1. رایانش تکاملی evolutionary computing
دکتر امیر فرید امینیان مدرّس
دانشگاه صنعتی سجاد مشهد
زمستان 1395

2. محاسبات تکاملی و زیستی الگوریتم‌های تکاملی (evolutionary computing)
محاسبات زیستی (biological computation)
حل مسایل بهینه‌سازی، جستجو، یادگیری – با الهام از طبیعت و موجودات هوشمند طبیعی
شبیه‌سازی نظریه تکامل داروین (1859)

3. کتاب مرجع Evolutionary Computation 1: Basic Algorithms and Operators,
Evolutionary Computation 2: Advanced Algorithms and Operators
Thomas Back

4. کتاب مرجع
الگوریتم‌های تکاملی و محاسبات زیستی، ویراست دوم؛ محمد صنیعی آباده، زهره جبل عاملیان، انتشارات نیاز دانش، 1394.

5. مراجع دیگر
Introduction to Evolutionary Computing (Natural Computing Series)
A.E. Eiben

6. مراجع دیگر

7. فصل اول – مسایل بهینه سازی و الگوریتم‌های جستجو
انواع الگوریتم‌های جستجو – طبقه‌بندی الگوریتم‌های فرامکاشفه‌ای – فضای جستجو و دورنمای برازش – پویش و انتفاع

8. انواع مساله مساله تصمیم (تصمیم‌گیری) – Decision Problem
مساله‌ای که پاسخ به آن، با توجه به ورودی‌ها، به صورت بله/خیر است.
مساله بهینه‌سازی – Optimization Problem
یافتن بهترین پاسخ از بین همه پاسخ‌های ممکن
هر مساله‌‎ای، صورتی از یک مساله تصمیم‌گیری یا مساله بهینه‌سازی است.
هر مساله بهینه‌سازی، قابل تبدیل به تصمیم‌گیری است؛ و بالعکس!

9. مسایل بهینه‌سازی (optimization)
یافتن بهترین راه‌حل از بین همه راه‌حل‌های ممکن
گسسته، پیوسته: بستگی به جنس فضای حالت و متغیرها
تابع هدف: کمیتی که مقادیر بهینه‌ آن مطلوب است.
ماکزیمم یا مینیمم.
بهینه سازی مشروط (مقید) یا نامقید.

10. جستجو (search) الگوریتم جستجو (search method, algorithm)
در علوم کامپیوتر و ریاضیات، یک الگوریتم جستجو، الگوریتمی است که یک مسئله را به عنوان ورودی می‌گیرد و بعد از ارزیابی کردن راه حل‌های ممکن، یک راه حل برای آن مسئله برمی‌گرداند. مجموعه راه حل‌های ممکن برای یک مسئله را فضای جستجو می‌نامند.
روش یافتن پاسخ مساله
یک روش نظام‌مند برای دریافت اطلاعات فضای مساله و یافتن پاسخ‌های ممکن در صورت وجود

11. جستجوی ناآگاهانه (کور)
انواع روش‌های جستجو
جستجوی تحلیلی
جستجوی ناآگاهانه (کور)
جستجوی آگاهانه (مکاشفه‌ای)

12. جستجوی تحلیلی جستجوی تحلیلی (analytical search)
ضابطه ریاضی مدل موجود است.
جستجو برای حالت‌های بهینه بوسیله مفاهیم ریاضی هدایت می‌شود
بردار گرادیان
مشتق دوم
روش نیوتن-رافسون برای بدست‌آوردن ریشه تابع
معایب
عدم کارآمدی در فضاهای بزرگ
تعریف فقط در فضای پیوسته و مشتق پذیر
احتیاج به دانستن تمامی روابط ریاضی

13. جستجوی ناآگاهانه جستجوی ناآگاهانه (uninformed search)
جستجوی کور (blind search)
فقط تدوین مساله؛ شیوه ارتباط حالت‌ها با یکدیگر؛ موجود است.
اطلاعات اضافی درباره ماهیت مساله وجود ندارد.
قدرت تشخیص یک حالت هدف از حالت غیرهدف وجود دارد.
جستجوی کامل
پیمایش تمام فضای حالت و یافتن بهترین راه حل (هدف)
تضمین یافتن راه حل در صورت وجود
جستجوی ناکامل
پیمایش فضا تا هنگام یافتن یک راه حل؛
تضمینی برای یافتن راه حل وجود ندارد.
جستجوی کامل می‌تواند بهینه یا غیربهینه باشد.
الگوریتم‌های جستجوی ناآگاهانه براساس ترتیب گسترش حالت‌ها متمایز شده‌اند:
اول سطح؛ اول عمق؛ هزینه یکنواخت؛ بازگشتی؛ ...

14. جستجوی آگاهانه
جستجوی آگاهانه (informed search) – جستجوی مکاشفه‌ای (heuristic search)
علاوه بر تعریف فضای مساله، اطلاعات اضافی درباره ماهیت مساله دارند
استفاده از یک تابع تخمینی برای بدست آوردن فاصله تا هدف، می‌تواند استراتژی بهتری و هوشمندانه‌ای برای رسیدن به هدف ایجاد کند.
تابع هیوریستیک
انواع روش‌های آگاهانه
جستجوی اول بهترین: حریصانه؛ A*، نسخه‌های تکراری و حافظه محدود A*.
جستجوی فرامکاشفه‌ای
الهام از یک پدیده طبیعی برای جستجوی فضای حالت پیچیده، دشوار یا نامنظم

15. الگوریتم‌های فرامکاشفه‌ای (metaheuristic)
یک هیوریستیک سطح بالا برای یافتن، تولید یا انتخاب هیوریستیکی که بتواند جواب‌های به اندازه کافی خوب برای مساله بهینه‌سازی تولید کند.
به خصوص در هنگام وجود اطلاعات ناکافی، ناقص یا محدود.
نمونه‌برداری از مجموعه‌ای از راه‌حل‌ها وقتی که مدل‌سازی تمامی آنها به خاطر اندازه بزرگ، مقدور نباشد.
داشتن فرضیات بسیار کم درباره مساله بهینه‌سازی که قرار است حل شود.
کارامدی زیاد برای دامنه بسیار وسیعی از مسایل متنوع
الهام از یک پدیده طبیعی برای جستجوی فضای حالت.

16. دسته‌بندی الگوریتم‌های فرامکاشفه‌ای
زیستی و غیرزیستی
تکاملی و غیرتکاملی
جمعیتی و غیرجمعیتی
باحافظه و بدون حافظه
احتمالی و قطعی

17. دسته‌بندی انواع روش‌های جستجو
جایگاه الگوریتم‌های تکاملی و زیستی

18. ساختار مساله و دورنمای فضای حالت
ساختار مساله (ابعاد و نحوه ارتباط حالت‌ها) ممکن است خیلی پیچیده و غیریکنواخت باشد.

19. ساختار مساله و دورنمای فضای حالت
دورنما (نگاشت فضای حالت توسط تابع ارزیابی به دامنه اعداد) کاملاً وابسه به ساختار مساله است و معمولاً شکل غیریکنواخت و پیچیده‌ای دارد.

20. پویش و انتفاع قابلیت پویش (exploration capability)
جستجوی آزادانه کل فضا بدون توجه به دستاوردهای آن در طول جستجو
رفتار تصادف یتر الگوریتم
قابلیت انتفاع (exploitation capability)
توجه به دستاوردهای الگوریتم در طول جستجو
رفتار حساب شده و محتاطانه
نیاز به تنظیم دو قابلیت بر اساس شرايط مساله
ایجاد مصالحه (trade-off) بین این دو قابلیت با پارامترهای روش جستجو
جستجوی با بیشترین پویش= جستجوی تصادفی Random Search
جستجوی با بیشترین انتفاع= جستجوی تپه نوردیHill-Climbing Search

21. پویش و انتفاع

22. فصل دوم – پردازش تکاملی
نظریه داروین – مراحل الگوریتم تکاملی – شیوه‌های مختلف پیاده‌سازی عملگرهای تکاملی – مباحث پیشرفته در پردازش تکاملی

23. نظریه داروین طبیعت موجودی هوشمند است.
تمامی موجودات امروزی از نسل موجودات ماقبل تاریخ هستند و صدها میلیون سال از حیات می‌گذرد.
سابقه و ریشه تمام میلیون‌ها موجود زنده به یک ارگانیسم زنده ساده برمی‌گردد.
فرایند ایجاد یا تغییر شکل گونه‌های مختلف حیات در اثر یک نیروی هدایت کننده طبیعی به نام انتخاب طبیعی (natural selection) است.

