GeneHunter|遗传演绎应用软件|中国科学软件网|指定代理商|培训服务|技术支持|试...

产品报价
产品图片
免费热线：400-810-4001
咨询邮箱：info@sciencesoftware.com.cn
M S N:info@sciencesoftware.com.cn

 客服一914836208

 客服二910754200
 客服一
 客服二
教育版
call!!
教育升级版
call!!
商业版
call!!
商业升级版
call!!

适用平台

友情提示
Ward Systems Group公司在中国无独家/总代理，任何声称是独家/总代理的供货商，请用户向Ward Systems Group公司查证其授权资质，警防商业欺诈！
产品介绍
中文介绍
是一Genetic Algorithm遗传演译Excel之软件,并具有动态链接库,特别适合Visual Basic,Visual C++,及其它Windows语言,可以做支持决策,问题咨询,资料分类,最佳化及专家系统Curve Fitting等.应用范围于人工智能,专家系统.
Excel上的用法
1.先启动GeneHunter的GeneHunter Add-In
2.开启宏,于工具选项中会新增有GeneHunter选项,选取Start
3.Fitness function就是我们要求的目标函数
4.Adjustable cell(chromosomes)是可调变得染色体
5.Chromosome type是染色体的型式
6.Start　开始计算
FAQ
请问 Fitness function目标函数可以多个? Ans:可以
请问 可以同时设最大Max,或最小Min或期望值Value of Ans:可以
请问 如果最大要改成最小要怎么办? Ans:用个负号就可以了.
请问 如果期望值Value of要改成最小要怎么办? Ans:用个(y-Value)就可以了.
英文介绍
Overview
GeneHunter is a powerful software solution for optimization problems which utilizes a state-of-the-art genetic algorithm methodology. GeneHunter includes an Excel Add-In which allows the user to run an optimization problem from Microsoft Excel, as well as a Dynamic Link Library of genetic algorithm functions that may be called from programming languages such as Microsoft? Visual Basic or C.
What Are Genetic Algorithms?
Genetic algorithms (GAs) seek to solve optimization problems using the methods of evolution, specifically survival of the fittest. In a typical optimization problem, there are a number of variables which control the process, and a formula or algorithm which combines the variables to fully model the process. The problem is then to find the values of the variables which optimize the model in some way. If the model is a formula, then we will usually be seeking the maximum or minimum value of the formula. There are many mathematical methods which can optimize problems of this nature (and very quickly) for fairly "well-behaved" problems. These traditional methods tend to break down when the problem is not so "well-behaved."
Evolution and Genetic Algorithms
Before describing how a GA can be applied to an optimization problem, let us draw the evolutionary parallel. The theory is that a population of a certain species will, after many generations, adapt to live better in its environment.
For example, if the species is an animal that lives mainly in a swampy area, it may eventually evolve with webbed feet. The reason is that the members of this population, which we call individuals, will tend to die if they are poor swimmers which cannot easily get food, and live to reproduce if they are good swimmers. The offspring of two good swimmers will probably be good swimmers because they will usually carry genetic traits of their parents, such as slight webbing between their toes. These genetic traits are carried in the chromosomes of the individuals.
How Does GeneHunter Work?
GeneHunter solves optimization problems in the same way. It will create a population of possible solutions to the problem. The individuals in this population will carry chromosomes which are the values of variables of the problem.
GeneHunter actually solves your problem by allowing the less fit individuals in the population to die, and selectively breeding the most fit individuals. The process is called selection, as in selection of the fittest. GeneHunter takes two individuals and mates them (crossover), the offspring of the mated pair will receive some of the characteristics of the mother and some of the father.
In nature, offspring often have some slight abnormalities, called mutations. Usually, these mutations are disabling and inhibit the ability of the offspring to survive, but once in a while, they improve the fitness of the individual. GeneHunter occasionally causes mutations to occur.
As GeneHunter mates fit individuals and mutates some, the population undergoes a generation change. The population will then consist of offspring plus a few of the older individuals which GeneHunter allows to survive to the next generation. These are the most fit in the population, and we will want to keep them breeding. These most fit individuals are called elite individuals. After dozens or even hundreds of "generations," a population eventually emerges wherein the individuals will solve the problem very well. In fact, the most fit (elite) individual will be an optimum or close to optimum solution.
GeneHunter’s Excel Interface
Creating a problem solving model in GeneHunter requires that you enter the relevant data into a Microsoft Excel spreadsheet and specify problem solving parameters in a GeneHunter dialog screen.
Fitness Function Cell
The Fitness Function box tells GeneHunter the location of the cell which contains the formula that measures GeneHunter’s success in finding a solution to your problem. The formula may be created using any of the Excel functions that are available from the Insert menu, such as average. You may also use Excel macros or Visual Basic functions to create a formula that allows you to solve very complex problems. You may even use a neural net to model the process if you don’t have an appropriate mathematical formula!
If you are creating a sales application that considers variables such as advertising, distribution, and research and development budgets, the goal might be to maximize revenue, and you would want to maximize the fitness function. In another application, the goal might be to develop an oil that reaches a specified quality by adjusting the amounts of additives that go into making the oil.
Adjustable Chromosomes
Chromosomes are the variables whose values are adjusted in order to solve the problem. Their value is related in some way to the fitness function.
Chromosome Type
GeneHunter uses two types of chromosomes to solve the problems.
Continuous Chromosomes are used when the adjustable cell can take on a value that may be within a continuous range, such as the value 1.5 with the range 0 to 2. Continuous chromosomes may also be integers if you want to restrict the search space.
Enumerated Chromosomes are used when the problem involves finding an optimal combination of tasks, resources, duties, etc.
Constraints
The constraint portion of the GeneHunter dialog box allow you to do the following:
Limit the range of values that GeneHunter will search for a solution, thus limiting the time that GeneHunter will take to find an optimal solution. This is called hard constraint.
Add restrictions or sub-goals to the original fitness function. This is called a soft constraint. GeneHunter attempts to find solutions that meet the soft constraints, as well as optimize the fitness function.
GeneHunter includes the following example programs in an Excel workbook.
Traveling Salesman Problem
The Traveling Salesman Problem is a well-known problem which has become a comparison benchmark test for different algorithms used to solve combinatorial optimization problems. A salesperson must make a complete closed tour of a given number of cities. All cities are connected by roads, and each city must be visited only once. GeneHunter solves this problem by minimizing the total tour length, and by changing the order of the city numbers.
One of the most important uses of genetic algorithms is their ability to create optimum schedules for just about any reasonable sized scheduling problem. There may be quite an opportunity for entrepreneurs to build GA schedulers for specific job scheduling environments. You can use our example as a model.
In our example, we are the manager of a small circuit board assembly plant that assembles, wires, solders and tests a number of circuit boards of different types each day. There are a total of five workstations that each board must go through, but each workstation may have several specialists on duty (or machines in the case of a fully automated shop), each of which can independently fully perform the duties of that workstation.
There are several types of circuit boards manufactured at this shop, and each type requires a different amount of time at a particular workstation. Therefore, there is the potential that some specialists or machines will have work to do at various times, because boards at the previous stations require long job times. GeneHunter creates a schedule for manufacturing the boards in a minimum amount of time.