چکیده
برنامه‌نویسی تکاملی می‌تواند به حل مسائل بهینه‌سازی جعبه سیاه و آن هم با مورد تکامل قرار دادن جمعیتی از بردارهای عددی بپردازد. مؤلفه‌ی تغییر در فرآیند تکاملی می‌تواند به وسیله‌ی یک عملگر جهش که یک عملگر گاوسی بوده و از توزیع احتمالاتی Levy تبعیت می‌کند انجام شود. در این مثال از برنامه‌نویسی ژنتیکی برای ایجاد خودکار عملگرهای جهش برای سیستم برنامه‌نویسی تکاملی استفاده می‌کنیم. این روش پیشنهادی را بر روی مجموعه‌ای از کلاس‌های عملیاتی که منبعی از توابع می‌باشند اجرا نموده‌ایم. نتایج تجربی که از روی یک مجموعه از کلاس‌های عملیاتی بنچ مارک به دست آمده است نشان می‌دهد که برنامه‌نویسی ژنتیکی می‌تواند عملگرهای جهش را که قابلیت تعمیم خوبی بر روی مجموعه‌ی آموزشی و مجموعه‌ی تست هر کلاس عملیاتی دارند مورد تکامل قرار دهد. روش پیشنهادی از عملکرد بهتری نسبت به عملگرهای جهشی که توسط انسان ها طراحی شده است برخوردار بوده و در اغلب موارد نتایج بسیار قابل ملاحظه‌ای را به دست آورده است.
1-مقدمه
بهینه‌سازی تابع جعبه سایه را می‌توان به عنوان فرآیند پیدا کردن بهینه‌ای برای یک تابع هدف دانست. ما هیچ دسترسی به شکل تحلیلیِ این تابع نداریم. در این مقاله، از برنامه‌نویسی تکاملی (EP) [1] استفاده می‌کنیم. با برنامه‌نویسی تکامل می‌توان یک جمعیت از بردارهای ورودی با مقدار عددی را برای یک تابع مورد تکامل قرار داد. این تکنیک به طور گسترده در مسائل واقعی بکار گرفته می‌شود [2,3,4]. با توجه به اینکه EP از یک مبنای تکاملی تبعیت می‌کند، هر بردار باید فرآیندهای گزینش، تکامل و جهش را پشت سر بگذارد، با این استثنا که بردارهای fitter را بتوان به دست آورد...
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید