<\/h2>
الگوريتم هاي ژنتيک يکي از الگوريتم هاي جستجوي تصادفي است که ايده آن برگرفته از طبيعت مي باشد . الگوريتم هاي ژنتيک در حل مسائل بهينه سازي کاربرد فراواني دارند . به عنوان مثال مي توان به مسئله فروشنده دوره گرد اشاره کرد . در طبيعت از ترکيب کروموزوم هاي بهتر ، نسل هاي بهتري پديد مي آيند . در اين بين گاهي اوقات جهش هايي نيز در کروموزوم ها روي مي دهد که ممکن است باعث بهتر شدن نسل بعدي شوند. الگوريتم ژنتيک نيز با استفاده از اين ايده اقدام به حل مسائل مي کند .
در الگوريتم هاي ژنتيک ابتدا به طور تصادفي يا الگوريتميک ، چندين جواب براي مسئله توليد مي کنيم . اين مجموعه جواب را جمعيت اوليه مي ناميم . هر جواب را يک کروموزوم مي ناميم . سپس با استفاده از عملگرهاي الگوريتم ژنتيک پس از انتخاب کروموزوم هاي بهتر ، کروموزوم ها را باهم ترکيب کرده و جهشي در آنها ايجاد مي کنيم . در نهايت نيز جمعيت فعلي را با جمعيت جديدي که از ترکيب و جهش در کروموزوم ها حاصل مي شود ، ترکيب مي کنيم . موارد فوق را با جزئيات بيشتري مورد بررسي قرار مي دهيم :
نحوه نمايش
براي استفاده از الگوريتم ژنتيک در حل مسائل بايد روشي براي نشان دادن جواب مساله داشته باشيم . در بيشتر مواقع از رشته هاي بيتي يا آرايه ها استفاده مي کنيم . به عنوان مثال براي نشان دادن يک تور در مساله فروشنده دوره گرد مي توان از يک آرايه يک بعدي استفاده کرد . بدين صورت که آرايه به تعداد شهرها داراي عنصر خواهد بود . مقادير موجود در آرايه بيانگر ترتيب شهر ها خواهد بود .
براي انتخاب ، ترکيب و ايجاد جهش در کروموزوم ها عملگرهاي مختلفي وجود دارد اما غالبا الگوريتم هاي ژنتيک از چهار عملگر زير براي حل مسائل استفاده مي کنند :
با استفاده از اين عملگر ، ميزان بهينگي هر کروموزوم را تعيين مي کنيم . به عنوان مثال در مسئله فروشنده دوره گرد ، تورهاي با مسافت کمتر بهينه تر هستند . و يا در مسئله n-وزير تعداد برخوردهاي کمتر باعث بهينگي بيشتر کروموزوم مي شود . بنابراين مي توان نتيجه گرفت که عملگر Fitness براي هر کروموزوم احتمالي را نسبت مي دهد که اين احتمال ، همان احتمال ترکيب شدن کروموزم براي توليد نسل هاي آينده را نشان مي دهد . بديهي است که کروموزوم هاي بهينه تر شانس بيشتري براي ترکيب با ديگر کروموزوم ها خواهند داشت . بنابراين احتمالي که به آنها نيز نسبت مي دهيم بايد بيشتر باشد
