نیک فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

نیک فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

: انتخاب بهینه ویژگی ها با کمک الگوریتم ژنتیک (feauture selection with ga ) همراه مقاله شبیه سازی شده

اختصاصی از نیک فایل : انتخاب بهینه ویژگی ها با کمک الگوریتم ژنتیک (feauture selection with ga ) همراه مقاله شبیه سازی شده دانلود با لینک مستقیم و پر سرعت .

: انتخاب بهینه ویژگی ها با کمک الگوریتم ژنتیک (feauture selection with ga ) همراه مقاله شبیه سازی شده


: انتخاب بهینه ویژگی ها با کمک الگوریتم ژنتیک (feauture selection with ga  ) همراه مقاله شبیه سازی شده

با استفاده از با استفاده از الگوریتم ژنتیک ویژگی های تصویر استخراج می گردد بر روی مدل صنعتی پیاده شده است و می توان به راحتی بر روی مدل های دیگر پیاده سازی نمود.

عالی برای پروژه درس الگوریتم بهینه سازی و پردازش داده مقطع ارشد هوش مصنوعی و...

به راحتی میتوان مدل را به مدل دلخواه تغییر داد.(شبیه سازی در سیمولینک متلب انجام شده است)

جواب و خروجی های تست شده است و نگران صحت برنامه نباشید و در صورت اشکال با شماره های زیر تماس بگیرید.)

برای هماهنگی بیشتر و سوال می توانید با شماره های زیر و یا ایمیل با نویسنده برنامه در ارتباط باشید.

محمدرضاکیانی

09132399969

09338075778

MRKIANI2009@YAHOO.COM

  1. MATLABNEVISAN.IR

مقاله:

A Genetic Algorithm-Based Feature Selection

Volume 5, Issue 4, ISSN (Online): 2249–071X, ISSN (Print): 2278–4209

International Journal of Electronics Communication and Computer Engineering


دانلود با لینک مستقیم


: انتخاب بهینه ویژگی ها با کمک الگوریتم ژنتیک (feauture selection with ga ) همراه مقاله شبیه سازی شده

بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک

اختصاصی از نیک فایل بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک


بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک

بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک

28 صفحه در قالب word

 

 

 

 

خلاصه

این مقاله، توسط ترکیب کردن فلوچارت ( نمودار گردش کار) براساس ابراز شبیه سازی با یک روش بهینه سازی ژنتیک قدرتمند، یک روش را برای بهینه سازی منبع نشان می دهد.روش ارائه شده، کمترین هزینه،و بیشترین بازده را ارائه میدهد، وبالاترین نسبت سودمندی را در عملکردهای ساخت و تولید فراهم می آورد. به منظور یکپارچگی بیشتر بهینه سازی منبع در طرح ریزی های ساخت،مدلهای شبیه سازی بهینه یافته (GA) الگوریتم های ژنتیکی گوناگون،عموماً با نرم افزارهای مدیریت پروژه بکار رفته شده ادغام می شوند. بنابراین، این مدلها از طریق نرم افزار زمان بندی فعال می شوند و طرح را بهینه می سازند.نتیجه، یک ساختار کاری تقلیل یافته سلسله مراتبی در رابطه با مدلهای همانندی سازی بهینه یافته GA است. آزمایشات گوناگون بهینه سازی با یک سیستم در دو مورد مطالعه، توانایی آن را برای بهینه ساختن منابع در محدوده محدودیتهای واقعی مدلهای همانند سازی آشکار کرد. این الگو برای کاربرد بسیارآسان است و می تواند در پروژه های بزرگ بکار رود. براساس این تحقیق، همانندسازی کامپیوتر وا لگوریتمهای ژنتیک ،می توانند یک ترکیب موثر برای بهبود دادن بازده و صرفه جویی در زمان وساخت و هزینه ها باشند.


