Machine Translated by Google

Giấy ôn tập Tập-4, Số-10 E-ISSN: 2347-2693

Nghiên cứu về thuật toán di truyền và ứng dụng của nó

L. Haldurai1*, T. Madhubala2 và R. Rajalakshmi3

123*Khoa Khoa học Máy tính (PG), Trường Cao đẳng Khoa học và Nghệ thuật Kongunadu, Coimbatore, Ấn Độ

Có sẵn trực tuyến tại: www.ijcseonline.org

Ngày nhận:19/09/2016 Sửa đổi: 28/09/2016 Đã chấp nhận: 21/10/2016 Ngày phát hành: 31/10/2016

Tóm tắt— Để có được giải pháp tốt nhất, chúng ta cần có thước đo để phân biệt giải pháp tốt nhất với giải pháp tồi nhất. Thước đo có thể là thước đo
khách quan là mô hình thống kê hoặc mô phỏng hoặc có thể là thước đo chủ quan trong đó chúng ta chọn giải pháp tốt hơn giải pháp tồi tệ nhất. Ngoài
ra, hàm thích nghi còn xác định giải pháp tốt nhất cho một vấn đề nhất định, sau đó được GA sử dụng để hướng dẫn phát triển các giải pháp tốt nhất.
Bài báo này trình bày cách kết hợp GA với nhiều phương pháp và kỹ thuật khác để tìm ra lời giải tối ưu, tăng thời gian tính toán của hệ truy xuất và
ứng dụng thuật toán di truyền trong các lĩnh vực khác nhau.
Từ khóa- Thuật toán di truyền; Giải pháp tối ưu; Chức năng tập thể dục

I. GIỚI THIỆU

Thuật toán di truyền [1] là các thuật toán tìm kiếm và

tối ưu hóa dựa trên các nguyên tắc tiến hóa tự nhiên, được John
Holland giới thiệu lần đầu tiên vào năm 1970. Thuật toán di truyền
cũng thực hiện các chiến lược tối ưu hóa bằng cách mô phỏng sự
tiến hóa của loài thông qua chọn lọc tự nhiên.
Thuật toán di truyền thường bao gồm hai quá trình.
Quá trình đầu tiên là chọn lọc cá thể để tạo ra thế hệ tiếp theo và
quá trình thứ hai là thao tác với cá thể được chọn để hình thành
thế hệ tiếp theo bằng kỹ thuật lai ghép và đột biến [2]. Cơ chế
chọn lọc xác định cá thể nào được chọn để sinh sản và mỗi cá thể
được chọn sẽ sinh ra bao nhiêu con. Nguyên tắc chính của chiến
lược lựa chọn là cá nhân càng tốt; cơ hội được làm cha mẹ của nó
càng cao.

Hình 1. Sơ đồ hệ thống GA
II. Thuật toán di truyền
GA là chương trình máy tính mô phỏng sự di truyền và tiến hóa
Thuật toán di truyền (GA) là thuật toán tìm kiếm dựa trên
của các sinh vật sống [3]. Một giải pháp tối ưu có thể thực hiện
nguyên tắc chọn lọc tự nhiên và di truyền, được J Holland giới
được ngay cả đối với các hàm mục tiêu đa phương thức sử dụng GA
thiệu vào những năm 1970 và lấy cảm hứng từ sự tiến hóa sinh học
vì chúng là các phương pháp tìm kiếm đa điểm. Ngoài ra, GA còn có
của sinh vật sống. Các thuật toán di truyền trừu tượng hóa không
thể áp dụng cho các bài toán không gian tìm kiếm rời rạc. Do đó, GA
gian vấn đề như một quần thể gồm các cá thể và cố gắng khám phá cá
không chỉ rất dễ sử dụng mà còn là một công cụ tối ưu hóa rất mạnh
thể khỏe mạnh nhất bằng cách tạo ra các thế hệ lặp đi lặp lại. GA
mẽ [4]. Trong GA, không gian tìm kiếm bao gồm các chuỗi, mỗi chuỗi
phát triển một quần thể gồm các cá thể ban đầu thành một quần thể
đại diện cho một giải pháp ứng viên cho vấn đề và được gọi là nhiễm
gồm các cá thể có chất lượng cao, trong đó mỗi cá thể đại diện cho
sắc thể. Giá trị hàm mục tiêu của mỗi nhiễm sắc thể được gọi là
một giải pháp của vấn đề cần giải quyết. Chất lượng của mỗi quy giá trị thích nghi của nó.
tắc được đo bằng hàm thích hợp dưới dạng biểu thị định lượng về
Quần thể là một tập hợp các nhiễm sắc thể cùng với
mức độ thích ứng của từng quy tắc với một môi trường nhất định.
thể lực liên quan. Các thế hệ là các quần thể được tạo ra trong
Quy trình bắt đầu từ một quần thể ban đầu gồm các cá thể được tạo
một lần lặp của GA [5]. Thuật toán di truyền tìm kiếm trong không
ngẫu nhiên.
gian các lời giải ứng cử viên để xác định lời giải tốt nhất như sau:

Trong mỗi thế hệ, ba toán tử di truyền cơ bản được áp dụng tuần
Quy trình:
tự cho mỗi cá thể với những xác suất nhất định, tức là chọn lọc,
lai ghép và đột biến [3].
{ 1. [Bắt đầu] Tạo quần thể n nhiễm sắc thể ngẫu nhiên (giải pháp
*Tác giả tương ứng: L. Haldurai e- phù hợp cho vấn đề).
mail: haldurai@gmail.com

© 2016, IJCSE Mọi quyền được bảo lưu 139

Machine Translated by Google
Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính
2. [Fitness] Đánh giá mức độ thích hợp f(x) của mỗi nhiễm sắc thể x trong
dân số.
3. [Quần thể mới] Tạo quần thể mới bằng cách lặp lại các bước sau cho
đến khi quần thể mới hoàn tất a. [Chọn lọc] Chọn hai nhiễm
sắc thể bố mẹ từ quần thể theo mức độ thích hợp của chúng (sự phù hợp
càng tốt thì cơ hội được chọn càng lớn). b. [Chéo] Với xác suất lai
chéo qua bố mẹ để hình thành con
cái mới (con). Nếu không thực hiện lai ghép thì con cái là bản sao
chính xác của bố mẹ. c. [Đột biến] Với khả năng đột biến sẽ làm biến
đổi thế hệ con mới ở mỗi locus (vị trí trong nhiễm sắc thể).
d. [Chấp nhận] Đưa con cái mới vào quần thể mới.
4. [Thay thế] Sử dụng quần thể mới được tạo để chạy thuật toán tiếp
theo.
5. [Kiểm tra] Nếu điều kiện cuối được thỏa mãn, dừng lại và trả về
giải pháp tốt nhất trong quần thể hiện tại.
6. [Vòng lặp] Chuyển sang bước
2. }
III. NGƯỜI ĐIỀU HÀNH GEN
GA tìm kiếm các giải pháp tốt hơn bằng các phép toán di truyền, bao
gồm phép toán chọn lọc , phép toán chéo và phép toán đột biến .
A. Thao tác chọn lọc Thao
tác chọn lọc là chọn ra những cá thể ưu tú làm bố mẹ trong quần thể
hiện tại để có thể sinh ra con cái. Các giá trị thích hợp được sử dụng
làm tiêu chí để đánh giá liệu các cá nhân có phải là người theo chủ
nghĩa tinh hoa hay không. Có nhiều phương pháp để chọn những nhiễm
sắc thể tốt nhất, ví dụ như chọn bánh xe roulette , chọn Boltzman ,
chọn giải đấu , chọn thứ hạng , chọn trạng thái ổn định , chọn lọc tinh
hoa và một số phương pháp khác. Một số trong số chúng sẽ được mô tả
ngay sau đây.
1) Lựa chọn vòng quay Roulette
Phụ huynh được lựa chọn theo khả năng của họ. Nhiễm sắc thể càng tốt
thì càng có nhiều cơ hội được lựa chọn.
Hãy tưởng tượng một bánh xe roulette nơi đặt tất cả các nhiễm sắc thể
trong quần thể, mỗi nhiễm sắc thể có vị trí lớn tương ứng với chức
năng thích hợp của nó như trên Hình 2. Nhiễm sắc thể có độ thích hợp
lớn hơn sẽ được chọn nhiều lần hơn.
Hình 2. Lựa chọn bánh xe Roulette
© 2016, IJCSE Mọi quyền được bảo lưu
Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693
2) Lựa chọn thứ hạng
Phương pháp lựa chọn trước đó sẽ gặp vấn đề khi mức độ phù
hợp rất khác nhau. Ví dụ: nếu mức độ phù hợp của nhiễm sắc thể tốt nhất
là 90% trên toàn bộ bánh xe roulette thì các nhiễm sắc thể khác sẽ có
rất ít cơ hội được chọn. Lựa chọn thứ hạng trước tiên sẽ sắp xếp quần
thể theo mức độ thích hợp và sau đó mỗi nhiễm sắc thể sẽ nhận được mức
độ thích hợp từ xếp hạng này.
Loại kém nhất sẽ có độ thích hợp 1, độ thích nghi thứ hai là 2, v.v. và
loại tốt nhất sẽ có độ thích nghi N (số lượng nhiễm sắc thể trong quần thể).
Sau đó, tất cả các nhiễm sắc thể đều có cơ hội được chọn.
Xác suất để một nhiễm sắc thể được chọn khi đó tỷ lệ thuận với thứ hạng của
nó trong danh sách được sắp xếp này chứ không phải là mức độ phù hợp của nó.
Nhưng phương pháp này có thể dẫn đến sự hội tụ chậm hơn, vì các nhiễm
sắc thể tốt nhất không khác biệt quá nhiều so với các nhiễm sắc thể khác.
3) Chọn lọc tinh hoa
Khi tạo ra quần thể mới bằng phương pháp lai ghép và đột
biến; chúng ta có nguy cơ lớn là chúng ta sẽ mất đi nhiễm sắc thể tốt
nhất. Chủ nghĩa tinh hoa là tên của phương pháp sao chép nhiễm sắc
thể tốt nhất (hoặc một vài nhiễm sắc thể tốt nhất) đầu tiên sang quần
thể mới. Phần còn lại được thực hiện theo cách cổ điển. Chủ nghĩa tinh
hoa có thể tăng hiệu suất của GA rất nhanh chóng, bởi vì nó ngăn ngừa
việc mất đi giải pháp tốt nhất được tìm thấy.
B. Hoạt động chéo
