دانشگاه امیرکبیر

1. دانشگاه امیرکبیر موضوع : الگوریتمهای ژنتیک درس: کاربرد فن آوری اطلاعات پزشکی استاد: دکتر توحید خواه تهیه کننده : معصومه عمیدی بهار 86 Genetic Algorithms : Seminar

2. الگوريتمهاي ژنتيك Genetic Algorithms : Seminar

3. الگوريتم ژنتيك • در گروه الگوريتمهاي بهينه سازي احتمالاتي است • از فرآيند تكامل بيولو‍ژيكي الهام گرفته است . • از مفاهيم انتخاب طبيعي و وراثت ژنتيكي داروين سال1859 استفاده مي كند. Genetic Algorithms : Seminar

4. الگوريتم ژنتيك‍‍‍‍‍‍ • توسط جان هلند ،‌دانشگاه ميشيگان توسعه يافت (‌1970) - به منظور مطالعه وشناخت فرآيندهاي تطبيقي سيستمهاي طبيعي - به منظور طراحي نرم افزارهاي سيستمهاي مصنوعي كه قدرت سيستمهاي طبيعي را حفظ مي كنند. Genetic Algorithms : Seminar

5. الگوريتم ژنتيك (ادامه ) • تكنيكهاي كافي و مؤثر براي كاربردهاي بهينه سازي و يادگيري ماشين ارائه مي دهد. • امروزه در بسياري از زمينه ها مثل تجارت ، علوم ،‌مهندسي و پزشكي بكار ميرود. Genetic Algorithms : Seminar

6. الگوريتم هاي ژنتيك يك مجموعه از راه حلهاي كانديد براي مسئله نگهداري ميكنند . و اين مجموعه را با اعمال تكراري مجموعه عملگرهايتصادفي تكامل ميدهد . Genetic Algorithms : Seminar

7. اپراتورهای غير قطعي • انتخاب : موفق ترين راه حل را در جمعيت مورد نظر مي يابد • تركيب دوباره : دو راه حل مجزا را تجزيه مي كند و آنها را براي ايجاد راه حلهاي جديد بطور با هم تركيب مي كند • جهش: بطور تصادفي راه حلهاي كانديد را آشفته مي كند. Genetic Algorithms : Seminar

8. جدول مقايسه Genetic Algorithms : Seminar

9. طبقه تكنيكهاي جستجو Genetic Algorithms : Seminar

10. الگوريتم ژنتيك ساده { initialize population; evaluate population; while TerminationCriteriaNotSatisfied { select parents for reproduction; perform recombination and mutation; evaluate population; } } Genetic Algorithms : Seminar

11. سيكل توليد مجدد GA children reproduction modification modified children parents evaluation population evaluated children deleted members discard Genetic Algorithms : Seminar

12. جمعيت population Chromosomes could be: • Bit strings (0101 ... 1100) • Real numbers (43.2 -33.1 ... 0.0 89.2) • Permutations of element (E11 E3 E7 ... E1 E15) • Lists of rules (R1 R2 R3 ... R22 R23) • Program elements (genetic programming) • ... any data structure ... Genetic Algorithms : Seminar

13. توليد مجدد children reproduction parents population والدها بطور تصادفي بر اساس شانسهاي انتخابي مرتبط با ارزيابي هاي كروموزوم انتخاب مي شوند. Genetic Algorithms : Seminar

14. تغييرات كروموزوم • تغييرات بطور غير قطعي انجام مي شوند : • انواع عملگرها عبارتند از : • جهش • تقاطع (‌تركيب مجدد ) children modification modified children Genetic Algorithms : Seminar

15. جهش : تغييرات محلي Before: (1 0 1 1 0 1 1 0) After: (0 1 1 0 0 1 1 0) Before: (1.38 -69.4 326.44 0.1) After: (1.38 -67.5 326.44 0.1) • باعث ايجاد حركت در فضاي جستجو مي شود ) محلي يا عمومي ) • اطلاعات از دست رفته در جمعيت را ذخيره مجدد مي كند Genetic Algorithms : Seminar

