مقاله کاربردهای الگوریتم ژنتیک

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

این محصول در قالب ورد و قابل ویرایش در 89 صفحه می باشد.

چکیده :

 الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.

مسئله ی کاهش آلاینده های Cox ، NOx و Sox در کوره های صنعتی ، یکی از مسائل بهینه سازی می باشد، که هدف آن بهینه کردن عملکرد کوره های احتراقی بر حسب پارامترهای درصد هوای اضافی (E) و دمای هوای خروجی از پیش گرمکن (T) ، به منظور کاهش میزان آلاینده های تولید شده در اثر انجام عملیات احتراق است.

در اینمقاله ابتدا مروری بر مفاهیم مقدماتی الگوریتم های ژنتیک کرده سپس مشخصات کلی مسئله عنوان می شود، در انتها مسئله ی مورد نظر توسط الگوریتم ژنتیک اجرا و نتایج آن با روش تابع پنالتی مقایسه می شود.

فهرست مطالب

فصل اول -  مقدمه .....................................................

1-1-    مقدمه  

فصل دوم -  مقدمه ای بر الگوریتم ژنتیک...............................................

• مقدمه
• پیشینه
• اصطلاحات زیستی
• تشریح کلی الگوریتم ژنتیک
• حل مسأله با استفاده از الگوریتم ژنتیک
• اجزای الگوریتم ژنتیک

2-6-1- جمعیت

2-6-2- کدگذاری

              2-6-2-1-     کدگذاری دودویی

              2-6-2-2-      کدگذاری مقادیر

              2-6-2-3-      کدگذاری درختی

2-6-3- عملگرهای الگوریتم ژنتیک

             2-6-3-1-       fitness (برازش)

         2-6-3-2-      selection  (انتخاب)

            2-6-3-3-   crossover    (ترکیب)

           2-6-3-4-  mutation     (جهش)

• مفاهیم تکمیلی

         2-7-1- برتری ها و ضعف های الگوریتم ژنتیک

         2-7-2- نکات مهم در الگوریتم های ژنتیک

         2-7-3- نتیجه گیری

فصل سوم - کاهش اثرات زیست محیطی آلاینده های Cox، NOx و SOx در کوره ها...........

• مقدمه
• احتراق
  • روش محاسبه ترکیبات تعادلی با استفاده از ثابت تعادل
  • روش محاسبه دمای آدیاباتیک شعله
  • انتخاب سیستم شیمیایی
  • تأثیر دمای هوا و میزان هوای اضافی بر تولید محصولات
• بهینه سازی
  • روش های حل مسائل بهینه سازی
  • روش تابع پنالتی
  • الگوریتم حل تابع پنالتی

• برنامه ی کامپیوتری و مراحل آن
• تشکیل تابع هدف
• تشکیل مدل مسئله بهینه سازی
• روش حل

فصل چهارم - توضیحاتی در رابطه با gatool نرم افزار مطلب................

• gatool
• تنظیم گزینه ها برای الگوریتم ژنتیک
• Plot Options
• Population Options
• Fitness Scaling Options
• Selection Options
• Reproduction Options
• Mutation Options
• Crossover Options
• Migration Options
• Output Function Options
• Stopping Criteria Options
• Hybrid Function Options
• Vectorize Options

فصل پنجم – نتایج..................................

• نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک
• نتیجه گیری

فهرست مراجع......................

دانلود مقاله کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه

اختصاصی از نیک فایل دانلود مقاله کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه دانلود با لینک مستقیم و پر سرعت .

بدیهی است که حالتهای متعددی برای مسائل عملی بهینه سازی وجود دارد که در ابتدا، بهینه سازی چندین اندازه گیری اجرا (MOP) یا محک ، غیر قابل اجتناب است و این اندازه گیری ها ممکن است که با هم تداخل هم داشته باشند. مسائل مربوط به  MOPsمی توانند استاتیکی یا دینامیکی باشند. مهمترین موضوع در حل این گونه از مسائل عبارت از مشخص کردن توابع هدف طراحی، برای اینکه خوبی (Goodness) یک حل مشخص بر آورد شود. در مسائل MOPs  بجای یک حل بهینه ، یک مجموعه از حل های بهینه ( مجموعه بهینه پارتو )، بسته به وجود چند تابع هدف، رخ می دهد. بدون تنزل یکی از جوابها ،  هیچ بهبودی برای هر یک از حلهای بهینه پارتو وجود ندارد. هیچ حل پارتو نمی تواند از حل دیگری بهتر باشد مگر اطلاعات بیشتری را در اختیار داشته باشیم . برای اینکه انتخاب نهایی بهتری داشته باشیم ، بهترین راه این است که تا جایی که ممکن است حلهای مختلف بهینه پارتو را بدست آوریم.

