کلیات پژوهش

مقدمه

مسأله مکان‌یابی، در سطوح استراتژیک تصمیم‌گیری بوده و اهمیت اساسی در موفقیت آن دارد. مکان مناسب نقش مهمی در رقابت‌پذیری یک شرکت در بازار داشته و باید به گونه‌ای انتخاب شود که باعث دستیابی به مزایای رقابتی و استراتژیک در مقایسه با سایر رقبا شود. پیشینه نظری مکان‌یابی تسهیلات، به خوبی توسعه یافته است. از زمانی که‌ مسأله کلاسیک وبر فرمول‌بندی شده است تاکنون نظریه مکان‌یابی بخش فعالی از پژوهشهایی را مخصوصا در ۳۰ سال گذشته به خود اختصاص داده است. در حال حاضر، مکان‌یابی تسهیلات می‌تواند به صورت بدنه بزرگی از دانش، مدل‌های متنوع، متدولوژی‌ها و تکنیک‌های حل مختلف در زمینه‌های مختلفی از جمله مهندسی صنایع، پژوهش در عملیات، مدیریت عملیات، اقتصاد شهری و علوم سیاسی دیده شود (پرتوی، ۲۰۰۶).
بانکداری نیز به عنوان یک فعالیت اقتصادی به دنبال استفاده از روشهای علمی جهت حداکثر نمودن پوشش خدماتی و کارایی و حداقل نمودن هزینههاست. اگرچه ظهور خودپردازها در ابتدا در بانکها بوده است و سالهاست که به ارایه خدمت در بانکها میپردازند ولی قابلیتهای خودپردازها موجب شده است که از آنها در سایر اماکن حتی نقاط رو باز استفاده شود. بدین جهت دستگاههای خودپرداز در قالب کیوسک در نواحی مختلف شهر نصب میگردند و متعاقباً تعیین مکان مناسب برای آنها به میزان مکانیابی شعبات بانک حائز اهمیت است (سلطانی، ۱۳۸۳).
مطالعهی حاضر به عنوان یک پژوهش کاربردی با استفاده از تکنیک مکانیابی حداکثر پوشش به ارایه مدلی با محدودیت پارامترهای صف برای انتخاب مکان ۱۰ کیوسک خودپرداز بانک ملت از میان ۳۰ پارک منتخب در مناطق ۱ تا ۵ شهرداری تهران، با هدف حداکثر نمودن درآمد حاصل از این دستگاهها پرداخته است. مدل ارایه داده شده توسط الگوریتم ژنتیک چند هدفه و نرم افزار MOEA Framework حل و نتایج حاصل ضمن تعیین گزینههای منتخب جهت استقرار کیوسک های خودپرداز، نشان دهنده عملکرد مطلوب این الگوریتم نیز میباشند.

بیان مساله پژوهش

مکان یابی یک فعالیت اقتصادی اعم از یک بنگاه خرده فروشی، کارخانه، مرکز خدماتی یا … یکی از مهمترین سوالات پیش روی یک بنگاه اقتصادی است تا آنجا که این مساله میتواند تعیین کننده موفقیت یا شکست بنگاه باشد. یک انتخاب ضعیف مکان ممکن است منتج به هزینههای اضافی حمل و نقل، از دست دادن نیروی کار توانا، مزیت رقابتی یا بعضی شرایط مشابه شود که برای عملیات تعیین کننده است. هر بنگاه از لحاظ مکانی دامنه نفوذی دارد که اکثریت مشتریان خود را از داخل این محدوده جذب می نماید. این محدوده تحت عنوان منطقه خدماتی یا تجاری شناخته می شود، البته باید توجه داشت که این منطقه از لحاظ مسافتی دارای محدودیت می باشد و بنگاه دارای دامنه نفوذ محدودی می باشد، حال اگر مکان انتخاب شده برای بنگاه به نحوی باشد که در دامنه نفوذ بنگاه، مشتریان بالقوه زیادی وجود داشته باشد امکان موفقیت بنگاه به شدت افزایش می یابد و یک انتخاب نامناسب بعلت عدم وجود زمینه بالقوه فعالیت، می تواند منجربه شکست بنگاه گردد (عزیزی، ۱۳۸۸). امروزه خودپردازها با توجه به مزایایی که دارند و همچنین دامنهی گسترده خدماتی که ارایه میدهند، در بسیاری از موارد به عنوان جایگزین شعبات بانکها بکار گرفته میشوند لذا، انتخاب مکان مناسب برای آنها نیز به میزان مکانیابی شعبات حائز اهمیت میباشد.
تاکنون مدل های زیادی به منظور کمک به اتخاذ تصمیم در حوزه مکانیابی ایجاد شدهاند. بهطور کلی مطالعات مکانیابی از دهه ۱۹۱۰ آغاز شد، ولی ورود مدل های کمی به عرصه مکانیابی تسهیلات شهری در اواخر دهه ۱۹۶۰ در ایالات متحده با مطرح شدن رویکرد سیستمی در برنامه ریزی شهری اتفاق افتاد. در سال ۱۹۶۳ مدل بسیار مهم لاری، که روی سه مشخصه مرتبط شهری یعنی اشتغال، جمعیت و حمل ونقل متمرکز میشد، مطرح گردید. روش شبیهسازی کامپیوتر در سال ۱۹۷۳ توسط مارکلند ارایه گشت گه در سال ۱۹۸۶، فردی به نام جان کرسین ، مدل لاری را پویا نمود یعنی عامل زمان را نیز در تحلیلهای مدل وارد کرد. در اوخر همین دهه، تلاشهایی که برای یکپارچهسازی مدلهای کمی صورت گرفت، در ابتدای دهه ۹۰ به ثمر نشست و GIS پا به عرصه نهاد. در سال ۱۹۹۹ لیانگ و لانگ پیشنهاد یک الگوریتم برای مکان یابی با استفاده از مفاهیم تئوری فازی را دادند(سادهوند، ۱۳۹۰).
یکی از مشهورترین مدل ها در میان مدل های مکانیابی تسهیلات، مدل مساله پوشش است. درحالیکه مدل های پوشش مدلهای جدیدی نیستند اما همواره توجه زیادی از طرف محققان را به خود جلب کردهاند. که دلیل این امر قابلیت بکارگیری آنها در دنیای واقعی خصوصا برای تسهیلات خدماتی و اورژانسی است. با توجه به تاریخچه و منشا کارهای انجام شده، حکیمی در سال ۱۹۶۵ برای اولین بار مسائل پوشش را معرفی کرد.
برخی[۱]، شیلینگ[۲] و جایارامن[۳] در سال ۱۹۹۳ مدلهایی که از مفهوم پوشش استفاده میکنند را در دو گروه دستهبندی کردهاند : ۱) مسائل پوشش مجموعه (SCP) در مسائلی که پوشش مورد نیاز است و ۲) مسالهی مکانیابی حداکثر پوشش (MCLP) هنگامی که پوشش بهینه میشود (زنجیرانی فراهانی و دیگران، ۲۰۱۲).
در این پژوهش، سعی بر توسعهی مدلی از مساله پوشش (گروه MCLP) شده است که علاوه بر حداکثر نمودن سود بنگاه، از طریق قرار دادن محدودیت حداکثر طول مطلوب صف، میزان رضایتمندی متقاضیان را افزایش دهد.