16. تقاطع : تركيب دوباره * P1 (0 1 1 0 1 0 0 0) (0 1 0 0 1 0 0 0) C1 P2 (1 1 0 1 1 0 1 0) (1 1 1 1 1 0 1 0) C2 • تقاطع يك ابزار حياتي براي الگوريتمهاي ژنتيك است • جستجو را در تكامل اوليه جمعيت شتاب مي دهد. • باعث مي شود كه زير مجموعه هایی از راه حل ها روي كروموزومهاي متفاوتبا هم ترکیب شوند. Genetic Algorithms : Seminar

17. ارزيابي • عملگر ارزيابي يك كروموزوم را رمزگشايي مي كندو يك مقدار برازندگي به آن نسبت مي دهد. • عملگر ارزيابي تنها ارتباط بين ga و مسأله اي كه آن را حل ميكند مي باشد. modified children evaluated children evaluation Genetic Algorithms : Seminar

18. حذف population GAتوليد نسل : كل جمعيت با هر بار تكرار جايگزين ميشود. GAحالت پايدار :‌ تعداد كمي از اعضا در هر بار توليد جايگزين ميشود. discarded members discard Genetic Algorithms : Seminar

19. يك مثال انتزاعي Distribution of Individuals in Generation 0 Distribution of Individuals in Generation N Genetic Algorithms : Seminar

20. نكاتي براي استفاده كنندگان GA • انتخاب موارد پايه پياده سازي - نمايش دادن - اندازهجمعيت ،‌ نرخ جهش ، .. - انتخاب ، سياستهاي حذف ، ... • شرايط پايان • كارايي ،‌ مقياس پذيري • راه حل خوب ، به خوب بودن تابع ارزيابي بستگي دارد ( معمولا“ سخت ترين قسمت است ) Genetic Algorithms : Seminar

21. مزاياي GA • درك مفاهيم آن آسان است . • ما‍ژولار است و از برنامه كاربردي جداست . • پشتيباني بهينه سازي چند منظوره • براي محيطهاي پر اغتشاش noisy مناسب است • هميشه يك جواب داريم ،‌ جواب با گذشت زمان بهتر ميشود. • ذاتا“ موازي است ، به سادگي توزيع پذير است. Genetic Algorithms : Seminar

22. مزاياي GA • با بدست آوردن دانش در مورد دامنه مسئله ، راههاي زيادي براي افزايش سرعت و بهبود برنامه هاي كاربردي مبتني بر GA وجود دارد . • بهره برداري آسان از راه حلهاي فرعي يا راه حلهاي گذشته • بلوكهاي ساختماني انعطاف پذير براي برنامه هاي كاربردي تركيبي Genetic Algorithms : Seminar

23. فرضیه بلوکهای ساختمانی GA ، الگوهاي با كارايي بالا و درجه پايين پيچيدگي را كنار هم قرار مي دهد و بنابراين تلاش مي كند تا به سمت كارايي نزديك به بهينه حركت كند كه به آن فرضيه بلوكهاي ساختماني مي گويند. اين فرضيه دربسیاری از کاربردهای عملی دیده شده است ولی درحالت کلی بستگی به نحوه نمایش و عملگرهای استفاده شده دارد.) Genetic Algorithms : Seminar

24. چه موقع از GA استفاده كنيم ؟ زماني كه • راه حلهاي متناوب بسيار كند و پيچيده هستند. • براي آزمودن روشهاي جديد به ابزار اكتشافي احتياج است. • استفاده از مزاياي تكنولو‍ژي GAنيازهاي حل مسئله را برآورده بسازد. Genetic Algorithms : Seminar

25. مؤلفه هاي GA تعریف یک مسئله بعنوان ورودی و : اصول رمزگذاری ( کروموزوم ،ژن ) رویه مقداردهی اولیه (ایجاد ) انتخاب والد ( تولید مجدد) عملگرهای ژنتیک ( ترکیب دوباره ، جهش ) تابع ارزیابی (محیط) شرایط خاتمه Genetic Algorithms : Seminar

