Genetik algoritm (inglizcha genetik algoritm (genetic algorithm)) — evristik qidiruv algoritmi bo‘lib, optimallashtirish va modellashtirish masalalarini yechishda izlanayotgan parametrlarni tasodifiy tanlash, birlashtirish va o‘zgartirish orqali qo‘llanadi. Bunda tabiatdagi tabiiy tanlanish jarayoniga o‘xshash mexanizmlardan foydalaniladi. U evolyutsion hisoblashlarturiga kiradi. Bu usullar tabiiy evolyutsiya jarayonlariga xos bo‘lgan irsiyat, mutatsiyalar, tanlanish va krossingoverkabi usullar yordamida optimallashtirish masalalarini hal qiladi. Genetik algoritmning o‘ziga xos xususiyati — nomzod yechimlarni rekombinatsiya qiluvchi «chatishtirish» operatoriga alohida e’tibor berilishidir. Bu operatorning vazifasi tirik tabiatdagi chatishtirish vazifasiga o‘xshaydi.
Tarix
Evolyutsiyani imitatsion modellashtirish bo‘yicha dastlabki ishlar 1954-yilda Nils Barichelli tomonidan Ilg‘or tadqiqotlar instituti ning Prinston universitetidagi kompyuterida amalga oshirilgan. O‘sha yili chop etilgan ish keng e’tibor qozondi. 1957-yildan boshlab avstraliyalik genetik Aleks Freyzer[inglizcha] o‘lchash mumkin bo‘lgan ko‘plab belgilar nazorat qilinadigan organizmlar orasida sun’iy tanlash jarayonini imitatsion modellashtirishga bag‘ishlangan qator ishlarini e’lon qildi. Bu boshlang‘ich tadqiqotlar Freyzer va Barnell (1970), shuningdek, Krosbi (1973) kitoblarida tasvirlangan usullar asosida evolyutsion jarayonlarning imitatsion modellarini yaratishga imkon berdi. Freyzer modellari hozirgi genetik algoritmlarning barcha asosiy tarkibiy qismlarini qamrab olgan. Bundan tashqari, Hans-Yoaxim Bremerman[inglizcha] 1960-yillarda optimallashtirish masalalarida rekombinatsiya, mutatsiya va tanlanishdan o‘tadigan yechimlar populyatsiyasiga asoslangan yondashuv haqida qator ishlarni e’lon qildi. Bremermanning tadqiqotlari ham zamonaviy genetik algoritmlarga xos unsurlarni o‘z ichiga olgan. Ilk tadqiqotchilar orasida Richard Fridberg[inglizcha]Jorj Fridman va Maykl Konrad[inglizcha]ham bo‘lgan. Dastlabki ishlarning ko‘pchiligi Devid Fogel (1998) tomonidan qayta nashr etilgan.
Garchi Barichelli[inglizcha] 1963-yildagi ishida mashinaning oddiy o‘yin o‘ynash qobiliyatini modellashtirgan bo‘lsa-da, sun’iy evolyutsiya optimallashtirishning keng tan olingan usuliga aylandi. Bunga Ingo Rexenberg[inglizcha] hamda Hans-Paul Shvefel[inglizcha] tomonidan XX asrning 1960-yillari va 1970-yillari boshida olib borilgan ishlar sabab bo‘ldi. Rexenberg guruhi evolyutsion strategiyalarasosida murakkab muhandislik masalalarini yecha oldi. Boshqa bir yondashuv — sun’iy intellekt yaratish uchun taklif qilingan Lorens Jey Fogel[inglizcha]ning evolyutsion dasturlash usuli edi. Evolyutsion dasturlash dastlab vaziyatlarni bashorat qilish uchun chekli avtomatlar dan, bashoratlash mantiqini optimallashtirish uchun esa xilma-xillik va tanlanishdan foydalangan. Genetik algoritmlar ayniqsa Jon Holland ning 70-yillar boshidagi ishlari hamda uning «Tabiiy va sun’iy tizimlarda moslashuv» (1975) kitobi tufayli ommalashdi. Fogelning tadqiqoti Hollandning hujayraviy avtomatlar bilan olib borgan tajribalariga va Hollandning Michigan universitetida yozgan ishlariga tayangan. Holland keyingi avlod sifatini oldindan baholashning Sxemalar teoremasideb ataladigan rasmiy yondashuvini kiritdi. Genetik algoritmlar bo‘yicha tadqiqotlar 80-yillar o‘rtalarigacha asosan nazariy tusda bo‘ldi. Nihoyat, genetik algoritmlar bo‘yicha birinchi xalqaro konferensiya quyidagi shaharda o‘tkazildi: Pittsburg, Pensilvaniya (AQSH).