Việc tạo ra các thành phần kế thừa trong GA được xác định bởi một
tập hợp các toán tử kết hợp lại và biến đổi các thành viên được chọn
của quần thể hiện tại. Hai toán tử phổ biến nhất là lai ghép và đột
biến. Toán tử chéo tạo ra hai chuỗi con mới từ hai chuỗi cha bằng cách
sao chép các bit đã chọn từ mỗi chuỗi cha. Bit ở vị trí i ở mỗi con
được sao chép từ bit ở vị trí i ở một trong hai bố mẹ. Việc lựa chọn
cha mẹ nào đóng góp bit cho vị trí i được xác định bởi một chuỗi bổ
sung gọi là mặt nạ chéo. Hình 3.10 dưới đây minh họa ngắn gọn toán tử
chéo. Có ba loại toán tử chéo, cụ thể là chéo một điểm, hai điểm và
chéo thống nhất.
1) Crossover một điểm Trong
crossover một điểm, mặt nạ chéo luôn được xây dựng sao cho nó
bắt đầu bằng một chuỗi chứa n số 1 liền kề, theo sau là số 0 cần thiết
để hoàn thành chuỗi. Điều này dẫn đến con cái trong đó n bit đầu tiên
được đóng góp bởi cha mẹ và các bit còn lại được đóng góp bởi cha mẹ
thứ hai. Mỗi lần áp dụng toán tử chéo điểm đơn, điểm chéo n được chọn
ngẫu nhiên, sau đó mặt nạ chéo được tạo và áp dụng. Để minh họa, hãy
xem xét toán tử lai điểm đơn ở đầu hình và xem xét toán tử trên cùng
của hai con trong trường hợp này. Con này lấy năm bit đầu tiên từ cha
mẹ thứ nhất và sáu bit còn lại từ cha mẹ thứ hai, bởi vì mặt nạ chéo
11111000000 chỉ định các lựa chọn này cho từng vị trí bit. Con thứ hai
sử dụng cùng một mặt nạ chéo nhưng chuyển đổi vai trò của
140
Machine Translated by Google
Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính
hai bố mẹ. Do đó, nó chứa các bit không được thế hệ con đầu tiên
sử dụng.
2) Trao đổi hai điểm Trong
lai ghép hai điểm, con cái được tạo ra bằng cách thay thế
các đoạn trung gian của một cha mẹ vào giữa chuỗi cha mẹ thứ hai.
Nói cách khác, mặt nạ chéo là một chuỗi bắt đầu bằng n0 số 0, theo
sau là một chuỗi liền kề gồm nl số 1, theo sau là số lượng số 0
cần thiết để hoàn thành chuỗi. Mỗi lần áp dụng toán tử chéo hai
điểm, một mặt nạ được tạo ra bằng cách chọn ngẫu nhiên các số
nguyên n0 và nl. Ví dụ, trong ví dụ ở Hình 3.10, con cái được tạo
ra bằng cách sử dụng mặt nạ có n0= 2 và nl = 5. Một lần nữa, hai
con con được tạo ra bằng cách chuyển đổi vai trò của hai bố mẹ.
3) Crossover thống nhất
Crossover thống nhất kết hợp các bit được lấy mẫu thống
nhất từ hai bit gốc, như minh họa trong Hình 3. Trong trường hợp
này, mặt nạ chéo được tạo ra dưới dạng một chuỗi bit ngẫu nhiên
với mỗi bit được chọn ngẫu nhiên và độc lập với các bit khác.
Hình 3. Hoạt động chéo và đột biến
C. Hoạt động đột biến Ngoài
các toán tử tái tổ hợp tạo ra
con cái bằng cách kết hợp các bộ phận của hai bố mẹ, loại toán tử
thứ hai tạo ra con cái từ một bố mẹ duy nhất. Cụ thể, toán tử đột
biến tạo ra những thay đổi nhỏ ngẫu nhiên đối với chuỗi bit bằng
cách chọn ngẫu nhiên một bit, sau đó thay đổi giá trị của nó. Đột
biến thường được thực hiện sau khi lai ghép như trong Hình 3.
IV. CHỨC NĂNG THỂ DỤC
Hàm thích hợp xác định tiêu chí để xếp hạng các giả thuyết tiềm
năng và để lựa chọn chúng theo xác suất để đưa vào quần thể thế hệ
tiếp theo. Nếu nhiệm vụ là tìm hiểu các quy tắc phân loại thì hàm
thích nghi thường
© 2016, IJCSE Mọi quyền được bảo lưu
Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693
có một thành phần chấm điểm độ chính xác phân loại của quy tắc trên
một tập hợp các ví dụ đào tạo được cung cấp. Thông thường, các
tiêu chí khác cũng có thể được đưa vào, chẳng hạn như mức độ phức
tạp hoặc tính tổng quát của quy tắc. Tổng quát hơn, khi giả thuyết
chuỗi bit được hiểu là một quy trình phức tạp (ví dụ: khi chuỗi
bit biểu thị một tập hợp các quy tắc nếu-thì sẽ được xâu chuỗi lại
với nhau để điều khiển thiết bị robot), hàm thích nghi có thể đo
hiệu suất tổng thể sau đó
thủ tục kết quả hơn là việc thực hiện các quy tắc riêng lẻ.
V. ĐÁNH GIÁ VĂN HỌC
Một thuật toán k-mean di truyền lai mới (GKA) [6] để tìm
phân vùng tối ưu toàn cầu của một dữ liệu nhất định thành một số
cụm được chỉ định. Toán tử chéo đắt tiền phá vỡ GA được đề xuất