24. تکامل طبیعی از بین رفتن نمونه‌های ضعیف و زنده ماندن نمونه‌های برتر
از بین رفتن نمونه‌های ضعیف و زنده ماندن نمونه‌های برتر
تکامل تدریجی
انتخاب طبیعی، راز بقای برترین‌ها در طبیعت انتقال خصوصیات برتر به نسل بعد است.
تنازع بقا: قوی‌تر زنده می‌ماند.
نبرد برای زندگی (struggle for the life)
بقای اصلح (survival of the fittest)

25. انتخاب طبیعی مثال هايي از نیروي انتخاب طبیعي
تکامل سیستم شنوایی و تضعیف سیستم بینایی خفاش به دلیل زندگی در غار
تکامل سیستم بینایی عقاب به دلیل نیاز به شکار و پرواز در ارتفاعات بالا در کوهستان
تکامل ویژگیهای استتار جهت پنهان ماندن از چشم صیاد در آفتاب پرست، مارمولک، پروانه، خرس قطبی
وابستگی شکل آواز پرندگان به زیستگاه آنها
محیط های جنگلی و پوشش گیاهی انبوه، صداهایی با فرکانس پایین و تحریر فاصله دار
تخریب صدای فرکانس بالا توسط محیط جنگل
علفزارها و زیستگاه های باز، صداهایی با فرکانس بالا و تحریرهای سریع و پی در پی
تخریب صدا توسط باد

26. مفاهیم ژنوتایپ (Genotype) ترکیب تمام ژن ها برای یک فرد مشخص
کد ژنتیکی یک موجود
فنوتایپ (Phenotype) خصوصیات ظاهری یک فرد، حاصل شده از رمزگشایی یک ژنوتایپ
خصوصیات نهایی حاصل از کد ژنتیکی

27. مفاهیم کروزموزم (Chromosome) ژن (Gene)
محل ذخیره سازی اطلاعات ژنی یک موجود
تشکیل شده از DNA
ژن (Gene)
کروموزم از واحدهای کوچک تری به نام ژن تشکیل شده است
ویژگی (مشخصه) داده ها
آلل (Allele) مقادیر مجاز برای هر ژن
مقادیر مجاز برای مشخصه های هر پاسخ

28. دو مرحله مهم در حل‌مساله توسط الگوریتم‌تکاملی
1- کدگذاری
تبدیل فنوتایپ به ژنوتایپ
در ساده‌ترین حالت، به وسیله یک ساختار از نمادها نمایش داده می‌شود.
غالباً رشته باینری؛ اما انواع دیگری نیز وجود دارد: اعداد صحیح، اعداد حقیقی، درخت، ...
منشا تفاوت انواع الگوریتم‌های تکاملی (الگوریتم ژنتیک؛ برنامه‌سازی ژنتیکی؛ استراتژی تکاملی؛ ... )
2- ارزیابی
هر موجود به وسیله تابع برازش (fitness function) ارزیابی می‌گردد.
تابع برازش، برای موجودات بهتر، مقدار بیشتری برمی‌گرداند. (متضاد تابع هیوریستیک)
ارزیابی می‌تواند در فضای ژنوتایپ یا فنوتایپ انجام شود.
برای ارزیابی در فضای فنوتایپ، احتیاج به دیکد کردن ژنوتایپ داریم.