اهمیت وضرورت مساله پژوهش

انتخاب مکان بهینه همواره یکی از اصلی ترین تصمیماتی است که مدیران با آن مواجه هستند زیرا اخذ تصمیم نادرست در این زمینه در بلند مدت زمینه ساز نابودی سازمان می گردد. امروزه ارزش یک مدیر وابسته به تصمیماتی است که می گیرد و از طرفی تصمیماتی دارای ارزش است که برگرفته از اطلاعات دقیق باشد. انجام مطالعات مکان یابی درست و مناسب، علاوه بر تاثیر اقتصادی بر عملکرد یک بنگاه، اثرات اجتماعی، محیط زیستی، فرهنگی و اقتصادی در منطقه محل احداث خود خواهد داشت (موسوی، ۱۳۸۰). ((محل مناسب)) یک تسهیل از جمله عوامل موثر در موفقیت آن واحد است که باید قبل از احداث و راه اندازی به آن توجه شود . لذا تعیین محل را یکی از کلیدی ترین قدم های تاسیس آن میدانند چرا که نتایج این تصمیم در درازمدت اثرات بسزایی از بعد اقتصادی، اجتماعی و … خواهد داشت (عزیزی،۱۳۸۸).
همچنین در راستای تعیین بهترین مکان ممکن برای تسهیلات، انتخاب تکنیکی جامع جهت مکانیابی حائز اهمیت زیادی میباشد، چراکه فرآیند مکانیابی، خود نیازمند صرف هزینه است لذا تعیین مدلی که قادر به استفادهی بلند مدت برای تاسیس شعبات جدید بنگاه بوده و در عین حال، علاوه بر کارایی بالا حداقل هزینه را بر بنگاه تحمیل کند نیز دارای حساسیت و اهمیت بالایی خواهد بود.

اهداف پژوهش

تعیین مکان مناسب برای استقرار کیوسک خودپرداز با استفاده از تکنیک ریاضی کاورینگ

سوالات پژوهش

با توجه به عوامل موثر در تعیین محل مناسب جهت استقرار کیوسک خودپرداز ، اولویت گزینههای موجود چیست؟
مدل ریاضی و روش حل مناسب آن برای مکانیابی استقرار کیوسک خودپرداز چیست؟

فرضیات پژوهش

فلوچارت پایان نامه

بررسی پیشینه پژوهش به منظور بررسی مدل های ریاضی موجود برای مکانیابی
مرحله ۱
مرحله ۲
تعیین مدل ریاضی مناسب
مرحله ۳
گردآوری دادههای گزینهها جهت حل مدل
مرحله ۴
نوشتن الگوریتم ژنتیک مناسب و وارد کردن دادههای گزینهها در آن
مرحله ۵
اجرای مدل
نتیجهگیری و تحلیل گزارش
مرحله ۶
شکل ۱-۱ : مراحل اجرای پژوهش

فصل دوم

بررسی پیشینه پژوهش

۲-۱- مقدمه
شناخت مبانی نظری و ادبیات مربوط به موضوع مکانیابی و تناسب هر کدام از روشهای مکانیابی برای بکارگیری در مورد سیستمهای خدماتی یا عملیاتی و همچنین بررسی اجمالی پژوهشهایی که در ارتباط تنگاتنگ با موضوع مکانیابی سیستمهای خدماتی انجام گرفته است و نیز بکارگیری نرم افزار مناسب جهت کسب یافتههای دقیق باعث میشود تا پژوهش از چارچوب و بنیان قویتری برخوردار شود. بنابراین در این فصل تلاش میشود تا در حد امکان مبانی نظری مبحث مورد توجه قرار گیرد. بدین منظور در این فصل ابتدا مبانی و نظریههای مربوط به مکانیابی بیان گردیده، سپس به تشریح کامل نظریات، مدلها و سوابق پژوهشی مساله حداکثر پوشش پرداخته و پس از آن به توضیح و تفسیر الگوریتم ژنتیک به عنوان روش بکار گرفته شده جهت حل مدل مساله خواهیم پرداخت و درنهایت به سوابق پژوهشهای مشابه پژوهش حاضراشاره خواهیم داشت.
دراین فصل ادبیات موضوعی در سه بخش زیر ارایه میگردد :
مکانیابی ۲- مدلهای مساله حداکثر پوشش ۳- الگوریتم ژنتیک
۲-۲- مکانیابی
مکانگزینی صنعتی از جمله مباحثی است که از گذشتههای دور ذهن جغرافیدانان را به خود معطوف داشته است. ولی بیش از آنان بیشترین رسالت را اقتصاد دانان در تکمیل تئوریهای مکانگزینی به عهده داشتهاند اما با توجه به اینکه، استخراج الگوهای مقیاس و درک تفاوتها و تشابهات موضوع اصلی علم جغرافیاست، مکانگزینی صنعتی نیز در دستور کار علم جغرافیا قرار میگیرد.
منظور از تئوریهای مکانگزینی، ارایه کلیه اصولی است که به موجب آن فعالیتهای صنعتی، مکان بهتر خود را که منطبق با حداکثر سود است تعیین میکند.
۲-۲-۱- دیدگاههای مطرح در مکانیابی صنایع

دیدگاههای کلاسیک نوین

در این دیدگاه که از آن بعنوان اندیشه حداقلسازی هزینه نیز یاد میشود، مکانیابی بهینه صنایع صرفاً تحت تاثیر عوامل مشخص و قراردادی، نظیر دسترسی به مواد اولیه، نیروی کار، بازار و … قرار دارد. این عوامل و دیگر عوامل تولید لزوماً در یک نقطه متمرکز نبوده و جدایی فضایی آنها مستلزم پیمودن مسافت و صرف هزینه است.
براساس این دیدگاه مطالعه درباره مکانیابی صنایع در قالب اقتصاد خرد و بمنظور تعیین محل دقیق صنایع بر مبنای هزینه و منفعت مطرح است. این نگرش غالباً به هدفهای بخش خصوصی توجه دارد که همواره با هدفهای اجتماعی، سیاسی و عدالت اجتماعی نمیتواند همخوانی داشته باشد در صورت پیاده شدن فروض کلاسیک نوین تمرکز صنایع فقط در یک یا چند شهر یک کشور صورت خواهد گرفت که گرچه از دید بخش خصوصی منطقی میباشد ولی طبیعتاً هزینههای زیادی را بر اجتماع تحمیل خواهد کرد.