Tadqiqotlarga qiziqish ortishi bilan birga shaxsiy kompyuterlarning hisoblash quvvati ham sezilarli oshdi va bu yangi hisoblash texnologiyasini amaliyotda qo‘llash imkonini berdi. 80-yillar oxirida General Electric kompaniyasi genetik algoritm asosida ishlaydigan dunyodagi ilk mahsulotni sotishni boshladi. U sanoatga mo‘ljallangan hisoblash vositalari majmuasi edi. 1989-yilda esa Axcelis, Inc. kompaniyasi quyidagi mahsulotni chiqardi: Evolver — bu shaxsiy kompyuterlar uchun genetik algoritmga asoslangan dunyodagi birinchi tijoriy mahsulot edi. The New York Times gazetasining texnologiya yo‘nalishidagi jurnalisti Jon Markoff 1990-yilda Evolver haqida maqola yozdi.
Algoritm tavsifi

Masala yechimi genlardan iborat vektor («genotip») ko‘rinishida kodlanadigan tarzda ifodalanadi. Bunda har bir gen bit, son yoki boshqa bir obyekt bo‘lishi mumkin. Genetik algoritmning (GA) klassik amalga oshirilishida genotip uzunligi o‘zgarmas deb qabul qilinadi. Biroq GA ning bu cheklovdan xoli variantlari ham mavjud.
Boshlang‘ich populyatsiyaga mansub genotiplar to‘plami muayyan, odatda tasodifiy usulda yaratiladi. Ular «moslashganlik funksiyasi» yordamida baholanadi. Natijada har bir genotipga muayyan qiymat («moslashganlik») biriktiriladi. Bu qiymat genotip ifodalovchi fenotipqo‘yilgan masalani qanchalik yaxshi hal qilishini ko‘rsatadi.
«Moslashganlik funksiyasi»ni (ingliz tilidagi adabiyotlarda fitness function) tanlashda uning qiymatlar yuzasi «silliq» bo‘lishiga e’tibor qaratish muhim.
Hosil bo‘lgan yechimlar to‘plamidan («avloddan») «moslashganlik» qiymatiga qarab yechimlar tanlanadi (odatda eng yaxshi individlarning tanlanish ehtimoli yuqoriroq bo‘ladi). Ularga «genetik operatorlar» (ko‘pincha «chatishtirish» — crossover va «mutatsiya» — mutation) qo‘llanib, yangi yechimlar olinadi. Ular uchun ham moslashganlik qiymati hisoblanadi, so‘ng keyingi avlodga o‘tadigan eng yaxshi yechimlar tanlab olinadi («seleksiya»).
Bu harakatlar ketma-ketligi takrorlanib, bir necha hayotiy sikl (avlod) davom etadigan «evolyutsion jarayon» modellashtiriladi. Jarayon algoritmni to‘xtatish sharti bajarilguncha davom etadi. Bunday shart quyidagilardan biri bo‘lishi mumkin:
- global yoki suboptimal yechimni topish;
- evolyutsiya uchun belgilangan avlodlar soniga yetish;
- evolyutsiyaga ajratilgan vaqtning tugashi.