مقدمه

این امر کاملاً آشکار شده است که بازده کاری پایین ،عدم آموزش، و کاهش تعداد معاملات، چالشهای بحرانی هستند که صنعت ساختمان( ساخت) با آن روبرو خواهد شد.

بهره دهی یا قدرت تولید در رابطه با مطالعه ها، برای مثال،دلالت بر زمان بیکاری (بیهودة) کاربران در ساخت(تولید) دارد که این زمان از 20 تا 45% متغیر است. این اتلاف وقت ، که از طریق منابع ناکارآمد و طرح ریزیهای غیربسنده( نامناسب) ناشی می شود، تاثیر و پیامد فوق العاده ای در هزینه های ساخت دارد. همچنین، پیماناکاران که مهارتهای مدیریتی منابع کارآمد را ندارند، این رقابت کردن در بازارهای ساخت جهانی که آنها د ر آن فرصتها بسیاری را خواهند یافت، برای آنها کاری بس دشوار خواهد بود.

با ایجاد تجهیزات و نیروی کار برای امر ساخت و تولید، این امر آشکار است که تدبیرهای کاربرد نیروی کار متناوب و کاربرد بهتر از منابع کاری موجود، به منظور بهبود دادن،بهره دهی کاری و کاهش هزینه های ساخت، مورد نیاز است. استفاده کارآمد از منابع پروژه، هزینه های ساخت را برای مالکان و مصرف کنندگان کاهش می دهد، و در عین حال سودمندیهایی را برای پیمانکاران افزایش می دهد. با این وجود،برخی فاکتورها وجود دارند که ،مدیریت منبع را امر دشواری می سازند، این فاکتورها در مراحل زیر توضیح داده شده اند:

  • سیاست جداسازی مدیریت منبع:در ادبیات، محققان گوناگون، تعدادی تکنیکها را برای پرداختن به جنبه های فردی مدیریت منبع، همانند تخصیص منبع، سطح بندی منبع، مدیریت نقدینگی، و تجزیه و هزینه و زمان معاملات (TCT) ، ارائه داده اند. مطالعات تالبوت و پترسون(1979) و گاولیش و پیرکون (1991)، برای مثال، به تخصیص منابع مربوط بود ، در حالیکه بررسیهای Easa (1989) و Shah et al (1993) به سطح بندی و تراز کردن منابع می پرداخت روشهای دیگر ، تنها روی تجزیه TCT متمرکز شدند. همانطوریکه این بررسیها سودمند واقع شدند، آنها به ویژگیهای مجزایی پرداختند که یکی پس از دیگری برای پروژه ها بکار برده می شدند ( نه بطور همزمان) . بوسیله پیچیدگی اساسی پروژه ها و مشکلاتی در رابطه با الگوبرداری تمام ویژگیهای ترکیب یافته، تلاش بسیار کمی برای بهینه سازی منابع ترکیب شده به عمل آمد.
  • ناکارآمدی الگوریتم های بهنیه سازی سنتی: در چند دهه گذشته ، بهینه سازی منبع سنتی، براساس روشهای ریاضی یا براساس تکنیکهای ذهنی(غیرمستدل) بوده است. روشهای ریاضی ، همانند برنامه ریزیهای عدد صحیح ، خطی، یا برنامه ریزیهای دینامیکی ،برای مشکلات منبع فردی پیشنهاد شده بودند.با این وجود ، روشهای ریاضی از لحاظ محاسبه ای برای هر پروژه واقعی انعطاف ناپذیر بودند که این روش فقط برای سایزهایی از پروژه مناسب می باشد. همچنین ،روشهای ریاضی پیچیده ایشان دستخوش تغییر می شوند وممکن در مطلوبترین وبهینه ترین قرار بگیرند، روشهای ذهنی (غیرمستدل) ، ازسوی دیگر، تجربیات وقوانین thumb را بکار می برند، نه فرمولهای ریاضی سخت ودقیق را. محققان برای تخصیص منبع، مدلهای ذهنی گوناگونی را پیشنهاد نموده اندن،تراز بندی منبع ها،تجزیه TCT، علی رغم سهولتشان ،این روش های ذهنی هنگامی که درشبکه های پروژه ای مختلف بکار برده می شوند ،نتایج گوناگون را اعمال می نمایند ، و برای کمک به انتخاب بهترین روش ذهنی برای کاربرد، هیچ گونه راهنماهای دقیقی وجود ندارد. بنابراین ، آنها نمی توانند راه حلهای بهینه ای را تضمین نمایند. همچنین ،راه حلهای غیرثابت آنها ( غیرپایدار آنها) به تفاوتها وتناقض‌های وسیع، میان قابلیهای محدود شده منبعی نرم افزار در مدیریت پروژه تجاری کمک شایانی کرده اند.
  • مشکلاتی که در رابطه با مدلهای همانندسازی: در طی سه دهه گذشته،همانندسازی کامپیوتر، برای حمایت از کاربرد کارآمد منابع ساخت ارائه شده است (معرفی شده است) با این وجود ، محققان، در توانایی آن برای ایجاد تقلیدی (نمودین) فرآیندهای ساخت واقعی در کامپیوترها علاقمند شدند، و کارورها ممکن هدایت این کار را بسیار دشوار بیابند. به عنوان یک ابزار بسیار سودمند برای طرح ریزی منابع، یک تحقیق وسیع برای توسعه مدلهای همانندسازی عملکرد ساخت، بویژه برای کاربرد سیستم چرخه باید هالپین صورت گرفت. هنوز،با این وجود، برخی ابزارهای موجود، نیازمند دانش برنامه ریزی کامپیوتری و زبان همانندسازی، و عدم ادغام با نرم افزار مدیریت پروژه موجود و عدم ادغام با الگوریتم های بهینه سازی را می باشند.
  • موجودیت یک ابزار تولیدی جدید ؛توسعه های اخیر در علم کامپیوتر، یک تولید جدیدی از ابزارها را حاصل نموده است، که آن برای استفاده شدن در کاربردهای ساخت بسیار سودمند می باشد. براساس پیشرفتهای اخیر در هوش مصنوعی، یک تکنیک بهینه سازی جدید ، وا لگوریتم های ژنتیک (Gas) پدیدار شده اند. با مکانیزمهای تکامل طبیعی همانندسازی و شایسته ترین مکانیزمهای بقاء ،GAS ،یک تحقیق رندم(تصادفی) رابرای حل بهینه یک مشکل بکار می برد. بوسیله سودمندیهایی حاصله از آنها، Gas بطور موفقیت آمیزی برای حل چندین مشکل مهندسی و مشکلات مدیریت ساخت بکار برده می‌شود. این کاربردها شامل بهینه سازی یک سیاست قیمت افزایی برای پیمانکاران ؛بهینه سازی سقف نگهدارنده(پایه) فولاد؛ زمان بندی و جدول بندی منابع؛بهینه سازی زمان وهزینه معاملات؛ و تخصیص وترازبندی منبع ترکیب شده می باشند.

همچنین،علاوه بر ابزارهای بهینه سازی براساس GA،سیستم های همانندسازی جدید و آسان کاربرد براساس برنامه ریزی های شی گرا، اخیراً ارائه شده است. یک سیستم فرآیند V3 (2000)، یک نرم افزار با هدف عمومی،برای الگو برداری و همانندسازی ارائه شده است. سودمندی اصلی این نرم افزار، نمودار گردش کارآسان آن، براساس قابلیت های الگوبرداری و همچنین موتور همانندسازی شیء گرایآن می باشد.این موتور همانندسازی نرم افزار،انعطاف پذیر است  و این امکان را بوجود می آورد که کاربر عناصر الگو برداری اولیه اش را بپذیرد. سودمندی دیگر نرم افزار این است که ،آن همانندسازی را برای شبکه های سنتی فعالیت در فلاش (AOA) بکار برده شده برای زمان بندی پروژه ها بکار می برد. انواع پروژه‌های گوناگون فلاش و گره طراحی می شوند تا شاخه بندی های ساده یا مشروط را در طی همانندسازی امکان پذیر سازند. این اهداف از پیش طرح شده، می توانند با یک تلاش کم برای تولید مدلهای عملی،بدون دانش مبتلی از واژه شناسی همانند شناسی یا برنامه ریزی کامپیوتری به کار برده شوند.