26. نمايش ( كد گذاری) روشهاي كدگذاري ممكن : • (0101 ... 1100) رشته بيت • (43.2 -33.1 ... 0.0 89.2) اعداد حقيقي • (E11 E3 E7 ... E1 E15)عناصر جايگشتي • (R1 R2 R3 ... R22 R23)ليست قوانين • (genetic programming)عناصر برنامه • ... any data structure ...هر نوع ساختمان داده ديگر Genetic Algorithms : Seminar

27. نمايش ( ادامه ) انتخاب روشهاي رمزگذاري به ايده هاي اصلي زير بستگي دارد: • استفاده از ساختار داده تا حد ممكن نزديك به نمايش طبيعي • نوشتن عملگرهاي ژنتيك مناسب همانگونه كه موردنيار است. • اگر امكان داشته باشد ، اطمينان حاصل شود كه تمام ژنوتيپها با راه حلهاي امكان پذير تطبيق داشته باشد . Genetic Algorithms : Seminar

28. مقداردهي اوليه • شروع با جمعيتي كه اعضاي آن تصادفي توليد شده است : • يك جمعيت قبلي نگهداري شده • يك مجموعه از راه حل ارائه شده توسط فرد خبره • يك مجموعه راه حل ارائه شده توسط يك الگوريتم خلاق • ديگر Genetic Algorithms : Seminar

29. انتخاب • هدف : در فضای جستجو نواحی ای انتخاب شوند که شانس بیشتری برای رسیدن به اهداف جستجو دارند. • الهام : نظریه تلاش برای رسیدن به بهترین برازش که توسط داروین ارائه شده است. • توازن : توازن بین اکتشاف و بهره برداری در فضای جستجو در ادامه به معرفی انواع انتخاب می پردازیم . Genetic Algorithms : Seminar

30. انتخاب متناسب با میزان برازش ( مطلوبیت) • توسط جان هلند بعنوان توازن بین اکتشاف و بهره برداری توسعه یافت . موانع • انتخاب متفاوت برایf1(x) and f2(x) = f1(x) + c • بعضی والدها می توانند باعث ایجاد همگرایی شوند درحالیکه فرزندان آنها نابالغ است . Genetic Algorithms : Seminar

31. انتخاب رده بندی خطی مبتنی بر مرتب کردن افراد برحسب میزان مطلوبیت است. احتمال استخراج فرد i ام در رده بندی بصورت زیر تعریف میشود: B: نرخ نمونه برداری مورد انتظار برای بهترین فرد Genetic Algorithms : Seminar

32. انتخاب مسابقات محلی Kفرد را با احتمال یکسان از جمعیت استخراج می کند. و آنها را در یک مسابقه قهرمانی شرکت می دهد. طوریکه احتمال برنده شدن هر فرد با میزان مطلوبیت و برازش او متناسب است . فشار انتخاب مستقیما با تعداد Kشرکت کننده متناسب است . Genetic Algorithms : Seminar

33. تركيب دوباره ( تقاطع ) • * فعالسازی فرآیند تکاملی در جهت افزایش احتمال موفقیت • در فضای جستجو • ترکیب زیرمجموعه های راه حلهای ”والد خوب ” برای ایجاد • فرزندان بهتر Genetic Algorithms : Seminar

34. جهش هدف :شبیه سازی اثر خطاهایی که با احتمال کم در هنگام ”دوبرابر“ شدن بروز می کند. نتیجه : حرکت درفضای جستجو ذخیره دوباره اطلاعات از دست رفته در جمعیت مورد نظر Genetic Algorithms : Seminar

35. ارزيابي: (تابع برازش ) • خوب بودن راه حل به خوب بودن تابع ارزیابی بستگی دارد. انتخابیک تابع خوب معمولا“ سخت ترین قسمت است. • راه حلهای کدگشایی شده شببه سازی شده باید یک تابع برازش شبیه سازی شده داشته باشند. Genetic Algorithms : Seminar

