
iw: 
ברוך השבים לאלגוריתמים גנטיים.
דנו במנגנון הבחירה הטבעית, הכולל שני שלבים:
שלב 2 (א) - פונקציית כשירות:
לפי דרווין, אדם "כשיר" הוא כזה
שמתאים יותר לסביבה.
מה הסביבה במקרה שלנו?
מדובר בבעיה שאנחנו מנסים לפתור.
על מנת להעריך כושר-התאמה, ניצור
פונקציה שמכמתת עד כמה הפתרון
 מתאים לבעיה, פותר את הבעיה.
במילים אחרות, הפונקציה שלנו תכמת
עד כמה פתרון הוא טוב.
נשתמש בפונקציה הזו כדי לצרף
ציון-התאמה לכל אדם באוכלוסייה.
כאמור, אנו צופים כי ציונים אלה
יהיו נמוכים יחסית לעת עתה
מכיוון שפתרונות אקראיים
לא יניבו פתרונות טובים.

Arabic: 
مرحبًا بك مرة أخرى في الخوارزميات الجينية.
كنا نناقش آلية الانتقاء الطبيعي التي تتكون من خطوتين.
الخطوة 2 أ: وظيفة اللياقة البدنية
وفقا لداروين، فإن الفرد "القوي" هو الذي يناسب البيئة بشكل أفضل.
ما هي البيئة في حالتنا؟
إنها المشكلة التي نحاول حلها.
لتقييم اللياقة، سننشئ وظيفة تحدد مقدار الحل الذي يناسب
المشكلة... لحل المشكلة...
وبعبارة أخرى، ستحدد وظيفتنا مدى جودةالحل.
سنستخدم هذه الوظيفة لإرفاق درجة لياقة لكل فرد من السكان.
كما ذكرنا من قبل، نتوقع أن تكون هذه الدرجات
منخفضة نسبيًا في الوقت الحالي لأن الحلول العشوائية

English: 
Welcome back to Genetic Algorithms.
We were discussing the mechanism of natural selection, that comprises two steps.
Step 2a: Fitness Function
According to Darwin, a “strong” individual is the one that fits better to the environment.
What is the environment in our case?
It’s the problem we’re trying to solve.
To assess fitness, we’ll create a function that quantifies how much a solution fits the
problem… solves the problem…
In other words, our function will quantify how good a solution is.
We will use this function to attach a fitness score to each individual in the population.
As said before, we expect these scores to be relatively low for now because random solutions

English: 
won’t yield good solutions, but then again, some will have better scores than others.
Step 2b: Biased Selection
According to Darwin, it’s not that only the most fit individuals produce offspring.
Rather, the more an individual is fit to the environment the more chances it will have
to win when competing on limited resources (such as food), the longer they will live,
and therefore, the more chances they will have to produce offspring.
So now, we will create a new population comprised of the offspring of parents from the former
population.
We will do so by creating a Biased Selection function, that every time it’s called, it
picks a random parent out from the population, but in such a way, that the chances a certain
individual will be chosen as parent will be correlated to its fitness score and in comparison
to the scores of all the others in the population.

Arabic: 
لن ينتج عنها حلول جيدة، ولكن مرة أخرى،
سيحصل البعض على نتائج أفضل من البعض الآخر.
الخطوة 2 ب: التحديد المتحيز
وفقًا لداروين، فإنه لا يعتبر أن الأفراد
الأكثر ملاءمة فقط هم من ينتجون الذرية.
وبدلاً من ذلك، كلما كان الفرد أكثر ملاءمة للبيئة كلما زادت فرصه
للفوز عند التنافس على موارد محدودة
(مثل الطعام)، كلما عاش لفترة أطول،
وبالتالي، كلما زادت فرصه في إنتاج ذرية.
إذاً الآن، سنقوم بإنشاء عدد سكان جديد
يتكون من نسل الآباء من التعداد السابق
للسكان.
سنفعل ذلك من خلال إنشاء وظيفة تحديد
متحيز، يتم استدعاؤها في كل مرة
تختار الوالد بشكل عشوائي من السكان،
ولكن بهذه الطريقة، هناك فرص معينة
لاختيار الفرد حيث سيتم ربط الوالدين بدرجة لياقته وبالمقارنة
مع عشرات الآخرين من السكان.

