کاربرد الگوریتم ژنتیک در مدیریت

الگوریتم‌ ژنتیک (Genetic Algorithm) خانواده‌ای از «مدل‌های محاسباتی» است که از مفهوم «تکامل» الهام گرفته‌ شده‌اند. این دسته از الگوریتم‌ها، «جواب‌های محتمل» یا «جواب‌های کاندید» و یا «فرضیه‌های محتمل»  برای یک مسأله خاص را در یک ساختار داده‌ای «کروموزوم مانند» کدبندی می‌کنند. الگوریتم ژنتیک از طریق اعمال «عملگرهای بازترکیب» روی ساختارهای داده‌ای کروموزوم مانند، اطلاعات حیاتی ذخیره شده در این ساختارهای داده‌ای را حفظ می‌کند. در واقع الگوریتم ژنتیک (GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است.

از سال ۱۹۶۰ تقلید از موجودات زنده برای استفاده در الگوریتم‌های قدرتمند جهت مسائل مشکل بهینه سازی مورد توجه قرار گرفت که روش‌های محاسبه تکاملی نام گرفتند. اصول بنیادی الگوریتم ژنتیک اولین بار توسط جان هالنددر سال ۱۹۷۵ در دانشگاه میشیگان ضمن درسی که باعنوان نظریه سیستم‌های تطبیقی ارائه می‌داد ابداع گردید.

این روش یکی از مهمترین الگوریتم‌های ابتکاری می‌باشد که از آن برای بهینه سازی جهت توابع تعریف شده روی دامنه محدود استفاده می‌شود. در این الگوریتم اطلاعات گذشته با توجه به موروثی بودن الگوریتم استخراج شده و در روند جستجو مورد استفاده قرار می‌گیرد. مفاهیم این الگو در سال ۱۹۸۹ توسط گلبرگ توسعه داده شد. در این مقاله کوشش شده است تا این روش با رویکردی مدیریتی تشریح شود.

تعریف و کاربرد الگوریتم ژنتیک

الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این روش از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای تصادف هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک (GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسأله‌ای که باید حل شود ورودی است و راه‌حل‌ها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.

الگوریتم‌های ژنتیک، الگوریتم‌های جستجو هستند که بر پایه مفاهیم انتخاب طبیعی و ژنتیک موجودات زنده بنا نهاده شده‌اند. با استفاده از این روش‌ها، فرایندهای مشاهده شده در «تکامل طبیعی»  را از طریق الگوریتم‌های کامپیوتری شبیه‌سازی کنند. فرایندهایی که بر اساس انجام عملیات روی کروموزوم‌ها شکل گرفته‌اند. این دانش در زیر مجموعه الگوریتم‌های جستجو قرار می‌‌گیرد. با این حال، تفاوت‌های بسیار اساسی با دیگر الگوریتم‌های جستجو دارند. الگوریتم‌های ژنتیک به جای اینکه به طور مستقیم با مقادیر پارامترهای مسأله سروکار داشته باشند، با نمایشی کدبندی شده از مجموعه پارامترهای مسأله کار می‌کنند و جمعیتی متشکل از نقاط در یک فضای جستجو را برای یافتن جواب‌های مسأله جستجو می‌کنند. همچنین، بدون اینکه از اطلاعات «گرادیان» مرتبط با «تابع هدف» مسأله اطلاعی داشته باشند، تابع هدف مسأله را بهینه‌سازی می‌کنند.

دانلود کتاب الگوریتم ژنتیک

در الگوریتم ژنتیک، یک کروموزوم که گاهی genome نیز نامیده می‌شود مجموعه‌ای از پارامترهاست به طوری که یک راه حل پیشنهادی را برای مساله‌ای که الگوریتم ژنتیک سعی در حل آن دارد، تعریف می‌نماید. مجموعه‌ای از کروموزومها را یک جمعیت گویند. هر تکرار از الگوریتم را نسل گویند. جهت درک بهتر الگوریتم ژنتیک کتاب زیر را به رایگان دانلود کنید.

متن کامل کتاب الگوریتم ژنتیک به زبان فارسی نوشته مصطفی عباسی برای دانلود ارائه شده است.