Genetik algoritmlar, asosan, ko‘p o‘lchamli qidiruv fazolarida yechimlarni izlash uchun xizmat qiladi.
Shunday qilib, genetik algoritmning quyidagi bosqichlarini ajratish mumkin:
- Populyatsiya individlari uchun maqsad (moslashganlik) funksiyasini belgilash
- Boshlang‘ich populyatsiyani yaratish
- (Sikl boshlanishi)
- Ko‘payish (chatishtirish)
- Mutatsiyaga uchratish
- Barcha individlar uchun maqsad funksiyasi qiymatini hisoblash
- Yangi avlodni shakllantirish (seleksiya)
- Agar to‘xtatish shartlari bajarilsa, (sikl tugashi), aks holda (sikl boshlanishi).
Boshlang‘ich populyatsiyani yaratish
Birinchi bosqichdan oldin boshlang‘ich populyatsiyani tasodifiy usulda yaratish kerak. U mutlaqo raqobatbardosh bo‘lmagan taqdirda ham, genetik algoritm uni yetarlicha tez yashovchan populyatsiyaga aylantirishi ehtimoli yuqori. Shuning uchun birinchi bosqichdayoq nihoyatda yaxshi moslashgan individlarni yaratishga urinish shart emas. Individlar populyatsiya uchun belgilangan formatga mos kelsa va ular uchun moslashganlik funksiyasi (Fitness) qiymatini hisoblash mumkin bo‘lsa, kifoya. Birinchi bosqich yakunida N ta individdan iborat H populyatsiyasi hosil bo‘ladi.
Tanlash (seleksiya)
Tanlash bosqichida butun populyatsiyaning evolyutsiyaning shu bosqichida «tirik qoladigan» muayyan ulushini ajratish kerak. Tanlashning turli usullari mavjud. h individning tirik qolish ehtimoli Fitness(h) moslashganlik funksiyasining qiymatiga bog‘liq bo‘lishi kerak. Omon qoladigan individlar ulushi s odatda genetik algoritm parametri hisoblanadi va oldindan belgilanadi. Tanlash natijasida H populyatsiyasidagi N ta individdan sN tasi qolib, yakuniy H' populyatsiyasiga kirishi kerak. Qolgan individlar nobud bo‘ladi.
- Turnir seleksiyasi — avval tasodifiy ravishda belgilangan miqdordagi individlar (odatda ikkitasi) tanlanadi, so‘ng ular orasidan moslashganlik funksiyasi qiymati eng yaxshi bo‘lgan individ ajratib olinadi
- Ruletka usuli — individning moslashganlik funksiyasi qiymati qanchalik yaxshi bo‘lsa, uning tanlanish ehtimoli shunchalik yuqori bo‘ladi , bunda — i-individning tanlanish ehtimoli, — i-individ uchun moslashganlik funksiyasining qiymati, — populyatsiyadagi individlar soni
- Ranglarga ajratish usuli — tanlanish ehtimoli moslashganlik funksiyasi qiymati bo‘yicha saralangan individlar ro‘yxatidagi o‘rniga bog‘liq , bunda , , — moslashganlik funksiyasi qiymati bo‘yicha saralangan ro‘yxatdagi individning tartib raqami (ya’ni — agar moslashganlik funksiyasi qiymatini minimallashtirayotgan bo‘lsak)
- Bir tekis ranglash — individning tanlanish ehtimoli quyidagi ifoda bilan aniqlanadi: , bunda — usul parametri
- Sigma-kesish — genetik algoritmning muddatidan oldin yaqinlashuvi ning oldini olish uchun maqsad funksiyasi qiymatini masshtablaydigan usullar qo‘llanadi. Masshtablangan maqsad funksiyasi qiymati qanchalik optimal bo‘lsa, individning tanlanish ehtimoli shunchalik yuqori bo‘ladi , bunda , — butun populyatsiya bo‘yicha maqsad funksiyasining o‘rtacha qiymati, σ — maqsad funksiyasi qiymatining standart og‘ishi.