36. شرايط پايان مثالها • تعداد تولید نسل یا زمان آن از قبل تعریف شده است • یک راه حل راضی کننده بدست آمده باشد. • بعد از انجام تعداد معین تولید نسل هیچ پیشرفتی در کیفیت راه حلها بوجود نیاید. Genetic Algorithms : Seminar

37. برخي از انواع كاربردهاي GA Genetic Algorithms : Seminar

38. کاربردهای پزشکی Genetic Algorithms : Seminar

39. کاربردهای پزشکی GA می تواند در زمینه های زیر کمک کند : • تولید برنامه های درمانی • بهینه سازی فرمولهای دارویی وساختارهای مولکولی • بهبود تشخیص • بهبود کیفیت تصمیم گیری و غیره Genetic Algorithms : Seminar

40. کاربردهای پزشکی مثال : تشخیص و توصیف آنوما لیهای موجود در تصاویر پزشکی Genetic Algorithms : Seminar

41. کاربردهای پزشکی مثال : طراحی فیلترهای بافت در تصاویر پزشکی Genetic Algorithms : Seminar

42. کاربردهای پزشکی مثال :برچسب گذاری بافت ویژه در یک تصویر رادیوگرافی استخوان لگن Genetic Algorithms : Seminar

43. قطعه بندی تصاویر پزشکی مثال : اتوماتیک کردن قطعه بندی دو بعدی برشهای تصاویر توموگرافی Genetic Algorithms : Seminar

44. تصمیم گیر ی Genetic Algorithms : Seminar

45. تصمیم گیری • در حل مسئله که یک هدف دارد ، GA راه حلهای زیادی را طراحی می کند تا جایی که هیچ بهبود بیشتری قابل بدست آمدن نباشد یا تعداد معین تولید نسل انجام شده باشد یا زمان پردازش معینی اختصاص یافته شده باشد. • هنگام حل مسایل چند منظوره ، GA راه حل های راضی کننده زیادی ارائه می کند و سپس به تصمیم گیرندگان این امکان را میدهد که بهترین انتخاب را انجام دهند. Genetic Algorithms : Seminar

46. تعیین ویژگیهای مشترک گروه زیادی از داده ها • مثال : رده بندی حرکات دست با ثبت EEG در هنگام توالیهای حرکات متناوب دست چپ ویا راست ، الگوها شناخته می شوند ، در زمان واقعی رده بندی می شوند تا افراد معلول را در ایجاد حرکات کرسر روی مانیتور یاری دهد. Genetic Algorithms : Seminar

47. نتایج پیش بینی بهتر مبتنی بر داده های موجود پیش بینی داده مبتنی بر داده های موجود ، یک نوع مسئله تقریب تابع است . شبکه های عصبی می تواند در حل مسایل تقریب تابع بکار روند . برای مثال داده های بدست آمده از مطالعات سطح نقاهت بیماران می تواند برآوردهای واقعی را ارائه دهد که این امر موجب تخصیص بهتر منابع و کاهش هزینه ها می شود. Genetic Algorithms : Seminar

48. پیش بینی پیشرفت داده های پزشکی درطول زمان برا ی مثال ، داده های مطالعات الگوهای ماهیچه حرکات بازو می تواند در کنترل حرکات موس روی اسکرین کامپیوتر بکار رود. Genetic Algorithms : Seminar

49. شناسایی ویژگیهای خاص در تصاویر پزشکی برای مثال ، داده های تصویری بدست آمده از مطالعات ماموگرام ، می تواند در تشخیص سرطان سینه بکار رود. Genetic Algorithms : Seminar

50. گروه بندی داده های پزشکی مبتنی بر ویژگیهای کلیدی • بعنوان مثال می توان به گروه بندی داروها بر اساس ویژگیهای اصلی آنها اشاره نمود. • بعنوان مثال : با انجام مهندسی معکوس بر روی داده های بدست آمده از مطالعات بیولوژیکی همراه با آنالیز آنها می توان یک رابطه منطقی بیولوژیکی از داده های دنیای واقعی بدست آورد. (شناخت سیستم بیولوژیکی) Genetic Algorithms : Seminar