1. 1. بهینه سازی فرایندهای ایستا در مقابل فرایندهای پویا

فرایند پویا فرایندی است که خروجی آن تابعی از زمان باشد، در حالی که فرایند ایستا مستقل از زمان است. بهینه سازی فرایندهای پویا مشکل تر از فرایندهای ایستا می باشد.

1. 1. بهینه سازی فرایندهای گسسته در مقابل فرایندهای پیوسته

پارامترهای گسسته تنها می توانند مقادیر محدود و ناپیوسته ای را دارا باشند در حالی که پارامترهای پیوسته می توانند بی نهایت مقدار را که تغییرات آنها به صورت پیوسته است اختیار کنند.

1. 1. بهینه سازی فرایندهای مقید در مقابل فرایندهای نامقید

در فرایندهای مقید ، پارامترهای مسأله نمی توانند هر مقدار دلخواهی را اختیار کنند و قیودی بر آنهاحاکم می باشد، به عبارت دیگر پارامترهای مسأله در فرایندهای بهینه سازی به گونه ای تعیین می شوند که قیود مسأله ارضا گردند. ولی در فرایندهای نامقید چنین قانونی حاکم نیست.
۳-۴- الگوریتم ژنتیک چگونه عمل می کند؟
ساختار زیر به طور خلاصه نحوه عملکرد الگوریتم ژنتیک را توصیف می کند:

1. 1. الگوریتم با ایجاد یک جمعیت اولیه تصادفی آغاز به کار می کند. هر عضو این جمعیت ، رشته^[۱۳۰] یا کروموزومیا بردار^[۱۳۱] ، فرد یا ژنوم^[۱۳۲] نامیده می شود. هر رشته برداری است که اعضای این بردار، ژن نامگذاری شده و همان متغیرهای طراحی هستند.

1. 1. مقدار ارزندگی هر رشته توسط تابع ارزندگی (یا هدف) محاسبه می شود. جهت تولید نسل جدید؛ الگوریتم مراحل زیر را انجام می دهد.

1. 1. تعداد اندکی از رشته ها که بهترین مقادیر ارزندگی را دارند؛ به طور خودکار جان سالم به در برده و در نسل بعد جای می گیرند. این انتخاب ، تولید مجدد^[۱۳۳] نام داد و رشته های برگزیده ، فرزندان نخبه^[۱۳۴] نامیده می شوند.

1. 1. رشته های دیگر به عنوان والدین^[۱۳۵] انتخاب می شوند. از این والدین، می بایست جهت تولید نسل بعدی فرزندانی ایجاد شودکه این فرزندان به دو صورت زیر تولید می گردند:

الف- با ترکیب ژن های دو رشته با یکدیگر ، دو رشته جدید ایجاد می شود. این عمل تقاطع^[۱۳۶] نامیده شده وبا احتمال بالا اعمال می شود. فرزندان حاصل از این عمل را فرزندان تقاطع^[۱۳۷] می نامند.
ب- با اعمال تغییرات تصادفی بر روی یک رشته؛ رشته جدیدی حاصل می شود. این فرایند جهش^[۱۳۸] نامگذاری شده و با احتمال پایین انجام می گردد. رشته های ایجاد شده ؛ به فرزندان جهش^[۱۳۹] معروف هستند.

1. 1. فرزندان تولید شده در مرحله قبل، جمعیت(نسل) بعدی را تشکیل می دهند.

1. 1. مقدار ارزندگی این فرزندان (رشته های جدید) محاسبه می شود.

1. 1. اگر یکی از معیارهای توقف الگوریتم برآورده شود بهترین رشته به عنوان جواب بهینه معرفی می گردد و در غیر این صورت مراحل ۳ تا ۷ مجدداً اجرا خواهد شد.

درشکل(۳- ۲) نمودار شماتیک سه نوع فرزندان که نحوه تولید آنها توضیح داده شد به نمایش در آمده است.
شکل(۳- ۲): نمودار شماتیک سه نوع فرزند نخبه؛ تقاطع و جهش
شرایط خاتمه الگوریتم‌های ژنتیک عبارتند از:

• • به تعداد ثابتی از نسل‌ها برسیم.

• • بودجه اختصاص داده‌شده تمام شود(زمان محاسبه/پول).

• • یک پارامتر پیدا شود که مینیمم (کمترین) ملاک را برآورده کند.

• • بیشترین درجه برازش پارامترها حاصل شود یا دیگر نتایج بهتری حاصل نشود.

• • بازرسی دستی.

• • ترکیبهای بالا.

۳-۵- روش های انتخاب
روش‌های مختلفی برای الگوریتم‌های ژنتیک وجود دارند که می‌توان برای انتخاب ژنوم‌ها از آن‌ها استفاده کرد. اما روش‌های لیست شده در پایین از معمول‌ترین روش‌ها هستند.

۳-۵-۱- انتخاب بهترین پارامتر(نخبه سالاری^[۱۴۰]):
باتوجه به شرایط مسأله مناسب‌ترین عضو هر اجتماع انتخاب می‌شود.
۳-۵-۲- انتخاب چرخ گردون^[۱۴۱]
یک روش انتخاب است که در آن عنصری که عدد برازش (تناسب) بیشتری داشته باشد، انتخاب می‌شود. در واقع به نسبت عدد برازش برای هر عنصر یک احتمال تجمعی نسبت میدهیم و با این احتمال است که شانس انتخاب هر عنصر تعیین می شود.
۳-۵-۳-انتخاب مقیاس^[۱۴۲]
به موازات افزایش متوسط عدد برازش جامعه، سنگینی انتخاب هم بیشتر می‌شود و جزئی‌تر.
این روش وقتی کاربرد دارد که مجموعه دارای عناصری باشد که عدد برازش بزرگی دارند و فقط تفاوت‌های کوچکی آن‌ها را از هم تفکیک می‌کند.
۳-۵-۴-انتخاب رقابتی^[۱۴۳]
یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیرگروه برای تولید انتخاب می‌شوند.
۳-۶- مزایای استفاده از الگوریتم ژنتیک