Ota-onalarni tanlash
Genetik algoritmlarda avlod hosil qilish uchun bir nechta, odatda ikkita ota-ona individ talab etiladi.
Ota-onalarni tanlashning bir nechta operatorini ajratish mumkin:
- Panmiksiya — ikkala ota-ona tasodifiy tanlanadi; populyatsiyadagi har bir individ tanlanish uchun bir xil imkoniyatga ega
- Inbriding — birinchi ota-ona tasodifiy tanlanadi, ikkinchisi esa birinchisiga eng o‘xshash individ bo‘ladi
- Autbriding — birinchi ota-ona tasodifiy tanlanadi, ikkinchisi esa birinchisiga eng kam o‘xshash individ bo‘ladi
Inbriding va autbridingning ikki shakli mavjud: fenotipik va genotipik. Fenotipik shaklda o‘xshashlik moslashganlik funksiyasi qiymatlariga qarab o‘lchanadi (maqsad funksiyasi qiymatlari qanchalik yaqin bo‘lsa, individlar shunchalik o‘xshash hisoblanadi). Genotipik shaklda esa o‘xshashlik genotipning ifodalanishiga qarab o‘lchanadi (individlar genotiplari orasidagi tafovut qanchalik kichik bo‘lsa, ular shunchalik o‘xshash bo‘ladi).
Ko‘payish (chatishtirish)
Ko‘payish turli algoritmlarda turlicha aniqlanadi, chunki u, albatta, ma’lumotlarni ifodalash usuliga bog‘liq. Ko‘payishning asosiy talabi — hosil bo‘lgan avlod yoki avlodlar ikkala ota-onaning xususiyatlarini qandaydir usulda «aralashtirish» orqali meros qilib olishi mumkin bo‘lishidir.
Nima sababdan ko‘payish uchun individlar odatda dastlabki bosqichda omon qolgan H' elementlaridan emas, balki butun H populyatsiyasidan tanlanadi (garchi H' dan tanlash varianti ham mumkin bo‘lsa-da)? Gap shundaki, ko‘plab genetik algoritmlarning asosiy kamchiligi — individlar orasida xilma-xillikning (diversity) yetishmasligidir. Juda tez orada lokal maksimumga mos keladigan yagona genotip ajralib chiqadi. Shundan so‘ng populyatsiyadagi boshqa barcha individlar tanlashda unga yutqazadi va butun populyatsiya shu individning nusxalari bilan «to‘lib ketadi». Bunday nomaqbul ta’sirga qarshi kurashishning turli usullari mavjud. Ulardan biri — ko‘payish uchun faqat eng yaxshi moslashgan individlarni emas, balki barcha individlarni tanlashdir. Biroq bu yondashuv ilgari mavjud bo‘lgan barcha individlarni saqlab borishni talab qiladi va masalaning hisoblash murakkabligini oshiradi. Shuning uchun chatishtirish uchun individlar ko‘pincha faqat eng yuqori moslashganlikka ega bo‘lganlar emas, balki moslashganlik ko‘rsatkichi past bo‘lganlar ham «ko‘paya oladigan» tarzda tanlanadi. Bunday yondashuvda genotip xilma-xilligini saqlash uchun mutatsiyalarning ahamiyati ortadi.
Mutatsiyalar
Mutatsiyalarga ham ko‘payishga oid shunga o‘xshash qoida qo‘llanadi: genetik algoritmning parametri hisoblangan mutantlar ulushi m mavjud. Mutatsiya bosqichida mN ta individni tanlab, ularni oldindan belgilangan mutatsiya amallariga muvofiq o‘zgartirish kerak.