دیدگاه رفتاری

رفتارگرایی مکتبی استقراری در روانشناسی است که مدعی تبیین تمامی حیات روانی از طریق قوانین تعامل میان انسان و محیط است. این روش در دهه هفتاد پاسخی بود به انتقادهایی که از بعضی جنبههای تحلیل فضا میشد.
دیدگاه رفتارگرایی یک نوع رهایی از وابستگی شدید به نظرهایی بود که بر پایه انسان اقتصادی از محیط او اثر میپذیرد. رفتارگرایان بجای آنکه درصدد تغییر انسان باشند، دگرگونی محیط را پیشنهاد میکنند. آنها معتقدند این عوامل خارجی است که انسان را از هر جهت تحت کنترل قرار میدهد. از جمله کارهای آنان، تشخیص عوامل ذهنی مهمی است که در تاسیس و ادامه حیات موسسات اقتصادی موثر میباشند و از جمله ویژگیهای شاخص آن، جایگزینی رفتار رضایتبخش بجای رفتار بهینه میباشد که رضایت فرد را بجای بهینه شدن یا بیشینه شدن در نظر میگیرد. در اینگونه از رفتار، معیار ممکن است شخصی و یا غیر اقتصادی باشد.
آلن پرو که از سردمداران این نگرش است اعتقاد دارد که تصمیمات مکانیابی در شرایط گوناگون به لحاظ دانش، اطلاعات و توانایی انسانها در بکارگیری این اطلاعات اتخاذ میگردد. وی ماتریس رفتاری را بعنوان ایده جایگزین انسان اقتصادگرا در تحلیل و فهم مسایل واقعی مکانیابی ارایه مینماید. در این ماتریس تصمیمگیریها تابعی از دو بردار میباشند، یکی کمیت و کیفیت اطلاعات دریافتی و دیگری قابلیت استفاده فرد یا گروه از این اطلاعات.

دیدگاه ساختاری

بروز بحران اقتصادی در سطح جهان و پیامدهای مترتب بر بخش صنعت لزوم دیدگاه دیگری را در مطالعات صنعتی اقتضا نمود. دیدگاهی که در آن مسایل واحدهای صنعتی را در چارچوب نظام یک کشور تعیین میکند.
براساس این دیدگاه که نزدیکی خاصی با نگرش سیستمی دارد. پدیدههای گوناگون فضای زندگی را نمیتوان به صورت جداگانه و مستقل از یکدیگر مطالعه کرد بلکه هر پدیدهای جزیی از کل یک ساختار است و تنها در درون این ساختار میتوان آن را تحلیل کرد.
در مکانیابی صنعتی، دیدگاه ساختاری توجه خود را به اقتصاد سیاسی و تاثیر آن بر روی مکانیابی متمرکز میکند زیرا فضا توسط اقتصاد سیاسی تعیین مییابد و عقلایی بودن خود را از آن میگیرد بدون تردید این قبیل ساختهای فضایی بر اقتصاد سیاسی کشور اثر بازخوردی دارند.
این سه نگرش را میتوان در قالب یک نگرش فراگیر سیستمی مورد توجه قرار داد. بدین معنی که تحلیل فضای صنعتی بر مبنای نگرش رفتاری ولی در قالب روشهای کلاسیک نوین و شاخصهای مربوط انجام میگیرد و سپس با در نظر گرفتن معیارهای کلی و ویژگیهای کلی ساختار حکم نهایی استخراج میگردد (عزیزی،۱۳۸۸).
۲-۲-۲- تئوریهای مکانیابی
مسأله مکان‌یابی، در سطوح استراتژیک تصمیم‌گیری بوده و اهمیت اساسی در موفقیت آن دارد.مکان مناسب نقش مهمی در رقابت‌پذیری یک شرکت در بازار داشته و باید به گونه‌ای انتخاب شود که باعث دستیابی به مزایای رقابتی و استراتژیک در مقایسه با سایر رقبا شود. پیشینه نظری مکان‌یابی تسهیلات به خوبی توسعه یافته است. از زمانی که‌ مسأله کلاسیک وبر فرمول‌بندی شده است تاکنون نظریه مکان‌یابی بخش فعالی از پژوهشهای را، مخصوصا در ۳۰ سال گذشته به خود اختصاص داده است. در حال حاضر، مکان‌یابی تسهیلات می‌تواند به صورت بدنه بزرگی از دانش، مدل‌های متنوع، متدولوژی‌ها و تکنیک‌های حل مختلف در زمینه‌های مختلفی از جمله مهندسی صنایع، پژوهش در عملیات، مدیریت عملیات، اقتصاد شهری و علوم سیاسی دیده شود (پرتوی، ۲۰۰۶).
در سال‌های اخیر، تعدادی از محققین مخصوصا افرادی که در زمینه مسایل کاربردی‌ به پژوهش می‌پردازند به توسعه مسایل پایه موجود به صورت چند هدفه و بررسی آنها در این حالت پرداخته‌اند. به طور سنتی این مدل‌ها تقریبا فقط از دیدگاه‌ خصوصیات مکان، تصمیمات مربوط به جایابی را اتخاذ می‌نمایند. بررسی دقیق و گسترده‌ نرخ دستمزد، هزینه مواد و تجهیزات، هزینه‌های حمل‌ونقل و مالیات بسیار رایج می‌باشند. علاوه بر این برخی محققین مباحث کیفی مشخصی از جمله وضعیت جامعه، دسترسی به‌ نیروی کار، وجود اتحادیه‌های کارگری، مشخصات فرهنگی، کیفیت مدارس و عواملی از این دست را نیز در نظر گرفته‌اند. در سال‌های اخیر برخی از محققین این موضوع را مورد توجه قرار داده‌اند که چگونه عوامل مؤثر بر مکان‌یابی هنگامی که مسأله در مقیاس‌ بین المللی مورد بررسی قرار می‌گیرد، پیچیده‌تر می‌شوند. برخی از محققین‌ چارچوبی استراتژیک که هم معیارهای داخلی و هم معیارهای خارجی را در بر می‌گیرد، پیشنهاد داده‌اند. اما چارچوب آنها صرفا بر مبنای قضاوت کیفی بوده و نه بر مبنای تحلیل ریاضی و سیستم پشتیبانی تصمیم‌گیری (یزدانشناس و فرقانی ، ۱۳۸۶). تئوریهای اصلی مکانیابی در جدول ۲-۱ آورده شده است :
جدول ۲-۱ : تئوریهای اصلی مکانیابی[۴]