این روش، به بهبود طرح ریزی  ساخت و مدیریت منابع، توسط یک سیستم بهینه سازی منبع آسان کاربرد و کارآمد کمک می نماید و این همانند سازی را با الگوریتم های ژنتیک ترکیب می نماید. این سیستم بهینه سازی منبع،در دو مطالعه مورد بررسی قرار گرفته است. بنابراین این سیستم با نرم افزار تجاری مدیریت پروژه ادغام می‌شود و این امکان را فراهم می کند که کاربران مدلهای بهینه یافته GA را در هر سلسله مراتب پروژه تعریف شده کاربر بکار گیرند، به نحوی که زمان بندیهای ساخت بهینه شده منابع و زمان بندی های واقع گرایانه ایجاد شود.

همانندسازی تسهیل یافته: دو مثال

با استفاده از روش همانند سازی شرح داده شده در ضممیه،دو عملکرد ساخت مجزا الگوبرداری شده است.با ارائه نرم افزار ساده بر اساس فلوچات ،فرآیند الگوبرداری بطوروسیعی آسان شده است.جزئیات مفصل عملکردهای الگوبرداری شده دربخشهای زیر فراهم شده است.

 

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است


دانلود با لینک مستقیم


پایان نامه جامع ارزیابی عملکرد الگوریتم ژنتیک مقطع کارشناسی و ارشد

اختصاصی از نیک فایل پایان نامه جامع ارزیابی عملکرد الگوریتم ژنتیک مقطع کارشناسی و ارشد دانلود با لینک مستقیم و پر سرعت .

پایان نامه جامع ارزیابی عملکرد الگوریتم ژنتیک مقطع کارشناسی و ارشد


پایان نامه جامع ارزیابی و بررسی عملکرد الگوریتم ژنتیک

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 189 صفحه

چکیده :

الگوریتم ژنتیک (Genetic Algorithm - GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی برگشتی مانند وراثت و جهش استفاده می‌کند.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 تصادف هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسأله‌ای که باید حل شود ورودی است و راه‌حل‌ها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.کلاً این الگوریتم‌ها از بخش های زیر تشکیل می‌شوند: تابع برازش، نمایش، انتخاب، تغییر.

کلمات کلیدی:

الگوریتم ژنتیک، هیوریستیک، ترکیب و جهش، تکامل طبیعی داروین، معمای هشت وزیر.

 