در بعضی از کاربردهای جهانی نظیر حمل ونقل باربا روباتها ، مشخص کردن مدل و طراحی کنترل کننده ها ، مسائل محیطی و نیازهای MOPs بصورت دینامیکی تغییر می کنند و برای اینگونه کاربردها ، بهینه سازی چند هدفه وابسته به زمان، نیاز است . در این گونه از مسائل ، توابع هدف مربوطه و قیود و پارامترهای مسئله یا همه اینها، ممکن است لحظه به لحظه تغییر کنند. این گونه از مسائل MOPs دینامیکی نامیده می شوند. در این حالتها ، بهینه سازی تابع باید در بازه های زمانی خیلی محدود شده انجام پذیرد.

الگوریتمهای ژنتیکی معمولا بهترین وسیله جستجو در فضاهای بزرگ در طی یک زمان قابل قبول می باشند و نیازی به تحدب، تقعر و یا پیوستگی توابع بهینه ندارند. این موضوع منجر به دامنه وسیعی از کاربردها برای این الگوریتم در مسائل بهینه سازی بزرگ درگستره های مختلف می گردد مانند تحلیل سریع تاکتیکهای جنگی برای دفاع و حلهای انعطاف پذیر برای مدیریت زنجیره ای. این انواع مسائل پیچیده معمولا شامل آشوبناکی ، اتفاقی و مسائل دینامیکی پیچیده غیر خطی می شوند. غیر ممکن است که این طیف از مسائل را بتوان با روش قدیمی الگوریتم ژنتیکی حل نمود. الگوریتمهای ژنتیکی، تحلیل مجموعه ها را بصورت موازی انجام می دهند و تشابه این حلها را توسط ترکیب آنها برجسته می کنند. این موضوع باید تذکر داده شود که از آن جا که این گونه الگوریتمها تعداد زیادی از حلها را در مجموعه های بهینه پارتو پیدا می کنند، برای حل مسائل چند هدفه بسیار خوب می باشند . به هر حال، در الگوریتم ژنتیکی ساده،  پارامترهای ثابت، مستقیما اجرای الگوریتم را تحت تاثیر قرار می دهند. معمولا پارامترهای بدون آهنگ منجر به مسائل متعددی نظیر همگرایی زودرس می شوند. بنابراین تعدادی از تکنیک های سازگار یافته برای این گونه از پارامترها پیشنهاد شده است. همانند  جهش احتمالاتی ، تقاطع احتمالاتی ، اندازه جمعیت [1] و ]2[ و عملکرد تقاطع ]3[.

شامل 26 صفحه فایل word قابل ویرایش

الگوریتم های مسیر یابی

اختصاصی از نیک فایل الگوریتم های مسیر یابی دانلود با لینک مستقیم و پر سرعت .

الگوریتم های مسیر یابی مقدمه الگوریتمهای مسیریابی در هریک از سه قرم گذشته فناوری خاصی رونق داشته باشد قرن هجدهم زمان توسعه سیستم های مکانیکی بزرگ به همراه انقلاب صنعتی بود. قرن نوزدهم عصر موتور بخار بود. قرن بیستم زمان جمع آو ری ،پردازش ، و توزیع اطلاعات بودو در بین سایر پیشرفت ها ،شاهد نصب شبکه های جهانی تلفن، اختراع رادیو و تلویزیون ، تولید و رشد بی سایقه صنعت کامپیوتر و پرتاب ماهواره های ارتباطی بوده ایم. با پیشرفت فناوری این موارد د رحال همگرایی است و تفاوت هایی بین جمع آوری ، انتثال ذخیره و پردازش اطلاعات به شدت در حال محو شدن است سازمان هایی با صدها شعبه در نقاط مختلف جغرافیایی ،ب فشردن کلید وضعیت فعلی را حتی در دورترین نقاط بررسی می کنند. با افزایش فدرت جمع آوری، پردازش و توزیع اطلاعات، تقاضای پردازش اطلاعات پیچیده تر نیز افزایش می یابد . 142صفحه

مقاله الگوریتم ژنتیک در زبان برنامه نویسی c++

اختصاصی از نیک فایل مقاله الگوریتم ژنتیک در زبان برنامه نویسی c++ دانلود با لینک مستقیم و پر سرعت .

