NIT Raipur
GENETIC ALGORITHM
Submitted To: Submitted By:
Dr. Nitin Jain Bhupesh Kurrey
Associate Professor M.Tech (IEM) – I Sem
Genetic Algorithm (by John Holland, USA)
Abstraction of Real Biological Evolution
Solve Complex Problems (like NP Hard)
البيولوجي الحقيقي تجريد التطور
مثل( حل المشاكل المعقدةNP Hard)
التركيز على التحسين
Focus on Optimization عدد الحلول الممكنة لمشكلة معينة
األفضل سوف يبقى، من مجموعة من األفراد.
Population of possible solutions for a given problem
From a group of individuals, the best will survive.
Introduction
Genetic Algorithm (GA) is a search-based optimization technique based on
the principles of Genetics and Natural Selection.
It is frequently used to find optimal or near-optimal solutions to difficult
problems which otherwise would take a lifetime to solve.
الخوارزمية الجينية ( )GAهي تقنية تحسين قائمة على البحث تعتمد على مبادئ علم الوراثة واالنتقاء
الطبيعي .وكثيرا ما يستخدم إليجاد حلول مثالية أو شبه مثالية للمشاكل الصعبة التي قد تستغرق مدى الحياة
لحلها.
الخوارزميات الجينية :الخوارزميات الجينية ،المستوحاة من العمليات التطورية الطبيعية ،هي خوارزميات
تحسين يمكن استخدامها في أنظمة دعم القرار لألمن السيبراني .إنها فعالة في حل المشكالت المعقدة
ذات مساحات البحث الكبيرة ويمكنها تحسين المعلمات ألنظمة كشف التسلل وتكوينات الشبكة وإنشاء
مفاتيح التشفير.
Basic Terminology
Population : It is a subset of all the possible (encoded) solutions to the given problem.
Chromosomes : A chromosome is one such solution to the given problem.
Gene : A gene is one element position of a chromosome.
Crossover : One parent is selected and one or more off springs are produced using the genetic
material of the parents.
Mutation : It is used to maintain and introduce diversity in the genetic population.
إنها مجموعة فرعية من جميع الحلول الممكنة (المشفرة) لمشكلة معينة: السكان.
الكروموسوم هو أحد هذه الحلول لمشكلة معينة: الكروموسومات.
الجين هو موضع عنصر واحد من الكروموسوم: الجين.
يتم اختيار أحد الوالدين ويتم إنتاج واحد أو أكثر من الينابيع باستخدام المادة الوراثية للوالدين: كروس.
GA Representation Basic Terminology:
Phenotype: Phenotype is the population in the actual real
world solution space in which solutions are represented in a
way they are represented in real world situations.
Genotype: Genotype is the population in the computation
space. In the computation space, the solutions are
represented in a way which can be easily understood and
manipulated using a computing system.
النمط الظاهري هو السكان في مساحة الحل الفعلية في العالم الحقيقي حيث يتم تمثيل الحلول بطريقة يتم تمثيلها في مواقف العالم:النمط الظاهري
الحقيقي.
يتم تمثيل الحلول بطريقة يمكن فهمها ومعالجتها بسهولة، في مساحة الحساب. النمط الجيني هو المجتمع اإلحصائي في مساحة الحساب:النمط الجيني
.باستخدام نظام الحوسبة
Representation of GA
Phenotype space Genotype space = {0,1}L
Encoding
(representation) 10010001
10010010
010001001
011101001
Decoding
(inverse representation)
Termination Condition: شرط اإلنهاء:
When there has been no improvement in the
population for X iterations.
When we reach an absolute number of generations.
When the objective function value has reached a
certain pre-defined value.
عندما ال يكون هناك تحسن في عدد السكان لتكراراتX.
عندما نصل إلى عدد مطلق من األجيال.
عندما تصل قيمة دالة الهدف إلى قيمة معينة محددة مسبقا.
Flow Chart of Genetic Algorithm
Start Selection
Evaluate the
Fitnessتقييم اللياقة
البدنية
Initial Population
السكان األوائل
Select Mate
Converge ? No
تتالقي؟
Crossover
Yes
Stop Reproduction
Mutation
Applications of GA
Routing like Travelling Salesman Problem
Job-Shop Scheduling التوجيه مثل مشكلة البائع المتجول
جدولة متجر الوظائف
Automatic Programming البرمجة التلقائية
التعلم اآللي
Machine Learning اقتصادي
الروبوتات وما إلى ذلك.
Economic
Robotics etc.
Conclusion
• Studying the GA as an optimizing technique with its advantages over
other optimizing technique and its limitations.
• One generation of GA is shown explaining its mechanism and proving
that with each generation we reach closer to the optimum solution.
• Application of GA is studied in Chemical Engineering to estimate the rate
parameters.
• GA has implicit technique which ensures that with each generation, we
get closer to the optimum solution.
دراسةGA كتقنية تحسين مع مزاياها على تقنية التحسين األخرى وحدودها.
يظهر جيل واحد منGA يشرح آليته ويثبت أنه مع كل جيل نصل إلى الحل األمثل.
تمت دراسة تطبيقGA في الهندسة الكيميائية لتقدير معلمات المعدل.
لدىGA نقترب من الحل األمثل، تقنية ضمنية تضمن أنه مع كل جيل.
Genetic Algorithms:
Genetic algorithms (GA) are structured yet randomized search algorithm invented by Darwinian’s evolutionary ideas
about natural selection and genetics. Simulation of fitness of all individuals above all successive generations to work out
the problem. Population of individuals are consisted in each generation. A point in a search space and a possible solution
is represented by each individual. Every individual need to be processed by different genetic operations like crossover,
mutation etc. Genetic Algorithm has following basic operation:
• Initialization: Initial population is generated randomly as stated into uniform distribution over all possible solutions
by Genetic algorithms.
• Selection: Survival of the fittest identified by Selection operator using fitness function.
• Variation: After selection of promising solution using fitness function, deviations are performed for creating new
solutions using Crossover (Recombination) and mutation operation.
• Copulating between individuals performed by Crossover operation. Random modification in solutions done by
Mutation operation.
• Replacement: The population of new candidate solutions substitutes the original one or its part, after applying
crossover and mutation to the set of promising solutions, and the next iteration is executed (starting with selection)
unless termination criteria are met.
This paper includes the related works in section II, GA based Cryptosystem in section III,
Comparison of traditional cryptosystem and GA based cryptosystem in section IV and
conclusion in section IV
THANK YOU