۲-۴-۱-۱- الگوریتم‌های جستجوی ناآگاهانه

یک الگوریتم جستجوی ناآگاهانه الگوریتمی است که به ماهیّت مسأله کاری ندارد. از این‌رو می‌توانند به طور عمومی طراحی شوند و از همان طراحی برای محدودۀ عظیمی از مسائل استفاده کنند، این امر نیاز به طراحی انتزاعی دارد. از جمله مشکلاتی که این چنین الگوریتم‌هایی دارند این است که اغلب فضای جستجو بسیار بزرگ است و نیازمند زمان زیادی (حتی برای نمونه‌های کوچک) می‌باشد. از این‌رو برای بالا بردن سرعت پردازش غالبا از الگوریتم‌های آگاهانه استفاده می‌کنند.

جستجوی لیست

الگوریتم‌های جستجویِ لیست شاید از ابتدایی‌ترین انواع الگوریتم‌های جستجو باشند. هدف آن پیدا کردن یک عنصر از مجموعه‌ای از کلیدهاست(ممکن است شامل اطلاعات دیگری مرتبط با آن کلید نیز باشد). ساده‌ترین این الگوریتم‌ها، جستجوی خطّی است که هر عنصر از لیست را با عنصر مورد نظر مقایسه می‌کند. زمان اجرای این الگوریتم از O(n) است وقتی که n تعداد عناصر در لیست باشد. اما می‌توان از روش دیگری استفاده کرد که نیازی به جستجوی تمام لیست نباشد. جستجوی دودویی اندکی از جستجوی خطّی بهتر است. زمان اجرای آن از O(log n) است. این روش برای لیستی با تعداد دادۀ زیاد بسیار کارآمدتر از روش جستجوی خطّی است. اما در این روش لیست باید قبل از جستجو مرتب شده باشد. «جستجو با میان‌یابی» برای داده‌های مرتب شده با تعداد زیاد و توزیع یکنواخت، مناسب‌تر از جستجوی دودویی است. زمان اجرای آن به طور متوسّط O(log(log n)) است ولی بدترین زمان اجرای آن O(n) می‌باشد. الگوریتم «گراور»[۲۸]الگوریتم پلّه‌ای است که برای لیست‌های مرتب نشده استفاده می‌شود. الگوریتم Hash Table نیز برای جستجوی لیست به کار می‌رود. به طور متوسط زمان اجرای ثابتی دارد. اما نیاز به فضای اضافه داشته و بدترین زمان اجرای آن از O(n) است.

جستجوی درختی

الگوریتم‌های جستجوی درختی، قلب شیوه‌های جستجو برای داده‌های ساخت یافته هستند. مبنای اصلی جستجوی درختی، گره‌هایی است که از یک ساختمان داده گرفته شده‌اند. هر عنصر که بخواهد اضافه شود با داده‌های موجود در گره‌های درخت مقایسه می‌شود و به ساختار درخت اضافه می‌شود. با تغییر ترتیب داده‌ها و قرار دادن آنها در درخت، درخت با شیوه‌های مختلفی جستجو می‌شود.

جستجوی گراف

بسیاری از مسائل در نظریۀ گراف می‌تواند با الگوریتم‌های پیمایش درخت حل شوند، مثل الگوریتم دیکسترا[۲۹]، الگوریتم کروسکال[۳۰]، الگوریتم نزدیک‌ترین‌همسایه[۳۱] و الگوریتم پریم[۳۲]. می‌توان این الگوریتم‌ها را توسعه یافتۀ الگوریتم‌های جستجوی درختی دانست.

۲-۴-۱-۲- الگوریتم‌های جستجوی آگاهانه

در یک جستجوی آگاهانه، از نوع خاصی از مسائل به عنوان راهنما استفاده می‌شود. یک گونۀ خوب، یک جستجوی آگاهانه با کارایی قابل توجّهی نسبت به جستجوی ناآگاهانه به وجود می‌آورد. الگوریتم‌های برجستۀ کمی از جستجوی آگاهانۀ یک لیست وجود دارد. یکی از این الگوریتم‌هاHash Table با یک تابع Hash که برمبنای نوع مسأله‌ای که دردست است می‌باشد. بیشتر الگوریتم‌های جستجوی آگاهانه، بسطی از درخت‌ها هستند. همانند الگوریتم‌های ناآگاهانه، این الگوریتم‌ها برای گراف‌ها نیز می‌توانند به کار روند.
دلیل نیاز به روش‌های جستجوی آگاهانه، نیاز به کاهش هزینۀ زمانی مورد نیاز برای حلّ مسأله است. در واقع به این دلیل که ما تمایل داریم مسائل را در زمان کمتری حل کرده و از بررسی تمام حالات ممکن اجتناب کنیم، می‌بایست روشی برای تشخیص کیفیت مسیر (حتی به شکل نسبی) داشته باشیم.