29. انواع الگوريتم هاي تکاملي
الگوریتم ژنتیک (Genetic Algorithm)
برنامه‌نویسی ژنتیک (Genetic Programming)
استراتژی تکاملی (Evolutionary Strategy)
برنامه‌نویسی تکاملی (Evolutionary Programming)
تکامل تفاضلی (Differential Evolution)
الگوریتم ممتیک (Memetic Algorithm)
الگوریتم فرهنگی (Cultural Algorithm)
الگوریتم ژنتیک تاگوچی (Taguchi-Genetic Algorithm)
الگوریتم هم‌تکاملی (Co-Evolutionary Algorithm)
الگوریتم تکاملی دیپلوئیدی (Diploid Evolutionary Algorithm)
بهینه‌سازی تولیدمثل غیرجنسی (Asexual Reproduction Optimization)
سیستم ایمنی مصنوعی (Artificial Immune System)
امیر فرید امینیان مدرس
نیمسال دوم 93-94

30. مراحل یک الگوریتم تکاملی
تولید جمعیت اولیه
محاسبه برازندگی (ارزیابی) جمعیت ورودی
انتخاب برای تولید مثل
بازترکیب والدین (تولید مثل)
جهش فرزندان تولید شده
محاسبه برازندگی (ارزیابی) جمعیت فرزندان
انتخاب برای جایگزینی
بررسی شرط توقف

31. فلوچارت کلی الگوریتم تکاملی
آغاز
فلوچارت کلی الگوریتم تکاملی
تولید جمعیت اولیه
محاسبه برازندگی جمعیت
انتخاب (رقابت) برای تولید مثل
بازترکیب والدین
جهش فرزندان
محاسبه برازندگی فرزندان
بررسی شرط توقف
انتخاب (رقابت) برای جایگزینی
پایان

32. روش‌های نمایش کروموزم تبدیل از فضای فنوتایپ به فضای ژنوتایپ
تبدیل از فضای فنوتایپ به فضای ژنوتایپ
شیوه نمایش خصوصیات یک موجود، در کارایی و پیچیدگی الگوریتم، تاثیر مستقیم دارد.
روشهای متداول:
بردار عددی
دودویی
اعداد گسسته صحیح
اعداد پیوسته حقیقی
نمایش جایگشت عناصر
نمایش درختی

33. جمعیت اولیه روش تصادفی: تولید مقادیر تصادفی در بازه مجاز برای هر ژن
روش تصادفی: تولید مقادیر تصادفی در بازه مجاز برای هر ژن
پوشش یکنواخت فضا
روش هیوریستیک: تولید کروموزم‌های با برازندگی نسبتاً بالا
پوشش بخش‌های مهم فضا
نیاز به دانستن اطلاعات کلی درباره مساله و دورنمای فضای حالت – حدس زدن جواب‌های نسبتاً خوب
اندازه جمعیت معمولاً ثابت است.
بر اساس محدودیت منابع، در تئوری داروین
اندازه جمعیت اولیه، مهم است
افزایش اندازه جمعیت اولیه
تقویت قابلیت پویش به خاطر پوشش دادن فضای جستجوی بزرگتر
تقویت قابلیت انتفاع به خاطر افزایش شانس عملگرهای تولید مثل
افزایش بار محاسباتی!

34. تابع برازش
تابع برازش، یک نگاشت یا شیوه تصویرکردن، از فضای نمایش کروموزم‌ها به یک مقدار عددی
مقدار عددی، به طور مستقیم میزان برازندگی یا خوب بودن کروموزم را نشان می‌دهد.
مقدار برازندگی، میزان رسیدن به هدف بهینه سازی را نشان می‌دهد و به شدت به کاربرد وابسته است.
ممکن است در بعضی مسایل، به سادگی محاسبه نشود.

