریتم ژنتیک نامیده می شوند، پاسخ های در سطح کروموزوم ها ارائه می دهند.
برای شناخت بالاتر و طبقه بندی دقیق، پروژه های الگوریتم ژنتیک در متلب توسعه یافته است. گرایش جمعیت یک مفهوم مهم در الگوریتم ژنتیک است. اندازه جمعیت یک پارامتر تعیین‌شده توسط کاربر است و عامل مهمی است که بر عملکرد الگوریتم‌های ژنتیک و مقیاس‌پذیری تأثیر می‌گذارد. مشکلات در الگوریتم‌های ژنتیک غیرخطی هستند. هر پارامتر باید به عنوان متغیر مستقل در نظر گرفته شود و می تواند مستقل از سایر متغیرها حل شود.

• بهینه سازی الگو برای جستجوی بلوک دو نیم تنه معکوس با استفاده از الگوریتم ژنتیک Elitist.
• ادغام طبقه‌بندی‌کننده‌های مبتنی بر الگوریتم ژنتیک برای شناسایی فعالیت چندحسگر افراد مسن.
• برنامه ریزی بهینه برای دوره نگهداری واحدهای تولیدی با استفاده از الگوریتم ترکیبی پراکندگی-ژنتیک.
• طراحی الکترومغناطیسی بهینه یک ماشین سنکرون ابررسانا با هسته مغناطیسی غیر برجسته با استفاده از الگوریتم ژنتیک.
• یک رویکرد مبتنی بر الگوریتم ژنتیک برای حل مشکلات سرویس کارپول در رایانش ابری.
• ASMiGA: الگوریتم میکرو ژنتیک با حالت پایدار مبتنی بر آرشیو.
• انتخاب ویژگی بر اساس هیبریداسیون الگوریتم ژنتیک و بهینه سازی ازدحام ذرات با پروژه متلب.
• مدل سازی مسئله گروه مواد مغناطیسی و تخصصی شدن الگوریتم ژنتیک.
• دیودهای ساطع نور GaInN با راندمان بالا با مهندسی قطبی بهینه شده توسط الگوریتم ژنتیک.
• رویکرد الگوریتم ژنتیک کدگذاری شده واقعی با جهش مبتنی بر بردارهای انتقال تصادفی برای برنامه‌ریزی کوتاه‌مدت هیدروترمال.
• پیش‌بینی تجربی سرعت رادار HF با استفاده از الگوریتم‌های ژنتیک با پایتون.
• بهینه‌سازی ویژگی‌های سیستم تعلیق هیبریدی قطار Maglev با استفاده از الگوریتم ژنتیک.
• بهینه‌سازی مسیر خودروی الکتریکی با در نظر گرفتن زمان استفاده از قیمت برق توسط الگوریتم پارتنو-ژنتیک قابل یادگیری.
• بحث در مورد "استراتژی کنترل ولتاژ پایین بر اساس الگوریتم ژنتیک برای ژنراتورهای باد القایی با فید مضاعف متصل به شبکه".

انگیزه انجام پروژه الگوریتم ژنتیک در متلب یک نظریه موثر است که در آن از عوامل بیولوژیکی مانند پرورش انتخابی و نسب مشترک برای منافع انسان استفاده می شود.

• جهش.
• انتخاب.
• عملکرد متقاطع.

جهش:

انواع اپراتورهای مورد استفاده در جستجوی همسایگی و الحاقات آن که به مفهوم نزدیک می شوند عملگرهای جهش هستند. با افزودن نویز گاوسی جهش یک عدد واقعی شناسایی می شود، پارامترهای گاوسی توسط ES کنترل می شود و اجازه می دهد پوشش توزیع به حالت بهینه جهانی برسد.

انتخاب:

تاکید بر راه حل خوب و لغو راه حل بد در جمعیت با عدم تغییر اندازه جمعیت، هدف اصلی اپراتورهای انتخاب است.

متقاطع:

انتخاب ژن ها از کروموزوم های والد هنگام ایجاد فرزندان جدید پدیده متقاطع نام دارد. این دو والدین دوباره با هم ترکیب می شوند تا فرزندان جدیدی را تشکیل دهند که کروموزوم های دو والدین به نسل بعدی منتقل می شوند.

محققین دکترا می توانند پروژه های الگوریتم ژنتیک را بر اساس نیاز خود انجام دهند. عنوان مقاله برای پروژه های الگوریتم ژنتیک از مجلات Scopus به روز شده است که دارای ضریب تاثیر بالایی است.

• رمزگذاری درخت: کروموزوم در ساختار درختی نشان داده می شود.
• رمزگذاری باینری: هر کروموزوم یک رشته 0 یا 1 است.
• رمزگذاری ارزش: کروموزوم دنباله ای از مقادیر است.
• رمزگذاری جایگشت: کروموزوم رشته ای از اعداد است که موقعیت را در یک دنباله نشان می دهد.

روش های مورد استفاده در پروژه های الگوریتم ژنتیک در متلب:

• روش های تولید مثل
• روش های نمایندگی
• روش های انتخاب 

روش های انتخاب عبارتند از:

• انتخاب بهینه.
• انتخاب چرخ رولت
• انتخاب مقیاس.
• انتخاب رتبه
• انتخاب متناسب با تناسب اندام