được sử dụng để tạo ra các nhiễm sắc thể con hợp lệ từ nhiễm sắc
thể bố mẹ. Nó đã lai GA bằng cách sử dụng thuật toán giảm độ dốc
cổ điển được sử dụng trong phân cụm, tức là thuật toán K-mean.
Trong thuật toán K-mean di truyền (GKA), toán tử K-mean được xác
định và sử dụng làm toán tử tìm kiếm thay vì toán tử chéo. Nó định
nghĩa một toán tử đột biến thiên vị dành riêng cho việc phân cụm
được gọi là đột biến dựa trên khoảng cách. Các tác giả đã sử dụng
lý thuyết chuỗi Markov hữu hạn để chứng minh rằng GKA được đề xuất
hội tụ về toàn cục
tối ưu. Người ta cũng nhận thấy rằng GKA tìm kiếm nhanh hơn một
số thuật toán tiến hóa khác được sử dụng để phân cụm.
Một phiên bản cải tiến của GKA được gọi là Thuật toán K-
mean di truyền nhanh (FGKA) đã được đề xuất trong [7].
GA được đề xuất có một số cải tiến so với GKA.
Rõ ràng từ các thí nghiệm trong [6] [7], thuật toán K-means có thể
hội tụ đến mức tối ưu cục bộ, cả FGKA và GKA luôn hội tụ về mức
tối ưu toàn cục. FGKA
khởi tạo quần thể thành P0 và thu được quần thể tiếp theo bằng
cách áp dụng các toán tử chọn lọc, lai ghép và đột biến và nó tiếp
tục phát triển cho đến khi đáp ứng một số điều kiện kết thúc. Các
chuỗi bất hợp pháp được cho phép trong FGKA trong giai đoạn khởi
tạo, nhưng được coi là giải pháp không mong muốn nhất bằng cách
xác định tổng số biến thể trong cụm (TWCV) của chúng là vô cùng
(+∞). Bằng cách cho phép các chuỗi không hợp lệ, chi phí của chuỗi
không hợp lệ trong quá trình tiến hóa đã tránh được và do đó cải
thiện hiệu suất thời gian của thuật toán so với GKA.
Thuật toán K-mean di truyền tăng dần (IGKA) được đề xuất
trong [8] là một phần mở rộng cho thuật toán phân cụm được đề xuất
trước đó, Thuật toán K-mean di truyền nhanh (FGKA). Hiệu suất của
IGKA được cho là tốt hơn khi xác suất đột biến nhỏ. IGKA dựa trên
việc tính toán Tổng biến thiên trong cụm (TWCV) và phân cụm các
trọng tâm tăng dần bất cứ khi nào xác suất đột biến nhỏ đối với
nhiệm vụ phân cụm. Giống như FGKA, IGKA cũng luôn hội tụ về mức
tối ưu toàn cục.
141
Machine Translated by Google
Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính
Kỹ thuật phân cụm không giám sát dựa trên GA đã được đề xuất
trong [9], kỹ thuật này chọn trung tâm cụm trực tiếp từ tập dữ liệu,
do đó tăng tốc quá trình đánh giá mức độ phù hợp bằng cách xây dựng
trước bảng tra cứu và tiết kiệm khoảng cách giữa tất cả các cặp điểm
dữ liệu. . Biểu diễn nhị phân thay vì biểu diễn chuỗi được sử dụng để
mã hóa số lượng trung tâm cụm thay đổi và các toán tử hiệu quả hơn để
lựa chọn, chéo và đột biến đã được giới thiệu.
Một thuật toán phân cụm mới cho dữ liệu hỗn hợp đã được đề
xuất trong [10]. Hầu hết các thuật toán phân cụm hiện tại chỉ hiệu quả
đối với dữ liệu số thay vì tập dữ liệu hỗn hợp nhưng GA được đề xuất
hoạt động hiệu quả đối với các tập dữ liệu có giá trị hỗn hợp bằng cách
sửa đổi hàm chi phí chung .
Một thuật toán phân cụm dựa trên di truyền lai, được gọi là
Phân cụm HGA đã được đề xuất trong [11] để khám phá cách phân cụm các
tập dữ liệu thích hợp. Thuật toán này, với sự kết hợp của tiêu chí bảng
tính và khát vọng, đã đạt được sự hài hòa giữa đa dạng dân số và tốc
độ hội tụ.
Một thuật toán di truyền đã được đề xuất trong [12] nhằm
thiết kế một thước đo độ khác biệt, được gọi là Đo khoảng cách di
truyền (GDM) để cải thiện hiệu suất của thuật toán K-modes, một phần mở
rộng của k-mean.
Một cách tiếp cận mới về [13] lập chỉ mục song song việc
trích xuất màu sắc và tính năng của hình ảnh và thuật toán di truyền
đã được triển khai. Chức năng chính của nó là kết hợp hình ảnh với
hình ảnh và mục đích sử dụng của nó là truy xuất hình ảnh tĩnh. Các
tiêu chí đánh giá do GA cung cấp và đã được sử dụng thành công như
một thước đo để đánh giá hiệu quả của quá trình truy xuất hình ảnh dựa
trên nội dung.
Trong [14], PR Srivastava và Tai đã trình bày một phương
pháp tối ưu hóa hiệu quả kiểm thử phần mềm bằng cách xác định các cụm