مقدمه

این مستند محتویات کتابخانه الگوریتم  ژنتیک را رمز بندی می کند و بعضی از فلسفه های طراحی را که در پشت پیاده سازی هستند، نمایش می دهد. بعضی از مثال های کد منبع در آخر صفحه مشخص شده تا ساختار اصلی برنامه، توانایی های عملگرها، تطابق عملگرها با نیاز کاربر و مشتقاتی از کلاس های جدید مجموعه ژن را نمایش بدهند. وقتی که شما از یک کتابخانه استفاده می کنید به صورت ابتدایی با دو نوع کلاس کار می کنید الگوریتم مجموعه ژن و الگوریتم ژنتیک. هر نمونه ای از مجموعه ژن یک راه حل برای مسئله شما نشان می دهد. شی الگوریتم ژنتیک توضیح می دهد که چگونه سیر تکامل باید طی شود. الگوریتم ژنتیک از یک تابع عضو شی ای که توسط شما تعریف شده است استفاده می کند تا معین کند چگونه هر مجموعه ژن برای زنده ماندن مناسب است؟

الگوریتم ژنتیک از عملگر های مجموعه ژن ( که در داخل مجموعه هستند) و استراتژی های انتخاب/ جایگزینی ( که در داخل الگوریتم ساخته می شود ) برای تولید یک مجموعه ژن جدید مجزا ، استفاده می کند.

سه چیز برای حل مسئله با استفاده از الگوریتم ژنتیک وجود دارد :

1. تعریف خروجی های که نشان داده میشوند
2. تعریف عملگر های ژنتیکی
3. تعریف تابع عضو شی را

GALIB (کتابخانه الگوریتمهای ژنتیک ) به شما در دومورد اول به وسیله مهیا کردن مثال های زیاد وتکه برنامه هایی که شما می توانید ، خروجی ها و عملگر های خود را بسازید کمک می کند . در خیلی از موارد شما می توانید از ساختار خروجی ها و عملگر ها با کمی یا هیچ اصلاحی استفاده کنید . تابع عضو شی کاملا به شما مربوط می شود .

در صورتی که شما خروجی ها ، عملگرها و موارد شی را داشته باشید ، می توانید هر کدام از الگوریتم های ژنتیک را برای پیدا کردن راه حل بهتر و مناسبتر برای مسئله تان به کار بگیرید. موقعی که شما از الگوریتم ژنتیک برای حل یک مشکل بهینه استفاده می کنید، باید قادر باشید که یک راه حل برای مسئله در یک ساختمان داده ارائه بدهید . الگوریتم ژنتیک یک جمعیت از راه حل هایی که بر طبق نمونة ساختمان دادهایی که به وجود آورده اید، ایجاد می کند . بعد الگوریتم ژنتیک بر روی این جمعیت عمل می کند تا بهترین راه حل را ازآن استخراج کند.در GALIB کتابخانه الگوریتم ژنتیک به نمونة ساختمان داده GAGENOME  گفته می شود (بعضی ها به آن کروموزوم نیز می گویند ). این کتابخانه شامل چهار نوع از این مجموعه هاست GALISTGENOME ( لیست پیوندی مجموعه ژن)GATREEGAGENOME (درخت مجموعه  ژن) GAARRYGENOME( آرایه مجموعه ژن) GABINARYSTRINGGENOME(رشته دودویی مجموعه ژن).  این کلاس ها از کروموزوم یا کلاس GAGENOME اصلی و یک کلاس ساختمان داده ای که بوسیله نامشان مشخص شده اند، مشتق شده اند.

برای مثال لیست پیوندی مجموعه ژن از کلاس GALIST و همچنین کلاس مجموعه ژن GAGENOME مشتق شده است.  از ساختمان داد ه ای که با تعریفات مسئله شما همخوانی دارد، استفاده کنید. برای مثال ، اگر شما سعی می کنید که یک تابعی را بهینه سازی کنید که به پنج عدد حقیقی وابسته است ، پس به عنوان مجموعه ژن خود از یک آرایه یک بعدی با پنج عنصر اعشاری استفاده کنید.