Tanqid
Genetik algoritmlardan foydalanishni boshqa optimallashtirish usullari bilan solishtirganda tanqid qilish uchun bir qancha sabablar bor:
- Murakkab masalalarda moslashganlik funksiyasini (fitness-funksiyani) takroran hisoblash ko‘pincha sun’iy evolyutsiya algoritmlaridan foydalanishni cheklovchi omil bo‘ladi. O‘lchamliligi yuqori bo‘lgan murakkab masalaning optimal yechimini izlash moslashganlik funksiyasini hisoblash uchun juda katta resurs sarflashni talab qiladi. Masalan, konstruksiyani optimallashtirish kabi amaliy masalalarda funksiyaning qiymatini bir marta baholash uchun zarur hisob-kitoblar bir necha soatdan bir necha kungacha davom etishi mumkin. Standart optimallashtirish usullari bu turdagi muammolarni hal qila olmaydi. Shunday hollarda aniq baholashdan voz kechib, samarali hisoblanadigan moslashganlikni yaqinlashtirib baholashusulidan foydalanish zarur bo‘lishi mumkin. Ko‘rinib turibdiki, moslashganlikni yaqinlashtirib baholash genetik algoritmlar yordamida real hayotdagi murakkab masalalarni asosli ravishda hal qilish imkonini beruvchi eng istiqbolli yondashuvlardan biri bo‘lishi mumkin.
- Genetik algoritmlarning samaradorligi yechilayotgan masala murakkablashgan sari yaxshi masshtablanmaydi. Bu shuni anglatadiki, yechimlarni qidirish sohasi katta bo‘lsa, mutatsiyaga uchrashi mumkin bo‘lgan elementlar soni ham juda ko‘p bo‘ladi. Natijada bu hisoblash texnologiyasidan dvigatel, uy yoki samolyotni loyihalash kabi masalalarda foydalanish nihoyatda qiyinlashadi. Bunday masalalarni evolyutsion algoritmlar bilan yechish uchun ularni oddiyroq ko‘rinishdagi kichik masalalarga ajratish kerak. Shu sababli evolyutsion hisoblashlar, masalan, butun dvigatelni loyihalash o‘rniga uning parraklari shaklini, binoning to‘liq qurilish loyihasi o‘rniga uning shaklini, butun samolyot tashqi ko‘rinishini loyihalash o‘rniga esa fyuzelyaj shaklini ishlab chiqishda qo‘llanadi. Murakkablik bilan bog‘liq ikkinchi muammo — evolyutsiya davomida yuqori moslashganlikka erishgan yechim qismlarini keyingi zararli mutatsiyalardan qanday himoyalash masalasidir. Bu ayniqsa, moslashganlikni baholashda o‘sha qismlarning boshqa qismlar bilan yaxshi uyg‘unlashishi talab qilingan hollarda muhim. Ayrim ishlab chiquvchilar evolyutsiyalanayotgan yechimlarning moslashganligini bosqichma-bosqich rivojlantirishga asoslangan yondashuv himoya bilan bog‘liq bir qator muammolarni bartaraf etishi mumkinligini taklif qilgan. Biroq bu masala hanuz tadqiqot uchun ochiq qolmoqda.
- Yechimning moslashganligi faqat boshqa yechimlarga nisbatan yuqoriroq bo‘lishi mumkin. Natijada har bir masala uchun algoritmni to‘xtatish sharti aniq bo‘lmaydi.