35. عملگر انتخاب یکی از عملگرهای اصلی در الگوریتم تکاملی
یکی از عملگرهای اصلی در الگوریتم تکاملی
ارتباط مستقیم به مفهوم بقاء اصلح در نظریه داروین
هدف: انتخاب راه‌حل‌های برتر
فشار انتخاب (selective pressure)
سرعت پر شدن جمعیت از راه‌حل‌های خوب توسط اعمال عملگر انتخاب.
عملگر با فشار انتخاب زیاد: تنوع در جمعیت سریع کاهش می‌یابد.
گیرافتادن در راه‌حل‌های بهینه محلی
محدود کردن قابلیت پویش – تقویت قابلیت انتفاع
انواع عملگرهای انتخاب
انتخاب تصادفی
انتخاب نسبی
انتخاب رتبه‌ای
انتخاب مسابقه‌ای
انتخاب برشی

36. انواع عملگرهای انتخاب 1- انتخاب تصادفی (random selection)
تمام موجودات دارای احتمال انتخاب یکسان هستند.
از اطلاعات برازش هیچ استفاده‌ای نمی‌شود.
کمترین فشار انتخاب

37. انواع عملگرهای انتخاب 2- انتخاب نسبی
احتمال انتخاب موجودات برتر، بیشتر است.
تابع توزیع احتمال بر اساس برازندگی هر راه‌حل ایجاد می‌شود و موجودات از طریق نمونه‌برداری از این توزیع، انتخاب می‌شوند.
معروف به روش چرخ رولت (roulette wheel selection)
فشار انتخاب زیاد است
روش‌هایی جهت کنترل فشار انتخاب پیشنهاد شده است.

38. انواع عملگرهای انتخاب 3- انتخاب رتبه‌ای
به جای استفاده از مقدار مطلق برازندگی، از رتبه برازندگی در بین جمعیت استفاده می‌شود.
به برترین عضو، عدد n، به دومین برترین عدد n-1 و ... و به ضعیف‌ترین عدد 1 اختصاص می‌یابد.
اگر دو عضو با برازش یکسان وجود داشته باشد، به صورت تصادفی مقادیر k و k-1 را دریافت می‌کنند.
فشار انتخاب پایین‌تر نسبت به روش نسبی

39. انواع عملگرهای انتخاب 4- انتخاب مسابقه‌ای
در هر مرحله، t عدد از n موجود به صورت تصادفی انتخاب می‌شوند.
برازندگی t عضو مقایسه می‌شود و بهترین فرد از درون این گروه انتخاب می‌شود.
اگر t بزرگ نباشد؛
ممکن است بهترین فرد انتخاب نشود
فشار انتخاب کم است.
هر چه t کمتر باشد، احتمال انتخاب اعضای ضعیف بیشتر می‌شود.
اگر t=1، تبدیل به انتخاب تصادفی می‌شود.
اگر t بزرگ باشد
فشار انتخاب زیاد می‌شود.

40. انواع عملگرهای انتخاب 5- انتخاب برشی
مرتب سازی موجودات بر اساس برازندگی
از میان t درصد از بهترین موجودات، n عضو به صورت تصادفی انتخاب می‌شوند.
هر چه t بزرگتر باشد
فشار انتخاب کمتر خواهد شد.
اگر t=100، تبدیل به روش انتخاب تصادفی

41. عملگرهای بازسازی جمعیت
ترکیب – جهش در نمایش دودویی
ترکیب – جهش در نمایش اعداد حقیقی
ترکیب – جهش در نمایش جایگشتی
ترکیب – جهش در نمایش درختی

42. جایگزینی نسل جایگزینی حالت پایدار (steady state replacement)
نگهداری بخش بزرگی از جمعیت والدین و جایگزینی بخش کوچکی (Prep) از آن با بهترین فرزندان تولید شده.
بافت کلی جمعیت و گوناگونی حفظ می‌شود.
جلوگیری از همگرا شدن سریع به پاسخ‌های بهینه.
هرچه Prep بیشتر باشد، احتمال کاهش گوناگونی بیشتر شده و همگرایی الگوریتم سریعتر خواهد بود.
جایگزینی نسلی (generational replacement)
جایگزینی کل جمعیت والدین با کل جمعیت فرزندان.
احتمال از دست رفتن برترین پاسخ‌ها.
نخبه سالاری (elitism): جایگزینی بهترین عضو از جمعیت والدین به جای ضعیفترین فرزند.
روش انتخاب (+): تعداد  عضو برتر از مجموع  والد و  فرزند به نسل بعد منتقل می‌شوند.
روش انتخاب (,): تعداد  عضو برتر از  فرزند به نسل بعد منتقل می‌شوند. (<)
احتمال از دست رفتن ناگهانی تنوع جمعیتی