iw: 
אך, מצד שני, לחלקם יהיו
ציונים טובים יותר מאחרים.
שלב 2 (ב) - בחירה מוטה:
לפי דרווין, זה לא שרק האנשים
הכי מתאימים מייצרים צאצאים.
אלא, ככל שאדם מתאים יותר
לסביבה - כך יהיו לו יותר סיכויים לנצח
כשמתמודדים על משאבים מוגבלים -
כגון אוכל - ככל שיאריך ימים,
ולכן, יהיו לו יותר סיכויים להפיק צאצאים.
אז, כעת, ניצור אוכלוסייה חדשה - המורכבת
מצאצאיהם של הורים מהאוכלוסייה הקודמת.
נעשה זאת ע"י יצירת פונקציית בחירה-מוטה,
שבכל פעם שקוראים לה,
היא בוחרת בהורה אקראי מתוך האוכלוסייה,
אך באופן כזה, שהסיכויים שאדם מסוים
ייבחר כהורה, יהלמו את ציון-ההתאמה שלו,
ובהשוואה לציונים של כל האחרים באוכלוסייה.

English: 
For simplicity, the new population will have the same amount of individuals as the former
population, and for each offspring in the new population we will pick with the biased
selection function, two parents.
Step 3: Chromosomal Crossover – Produce a sequence for the offspring by combining
the sequences of its parents.
One of the reasons Eukaryotes have advanced more through evolution than Prokaryotes is
claimed to be connected to their sexual nature of reproduction, where the traits of two parents
are combined together in some random manner, in a process called chromosomal crossover,
which increases the diversity in the population and the natural selection mechanism.
After we picked two parents in the former step, we will now produce an offspring - a
sequence - by combining some part of the sequences from its two parents.
A trivial option is to select a random point on the sequence, and take the sub-sequence

iw: 
לשם הפשטות: לאוכלוסייה החדשה תהיה
כמות זהה של אנשים כמו באוכלוסייה הקודמת,
ועבור כל צאצא באוכלוסייה החדשה, נבחר -
באמצעות פונקציית בחירה-מוטית - זוג הורים.
שלב 3 - הכלאת כרומוזומים:
הפקת רצף לצאצאים ע"י שילוב רצפי ההורים.
נטען כי אחת הסיבות לכך שיצורים אוקריוטים התקדמו
יותר דרך האבולוציה מאשר פרוקריוטים היא
קשורה לאופי הרבייה המינית שלהם,
שם התכונות של שני הורים משולבות יחד
בצורה אקראית כלשהי,
בתהליך הנקרא הכלאה כרומוזומלית,
מה שמגדיל את הגיוון באוכלוסייה
ואת מנגנון הבחירה הטבעי.
לאחר שבחרנו שני הורים בצעד הקודם,
כעת נפיק צאצא - רצף - ע"י שילוב של
חלק מהרצפים משני הוריו.
אפשרות טריוויאלית היא לבחור
נקודה אקראית ברצף,

Arabic: 
لتسهيل الأمر، سيكون لدى السكان الجدد نفس عدد الأفراد السكان
في السابق، وسنختار لكل نسل من السكان الجدد والدين، مع وظيفة
تحديد التحيز.
الخطوة 3: أنتج كروموسومال كروس - سلسلة من النسل عن طريق دمج
تسلسل والديه.
أحد أسباب تقدم حقيقيات النوى خلال التطور أكثر من بدائيات النوى
هو الادعاء بأن الأمر مرتبط بطبيعتهما
الجنسية للتكاثر، حيث تم دمج سمات الوالدين
معًا بطريقة عشوائية، في عملية تسمى التقاطع الكروموسومي،
مما يزيد من التنوع في السكان وآلية الانتقاء الطبيعي.
بعد أن اخترنا والدين في الخطوة السابقة، سننتج الآن ذرية -
التسلسل أ- من خلال جمع أجزاء من التسلسل الخاص بالوالدين.
الخيار البسيط هو تحديد نقطة عشوائية
على التسلسل، وأخذ التسلسل الفرعي

