۱۳
آذر

مدلسازی اطلاعات ساختمان الگوریتم ژنتیک

مدلسازی اطلاعات ساختمان

الگوریتم ژنتیک

در بسیاری از مسایل مهندسی و علوم معمولا با تابع هدفی روبرو هستیم که می خواهیم

آن را بهینه نماییم. مسایل مهندسی با روشهای متفاوتی مورد تحلیل قرار می گیرند.

روش های شیوه

تحلیلی نظیر روش مضارب لاگرانژ ( LAGRANGE MULTIPLIERS METHOD) حساب تغییرات (CALCULUS OF Variation  )

و شیوه های عددی (Numerical Methods) مانند روش های مبتنی بر گرادیان (Gradient based Methods) و روش های تابع جریمه

(Penalty Function) را شامل می شوند. در حالت کلی مسایل مهندسی را می توان در چارچوب مسایل برنامه ریزی ریاضی

به روش های مبتنی بر گرادیان تابع هدف

امکان پذیر است ولی در تعدادی

-150x150 مدلسازی اطلاعات ساختمان الگوریتم ژنتیک

پیمانکار

-150x150 مدلسازی اطلاعات ساختمان الگوریتم ژنتیک

پیمانکار

از مسایل یا نمی توان از این روش استفاده کرد

و یا به کارگیری آنها به سادگی امکان پذیر نخواهد بود. از دیدگاه دیگر می توان این روش ها را در گروه روش های قطعیآنها

به سادگی امکان پذیر نخواهد بود. از دیدگاه دیگر می توان این روش ها را در گروه روش های قطعی (Deterministic)

و یا غیر تصادفی، و روش های تصادفی (Stochastic) جای دارد. منظور از روش های تصادفی روش هایی است

که از نمونه برداری تصادفی در فضای جستجو یا مدلهای تصادفی تابع هدف استفاده می کنند. که در سال های

اخیر توجه زیادی را به خود جلب کرده اند و این به دلیل ارایه روش های موثری در حل مسایل بهینه سازی

مشکل و امکان دستیابی به نقاط بهینه کلی می باشد. از طرف دیگر بیشتر روش های غیر تصادفی دارای این اشکال هستند

که به محض رسیدن به اولین نقطه بهینه محلی متوقف شده و توانایی خروج از این نقطه و حرکت به سوی نقاط بهینه دیگر و در نهایت نقطه بهینه مطلق را ندارند.

الگوریتم ژنتیک

الگوریتم ژنتیک به روش بهینه سازی الهام گرفته از طبیعت جاندار است که می توان در طبقه بندی ها، از آن به عنوان .