جستجوی خصمانه

در یک بازی مثل شطرنج، یک درخت بازی شامل تمام حرکات ممکن توسط هر دو بازیکن و نتایج حاصل از ترکیب این حرکات وجود دارد، و ما می‌توانیم این درخت را جستجو کرده و مؤثرترین استراتژی برای بازی را بیابیم. این چنین مسائلی دارای مشخصۀ منحصر به فردی هستند. برنامه‌های بازی‌های رایانه‌ای، و همچنین فرم‌های هوش مصنوعی مثل برنامه‌ریزی ماشین‌ها، اغلب از الگوریتم‌های جستجو مثل الگوریتم مین‌ماکس[۳۳] (می‌نیمیم مجموعه‌ای از ماکزیمم‌ها)، هرس کردن درخت جستجو و هرس کردن آلفا-بتا استفاده می‌کنند.
۲-۴-۲- مسائل NP-Hard
نمونه‌ای از مسائلی که نمی‌توان آنها را به روش سنتی حل کرد مسائل NP هستند. مجموعه «ان‌پی-سخت» شامل چندهزار مسألۀ مختلف با کاربردهای فراوان است که تاکنون برای آنها راه‌حلّ سریع و قابل انجام در زمان معقول پیدا نشده ‌است و به احتمال زیاد در آینده نیز یافت نخواهد شد. این که راه‌حلّ سریعی برای آنها وجود ندارد هم اثبات شده‌است. البته ثابت شده ‌است که اگر فقط برای یکی از این مسأله‌ها راه‌حل سریعی پیدا شود، این راه‌حل موجب حلّ سریع بقیۀ مسأله‌ها خواهد شد. البته احتمال پیدا شدن چنین الگوریتمی ضعیف است. منظور از راه‌حلّ سریع آن است که زمان اجرای آن با اندازۀ ورودی مسأله به صورت چندجمله‌ای رابطه داشته باشد.
روش‌های مختلفی برای حلّ سریع ولی نزدیک به بهینه برای یک مسألۀ NP-Hard وجود دارد :
راه حلّ تقریبی قابل اثبات(الگوریتم‌های تقریبی): که در آن یک الگوریتم سریع برای حلّ مسأله ارایه می‌شود ولی اثبات می‌شود که اندازۀ خروجی ضریبی از اندازۀ خروجی بهینۀ مسأله ‌است.
الگوریتم‌های مکاشفه‌ای: با این که الگوریتم‌هایی سریع هستند و به صورت تقریبی جواب را به دست می‌آورند، اما در مورد ضریب تقریب یا میزان خوبی الگوریتم اثباتی وجود ندارد. بسیاری از این الگوریتم‌ها به صورت تجربی آزمایش می‌شوند. برخی از این الگوریتم‌ها از «روش حریصانه» برای حل استفاده می‌کنند.
راه‌های معمول مقابله با چنین مسائلی عبارتند از:
طراحی الگوریتم‌هایی برای پیدا کردن جواب‌های دقیق که استفاده از آنها فقط برای مسائل با اندازه کوچک صورت می‌گیرد.
استفاده از «الگوریتم‌های مکاشفه‌ای»[۳۴] که جواب‌هایی به‌دست می‌دهد که احتمالاً درست هستند.
پیدا کردن زیرمسأله‌هایی از مسأله، یعنی تقسیم مسأله به مسأله‌های کوچکتر.
دو مسألۀ زیر جزءِ مسائل NP-Hard می‌باشند:
مساله فروشنده دوره‌گرد
مساله بزرگترین خوشه (پیدا کردن بزرگترین زیرگراف کامل)[۳۵]
اما مسائل مهم زیادی نیز وجود دارند که یافتن راه‌حل در آنها بسیار دشوار است. اما اگر راه‌حل را داشته باشیم، بررسی آن آسان می‌شود. این واقعیت منجر به مسائل NP-Complete problems شد.NP معرفNondeterministic (چند جمله‌ای‌های غیرجبری) و به این معناست که امکان این وجود که راه‌حل را حدس زد و سپس آن را بررسی کرد.
برای سهولت کار، بررسی مسائل NP-Complete ، محدود به مسائلی است که پاسخ می‌تواند بله یا خیر باشد. به دلیل وجود کارهایی با نتایج پیچیده، دسته دیگری از مسائل با نام NP-Hard معرفی شده‌اند. این دسته مانند مسائل NP-Complete محدود نیستند.
یکی از ویژگی‌های مسائل NP آن است که یک الگوریتم ساده را (که ممکن است در نگاه اول بدیهی به نظر برسد) می‌توان برای یافتن راه‌حل‌های مفید به کار برد. اما بطور کلی، این روش، روش‌های ممکن زیادی را فراهم می‌کند و بررسی کردن تمام راه‌حل‌ها، فرآیند بسیار کندی خواهد بود.
امروزه، هیچکس نمی‌داند که آیا الگوریتم سریعتری برای یافتن جواب دقیق در مسائل NP وجود دارد یا خیر. و یافتن چنین الگوریتمی وظیفه مهمی است که به عهده محققان می‌باشد. امروزه اکثر مردم تصور می‌کنند که چنین الگوریتمی وجود ندارد و بنابراین به دنبال روش دیگری (جایگزین) هستند. و نمونه‌ای از روش جایگزین، الگوریتم ژنتیکی است.
۲-۴-۳- هیوریستیک[۳۶]
سیستم‌های پیچیده اجتماعی، تعداد زیادی از مسائلِ دارایِ طبیعتِ ترکیباتی را پیش روی ما قرار می‌دهند. مسیر کامیون‌های حمل‌ونقل باید تعیین شود، انبارها یا نقاط فروش محصولات باید جایابی شوند، شبکه‌های ارتباطی باید طراحی شوند، کانتینرها باید بارگیری شوند، رابط‌های رادیویی می‌بایست دارای فرکانس مناسب باشند، مواد اولیه چوب، فلز، شیشه و چرم باید به اندازه‌های لازم بریده شوند؛ از این دست مسائل بی‌شمارند. تئوری پیچیدگی به ما می‌گوید که مسائلِ ترکیباتی اغلب چندجمله‌ای[۳۷] نیستند. این مسائل در اندازه‌های کاربردی و عملی خود به قدری بزرگ هستند که نمی‌توان جواب بهینۀ آنها را در مدّت زمان قابل پذیرش به دست آورد. با این وجود، این مسائل باید حل شوند و بنابراین چاره‌ای نیست که به جواب‌های زیر بهینه بسنده نمود؛ به گونه‌ای که دارای کیفیّت قابل پذیرش بوده و در مدّت زمان قابل پذیرش به دست آیند. چندین رویکرد برای طراحی جواب‌های با کیفیّت قابل پذیرش تحت محدودیّت زمانی قابل پذیرش پیشنهاد شده است. الگوریتم‌هایی وجود دارند که می‌توانند یافتن جواب‌های خوب در فاصله مشخصی از جواب بهینه را تضمین کنند که به آنها الگوریتم‌های تقریبی می‌گویند. الگوریتم‌های دیگری هستند که تضمین می‌دهند با احتمال بالا جواب نزدیک بهینه تولید کنند که به آنها الگوریتم‌های احتمالی گفته می‌شود. جدای از این دو دسته، می‌توان الگوریتم‌هایی را پذیرفت که هیچ تضمینی در ارایه جواب ندارند اما بر اساس شواهد و سوابق نتایج آنها، به طور متوسط بهترین تقابل کیفیت و زمان حل برای مسأله مورد بررسی را به همراه داشته‌اند؛ به این الگوریتم‌ها، الگوریتم‌های هیوریستیک گفته می‌شود.
هیوریستیک‌ها عبارتند از معیارها، روشها یا اصولی برای تصمیم‌گیری بین چندین خط‌مشی و انتخاب اثربخش‌ترین برای دستیابی به اهداف موردنظر. هیوریستیک‌ها نتیجۀ برقراری اعتدال بین دو نیاز هستند: نیاز به ساخت معیار‌های ساده و در همان زمان توانایی تمایز درست بین انتخاب‌های خوب و بد.
یک هیوریستیک می‌تواند حسابی سرانگشتی باشد که برای هدایت یک دسته از اقدامات به کار می‌رود. برای مثال، یک روش مشهور برای انتخاب طالبی رسیده عبارتست از فشار دادن محل اتصال به ریشه از یک طالبی نامزدِ انتخاب و سپس بو کردن آن محل؛ اگر بوی آن محل مانند بوی داخل طالبی باشد آن طالبی به احتمال زیاد رسیده است. این قاعده سرانگشتی نه تضمین می‌کند که تنها طالبی‌های رسیده به عنوان نامزد انتخاب شوند و نه تضمین می‌کند که طالبی‌های رسیده آزمایش‌شده، رسیده تشخیص داده شوند اما به هر حال این روش، اثربخش‌ترین روش شناخته شده است.