đường dẫn quan trọng nhất trong một chương trình. SUT được chuyển
đổi thành CFG. Trọng số được gán cho các cạnh của CFG bằng cách áp
dụng quy tắc 80-20. 80 phần trăm trọng số của tín dụng đến được trao
cho các vòng và nhánh và 20 phần trăm tín dụng còn lại được trao cho
các cạnh trong đường dẫn tuần tự. Tổng các trọng số dọc theo các cạnh
bao gồm một đường dẫn sẽ xác định mức độ quan trọng của đường dẫn.
Tổng càng cao thì đường dẫn càng quan trọng và do đó phải được kiểm
tra trước các đường dẫn khác. Bằng cách này, bằng cách xác định hầu
hết các đường dẫn quan trọng phải được kiểm tra trước tiên, hiệu quả
kiểm tra sẽ tăng lên.
Trong [15], Zhao đã sử dụng mạng lưới thần kinh và GA để
kiểm tra chức năng. Mạng nơ-ron được sử dụng để tạo ra một mô hình có
thể được lấy làm chức năng thay thế cho SUT.
Sự nhấn mạnh vào các đầu ra thể hiện các tính năng quan trọng của SUT
so với đầu vào. Trong trường hợp đó, các ca kiểm thử nên được tạo từ
miền đầu ra thay vì miền đầu vào. Mạng nơ-ron chuyển tiếp nguồn cấp dữ
liệu và thuật toán đào tạo lan truyền ngược được sử dụng để tạo mô
hình.
Mạng nơ-ron được huấn luyện bằng cách mô phỏng SUT. Các kết quả đầu ra
© 2016, IJCSE Mọi quyền được bảo lưu
Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693
được tạo từ mô hình đã tạo sẽ được đưa đến GA được sử dụng để tìm
đầu vào tương ứng để hoàn tất quá trình tự động hóa việc tạo trường
hợp thử nghiệm từ miền đầu ra.
Trong [16] giới thiệu thuật toán mới dựa trên thuật toán di
truyền truyền thống, đối với thuật toán GA truyền thống, thuật toán mới
đã thực hiện một số cải tiến: Bằng cách đưa ra chiến lược chọn lọc di
truyền, giảm khả năng bị mắc kẹt vào mức tối ưu cục bộ. So với thuật
toán di truyền truyền thống, thuật toán mới mở rộng không gian tìm kiếm
và độ phức tạp không cao. Bằng cách phân tích kết quả thử nghiệm tối
ưu hóa hàm benchmark, người ta kết luận rằng ở độ chính xác tối ưu
hóa, thuật toán mới hiệu quả hơn thuật toán di truyền truyền thống.
Chúng tôi cũng sử dụng thuật toán mới này để phân loại dữ liệu và kết
quả thử nghiệm cho thấy thuật toán đề xuất của chúng tôi vượt trội
hơn KNN với
sự chính xác.
Quản lý nguồn cung cấp nước ngầm đã nhận thấy AI và GA rất
hữu ích. [17] Đề xuất sử dụng GA để phù hợp với các thông số của mô
hình nhằm tối ưu hóa vị trí bơm và lịch trình xử lý nước ngầm. Sau
đó, họ kết hợp GA với mạng thần kinh (NN) để mô hình hóa các hàm phản
hồi phức tạp trong GA [18]. Sau đó [19] kết hợp Ủ mô phỏng (SA) và GA
để tối đa hóa hiệu quả và sử dụng tốt tính chất song song dễ áp dụng
của GA. Gần đây nhất, [20] cùng với Peralta đã sử dụng Pareto GA để sắp
xếp các giải pháp tối ưu để quản lý nguồn cung cấp nước mặt và nước
ngầm, cùng với chức năng xử phạt mờ trong khi sử dụng Mạng thần kinh
nhân tạo (ANN) để mô hình hóa các hệ thống tầng chứa nước phức tạp
trong hệ thống nước ngầm những phản hồi.
Các phương pháp tiến hóa cũng đã tìm được đường vào
thiết kế thí nghiệm hải dương học. Trong [21] đã chỉ ra rằng thuật
toán di truyền nhanh hơn quá trình ủ mô phỏng và chính xác hơn phương
pháp giải quyết vấn đề cụ thể để tối ưu hóa thiết kế của một thí
nghiệm hải dương học. [22] nhận thấy rằng chiến lược lập trình tiến
hóa mạnh mẽ hơn các phương pháp truyền thống để định vị một loạt cảm
biến trong đại dương sau khi chúng trôi dạt khỏi vị trí triển khai
ban đầu.
CÁI CƯA. PHẦN KẾT LUẬN
Thuật toán di truyền được chứng minh là tốt hơn trong việc tìm kiếm
các lĩnh vực có vấn đề phức tạp và thực tế. Thuật toán di truyền có khả
năng thích ứng với môi trường của chúng, vì loại phương pháp này là
nền tảng xuất hiện trong môi trường luôn thay đổi. Hiện tại các thuật
toán này được áp dụng nhiều hơn. Một số cải tiến phải được thực hiện
để GA có thể được áp dụng rộng rãi hơn.
NGƯỜI GIỚI THIỆU
[1] J. Holland, “Thích ứng trong các hệ thống tự nhiên và nhân tạo”, Nhà
xuất bản Đại học Michigan, Ann Arbor, 1975.
142
Machine Translated by Google