iw: 
 ולקחת את תת הרצף לפני נקודה זו מהורה
אחד, ואת תת הרצף אחרי נקודה זו מהשני.
יכולות להיות דרכים אחרות לשלב את הרצפים,
אך העיקר הוא שהתכונות תגענה משולבות איכשהו.
הרציונל הוא, כמו בטבע, שצאצאים מסוימים
יהוו פחות או יותר את הממוצע של הוריהם,
חלקם יקבלו שילוב גרוע בין התכונות החלשות
של האב עם התכונות החלשות-יותר של האם,
ולכן ציון-ההתאמה שלהם
יהיה נמוך משל שני ההורים.
עם זאת, כמה צאצאים יהיו ברי מזל מספיק
כדי לקבל שילוב בין התכונות הטובות-יותר
של האם עם אלה של האב.
כשם שקרה לי, למשל: קיבלתי את החיוך של
אמי ואת אוזניו של אבי - ולמזלי, לא להיפך.
במקרים מסוימים, ציון-ההתאמה של הצאצאים
יהיה טוב יותר מאלה של שני הוריו.

Arabic: 
قبل هذه النقطة من أحد الوالدين والتسلسل
الفرعي بعد هذه النقطة من الوالد
الآخر.
يمكن أن تكون هناك طرق أخرى لدمج التسلسلات -
ولكن الشيء الرئيسي هو أن الصفات تحصل عليها
تتجمع بطريقة أو بأخرى.
الأساس المنطقي هو أنه كما هو الحال في
الطبيعة، سيكون بعض النسل أكثر أو أقل من متوسط
الآباء، سيحصل البعض على مزيج سيئ، بحصوله على أضعف سمات الأب
وسمات الأم الضعيفة، وبالتالي ستكون درجة لياقتهم أقل من كلا
الأبوين.
ومع ذلك، سيكون عدد قليل من النسل محظوظًا بما
يكفي للحصول على مزيج من تلك الصفات الأفضل
الخاصة بالأم والأب... كما حدث لي، على سبيل المثال، حصلت
على ابتسامة أمي وأذني أبي - ولحسن الحظ، ليس العكس.
في مثل هذه الحالات، ستكون درجة لياقة
الأبناء أفضل من تلك الخاصة بكل من والديها.

English: 
before this point from one parent and the sub-sequence after this point from the second
parent.
There could be other ways to combine the sequences - but the main thing is that the traits get
somehow combined.
The rationale is that as in nature, some offspring will be more or less the average of their
parents, some will receive a bad combination, of the weaker traits of the father with the
weaker traits of the mother, and therefore their fitness score will be lower than both
parents’.
However, a few offspring will be lucky enough to get a combination of those better traits
of the mother with those of the father… like it happened to me, for example, I got
my mother’s smile and my father’s ears - and luckily not the other way around.
In such cases, the fitness score of the offspring will be better than the ones of both its parents.

English: 
Step 4: Mutation - Add random genetic mutations
The reproduction process will not be complete without the miracle of mutation.
It is a miracle, as without the random errors that occur in replication and reproduction
processes, without this diversity engine, life as we know it could not evolve.
The same applies here.
Therefore we’ll add a few random mutations to the sequence of each offspring.
As in nature, some of them will actually be harmful, some will be neutral, but in some
chances a random mutation could be beneficial.
We expect, in this case, that the fitness score of the offspring will be better than
the ones of both its parents.
In this stage we have a new population, a new generation, which will continue to go
through natural selection.

iw: 
שלב 4 - מוטציה:
הוסיפו מוטציות גנטיות אקראיות.
תהליך ההתרבות לא יהיה שלם ללא נס המוטציה.
זה נס, היות וללא הטעויות האקראיות
המתרחשות בתהליכי השכפול וההתרבות,
בלי מנוע הגיוון הזה, החיים כפי שהם
מוכרים לנו לא היו יכולים להתפתח.
הוא הדבר גם כאן:
לכן, נוסיף כמה מוטציות אקראיות
לרצף של כל צאצא.
כמו בטבע, חלקן למעשה יהיו מזיקות,
חלקן יהיו ניטרליות,
 אך במקרים מסוימים, מוטציה אקראית
עשויה להיות מועילה.
אנו מצפים, במקרה הזה, שציון-ההתאמה
של הצאצאים יהיה טוב יותר מזה של שני הוריו.
במקרה זה, יש לנו אוכלוסייה חדשה -
דור חדש - שימשיך להתקדם דרך בחירה טבעית.