43. شرایط توقف رسیدن به موجودی با برازش مشخص
در بعضی از مسایل، حد دلخواه تابع ارزیابی (تابع برازش) قابل محاسبه و تعیین است.
در این مسایل، شرط خاتمه مناسب، یافتن موجودی در جمعیت نسل فعلی است که مقدار برازش دلخواه را داشته باشد.
عدم بهبود وضعیت جمعیت در طی نسل‌های گذشته
ممکن است چند نسل بگذرد و مقدار برازش بهترین موجود جامعه، تغییری نکند؛ یا اینکه تمام موجودات جامعه، یکسان شده باشند.
همگرا شدن جمعیت؛ راکد (stagnant) شدن جمعیت.
در این حالت، تولید نسل‌های بعد احتمالاً مفید نیست: خاتمه الگوریتم.
رسیدن تعداد نسل‌ها به حد مشخص
همیشه الگوریتم تکاملی بعد از رسیدن شماره نسل‌ها به عدد مشخصی، خاتمه می‌یابد. (همیشه مثبت نیست)
حداکثر تعداد نسل‌ها نباید عدد خیلی کوچکی باشد، چون فرصت پیمایش فضا برای الگوریتم تکاملی وجود نخواهد داشت.

44. کنترل پویش - انتفاع حفظ مصالحه بین پویش و انتفاع
کاهش فشار انتخاب
اجتناب از پاسخ‌های بهینه محلی
اگر در زمان توقف الگوریتم تکاملی، نتایج حاصل شده رضایت‌بخش نباشد، باید با تغییر شرایط، موازنه پویش- انتفاع را تنظیم مجدد نمود.
سه روش برای کنترل موازنه پویش- انتفاع
کنترل پارامترهای موثر
استفاده از توابع مناسب بازتولید
حفظ تنوع جمعیتی

45. کنترل پارامترهای موثر در موازنه پویش-انتفاع
پارامترهای الگوریتم‌های تکاملی که در موازنه موثرند:
احتمال بازترکیب (Pc)
رابطه مستقیم با قابلیت انتفاع
احتمال جهش (Pm)
رابطه مستقیم با قابلیت پویش
درصد جایگزینی (Prep)
درصد اعضای مورد گزینش در انتخاب مسابقه‌ای (Ptourn)
درصد اعضای مورد بررسی در انتخاب برشی (Ptrunc)

46. پیاده سازی توابع بازتولید
انتخاب روش پیاده سازی توابع بازتولید متناسب با ماهیت فضای جستجوی مساله
چرخ رولت ساده
تقویت قابلیت انتفاع
چرخ رولت با چنداشاره گر
تقویت قابلیت پویش
بازترکیب یک نقطه‌ای (یا با نقاط شکست کم)
بازترکیب یکنواخت
جهش با بیشترین تخریب روی ساختار کروموزوم
روش جایگزینی پایدار به جای روش جایگزینی نسلی

47. حفظ تنوع جمعیتی روشهای حفظ تنوع
کرانه سازی (niching): دادن اولویت به تنوع موجودات از طریق جلوگیری از رقابت ناعادلانه پاسخ‌های نامربوط یا غیرمشابه یا با فاصله زیاد
مشترک سازی برازش (fitness sharing)
استفاده از ایده منابع محدود در طبیعت در یک منطقه؛ موجودات زیاد در یک ناحیه باعث می‌شوند برازش کلی آنها کم شود.
ترغیب الگوریتم تکاملی به پویش بیشتر فضا و عدم همگرایی زودرس
انبوه سازی (crowding)
جایگزینی اعضای جدید با اعضای مشابه در جمعیت و حفظ تنوع.
فرزند جدید تولید شده با شبیه‌ترین یا یکی از شبیه‌ترین موجودات نسل قبلی رقابت می‌کند و در صورت بهتر بودن، جایگزین می‌شود.
گونه‌سازی (speciation)
فقط آن‌دسته از موجودات که به اندازه کافی به یکدیگر شبیه هستند، حق بازترکیب شدن دارند؛ جلوگیری از ترکیب دو پاسخ با تفاوت‌های بنیادی و بسیار زیاد که معمولاً منجر به تولید پاسخ‌های مهلک (lethal solutions-ضعیف) می‌شود.

48. الگوریتم‌های تکاملی موازی
ماهیت کند الگوریتم‌های تکاملی
به خاطر ماهیت جمعیتی و تعداد زیاد موجودات
موازی سازی الگوریتم‌های تکاملی
به منظور افزایش سرعت اجرا در عین حفظ کارایی
انواع الگوریتم‌های تکاملی
ارباب-برده (Master-Slave Parallel EA)
ریزدانه‌ای (Fine-Grained Parallel EA)
چندجمعیتی (Multiple Population Parallel EA)

49. الگوریتم تکاملی موازی ارباب-برده
نگهداری کل جمعیت در پردازنده master
انجام عملیات انتخاب، تولید مثل و جایگزینی در پردازنده master
ارزیابی برازندگی موجودات در پردازنده‌های slave
مناسب برای مسایلی که محاسبه مربوط به برازش سنگین است.
برخی از کاربردها در داده کاوی
نام دیگر: الگوریتم تکاملی موازی سراسری (Global Parallel EA)

50. الگوریتم تکاملی موازی ریزدانه‌ای
شکسته‌شدن جمعیت کل به تعداد زیادی زیرجمعیت
ارسال زیرجمعیت‌ها به تعداد زیادی پردازنده
انجام عملیات انتخاب و تولید مثل در در پردازنده بر روی جمعیت خودش و نیز بخشی از زیرجمعیت پردازنده‌های مجاور
بخشی از زیرجمعیت تکامل یافته، در پردازنده‌های مجاور است.
تغییرات در جمعیت در طول فرآیند تکامل به بخش‌های دیگر منتقل می‌شود.

51. الگوریتم تکاملی موازی چندجمعیتی
شکسته‌شدن جمعیت اولیه به تعدادی زیرجمعیت
معمولاً بسیار کمتر از روش ریزدانه‌ای
سادگی و ارزان‌تر بودن از نظر سخت‌افزاری
پردازش هر زیرجمعیت توسط یک پردازنده؛ هیچ اشتراکی بین پردازنده‌ها نیست.
هر چند نسل یکبار، موجودات با برازندگی بیشتر بین پردازنده‌های مجاور مبادله می‌شوند.
مهاجرت (migration)
تعداد نسل‌های بین مهاجرت‌ها نباید عدد کوچکی باشد: کند شدن الگوریتم.
ظاهراً بهترین ایده برای موازی سازی الگوریتم‌های تکاملی است.

52. بهینه‌سازی چندهدفه تکاملی
هدف: بهینه‌سازي با چند هدف (چند تابع برازش)
استفاده از توابع تجمیعی (Aggregation Functions) ترکیب توابع برازش مختلف با وزن های متفاوت (مثلاً جمع وز ندار)
رویکرد جمعیتی (Population-based) تفکیک جمعیت به زیرجمعیت هایی برابر با تعداد اهداف و بهینه‌سازی مستقل آنها
کاربرد عمده در مسائل با تعداد اهداف زیاد
ضعف: عدم توان در حفظ پاسخ های غیرمغلوب (Pareto) پاسخ بهینه با توجه به همه اهداف
حذف پاسخ‌هایی که در همه اهداف مساوی هستند (و ممکن است بهینه سراسری باشند)
رویکرد مبتنی بر پرتو (Pareto-based) شناسایی پاسخ های غیرمغلوب و سعی در حفظ آنها
شمارش تعداد پاسخ‌هایی که توسط یک پاسخ خاص، مغلوب می‌شوند.
کاربرد در مسائلی که ارزش همه اهداف مساله یکسان است
مثال: يک تور ديدني، ارزان قیمت و 7 روزه