Tạp chí Quốc tế về Khoa học và Kỹ thuật Máy tính Tập-4(10), tháng 10/2016, E-ISSN: 2347-2693

[2] Noraini Mohd Razali, John Geraghty “Một hiệu suất thuật toán di Khoa học và Kỹ thuật Máy tính, Tập-04, Số-10, Trang số
truyền với các chiến lược chọn lọc khác nhau”, Kỷ yếu của Đại hội (10-18), Tháng 10 -2016
Thế giới về Kỹ thuật Tập II, 2011.
[19] Shieh, HJ. và RC Peralta,: Thiết kế hệ thống tối ưu cho quá
[3] DE Goldberg, “Thuật toán di truyền trong tìm kiếm, tối ưu hóa và học trình xử lý sinh học tại chỗ bằng thuật toán ủ di truyền.
máy, Reading, MA: Addison-Wesley, 1989. Trong nước ngầm: Tài nguyên có nguy cơ tuyệt chủng, Kỷ yếu
[4] Gaidhani, Chaitali R., Vedashree M. Deshpande, và Vrushali N. Bora. Chủ đề C, Nước cho cộng đồng toàn cầu đang thay đổi, Đại hội
"Chụp ảnh ẩn để ẩn tin nhắn bằng thuật toán di truyền." (2014). thường niên lần thứ 27 của Hiệp hội nghiên cứu thủy văn quốc
tế, trang 95-100, 1997.

