Genetic Algorithms Genetic Algorith

Genetic Algorithms
Genetic Algorithms (GAs) are search algorithms based on the mechanics of natural selection and natural genetics. A genetic Algorithm is an iterative procedure maintaining a population of structures that are candidate solutions to specific domain challenges. During each temporal increment (called a generation), the structures in the current population are rated for their effectiveness as domain solutions, and on the basis of these evaluations, a new population of candidate solutions is formed using specific genetic operators such as reproduction, crossover, and mutation.
They combine survival of the fittest among string structures with a structured yet randomized information exchange to form a search algorithm with some of the innovative flair of human search. In every generation, a new set of artificial creatures (strings) is created using bits and pieces of the fittest of the old; an occasional new part is tried for good measure. While randomized, genetic algorithms are no simple random walk. They efficiently exploit historical information to speculate on new search points with expected improved performance.
A Genetic Algorithm (GA) is a stochastic algorithm that models the evolutionary process of biological species through natural selection. Genetic algorithms are patterned after natural genetic operators that enable biological populations to effectively and robustly adapt to their environment and to changes in their environment.
Genetic algorithms, as Goldberg states and demonstrates, are theoretically and empirically proven to provide robust search in complex spaces. The GA performs its search balancing the need to retain population diversity ‘exploration’, so that potentially important information is found, with the need to focus on fit portions of the population, ‘exploitation’. Reproduction in GA theory, as in biology, is defined as the process of producing offspring. However, mating may occur between any two strings, as there is no male-female distinction.
In computational terms, genetic algorithms are distinguished from other search methods by the following features:
 A population of structures that can be interpreted as candidate solutions to the given problem.
 The competitive selection of structures for reproduction, based on each structure's fitness as a solution to the given problem.
 Idealized genetic operators that recombine the selected structures to create new structures for further testing.

Genetic Algorithms are used in solving three classical problems:
• Learning.
• Search, and
• Optimization.

النتائج (العربية) 1:

الخوارزميات الجينية الخوارزميات الجينية (الغاز) خوارزميات البحث استناداً إلى آليات الانتقاء الطبيعي وعلم الوراثة الطبيعية. خوارزمية وراثية هو إجراء تكرارية الحفاظ على عدد هياكل التي حلول المرشح للتحديات في مجال معين. أثناء كل زيادة الزمانية (تسمى جيل)، يتم تصنيف الهياكل السكانية الحالية لفعاليتها كحلول المجال، واستنادا إلى هذه التقييمات، يتكون عدد سكانها حلول المرشح جديد استخدام عوامل وراثية معينة مثل الاستنساخ، كروس، والطفرات.أنها تجمع بين البقاء للأصلح بين هياكل السلسلة مع تبادل معلومات تنظيماً بعد التجارب المعشاه لتكوين خوارزمية بحث مع بعض الذوق مبتكرة للبحث عن الإنسان. في كل جيل، يتم إنشاء مجموعة جديدة من المخلوقات الاصطناعية (سلاسل) باستخدام أجزاء وقطع من الأصلح للمسنين؛ هو حاول جزء جديد عرضية لحسن التدبير. بينما معشاة ذات شواهد، الخوارزميات الجينية هي لا عشوائية بسيطة سيرا على الأقدام. أنها تستغل كفاءة المعلومات التاريخية للمضاربة على نقاط البحث الجديدة مع تحسين الأداء المتوقع.الخوارزمية الجينية (GA) هو خوارزمية عشوائية نماذج عملية تطورية من الأنواع البيولوجية عن طريق الانتقاء الطبيعي. الخوارزميات الجينية هي منقوشة بعد عوامل الوراثية الطبيعية التي تمكن السكان البيولوجية فعالية وقوة التكيف مع بيئتها والتغييرات في البيئة الخاصة بهم. الخوارزميات الجينية، غولدبرغ الدول ويوضح، ثبت نظرياً وتجريبيا لتوفير بحث قوية في الأماكن المعقدة. الجمعية العامة يقوم بالبحث عن تحقيق التوازن بين الحاجة إلى الاحتفاظ بالتنوع السكاني 'استكشاف'، حيث أن هي وجدت المعلومات التي قد تكون هامة، مع ضرورة التركيز على احتواء أجزاء من السكان، 'الاستغلال'. الاستنساخ في الجمعية العامة من الناحية النظرية، كما هو الحال في الأحياء، ويعرف بأنه عملية إنتاج ذرية. ومع ذلك، تحدث التزاوج بين أي اثنين من السلاسل، كما لا يوجد أي تمييز الذكور والإناث.وتتميز من الناحية الحسابية، الخوارزميات الجينية من أساليب البحث الأخرى بالميزات التالية: بالسكان من الهياكل التي يمكن أن تفسر على أنها حلول المرشح لمشكلة معينة. الانتقاء التنافسي لهياكل للاستنساخ، استناداً إلى اللياقة البدنية هيكل كل كحل لمشكلة معينة. إيديليزيد الوراثية المشغلين أن إعادة تجميع الهياكل المحددة لإنشاء هياكل جديدة لإجراء مزيد من التجارب.يتم استخدام الخوارزميات الجينية في حل المشاكل الكلاسيكية الثلاثة:• التعلم.• البحث، و• التحسين.

