الگوریتم ژنتیکِ آگاه از بهترین عضو با کاربرد در رنگ آمیزي و بعدمتریک گراف
محورهای موضوعی : عمومى
محمود امین طوسی
1
*
,
هاشم عزتی
2
1 - دانشکده ریاضی و علوم کامپیوتر، دانشگاه حکیم سبزواري، سبزوار
2 - دانشکده ریاضی و علوم کامپیوتر، دانشگاه حکیم سبزواري، سبزوار
کلید واژه: لگوریتم ژنتیک, الگوریتم هاي فراابتکاري, بعدمتریک گراف, رنگ آمیزي گراف,
چکیده مقاله :
الگوریتم ژنتیک از معروف ترین روش هاي حل مسائل بهینه سازي ترکیبیاتی است که کاربردهاي متعددي در حوزه هاي گوناگونی الگوریتم ژنتیک از معروفترین روشهای حل مسائل بهینهسازی ترکیبیاتی است که کاربردهای متعددی در حوزههای گوناگونی همچون برق، کامپیوتر و ریاضی داشته و دارد. نسل بعد در این الگوریتم با انتخاب اعضای جمعیت بر اساس میزان برازندگی آنها صورت میپذیرد. ارتباط اعضا از طریق عملگر ترکیب میباشد و برخی از بهترین اعضا مستقیماً به نسل بعد منتقل میشوند. به صورت معمول اعضای ضعیف جمعیت نیز امکان مشارکت در ایجاد نسل بعد را دارند و حذف نمیشوند. در این مقاله، عملگرهای تولید فرزند، از بهترین عضو نسل جاری آگاه هستند و تنها فرزندانی به خوبیِ بهترین عضو، تولید شده و در نسل بعد قرار میگیرند. شیوهی پیشنهادی در دو کاربرد رنگآمیزی و بعدمتریک گراف با روش معمول الگوریتم ژنتیک مورد مقایسه قرار گرفته و برتری آن در حالت متوسط هم از نظر کیفیت و هم سرعت اجرا نسبت به الگوریتم ژنتیک مرسوم، نشان داده شده است.
Genetic algorithm is one of the most famous methods for solving Combinatorial Optimization Problems. It had various applications in different field of studies such as Electronics, Computer Science and Mathematics and still has. In this algorithm, the population members which contribute for producing the next generation are selected according to their fitness values. The combination of the members is through Crossover Operator; And in some versions a few of the best members migrate to the next generation directly. Normally, the weak members of population may participate to the next generation. In this study, the combination operators are aware of the best member of generation; Only those child which are as good as the best member, are allowed to form the next generation. The proposed method is applied on graph coloring and finding metric-dimension of graph problems. The results are compared with the common genetic algorithm. Experimental results shows the superior performance of the proposed method in comparison to common genetic algorithm.