انواع الگوریتم‌های هیوریستیک

در حالت کلی سه دسته از الگوریتم‌های هیوریستیک قابل تشخیص است:
 
الگوریتم‌هایی که بر ویژگی‌های ساختاری مسأله و ساختار جواب متمرکز می‌شوند و با استفاده از آنها الگوریتم‌های سازنده یا جستجوی محلی تعریف می‌کنند.
الگوریتم‌هایی که بر هدایت هیوریستیک یک الگوریتم سازنده یا جستجوی محلی متمرکز می‌شوند به گونه‌ای که آن الگوریتم بتواند بر شرایط حساس (مانند فرار از بهینه محلی) غلبه کند. به این الگوریتم‌ها، متاهیوریستیک[۳۸] گفته می‌شود.
الگوریتم‌هایی که بر ترکیب یک چارچوب یا مفهوم هیوریستیک با گونه‌هایی از برنامه‌ریزی ریاضی (معمولا روشهای دقیق) متمرکز می‌شوند.
هیوریستیک‌های نوع اول می‌توانند خیلی خوب عمل کنند (گاهی اوقات تا حد بهینگی) اما ممکن است در جواب‌های دارای کیفیت پایین گیر کنند. همانطور که اشاره شد یکی از مشکلات مهمی که این الگوریتم‌ها با آن روبرو می‌شوند افتادن در بهینه‌های محلی است، بدون اینکه هیچ شانسی برای فرار از آنها داشته باشند. برای بهبود این الگوریتم‌ها از اواسط دهۀ ۷۰، موج تازه‌ای از رویکردها آغاز گردید. این رویکردها شامل الگوریتم‌هایی است که صریحاً یا به صورت ضمنی تقابل بین ایجاد تنوع جستجو (وقتی علائمی وجود دارد که جستجو به سمت مناطق بد فضای جستجو می‌رود) و تشدید جستجو (با این هدف که بهترین جواب در منطقه مورد بررسی را پیدا کند) را مدیریت می‌کنند. این الگوریتم‌ها متاهیوریستیک نامیده می‌شوند. از بین این الگوریتم‌ها می‌توان به موارد زیر اشاره کرد:
بازپخت شبیه‌سازی شده.
جستجوی ممنوع.
الگوریتم‌های ژنتیک.
شبکه‌های عصبی مصنوعی.
بهینه‌سازی مورچه‌ای یا الگوریتم‌های مورچه.
که در این بین الگوریتم‌های ژنتیک از شهرت بیشتری نسبت به دیگر الگوریتم‌ها برخوردار است.

۲-۴-۳-۱- الگوریتم ژنتیک

به دنبال تکامل…
بسیاری از دانشمندان و اندیشمندان، میل به تکامل را مهترین عامل پیشرفت دستگاه آفرینش و انسان می‌دانند. از این دیدگاه هر پدیده‌ای را که بنگرید، یک مسأله جستجوست. انسان همواره می‌کوشد تا به تکامل برسد، از این رو می‌اندیشد، می‌پژوهد، می‌کاود، می‌سازد، می‌نگارد و همواره می‌کوشد تا باقی بماند. حتی می‌‌توان گفت که میل به زادن فرزند، گامی در برآوردن این نیاز و البته دیگر جانداران است. می‌توان این تلاش در راه رسیدن به تکامل را یک مسألۀ جستجو تعبیر کرد.
کوشش یک مؤسسه اقتصادی یا تولیدی –که تابعی برای تبدیل داده‌ها به ستادهاست- برای کمینه کردن هزینه‌ها و بیشینه کردن سود، یک مسألۀ جستجو است. تلاش یک سپاه در حال جنگ، برای وارد کرد بیشترین خسارات بر دشمن با از دست دادن کمترین نیرو و جنگ‌افزار، یا کوشش یک دانش‌آموز برای دست یافتن به بالاترین نمره، سعی یک موسیقیدان یا نگارگر برای خلق زیباترین اثر هنری، تلاش یک کاندیدا برای به دست آوردن بیشترین رأی، طراحی یک نجّار برای ساختن راحت‌ترین صندلی، تلاش و نقشه چینی ورزشکاران و مربّیان برای یافتن راه‌های پیروزی بر حریف و… همگی جستجویی در فضای یک مسأله برای یافتن نقاط یا ناحیه بهینگی (بیشینه یا کمینه) هستند و همین امر موجب پیشرفت تمدن و آفرینش شده است. در دانش کامپیوتر و فناوری اطلاعات هم «جستجو» یکی از مهمترین مسائل است. تنها کافیست که حجم اطلاعات قرار گرفته بر حافظه‌های گوناگون و اینترنت را در نظر بگیریم تا جایگاه ویژه آن را دریابیم.
تاکنون روشهای بسیاری توسط طراحان الگوریتم‌ها برای انجام جستجو بر داده‌های دیجیتالی ارایه شده است. روش‌هایی به نام جستجوی سریع[۳۹] و جستجوی دودویی[۴۰]، از ساده‌ترین الگوریتم‌هایی هستند که دانشجویان گرایش‌های مهندسی کامپیوتر در نخستین سال‌های دوره کارشناسی فرا می‌گیرند، امّا این الگوریتم‌ها شاید، هنگامی که با حجمی گسترده از داده‌ها روبرو شوند، کارایی ندارند و حتی الگوریتم‌های پیشرفته‌تر مانند جستجوی بازپخت شبیه‌سازی شده[۴۱] و الگوریتم عمیق‌شوندۀ‌ تکراری[۴۲] نیز در هنگام رویارویی با مسائل ابرفضا[۴۳] از یافتن راه‌حل یا ناحیه‌های دلخواه در می‌مانند. در این میان یک روش جادویی وجود وجود دارد که مسائل بزرگ را به سادگی و به گونه‌ای شگفت‌انگیز حل می‌کند و آن «الگوریتم ژنتیک»[۴۴] است. ناگفته پیداست که واژۀ «الگوریتم ژنتیک» از دو واژۀ «الگوریتم» و «ژنتیک» تشکیل شده است که خود مبیّن این مطلب است که این روش از دو علم ریاضی و زیست‌شناسی برای حل مسائل کمک می‌گیرد.
الگوریتم‌ژنتیک بر خلاف دیگر روش‌های جستجو، که توسط طراحان نگاشته می‌شوند، در حقیقت به دست دستگاه آفرینش پدید آمده، و پس از شناخت نسبی دانشمندان از این روش به صورت مسأله‌ای ریاضی فرموله شده و وارد دانش مهندسی کامپیوتر و دیگر علوم مرتبط گردیده است. در یکی دو دهه گذشته که این الگوریتم در علوم مهندسی بکار گرفته شده، ناباورانه چنان دست‌آوردها و نتایج شگفت‌انگیزی داشته که نگاه بسیاری از دانش‌پژوهان علوم گوناگون فنی‌مهندسی را به خود جلب کرده است.