النتائج (العربية) 2:

الوراثية الخوارزميات Genetic Algorithms
الخوارزميات الجينية الخوارزمية الجينية هو إجراء تكراري الحفاظ على السكان من الهياكل التي هي الحلول المرشحة للتحديات مجال معين خلال كل الزيادة الزمنية Genetic Algorithms (GAs) are search algorithms based on the mechanics of natural selection and natural genetics. A genetic Algorithm is an iterative procedure maintaining a population of structures that are candidate solutions to specific domain challenges. During each temporal increment (called a generation), the structures in the current population are rated for their effectiveness as domain solutions, and on the basis of these evaluations, a new population of candidate solutions is formed using specific genetic operators such as reproduction, crossover, and mutation.
فهي تجمع بين البقاء للأصلح بين الهياكل سلسلة مع تبادل المعلومات حتى الآن العشوائية منظم لتشكيل خوارزمية البحث مع بعض الذوق المبتكر للبحث الإنسان في كل جيل، يتم إنشاء مجموعة جديدة من المخلوقات الاصطناعية وحاول جزء جديد من حين لحسن التدبير في حين العشوائية، الخوارزميات الجينية لا يمشي العشوائية البسيطة وهم يستغلون بكفاءة المعلومات التاريخية للمضاربة على نقاط تفتيش جديدة مع تحسين الأداء المتوقع They combine survival of the fittest among string structures with a structured yet randomized information exchange to form a search algorithm with some of the innovative flair of human search. In every generation, a new set of artificial creatures (strings) is created using bits and pieces of the fittest of the old; an occasional new part is tried for good measure. While randomized, genetic algorithms are no simple random walk. They efficiently exploit historical information to speculate on new search points with expected improved performance.
الخوارزمية الجينية ومنقوشة الخوارزميات الجينية بعد العمليات الوراثية الطبيعية التي تمكن السكان البيولوجي على التكيف بفعالية وبقوة على بيئتهم وللتغيرات في البيئة المحيطة بهم A Genetic Algorithm (GA) is a stochastic algorithm that models the evolutionary process of biological species through natural selection. Genetic algorithms are patterned after natural genetic operators that enable biological populations to effectively and robustly adapt to their environment and to changes in their environment.
الخوارزميات الجينية، كدولتين غولدبرغ ويوضح، ونظريا وتجريبيا ثبت لتوفير بحث قوي في الأماكن المعقدة و " بحيث تم العثور على معلومات قد تكون مهمة، مع ضرورة التركيز على أجزاء تناسب من السكان، " الاستنساخ في نظرية Genetic algorithms, as Goldberg states and demonstrates, are theoretically and empirically proven to provide robust search in complex spaces. The GA performs its search balancing the need to retain population diversity ‘exploration’, so that potentially important information is found, with the need to focus on fit portions of the population, ‘exploitation’. Reproduction in GA theory, as in biology, is defined as the process of producing offspring. However, mating may occur between any two strings, as there is no male-female distinction.
In computational terms, genetic algorithms are distinguished from other search methods by the following features:
 A population of structures that can be interpreted as candidate solutions to the given problem.
 The competitive selection of structures for reproduction, based on each structure's fitness as a solution to the given problem.
 Idealized genetic operators that recombine the selected structures to create new structures for further testing.