دانلود کتاب فارسی الگوریتم ژنتیک

تذکر: این کتاب توسط سایت takbook[dot]com به صورت آنلاین منتشر شده است. در صورت هرگونه ادعای ناشر یا نویسنده محترم کتاب لینک دانلود سریعا برداشته خواهد شد – پارس‌مدیر

کاربرد الگوریتم ژنتیک در مدیریت

کاربرد اصلی الگوریتم ژنتیک در کامپیوتر است. اما روش‌های الگوریتم ژنتیک در مهندسی صنایع، برنامه‌ریزی تولید، مدیریت تولید، مدیریت فناوری اطلاعات و مدیریت صنعتی نیز قابل استفاده است. از الگوریتم ژنتیک می‌توان در مدیریت بازاریابی نیز استفاده کرد. برای نمونه استفاده از الگوریتم ژنتیک در بهینه سازی درختان قابل تحقیق است. تصمیم‌گیری برای اعتبارسنجی مشتریان بانک‌ها ذیکی از موارد کاربرد این روش در مدیریت بازاریابی است که می‌تواند برای پایان‌نامه استفاده شود. مدل‌های برنامه‌ریزی یکپارچه تولید و توزیع نیز با الگوریتم ژنتیک قابل طراحی است.

طراحی مهندسی
طراحی مهندسی به مدل‌سازی و شبیه‌سازی کامپیوتری وابسته است. زیرا کامپیوترها کار را سریع‌تر و اقتصادی‌تر می‌کنند. در طراحی‌ها از این روش برای بهینه‌کردن و ایجاد یک راه‌حل قدرتمند استفاده می‌شود.

مسیریابی ترافیک و حمل‌ونقل (مسأله فروشنده دوره‌گرد)
این مسأله مشهور به‌علت صرفه‌جویی در وقت و هزینه به‌طور کارآمدی توسط بسیاری از شرکت‌های مبتنی‌بر فروش پذیرفته‌شده‌است. مسأله مسیر‌یابی با استفاده از این روش نیز قابل‌حل است.

رباتیک
الگوریتم ژنتیک در حوزه رباتیک کاربردهای زیادی دارد. در واقع این روش برای ساخت ربات‌های یادگیرنده استفاده می‌شود. آنها مثل انسان‌ها رفتار می‌کنند و وظایفی مثل پختن غذا و لباسشویی را انجام می‌دهند. مثال‌های بیان‌شده، تنها بخش کوچک و مشهوری از کاربردهای GA هستند. با کمی جست‌و‌جو می‌توانید موارد جالب دیگری پیدا کنید.

خلاصه و جمع‌بندی

ایده الگوریتم ژنتیک مانند شبکه عصبی مصنوعی از طبیعت الهام گرفته شده است. یکی دیگر از چنین ابداعاتی، توسعه است. الگوریتم‌های ژنتیک، با «شبیه‌سازی» فرایند تکامل در طبیعت، با هدف یافتن بهترین جواب ممکن برای یک مسأله، به جستجو در «فضای جواب‌های کاندید» می‌پردازند. در فرایند جستجو برای یافتن جواب بهینه، ابتدا مجموعه یا جمعیتی از جواب‌های ابتدایی تولید می‌شود. سپس، در «نسل‌های» متوالی، مجموعه‌ای از جواب‌های تغییر یافته تولید می‌شوند (در هر نسل از الگوریتم ژنتیک، تغییرات خاصی در ژن‌های کروموزوم‌های تشکیل دهنده جمعیت ایجاد می‌شود). جواب‌های اولیه معمولا به شکلی تغییر می‌کنند که در هر نسل، جمعیت جواب‌ها به سمت جواب بهینه «همگرا» می‌شوند.

این شاخه از حوزه «هوش مصنوعی»، بر پایه مکانیزم تکامل موجودات زنده و تولید گونه‌های موفق‌تر و برازنده‌تر در طبیعت الهام گرفته شده است. به عبارت دیگر، ایده اصلی الگوریتم‌های ژنتیک، «بقای برازنده‌ترین‌ها» است. به‌طور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب و تغییر تشکیل می‌شوند. الگوریتم‌های ژنتیک برای روش‌های کلاسیک بهینه‌سازی در حل مسائل خطی، محدب و برخی مشکلات مشابه بسیار موفق بوده‌اند ولی الگوریتم‌های ژنتیک برای حل مسائل گسسته و غیر خطی بسیار کاراتر می‌باشند.