[5] Radwan A., Latef B., Ali A., và Sadek O., “Sử dụng thuật toán di [20] Fayad, H, Ứng dụng mạng lưới thần kinh và thuật toán di truyền để

truyền để cải thiện hệ thống truy xuất thông tin”, Viện Hàn lâm giải quyết các vấn đề sử dụng nước kết hợp, Ph.D.

Khoa học và Công nghệ Kỹ thuật Thế giới, 17, Số-2, Trang số (6- Luận án, Đại học Bang Utah, 152 trang, 2001.
13), 2006. [21] Barth, H, Thiết kế thí nghiệm hải dương học II: Thuật toán di

[6] K. Krishna và MN Murty, “Thuật toán K-Means di truyền”, Giao dịch truyền, Tạp chí Công nghệ Khí quyển và Đại dương, 9, 1992, trang

IEEE trên Hệ thống, Con người và Điều khiển học—Phần B: CYBERNETICS, 434-443, 1992.
Tập. 29, số 3, tháng 6 năm 1999. [22] Porto, VW, DB Fogel và LJ Fogel, Các phương pháp đào tạo mạng thần

[7] Shrivastava, Animesh, và Singh Rajawat. "Việc triển khai thuật toán kinh thay thế, IEEE Expert Syst, tháng 6 năm 1995.

di truyền lai để phân cụm dữ liệu dựa trên hệ thống đề xuất web."
Int J Comput Sci Eng 2.4 (2014): 6-11. Hồ sơ tác giả

[8] Yi Lu1, Shiyong Lu1, Farshad Fotouhi1, Youping Deng, d.