Arabic: 
الخطوة 4: الطفرة - أضف طفرات جينية عشوائية
لن تكتمل عملية التكاثر بدون معجزة الطفرة.
إنها معجزة، كما هو الحال بدون الأخطاء
العشوائية التي تحدث في عمليات النسخ والتكاثر
وبدون محرك التنوع هذا، لا يمكن للحياة أن تتطور كما نعلم.
ينطبق الأمر نفسه هنا.
لذلك سنضيف بعض الطفرات العشوائية إلى تسلسل كل ذرية.
كما هو الحال في الطبيعة، سيكون بعضها ضارًا
بالفعل، وبعضها سيكون محايدًا، ولكن في البعض الآخر
من المحتمل أن تكون الطفرة العشوائية مفيدة.
نتوقع، في هذه الحالة، أن تكون درجة لياقة الأبناء أفضل من
من والديهم.
في هذه المرحلة لدينا شعب جديد، جيل جديد، سيستمر في التقدم
من خلال الانتقاء الطبيعي.

English: 
So we will go back to Step 2, natural selection, assign new scores to all the individuals of the
new generation, and then continue the cycle, and create another generation and another
generation, and so on.
We can rightly assume that, over time, over generations, the individuals in the population
will improve, as the beneficial crossovers and mutations, together with the biased selection
mechanism, will tend to strike roots and establish the population.
What’s so nice about computers is that we can set this process loose, and create an
evolution of thousands and even millions of generation quite easily.
But every algorithm needs to stop and produce the required output.
So when will we stop this process, that potentially can continue forever?
Step 5: Stopping criteria
One criterion to stop could be if we reached an individual with the best possible fitness

iw: 
אז נחזור לשלב 2 - בחירה טבעית -
נקצה ציונים חדשים לכלל אנשי הדור החדש,
ואז נמשיך את המחזור, וניצור דור נוסף,
ועוד דור, וכן הלאה.
ניתן להניח בצדק כי, לאורך זמן -
לאורך דורות - האנשים באוכלוסייה ישתפרו
כשלהכלאות ולמוטציות המטיבות,
לצד מנגנון הבחירה המוטה,
 תהיה נטייה להכות שורש
ולבסס את האוכלוסייה.
מה שכל כך נחמד במחשבים זה
שנוכל לשחרר את התהליך הזה,
וליצור אבולוציה של אלפי
ואף מיליוני דורות די בקלות.
אך כל אלגוריתם צריך לעצור
ולייצר את הפלט הנדרש.
אז מתי נעצור את התהליך הזה,
שפוטנציאלית עשוי להימשך לנצח?
שלב 5 - קריטריון העצירה
קריטריון אחד להפסיק עשוי להיות אם
נגיע לאדם בעל ציון-ההתאמה הטוב ביותר

Arabic: 
لذلك سوف نعود إلى الخطوة 2، الانتقاء
الطبيعي، وتعيين نتائج جديدة لجميع أفراد
الجيل الجديد، ثم نتابع الدورة، ونخلق جيل آخر وجيل آخر
يليه جيل، وهلم جرا.
يمكننا أن نفترض بحق أنه بمرور الوقت،
عبر الأجيال، سيتحسن الأفراد من السكان
كما ستتحسن عمليات الانتقال والطفرات
المفيدة، إلى جانب آلية التحديد المتحيز
والتي سوف تميل إلى ضرب الجذور وإنشاء السكان.
ما هو لطيف للغاية في أجهزة الكمبيوتر
هو أنه يمكننا تحرير هذه العملية وإنشاء
تطور الآلاف وحتى الملايين من الأجيال بسهولة تامة.
لكن تحتاج كل خوارزمية إلى التوقف وإنتاج الناتج المطلوب.
لذا متى سنوقف هذه العملية، والتي يمكن أن تستمر إلى الأبد؟
الخطوة 5: إيقاف المعايير
يمكن أن يكون أحد المعايير للتوقف إذا
وصلنا إلى فرد يتمتع بأفضل درجة لياقة