- Ko‘plab masalalarda genetik algoritmlar lokal optimum ga yoki hatto tasodifiy bir nuqtaga yaqinlashishga moyil bo‘ladi, masalaning global optimum iga esa erishmasligi mumkin. Bu ular uzoq muddatli yuqori moslashganlikka erishish uchun qisqa muddatli yuqori moslashganlikdan qanday voz kechishni «bilmasligi»ni anglatadi. Buning ehtimoli moslashganlik landshaftishakliga bog‘liq: ayrim masalalarda global minimum tomon yaqqol yo‘nalish bo‘lishi mumkin, boshqalarida esa fitness-funksiya lokal optimum tomon yo‘naltirishi mumkin. Bu muammoni boshqa fitness-funksiyani tanlash, mutatsiyalar ehtimolini oshirish yoki populyatsiyadagi yechimlar xilma-xilligini saqlaydigan tanlash usullaridan foydalanish orqali hal qilish mumkin. Biroq Qidiruv va optimallashtirishda «bepul tushlik yo‘q» teoremasi bu muammoning barcha holatlarga mos keladigan umumiy yechimi yo‘qligini isbotlaydi. Populyatsiya xilma-xilligini saqlashning keng tarqalgan usuli — o‘zaro juda o‘xshash, yuqori moslashganlikdagi elementlar soniga cheklov qo‘yishdir. Bu keyingi avlodlarda o‘xshash yechimlar sonini kamaytirib, kamroq o‘xshash elementlarning populyatsiyada qolishiga imkon beradi. Ammo bu usulning muvaffaqiyati muayyan masalaning moslashganlik landshaftiga bog‘liq bo‘lib, u natija bermasligi ham mumkin. Yana bir usul — populyatsiyadagi elementlar bir-biriga haddan tashqari o‘xshab qolganda, ularning bir qismini tasodifiy yaratilgan yangi elementlar bilan almashtirishdir. Xilma-xillik genetik algoritmlar (va genetik dasturlash) uchun muhim, chunki bir xil tarkibli populyatsiyada genlarni chatishtirish yangi yechimlarni yuzaga keltirmaydi. Evolyutsion algoritmlar va evolyutsion dasturlash da esa xilma-xillik shart emas, chunki ularda mutatsiya katta rol o‘ynaydi.
Genetik algoritmlardan foydalanish maqsadga muvofiqligiga shubha bilan qaraydiganlar ko‘p. Masalan, Stoni-Bruk universitetining kompyuter fanlari kafedrasi professori, algoritmlar bo‘yicha taniqli tadqiqotchi va IEEE instituti mukofoti sovrindori Stiven S. Skiena shunday yozadi:
Shaxsan men genetik algoritmlar eng maqbul vosita bo‘lib chiqqan birorta ham masalaga duch kelmaganman. Bundan tashqari, genetik algoritmlar orqali olingan va menda ijobiy taassurot qoldirgan birorta hisoblash natijasini ham ko‘rmaganman.
Genetik algoritmlarning qo‘llanilishi
Genetik algoritmlar quyidagi masalalarni yechishda qo‘llanadi:
- Funksiyalarni optimallashtirish
- Ma’lumotlar bazasidagi so‘rovlarni optimallashtirish
- Turli graf masalalari (komivoyajyor masalasi, ranglash, juftliklarni topish)
- Sun’iy neyron tarmoqlarini sozlash va o‘qitish
- Joylashtirishga oid masalalar
- Jadvallar va ish rejalarini tuzish
- O‘yin strategiyalari
- Yaqinlashtirish nazariyasi
- Sun’iy hayot
- Bioinformatika (oqsillarning fazoviy buklanishi)
- Chekli avtomatlarni sintez qilish
- PID-regulyatorlarni sozlash
- Qora quti
- Signallarga ishlov berish
C++ tilidagi oddiy amalga oshirish namunasi
Chatishtirishsiz, bir o‘lchamli fazoda qidiruv.
#include <cstdlib>
#include <ctime>
#include <algorithm>
#include <iostream>
#include <numeric>
int main()
{
srand((unsigned int)time(NULL));
const size_t N = 1000;
int a[N] = { 0 };
for ( ; ; )
{
//мутация в случайную сторону каждого элемента:
for (size_t i = 0; i < N; ++i)
a[i] += ((rand() % 2 == 1) ? 1 : -1);
//теперь выбираем лучших, отсортировав по возрастанию
std::sort(a, a + N);
//и тогда лучшие окажутся во второй половине массива.