فصل اول-------------------------------------------------- 1

1-1- مقدمه------------------------------------------------------- 2

1-2- به دنبال تکامل------------------------------------------- 3

1-3- ایدۀ اصلی استفاده از الگوریتم ژنتیک------------------------------- 4

1-4- درباره علم ژنتیک------------------------------------------ 6

1-5- تاریخچۀ علم ژنتیک---------------------------------------- 6

1-6- تکامل طبیعی (قانون انتخاب طبیعی داروین)--------------------------- 7

1-7- رابطه تکامل طبیعی با روش‌های هوش مصنوعی----------------------------- 10

1-8- الگوریتم--------------------------------------------------------- 11

1-8-1- الگوریتم‌های جستجوی ناآگاهانه----------------------------------- 12

1-8-1-الف- جستجوی لیست------------------------------------------ 12

1-8-1-ب- جستجوی درختی------------------------------------------ 13

1-8-1-پ- جستجوی گراف------------------------------------------- 14

1-8-2- الگوریتم‌های جستجوی آگاهانه------------------------------------ 14

1-8-2-الف- جستجوی خصمانه----------------------------------------- 15

1-9- مسائل NP-Hard------------------------------------------------- 15

1-10- هیوریستیک------------------------------------------------------ 17

1-10-1- انواع الگوریتم‌های هیوریستیک------------------------------------ 19

فصل دوم------------------------------------------------------ 21

2-1- مقدمه----------------------------------------------------------- 22

2-2- الگوریتم ژنتیک---------------------------------------------------- 23

2-3- مکانیزم الگوریتم ژنتیک---------------------------------------------- 25

2-4- عملگرهای الگوریتم ژنتیک------------------------------------------- 28

2-4-1- کدگذاری---------------------------------------------------- 28

2-4-2- ارزیابی------------------------------------------------------ 29

2-4-3- ترکیب------------------------------------------------------ 29

2-4-4- جهش------------------------------------------------------- 29

2-4-5- رمزگشایی---------------------------------------------------- 30

2-5- چارت الگوریتم به همراه شبه کد آن------------------------------------- 30

2-5-1- شبه کد و توضیح آن-------------------------------------------- 31

2-5-2- چارت الگوریتم ژنتیک------------------------------------------- 33

2-6- تابع هدف-------------------------------------------------------- 34

2-7- روش‌های کد کردن------------------------------------------------- 34

2-7-1- کدینگ باینری------------------------------------------------ 35

2-7-2- کدینگ جایگشتی---------------------------------------------- 36

2-7-3- کد گذاری مقدار----------------------------------------------- 37

2-7-4- کدینگ درخت------------------------------------------------ 38

2-8- نمایش رشته‌ها----------------------------------------------------- 39

2-9- انواع روش‌های تشکیل رشته------------------------------------------- 41

2-10- باز گرداندن رشته‌ها به مجموعه متغیرها---------------------------------- 42

2-10-1- تعداد بیت‌های متناظر با هر متغیر----------------------------------- 43

2-11- جمعیت--------------------------------------------------------- 44

2-11-1- ایجادجمعیت اولیه---------------------------------------------- 44

2-11-2- اندازه جمعیت------------------------------------------------ 45

2-12- محاسبه برازندگی (تابع ارزش)---------------------------------------- 46

2-13- انواع روش‌های انتخاب---------------------------------------------- 48

2-13-1- انتخاب چرخ رولت-------------------------------------------- 49

2-13-2- انتخاب حالت پایدار-------------------------------------------- 51

2-13-3- انتخاب نخبه گرایی--------------------------------------------- 51

2-13-4- انتخاب رقابتی------------------------------------------------- 52

2-13-5- انتخاب قطع سر------------------------------------------------ 52

2-13-6- انتخاب قطعی بریندل-------------------------------------------- 53

2-13-7- انتخاب جایگزینی نسلی اصلاح شده--------------------------------- 53

2-13-8- انتخاب مسابقه------------------------------------------------ 54

2-13-9- انتخاب مسابقه تصادفی------------------------------------------ 54

2-14- انواع روش‌های ترکیب---------------------------------------------- 54

2-14-1- جابه‌جایی دودوئی--------------------------------------------- 55

2-14-2- جابه‌جایی حقیقی---------------------------------------------- 58

2-14-3- ترکیب تک‌نقطه‌ای--------------------------------------------- 59

2-14-4- ترکیب دو نقطه‌ای--------------------------------------------- 60

2-14-5- ترکیب n نقطه‌ای---------------------------------------------- 60

2-14-6- ترکیب یکنواخت---------------------------------------------- 61