English: 
score.
However in many cases, we don’t know what is the best possible score for the problem
we are facing.
So another very good criterion is to see when improvements become marginal or non-existent.
This graph depicts the improvement over generations, of the average fitness score of the population,
and of the best fitness score in the population.
As you can see, after around 300 generations there is no substantial improvement for another
100 generations.
It’s a sort of convergence.
When we spot something like that we can stop the evolution process.
As we’ve seen, this is an example of how AI can find solutions to a problem, instead
of computing solutions.
Does that make sense to you?
Can you see how we make evolution of a solution to a problem?
In the next segments we will show it in action.

Arabic: 
ممكن.
ولكن في كثير من الحالات، فإننا لا
نعرف ما هي أفضل درجة ممكنة للمشكلة
التي نواجهها.
لذا فإن المعيار الآخر الجيد جدًا هو معرفة
متى تصبح التحسينات هامشية أو غير موجودة.
يصور هذا الرسم البياني التحسن عبر الأجيال،
في متوسط ​​درجة اللياقة البدنية للسكان،
وأفضل درجة لياقة بدنية بين السكان.
كما ترون، بعد حوالي 300 جيل لا يوجد تحسن كبير
100ل جيل آخر.
إنه نوع من التقارب.
عندما نكتشف شيئًا كهذا يمكننا إيقاف عملية التطور.
كما رأينا، هذا مثال حول تمكن الذكاء
الاصطناعي من إيجاد حلول لمشكلة، بدلاً من
حلول الحوسبة.
هل تعتبر ذلك منطقياً؟
هل يمكنك أن ترى كيفية تطوير حل المشكلة؟
سنعرضها في الأجزاء التالية في التطبيق العملي.

iw: 
עם זאת, במקרים רבים איננו יודעים מהו הציון
הטוב ביותר האפשרי לבעיה איתה אנו מתמודדים.
אז, קריטריון מצוין נוסף הוא לראות מתי
השיפורים הופכים לשוליים או לבלתי-קיימים.
גרף זה מתאר את השיפור לאורך דורות,
בציון-ההתאמה הממוצע של האוכלוסייה,
ושל ציון-ההתאמה הטוב ביותר באוכלוסייה.
כפי שניתן לראות, לאחר כ -300 דורות
אין שיפור משמעותי למשך כ- 100 דורות נוספים.
זו סוג של התכנסות.
כאשר אנו מגלים דבר כזה, אנו יכולים
לעצור את התהליך האבולוציוני.
כפי שראינו, זו דוגמה לאופן בו בינה מלאכותית
יכולה למצוא פתרונות לבעיה, במקום לחשב אותם.
האם זה הגיוני בעיניכם?
אתם יכולים לראות כיצד אנו
מייצרים אבולוציה של פתרון לבעיה?
בחלקים הבאים אנו נראה את זה בפעולה.
ראשית, נחזור לבעיית האשכולות
עליה דיברנו קודם,

iw: 
 ונראה כיצד אנו יכולים ליישם
אלגוריתם גנטי - GA - הפותר אותו.
לאחר מכן נראה כמה דוגמאות מפורסמות
ליישומי GA באופן כללי וברפואה בפרט.

Arabic: 
أولاً، سنعود إلى مشكلة التجميع التي
ناقشناها سابقًا ونرى كيف يمكننا
تنفيذ خوارزمية وراثية (GA) تحلها.
ثم سنرى بعض الأمثلة الشهيرة لتطبيقات GAs بشكل عام وفي الطب
خاصه.

English: 
First, we will go back to the clustering problem we discussed previously and see how we can
implement a genetic algorithm (GA) that solves it.
Then we will see a few famous examples of applications of GAs in general and in medicine
in particular.