ایدۀ اصلی استفاده از الگوریتم ژنتیک

در دهه ۷۰ میلادی دانشمندی از دانشگاه میشیگان به نام «جان هلند»[۴۵] ایده استفاده از الگوریتم ژنتیک را در بهینه‌سازی‌های مهندسی مطرح کرد. ایده اساسی این الگوریتم انتقال خصوصیات موروثی توسط ژن‌هاست. (ژنها قطعاتی از یک کروموزوم هستند که اطلاعات مورد نیاز برای یک مولکول DNA یا یک پلی پپتید را دارند. علاوه بر ژنها، انواع مختلفی از توالی‌های مختلف تنظیمی در روی کروموزوم‌ها وجود دارد که در همانندسازی، رونویسی و… شرکت دارند.([۴۶]. فرض کنید مجموعه خصوصیات انسان توسط کروموزوم‌های او به نسل بعدی منتقل می‌شوند. هر ژن در این کروموزوم‌ها نماینده یک خصوصیت است. بعنوان مثال ژن ۱ می‌تواند رنگ چشم باشد، ژن ۲ طول قد، ژن ۳ رنگ مو و الی آخر. حال اگر این کروموزوم به تمامی، به نسل بعد انتقال یابد، تمامی خصوصیات نسل بعدی شبیه به خصوصیات نسل قبل خواهد بود. بَدیهیست که در عمل چنین اتفاقی رخ نمی‌دهد. در واقع به صورت همزمان دو اتفاق برای کروموزوم‌ها می‌افتد. اتّفاق اول موتاسیون(جهش)[۴۷] است. موتاسیون به این صورت است که بعضی ژن‌ها به صورت کاملاً تصادفی تغییر می‌کنند. البته تعداد اینگونه ژن‌ها بسیار کم می‌باشد اما در هر حال این تغییر تصادفی همانگونه که پیشتر دیدیم بسیار مهم است. مثلاً ژن رنگ چشم می‌تواند به صورت تصادفی باعث شود تا در نسل بعدی یک نفر دارای چشمان سبز باشد، در حالی که تمامی نسل قبل دارای چشم قهوه‌ای بوده‌اند. علاوه بر موتاسیون اتفاق دیگری که می‌افتد و البته این اتفاق به تعداد بسیار بیشتری نسبت به موتاسیون رخ می‌دهد چسبیدن ابتدای یک کروموزوم به انتهای یک کروموزوم دیگر است.[۴۸] این همان چیزیست که مثلاً باعث می‌شود تا فرزند تعدادی از خصوصیات پدر و تعدادی از خصوصیات مادر را با هم به ارث ببرد و از شبیه شدن تام فرزند به تنها یکی از والدین جلوگیری می‌کند.
حال می‌توانیم اینگونه بیان کنیم که: الگوریتم ژنتیک ابزاری می‌باشد که توسط آن ماشین می‌تواند مکانیزم انتخاب طبیعی را شبیه سازی نماید. این عمل با جستجو در فضای مسأله جهت یافتن جواب برتر و نه الزاماً بهینه صورت می‌پذیرد. الگوریتم ژنتیک را می‌توان یک روش جستجوی کلّی نامید که از قوانین تکامل بیولوژیک طبیعی تقلید می کند. در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون[۴۹] هستند.