//скопируем лучших в первую половину, куда они оставили потомство, а первые умерли:
std::copy(a + N / 2, a + N, a);
//теперь посмотрим на среднее состояние популяции. Как видим, оно всё лучше и лучше.
std::cout << std::accumulate(a, a + N, 0) / N << std::endl;
}
}
Madaniyatda
- 1995-yilda suratga olingan «Virtuozlik» filmidagi bosh yovuz qahramonning miyasi jinoyatchilarning xotiralari va xulq-atvor xususiyatlaridan foydalanilgan genetik algoritm yordamida o‘stirilgan.
Adabiyotlar
- Saymon D. Evolyutsion optimallashtirish algoritmlari. — M.: DMK Press, 2020. — 940 bet. — ISBN 978-5-97060-812-8.
- Yemelyanov V. V., Kureychik V. V., Kureychik V. M. Evolyutsion modellashtirish nazariyasi va amaliyoti. — M.: Fizmatlit, 2003. — 432 bet. — ISBN 5-9221-0337-7.
- Kureychik V. M., Lebedev B. K., Lebedev O. K. Qidiruv orqali moslashish: nazariya va amaliyot. — M.: Fizmatlit, 2006. — 272 bet. — ISBN 5-9221-0749-6.
- Gladkov L. A., Kureychik V. V., Kureychik V. M. Genetik algoritmlar: o‘quv qo‘llanma. — 2-nashr. — M.: Fizmatlit, 2006. — 320 bet. — ISBN 5-9221-0510-8.
- Gladkov L. A., Kureychik V. V., Kureychik V. M. va boshqalar. Optimallashtirishda biologik ilhomdan olingan usullar: monografiya. — M.: Fizmatlit, 2009. — 384 bet. — ISBN 978-5-9221-1101-0.
- Rutkovskaya D., Pilinskiy M., Rutkovskiy L. Neyron tarmoqlar, genetik algoritmlar va noaniq tizimlar = Neyron tarmoqlar, genetik algoritmlar va noaniq tizimlar (Sieci neuronowe, algorytmy genetyczne i systemy rozmyte). — 2-nashr. — M.: Goryachaya liniya–Telekom, 2008. — 452 bet. — ISBN 5-93517-103-1.
- Skobtsov Yu. A. Evolyutsion hisoblashlar asoslari. — Donetsk: DonNTU, 2008. — 326 bet. — ISBN 978-966-377-056-6.
Havolalar
- Evolyutsion hisoblashlar
- Dasturlarni avtomatik yozish masalasida genetik algoritmlardan foydalanish
- MATLAB v6.12 muhitida genetik algoritmlarni amalga oshirish
- Sergey Nikolenko. Genetik algoritmlar (slaydlar) — № 4 ma’ruza, kurs nomi: «O‘z-o‘zini o‘rganuvchi tizimlar»
- geneticprogramming.us
- GA yordamida holatlar avtomatlarini yaratish
- Subbotin S. O., Oliynik A. O., Oliynik O. O. Noiterativ, evolyutsion va ko‘p agentli usullar yordamida noaniq mantiqiy hamda neyron tarmoq modellarini sintez qilish: monografiya / S. O. Subbotin umumiy tahriri ostida. — Zaporijjya: ZNTU, 2009. — 375 bet. (ukraincha)
- Poli, R., Langdon, W. B., McPhee, N. F. Genetik dasturlash bo‘yicha amaliy qo‘llanma (A Field Guide to Genetic Programming). — Lulu.com, internetda bepul mavjud, 2008. — ISBN 978-1-4092-0073-4.
- Ko‘p mezonli optimallashtirish masalalarida genetik algoritmlardan foydalanishga doir maqolalar to‘plami (inglizcha)
- Lakhmi C. Jain; N. M. Martin. Neyron tarmoqlar, noaniq tizimlar va genetik algoritmlarning integratsiyasi: sanoatda qo‘llanishi (Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications). — CRC Press, CRC Press LLC, 1998
- Genetik algoritmlar bo‘yicha ma’ruza