In this paper a method to increase the optimization ability of genetic algorithms (GAs) is proposed. To promote population diversity, a fraction of the worst individuals of the current population is replaced by individuals from an older population. To experimentally validate the approach we have used a set of well-known benchmark problems of tunable difficulty for GAs, including trap functions and NK landscapes. The obtained results show that the proposed method performs better than standard GAs without elitism for all the studied test problems and better than GAs with elitism for the majority of them

چکیده

در این مقاله، متدی به منظور افزایش توانایی بهینه سازی در الگوریتم های ژنتیک (GA) ارائه شده است. به منظور بهبود تنوع جمعیتی، تعدادی از بدترین عناصرِ (ژن ها) مربوط به یک جمعیت، به وسیله ی عناصری از جمعیت قبلی مورد جایگزیی قرار می­گیرند.به منظور ارزیابی آزمایشی این روش، از مجموعه ای از مسائل بنچ مارک رایج  با قابلیت تنظیم سختی برای الگوریتم های ژنتیک اسفتاده کرده این، که این الگوریتم ها شامل توابع تله و فضاهای NK هستند. نتایج بدست آمده نشان داده است که این متد پیشنهادی میتواند عملکرد بهتری نسبت به GA های استاندارد و بدون نخبه گرایی همه ی مسائل تست مطالعه شده داشته باشد

1-مقدمه

هدف این مقاله این بوده که یک متدی با قابلیت پیاده سازی آسانی را به منظور بهبود توانایی بهینه سازی در الگوریتم های ژنتیک (GA) ارائه دهد. ایده ی اصلی این بوده که از عناصر ژنتیکی موجود در نسل قبلی بتوان مجدد استفاده کرد که این یک ایده ی مشابهی با مفهوم حافظه ی کوتاه مدت می­باشد که در حال حاضر، این مفهوم در محاسبه ی تکاملاتی بکار گرفته شده است. در GA ها، مفهوم حافظه برای مثال در [14,1,10,12,13] استفاده شده است. مفاهیم مشابهی نیز در حوزه ی سیستم های ایمن هوشمند (AIS) ها (برای مثال به [2] رجوع کنید) وجود دارد. ایده ی اصلی متد شانس دوم پیشنهادی، این بوده که عناصر ژنتیکی را از جمعیت قبلی برداشته و در جمعیت جدید قرار دهد...