مکانیزم الگوریتم ژنتیک

الگوریتم ژنتیک به عنوان یک الگوریتم محاسباتیِ بهینه‌سازی با در نظر گرفتن مجموعه‌ای از نقاط فضای جواب در هر تکرار محاسباتی به نحو مؤثری نواحی مختلف فضای جواب را جستجو می‌کند. در مکانیزم جستجو گرچه مقدار تابع هدف تمام فضای جواب محاسبه نمی‌شود ولی مقدار محاسبه شده تابع هدف برای هر نقطه، در متوسط‌گیری آماری تابع هدف در کلیه زیر فضاهایی که آن نقطه به آنها وابسته بوده دخالت داده می‌شود و این زیر فضاها به طور موازی از نظر تابع هدف متوسط‌گیری آماری می‌شوند. این مکانیزم را توازی ضمنی[۵۰] می‌گویند. این روند باعث می‌شود که جستجوی فضا به نواحی از آن که متوسط آماری تابع هدف در آنها زیاد بوده و امکان وجود نقطه بهینه مطلق در آنها بیشتر است سوق پیدا کند. چون در این روش برخلاف روش‌های تک‌مسیری فضای جواب به طور همه جانبه جستجو می‌شود، امکان کمتری برای همگرایی به یک نقطه بهینه محلی وجود خواهد داشت.
امتیاز دیگر این الگوریتم آن است که هیچ محدودیتی برای تابع بهینه شونده، مثل مشتق‌پذیری یا پیوستگی لازم ندارد و در روند جستجو خود تنها به تعیین مقدار تابع هدف در نقاط مختلف نیاز دارد و هیچ اطلاعاتِ کمکی دیگری، مثل مشتق تابع را استفاده نمی‌کند. لذا می‌توان در مسائل مختلف اعم از خطی، پیوسته یا گسسته استفاده می‌شود و به سهولت با مسائل مختلف قابل تطبیق است.
در هر تکرار هر یک از رشته‌های موجود در جمعیت رشته‌ها، رمزگشایی شده و مقدار تابع هدف برای آن به دست می‌آید. بر اساس مقادیر به دست آمده تابع هدف در جمعیت رشته‌ها، به هر رشته یک عدد برازندگی نسبت داده می‌شود. این عدد برازندگی احتمال انتخاب را برای هر رشته تعیین خواهد کرد. بر اساس این احتمال انتخاب، مجموعه‌ای از رشته‌ها انتخاب شده و با اعمال عملکردهای ژنتیکی روی آنها رشته‌های جدید جایگزین رشته‌هایی از جمعیت اولیه می‌شوند تا تعداد جمعیت رشته‌ها در تکرارهای محاسباتی مختلف ثابت باشد. مکانیزم‌های تصادفی که روی انتخاب و حذف رشته‌ها عمل می‌کنند به گونه‌ای هستند که رشته‌هایی که عدد برازندگی بیشتری دارند، احتمال بیشتری برای ترکیب و تولید رشته‌های جدید داشته و در مرحله جایگزینی نسبت به دیگر رشته‌ها مقاوم‌تر هستند. بدین لحاظ جمعیت دنباله‌ها در یک رقابت بر اساس تابع هدف در طیّ نسل‌های مختلف، کامل شده و متوسط مقدار تابع هدف در جمعیت رشته‌ها افزایش می‌یابد. بطور کلی در این الگوریتم ضمن آنکه در هر تکرار محاسباتی، توسط عملگرهای ژنتیکی نقاطی جدید از فضای جواب مورد جستجو قرار می‌گیرند توسط مکانیزم انتخاب، روند جستجوی نواحی از فضا را که متوسط آماری تابع هدف در آنها بیشتر است، کنکاش می‌کند. بر اساس سیکل اجرایی فوق، در هر تکرار محاسباتی، توسط عملگرهای ژنتیکی نقاط جدیدی از فضای جواب مورد جستجو قرار می‌گیرند توسط مکانیزم انتخاب، روند جستجو نواحی از فضا را که متوسط آماری تابع هدف در آنها بیشتر است، کنکاش می‌کند. که بر این اساس، در هر تکرار محاسباتی، سه عملگر اصلی روی رشته‌ها عمل می‌کند؛ این سه عملگر عبارتند از: دو عملگر ژنتیکی و عملکرد انتخابی تصادفی. «گلد برگ»[۵۱] الگوریتم ژنتیکی «جان هولند» را با عنوان الگوریتم ژنتیک ساده[۵۲] معرفی می‌کند؛ الگوریتم ژنتیک را از الگوریتم ژنتیک طبیعی اقتباس کردند.. در الگوریتم ژنتیک، مجموعه ای از متغیرهای طراحی را توسط رشته‌هایی با طول ثابت[۵۳] یا متغیر[۵۴] کدکذاری می‌کنند که در سیستم‌های بیولوژیکی آنها را کرروموزوم یا فرد[۵۵] می‌نامند. هر رشته یا کروموزوم یک نقطۀ پاسخ در فضای جستجو را نشان می‌دهد. به ساختمان رشته‌ها یعنی مجموعه‌ای از پارامترها که توسط یک کروموزوم خاص نمایش داده می‌شود ژنوتیپ[۵۶] و به مقدار رمزگشایی آن فنوتیپ[۵۷] می‌گویند. الگوریتم‌های وراثتی فرآیندهای تکراری هستند، که هر مرحلۀ تکراری را نسل و مجموعه‌هایی از پاسخ‌ها در هر نسل را جمعیت نامیده‌اند.
الگوریتم‌های ژنتیک، جستجوی اصلی را در فضای پاسخ به اجرا می‌گذارند. این الگوریتم‌ها با تولید نسل[۵۸] آغاز می‌شوند که وظیفه ایجاد مجموعه نقاط جستجوی اولیه به نام «جمعیت اولیه»[۵۹] را بر عهده دارند و به طور انتخابی یا تصادفی تعیین می‌شوند. از آنجایی که الگوریتم‌های ژنتیک برای هدایت عملیات جستجو به طرف نقطه بهینه از روش‌های آماری استفاده می‌کنند، در فرآیندی که به انتخاب طبیعی وابسته است، جمعیت موجود به تناسب برازندگی افراد آن برای نسل بعد انتخاب می‌شود. سپس عملگرهای ژنتیکی شامل انتخاب[۶۰] ، پیوند(ترکیب)، جهش و دیگر عملگرهای احتمالی اِعمال شده و جمعیت جدید به وجود می‌آید. پس از آن جمعیت جدیدی جایگزین جمعیت پیشین می‌شود و این چرخه ادامه می‌یابد.
معمولاً جمعیت جدید برازندگی بیشتری دارد این بدان معناست که از نسلی به نسل دیگر جمعیت بهبود می‌آید. هنگامی جستجو نتیجه‌بخش خواهد بود که به حداکثر نسل ممکن رسیده باشیم یا همگرایی حاصل شده باشد و یا معیارهای توقف برآورده شده باشد.

عملگرهای الگوریتم ژنتیک

الگوریتم ژنتیک از عملگرهای زیر تشکیل شده است:

کدگذاری[۶۱]

این مرحله شاید مشکلترین مرحله حل مسأله به روش الگوریتم باشد. الگوریتم ژنتیک به جای اینکه بر روی پارامترها یا متغیرهای مسأله کار کند، با شکل کد شدۀ آنها سروکار دارد. یکی از روشهای کد کردن، کد کردن دودویی می باشد که در آن هدف تبدیل جواب مسأله به رشته‌ای از اعداد باینری (در مبنای ۲) است.
انتخاب
در مرحله انتخاب، یک جفت از کروموزوم‌ها برگزیده می‌شوند تا با هم ترکیب شوند، عملگر انتخاب رابط بین دو نسل است و بعضی از اعضای نسل کنونی را به نسل آینده منتقل می‌کند، بعد از انتخاب، عملگرهای ژنتیک روی دو عضو برگزیده اعمال می‌شوند، معیار در انتخاب اعضاء ارزش تطابق آنها می‌باشد اما روند انتخاب حالتی تصادفی دارد.
بطور کلی روش‌های متداول انتخاب در الگوریتم ژنتیک عبارتند از:
انتخاب چرخ رولت – انتخاب مسابقه تصادفی – انتخاب بولتزمن – نخبه سالاری
انتخاب رقابتی – انتخاب قطع سر – انتخاب قطعی بریندل – انتخاب حالت پایدار
انتخاب جایگزینی نسلی اصلاح شده – انتخاب مسابقه (تورنمنت) – انتخاب ترتیبی

ارزیابی[۶۲]