vahab_asefi
عضو جدید
الگوریتم برنامه‌سازی بیان-ژنی (Gene Expression Programming) روشی برای توسعه‌ی برنامه‌های کامپیوتری و مدلسازی ریاضیاتی (و استخراج الگو) بر اساس محاسبات تکاملی و با الهام از تکامل طبیعی است. این روش توسط Candida Ferreira در سال ۱۹۹۹ ابداع و به طور رسمی در سال ۲۰۰۱ معرفی شد.
الگوریتم GEP در حقیقت نگاه حاکم بر دو الگوریتم وراثتی پیش از خود را در راستای پوشش نقاط ضعف این دو، تجمیع می‌کند. در این روش، ژنوتایپ کروموزوم‌ها مشابه الگوریتم ژنتیک (Genetic Algorithm) یک ساختار خطی دارد و فنوتایپ این کروموزوم‌ها به صورت یک ساختار درختی با طول و اندازه‌ی متغیر مشابه الگوریتم برنامه‌سازی ژنتیک (Genetic Programming) است. از این رو الگوریتم GEP با غلبه بر محدودیت نقش دوگانه‌ی کروموزوم‌ها در الگوریتم‌های پیش از خود امکان اعمال عملگرهای متعدد ژنتیک را با ضمانت سلامت همیشگی کروموزوم‌های فرزند فراهم می‌سازد و با سرعتی بیش از GP به دلیل تنوع ساختاری بالاتر از GA، فضای پاسخ‌های ممکن را به صورت کامل‌تری جستجو می‌کند. در حقیقت GEP از این منظر موفق به عبور از آستانه‌های اول و دوم مفروض در فرآیندهای تکامل طبیعی (Replicator Threshold and Phenotype Threshold) شده است.
در دانآموز شماره ۲۵ از مجموعه طرح ابتکاری دانآموز، تمامی مفاهیم بالا با مقدمه‌ای کامل بر الگوریتم‌های ژنتیک و مبانی زیستی آن‌ها به گونه‌ای بیان گردیده است که برای طیف وسیعی از مخاطبان ناآشنا تا آشنا با محاسبات تکاملی در هر دو حوزه‌ی صنعتی و دانشگاهی قابل استفاده باشد؛ سپس ساختار الگوریتم GEP و نحوه‌ی عملکرد آن بر اساس مراجع اصلی آموزش داده شده است و در آخر نیز روش اجرای فرآیند تابع‌یابی توسط این الگوریتم در محیط نرم‌افزار GeneXproTools به صورت گام به گام مورد بررسی قرار گرفته است. زمان زیادی در درک این الگوریتم صرف کردم. با تهیه و انتشار این دانآموز این زمان به محققین اهدا می‌شود تا برای رسیدن به همین نقطه از دستش ندهند. پرسشی داشتید همان جا در خدمتم.
الگوریتم GEP در حقیقت نگاه حاکم بر دو الگوریتم وراثتی پیش از خود را در راستای پوشش نقاط ضعف این دو، تجمیع می‌کند. در این روش، ژنوتایپ کروموزوم‌ها مشابه الگوریتم ژنتیک (Genetic Algorithm) یک ساختار خطی دارد و فنوتایپ این کروموزوم‌ها به صورت یک ساختار درختی با طول و اندازه‌ی متغیر مشابه الگوریتم برنامه‌سازی ژنتیک (Genetic Programming) است. از این رو الگوریتم GEP با غلبه بر محدودیت نقش دوگانه‌ی کروموزوم‌ها در الگوریتم‌های پیش از خود امکان اعمال عملگرهای متعدد ژنتیک را با ضمانت سلامت همیشگی کروموزوم‌های فرزند فراهم می‌سازد و با سرعتی بیش از GP به دلیل تنوع ساختاری بالاتر از GA، فضای پاسخ‌های ممکن را به صورت کامل‌تری جستجو می‌کند. در حقیقت GEP از این منظر موفق به عبور از آستانه‌های اول و دوم مفروض در فرآیندهای تکامل طبیعی (Replicator Threshold and Phenotype Threshold) شده است.
در دانآموز شماره ۲۵ از مجموعه طرح ابتکاری دانآموز، تمامی مفاهیم بالا با مقدمه‌ای کامل بر الگوریتم‌های ژنتیک و مبانی زیستی آن‌ها به گونه‌ای بیان گردیده است که برای طیف وسیعی از مخاطبان ناآشنا تا آشنا با محاسبات تکاملی در هر دو حوزه‌ی صنعتی و دانشگاهی قابل استفاده باشد؛ سپس ساختار الگوریتم GEP و نحوه‌ی عملکرد آن بر اساس مراجع اصلی آموزش داده شده است و در آخر نیز روش اجرای فرآیند تابع‌یابی توسط این الگوریتم در محیط نرم‌افزار GeneXproTools به صورت گام به گام مورد بررسی قرار گرفته است. زمان زیادی در درک این الگوریتم صرف کردم. با تهیه و انتشار این دانآموز این زمان به محققین اهدا می‌شود تا برای رسیدن به همین نقطه از دستش ندهند. پرسشی داشتید همان جا در خدمتم.