Genetic Algorithms are used in solving three classical problems:
• Learning.
• Search, and
• Optimization.

النتائج (العربية) 3:

الخوارزميات الجينية
الخوارزميات الجينية (الغاز) تقوم على خوارزميات البحث عن اليات الانتخاب الطبيعى فى علم الوراثة الطبيعية.الخوارزميات الجينية هو عملية تكرارية الحفاظ على السكان من الهياكل مرشح الحلول للتحديات في مجال محدد.خلال كل الأزمنة تسمى الزيادة (جيل)،الهياكل السكانية الحالية هي درجة فعاليتها بوصفها المجال الحلول، وعلى أساس هذه التقييمات مجموعة جديدة من المرشحين حلول المشكلة باستخدام مشغلي وراثية محددة مثل الإنجاب، كروس، والطفرات.
فهي تجمع بين بقاء الأقوى بين سلسلة هياكل منظمة عشوائية بعد تبادل المعلومات على شكل خوارزمية البحث مع بعض بالذوق الإبداعي يبحث الإنسان.في كل جيل، مجموعة جديدة من المخلوقات الاصطناعي (الجمل) تم إنشاؤها باستخدام اجزاء من الاصلح القديمة؛ احيانا الجزء الجديد هو حاول لحسن التدبير.بينما العشوائية،الخوارزميات الجينية ليست بسيطة المشي العشوائي.وهي كفاءة استغلال المعلومات التاريخية للمضاربة على نقاط بحث جديد مع توقع تحسن الأداء.
الخوارزمية الجينية (GA) هو خوارزمية عشوائية نماذج عملية تطور الأنواع البيولوجية من خلال الانتخاب الطبيعي.الخوارزميات الجينية هي على غرار مشغلي الوراثية الطبيعية التي تمكن السكان البيولوجية على نحو فعال و بقوة التكيف مع بيئتهم و التغيرات التي تطرأ على البيئة.
الخوارزميات الجينية، كما غولدبرغ الدول و يثبت نظريا و تجريبيا ثبت لتوفير قوية البحث في الأماكن المعقدة.جا يؤدي البحث عن توازن بين الحاجة إلى الإبقاء على استكشاف التنوع السكاني '، بحيث يمكن العثور على المعلومات الهامة، مع ضرورة التركيز على صالح قطاعات من السكان،' 'الاستغلال.الاستنساخ جا النظرية، كما في علم الأحياء، هو الذي يعرف بأنه عملية إنتاج ذرية.ومع ذلك، قد يحدث تزاوج بين أي اثنين من السلاسلحيث لا يوجد تمييز بين الذكور والإناث.
من الناحية الحسابية، الخوارزميات الجينية تتميز عن غيرها من طرق البحث عن الميزات التالية:
 مجموعة من الهياكل التي يمكن أن تفسر على أنها المرشح حلول لمشكلة معينة
 الاختيار التنافسي هياكل الاستنساخ، استنادا إلى كل هيكل اللياقة كما حل مشكلة معينة -
 مثالية مشغلي الوراثية recombine هياكل مختارة على إنشاء هياكل جديدة للمزيد من الإختبارات

استخدام الخوارزمية الجينية في حل ثلاث مشاكل الكلاسيكي:

• بحث • التعلم، وتحسين

•