ورود
مقالات فارسیISIکنفرانسهاژورنالها

استفاده از یک روش تقسیم حل برای تعیین مقدار اولیه مناسب برای الگوریتم های ژنتیک کوانتوم

محل انتشار: اولین کنگره مشترک سیستم های فازی و سیستم های هوشمند
سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,412

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/52581

شناسه ملی سند علمی:

FJCFIS01_091

تاریخ نمایه سازی: 14 خرداد 1387

چکیده مقاله:

الگوریتم های ژنتیک کوانتوم الگوریتم هایی هستند که با الهام گیری از نظریه فیزیک کوانتوم، از کوانتوم-بیت به عنوان پایه نمایشِ ژنتیکیِ اطّلاعات استفاده می کنند. ساختارِ احتمالاتیِ این گونه نمایش موجب می شود اجتماعِ پاسخ ها در این الگوریتم ها از گستردگیِ بالاتری برخوردار باشد چرا که هر ژن تواناییِ نمایشِ حالات زیادی را داراست. مقادیر α و β از کوانتوم-کروموزوم ها در ابتدای اجرای الگوریتم مساوی با هم و برابر با (در متن اصلی موجود می باشد) تعیین می شوند، و این به معنیِ مقدار دهیِ کاملاً تصادفی به اجتماعِ پاسخ ها است. تعیین مقدار اولیه مناسب برای الگوریتم می تواند تأثیرِ بسزایی در همگراییِ الگوریتم داشته باشد. در الگوریتم های تکاملی هرچه ابعاد مسئله بالاتر می رود از بهینگیِ پاسخِ یافت شده کاسته می شود. در اینجا م یکوشیم با استفاده از ایده الگوریتم های تقسیم و حل روشی برای تعیین مقدار اولیه مناسب برای الگوریتم های ژنتیک کوانتوم ارائه کنیم.

کلیدواژه ها:

الگوریتم های تکاملی ، الگوریتم های ژنتیک کوانتوم ، الگوریتم های تقسیم و حل

نویسندگان

محمد طیرانی

دانشگاه آزاد اسلامی واحد مشهد

محمد رضا اکبرزاده توتونچی

دانشگاه فردوسی مشهد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Anabela Borges Sim6es1, Ernesto Costa, ، :Transpo sition Versus crossover: ...
  • I. Harvey, ،0The Microbial genetic algorithm, ' Submitted to Evolutionary ...
  • N. Nawa, T. Furuhashi, T. Hashiyama and Y. Uchikawa, _ ...
  • N. Nawa, T. Furuhashi, ،'Bacterial evolutionary for fuzzy system design, ...
  • Problem, ? 4th Skewed؛، [5] M. Oates, D. Corne, R. ...
  • Anabela Borges Sim6es1, Ernesto Costa, *Using genetic algorithms with asexual ...
  • M. Voss, C. Foley. *Evolutionary algorithm for structural optimization, . ...
  • Robert E.Keller, Wolfgang Banzhaf, *Explicit maintenance of genetic diversity On ...
  • Markus Brameier, Wolfgang Banzhaf, *Explicit control of diversity and effective ...
  • William M. Spears, *Adapting crossover in evolutionary algorithms, Proc. of ...
  • Jason Morrison, Franz Oppachar, *Mainting genetic diversity in genetic algorithm ...
  • K. D. Jong, M. A. Potter, *Evolving complex structure via ...
  • S. Abbasi, M.-R. Akb arzadeh-T _ _ *Agent-based cooperative co-evolution ...
  • -in spired evolutionary algorithm Quantum؛، [14] K.Han, J.Kim, for a ...
  • K.H Han, K.H Park, C.H Lee, J.H Kim, ،Parallel quantum- ...
  • G Zhung, W Jin, L Hu, ،Novel parallel quantum GAs, ...
  • G Zhung, W Jin, L Hu, *Quantum evolutionary algorithm for ...
  • J.A Yand, H Peng, Z Zhuang, ،#Research of nonlinear blind ...
  • S Yang, L Jiao, ،، The quantum evolutionary programming _ ...
  • S Yang, M Wang, L Jiao, ،Novel quantum evolutionary algorithm ...
  • inspired evolutionary -Quantum؛ _ [21] K.-H. Han and J.-H. Kim, ...
  • Gunther R. Raidl, Gabriele Koller, and Bryant A. Julstromm "Biased ...
  • Piero P. Bonissone, Raj Subbu, Neil Eklund, Thomas R. Kiehl. ...
    • نمایش کامل مراجع