الگوريتم ژنتيكِ آگاه از بهترين عضو با كاربرد در رنگ آميزي و بعدمتريك گراف

The aware genetic algorithm of the best member, applied to graph coloring and metric-dimension of the graph problems

الگوريتم ژنتيك از معروف ترين روش هاي حل مسائل بهينه سازي تركيبياتي است كه كاربردهاي متعددي در حوزه هاي گوناگوني الگوريتم ژنتيك از معروف‌ترين روش‌هاي حل مسائل بهينه‌سازي تركيبياتي است كه كاربردهاي متعددي در حوزه‌هاي گوناگوني همچون برق، كامپيوتر و رياضي داشته و دارد. نسل‌ بعد در اين الگوريتم با انتخاب اعضاي جمعيت بر اساس ميزان برازندگي آنها صورت مي‌پذيرد. ارتباط اعضا از طريق عملگر تركيب مي‌باشد و برخي از بهترين اعضا مستقيماً به نسل بعد منتقل مي‌شوند. به صورت معمول اعضاي ضعيف جمعيت نيز امكان مشاركت در ايجاد نسل بعد را دارند و حذف نمي‌شوند. در اين مقاله، عملگرهاي توليد فرزند، از بهترين عضو نسل جاري آگاه هستند و تنها فرزنداني به خوبيِ بهترين عضو، توليد شده و در نسل بعد قرار مي‌گيرند. شيوه‌ي پيشنهادي در دو كاربرد رنگ‌آميزي و بعدمتريك گراف با روش معمول الگوريتم ژنتيك مورد مقايسه قرار گرفته و برتري آن در حالت متوسط هم از نظر كيفيت و هم سرعت اجرا نسبت به الگوريتم ژنتيك مرسوم، نشان داده شده است.

Genetic algorithm is one of the most famous methods for solving Combinatorial Optimization Problems. It had various applications in different field of studies such as Electronics, Computer Science and Mathematics and still has. In this algorithm, the population members which contribute for producing the next generation are selected according to their fitness values. The combination of the members is through Crossover Operator; an‎d in some versions a few of the best members migrate to the next generation directly. Normally, the weak members of population may participate to the next generation. In this study, the combination operators are aware of the best member of generation; Only those child which are as good as the best member, are allowed to form the next generation. The proposed method is applied on graph coloring and finding metric-dimension of graph problems. The results are compared with the common genetic algorithm. Experimental results shows the superior performance of the proposed method in comparison to common genetic algorithm.