2-14-7- ترکیب حسابی------------------------------------------------ 62

2-14-8- ترتیب------------------------------------------------------ 62

2-14-9- چرخه------------------------------------------------------ 63

2-14-10- محدّب---------------------------------------------------- 64

2-14-11- بخش_نگاشته----------------------------------------------- 64

2-15- احتمال ترکیب---------------------------------------------------- 65

2-16- تحلیل مکانیزم جابجایی--------------------------------------------- 66

2-17- جهش---------------------------------------------------------- 66

2-17-1- جهش باینری------------------------------------------------- 69

2-17-2- جهش حقیقی------------------------------------------------- 69

2-17-3- وارونه سازی بیت---------------------------------------------- 70

2-17-4- تغییر ترتیب قرارگیری------------------------------------------- 70

2-17-5- وارون سازی------------------------------------------------- 71

2-17-6- تغییر مقدار--------------------------------------------------- 71

2-18- محک اختتام اجرای الگوریتم ژنتیک------------------------------------ 72

2-19- انواع الگوریتم‌های ژنتیکی------------------------------------------- 72

2-19-1- الگوریتم ژنتیکی سری------------------------------------------ 73

2-19-2- الگوریتم ژنتیکی موازی----------------------------------------- 74

2-20- مقایسه الگوریتم ژنتیک با سیستم‌های طبیعی------------------------------- 75

2-21- نقاط قوّت الگوریتم‌های ژنتیک---------------------------------------- 76

2-22- محدودیت‌های GAها---------------------------------------------- 78

2-23- استراتژی برخورد با محدودیت‌ها--------------------------------------- 79

2-23-1- استراتژی اصلاح عملگرهای ژنتیک--------------------------------- 79

2-23-2- استراتژی رَدّی------------------------------------------------ 79

2-23-3- استراتژی اصلاحی--------------------------------------------- 80

2-23-4- استراتژی جریمه‌ای--------------------------------------------- 80

2-24- بهبود الگوریتم ژنتیک----------------------------------------------- 81

2-25- چند نمونه از کاربردهای الگوریتم‌های ژنتیک------------------------------ 81

فصل سوم------------------------------------------------------ 86

3-1- مقدمه----------------------------------------------------------- 87

3-2- حلّ معمای هشت وزیر----------------------------------------------- 88

3-2-1- جمعیت آغازین------------------------------------------------ 90

3-2-2- تابع برازندگی------------------------------------------------- 94

3-2-3- آمیزش------------------------------------------------------ 95

3-2-4- جهش ژنتیکی------------------------------------------------- 96

3-3- الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد----------------------------- 97

3-3-1- حل مسأله TSP به وسیله الگوریتم ژنتیک----------------------------- 99

3-3-2- مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP-------------------- 107

3-3-3- نتیجه گیری--------------------------------------------------- 108

3-4- حلّ مسأله معمای سودوکو-------------------------------------------- 109

3-4-1- حل مسأله---------------------------------------------------- 110

3-4-2- تعیین کروموزم------------------------------------------------ 110

3-4-3- ساختن جمعیت آغازین یا نسل اول---------------------------------- 111

3-4-4- ساختن تابع از ارزش--------------------------------------------- 112

3-4-5- ترکیب نمونه‌ها و ساختن جواب جدید-------------------------------- 113

3-4-6- ارزشیابی مجموعه جواب------------------------------------------ 118

3-4-7- ساختن نسل بعد------------------------------------------------ 118

3-5- مرتب سازی به کمک GA-------------------------------------------- 119

3-5-1- صورت مسأله-------------------------------------------------- 119

3-5-2- جمعیت آغازین------------------------------------------------ 119

3-5-3- تابع برازندگی------------------------------------------------- 122

3-5-4- انتخاب------------------------------------------------------ 123

3-5-5- ترکیب------------------------------------------------------ 123

3-5-6- جهش------------------------------------------------------- 124

فهرست منابع و مراجع--------------------------------------------- 126

پیوست---------------------------------------------------------- 127

واژه‌نامه--------------------------------------------------------- 143


دانلود با لینک مستقیم


کاربردهای الگوریتم ژنتیک

اختصاصی از نیک فایل کاربردهای الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

این پایان نامه درمورد کاربردهای الگوریتم ژنتیک تهیه شده و برای مقاطع کاردانی و کارشناسی می باشد .


دانلود با لینک مستقیم