Ông L. Haldurai có bằng Cử nhân Khoa học, Thạc
Susan, J. Brown,” Thuật toán K-mean di truyền lũy tiến và ứng
dụng của nó trong phân tích dữ liệu biểu hiện gen”, BMC sĩ Ứng dụng Máy tính và Thạc sĩ Triết học tại
Bioinformatics 2004. Đại học Bharathiar. Ông hiện đang giữ chức vụ
Trợ lý Giáo sư tại Khoa Khoa học Máy tính (PG),
[9] Sangari, Fardin Esmaeeli và Mehrdad Nabahat. “Hiệu quả của các chiến
Trường Cao đẳng Khoa học và Nghệ thuật Kongunadu.
lược khác nhau trong việc tô màu đồ thị bằng các thuật toán di
Công việc nghiên cứu chính của ông tập trung vào
truyền song song.” (2014): 138-141.
Khai thác dữ liệu và Truyền thông dữ liệu. Ông
[10] LI Jie, G. Xinbo, “Thuật toán phân cụm dựa trên GA có 8 năm kinh nghiệm Giảng dạy và 2 năm kinh nghiệm Nghiên cứu.
cho các tập dữ liệu lớn có giá trị số và phân loại hỗn hợp”,
IEEE, Kỷ yếu của Hội nghị quốc tế lần thứ năm về ứng dụng đa
phương tiện và trí tuệ tính toán (ICCIMA'03) 0-7695-1957-1/03,
2003. Bà T. Madhubala có bằng Cử nhân Khoa học và Thạc
[11] Y. Liu, Kefe và X. Liz,” Thuật toán phân cụm dựa trên di truyền sĩ Khoa học tại Đại học Bharathiar.
lai”, Kỷ yếu của Hội nghị quốc tế lần thứ ba về học máy và điều Cô hiện đang làm Trợ lý Giáo sư tại Khoa Khoa
khiển học, Thượng Hải, 26-29 tháng 8 năm 2004. học Máy tính, Trường Cao đẳng Khoa học và Nghệ
thuật Kongunadu. Công việc nghiên cứu chính của
cô tập trung vào Khai thác dữ liệu. Cô đã có 3
[12] S. Chiang, SC Chu, YC Hsin và MH Wang, ”Đo khoảng cách di truyền
năm kinh nghiệm Giảng dạy.
cho thuật toán chế độ K”,Tạp chí quốc tế về máy tính đổi mới, thông
tin và điều khiển ICIC,ISSN 1349-4198, Tập 2, Số 1, trang. 33-40
tháng 2 năm 2006.
Bà R. Rajalakshmi có bằng Thạc sĩ Ứng dụng Máy
tính và Thạc sĩ Triết học tại Đại học Bharathiar.
[13] L. Haldurai và V. Vinodhini, "Lập chỉ mục song song về trích xuất
đặc điểm màu sắc và kết cấu bằng cách sử dụng R-Tree để truy xuất Cô hiện đang làm Trợ lý Giáo sư tại Khoa Khoa
hình ảnh dựa trên nội dung", Tạp chí quốc tế về khoa học và kỹ học Máy tính (PG), Trường Cao đẳng Khoa học và
thuật máy tính, Tập-03, Số phát hành-11, Trang số ( 15-11), 11-2015, Nghệ thuật Kongunadu. Công việc nghiên cứu chính
E-ISSN: 2347-2693 [14]
của cô tập trung vào Khai thác dữ liệu. Cô có 8
Praveen Ranjan Srivastava và Tai-hoon Kim, “Ứng dụng thuật toán di truyền năm kinh nghiệm Giảng dạy và 2 năm kinh nghiệm Nghiên cứu.
trong kiểm thử phần mềm” Tạp chí Quốc tế về Kỹ thuật phần mềm và
Ứng dụng của nó, 3(4) , tr.87-96, 2009.

[15] Ruilian zhao, shanshan lv, “Tạo các trường hợp thử nghiệm dựa trên
mạng thần kinh bằng thuật toán di truyền” Hội nghị chuyên đề quốc
tế lần thứ 13 của IEEE về điện toán đáng tin cậy của Pacific Rim.
IEEE, tr.97 – 100, 2007.

[16] Sreedharamurthy SK và HRSudarshana Reddy, "Lựa chọn tập hợp con

tính năng bằng thuật toán di truyền để nhận dạng bảng chữ cái
Kannada viết tay", Tạp chí quốc tế về khoa học và kỹ thuật máy tính,
Tập-03, Số phát hành-06, Trang số (94-99), Tháng 6 -2015 .

[17] Aly, AH và RC Peralta,: So sánh thuật toán di truyền và lập trình

toán học với thiết kế hệ thống làm sạch nước ngầm, Nghiên cứu Tài
nguyên Nước, 35(8), trang 2415-2425, 1999.

[18] Amin Dastanpour, Suhaimi Ibrahim và RezaMashinchi,

"Ảnh hưởng của thuật toán di truyền đến mạng thần kinh nhân
tạo cho hệ thống phát hiện xâm nhập", Tạp chí quốc tế về

© 2016, IJCSE Mọi quyền được bảo lưu 143