الگوریتم های ژنتیک مختلف زیادی وجود دارند. GALIB (کتابخانه الگوریتم ژنتیک) شامل سه نوع اصلی می باشد:

1. حالت ساده
2. حالت ساکن یا ثابت یا یکنواخت
3. حالت افزایش

این الگوریتم ها در طریق های که مجموعه های جدید مجاز را ایجاد می کند ومجموعه های قدیمی را درزمان سیرتکامل جایگزین می کنند ، با یکدیگر تفاوت دارند.

GALIB دو مکانیسم اولیه برای گسترش قابلیت های ساخت شی را مهیا می کند اول از همه (و مهمتر از همه از نظر برنامه نویسی C++ ) شما می توانید کلاس های خودتان را درست کنید و تابع های عضو جدیدی را تعریف کنید . اگر شما احتیاج دارید که فقط تنظیمات کمی را بر روی رفتار کلاس GALIB اعمال کنید ، در بیشتر موارد می توانید یک تابع تعریف کنید و به کلاس GALIB بگویید که از آن به عنوان پیش فرض استفاده کند .

الگوریتم های ژنتیک اگر به درستی پیاده سازی شوند، قابلیت هر دو مورد پویش( پیدا کردن وسیع)و کاوش (پیداکردن محلی )در فضای SEARCH  را، دارند. نوع رفتار یا عملکردی را که شما می بینید، بستگی به این دارد که چگونه عملگرها کار می کنند و همچنین بستگی به شکل یا فرم فضای SEARCH شما دارد.

چکیده

علم ژنتیک، علمی است که به تازگی وارد علوم کامپیوتر شده و با استفاده از اجزا مورد نیاز ژنتیک و شبیه سازی آن در کامپیوتر، انسان را قادر می سازد تا بعضی از مسائل مختلف و پیچیده ای که در اوایل حل نشدنی بودند، را حل کند.

این مستند، یک کتابخانه از اشیا الگوریتم ژنتیک به زبان c++ می باشد. این کتابخانه شامل ابزاریست که برای بهبود هر برنامه ای به زبان c++ و هر خروجی و هر عملگر ژنتیکی، استفاده می شوند. در اینجا، با پیاده سازی الگوریتم ژنتیک، رابط برنامه نویسی آن و اشکالی برای راهنمایی، آشنا خواهید شد.             

فهرست مطالب

عنوان

صفحه

چکیده

1

مقدمه

2

الگوریتم ژنتیک

5

تعریف خروجی(نمایش)

8

عملگرهای مجموعه ژن

10

شئ جمعیت

13

توابع شئ و مقیاس گذاری مناسب

14

نمایش الگوریتم ژنتیک درc++

15

توانایی عملگرها

17

چگونگی تعریف عملگرها

18

چگونگی تعریف کلاس مجموعه ژن

22

سلسله مراتب کلاس ها

23

1. سلسله مراتب کلاس GALib – گرافیکی

23

1. سلسله مراتب کلاس GALib – مراتب

24

رابط برنامه نویسی

25

نام پارامترها و گزینه های خط فرمان

26

رفع خطا 

28

توابع اعداد تصادفی

29

GAGeneticAlgorithm

31

GADemeGA

42

GAIncrementalGA

44

GASimpleGA

47

GASteadyStateGA

50

Terminators

52

Replacement Schemes

54

GAGenome

55

GA1DArrayGenome<T>

62

GA1DArrayAlleleGenome<T>

65

GA2DArrayGenome<T>

67

GA2DArrayAlleleGenome<T>

70

GA3DArrayGenome<T>

72

GA3DArrayAlleleGenome<T>

76

GA1DBinaryStringGenome

78

GA2DBinaryStringGenome

81

GA3DBinaryStringGenome

85

GABin2DecGenome

88

GAListGenome<T>

91

GARealGenome

92

GAStringGenome

94

GATreeGenome<T>

96

GAEvalData

97

GABin2DecPhenotype

98

GAAlleleSet<T>

100

GAAlleleSetArray<T>

103

GAParameter and GAParameterList

104

GAStatistics

108

GAPopulation

113

GAScalingScheme

123

GASelectionScheme

127

GAArray<T>

130

GABinaryString

132

نتیجه گیری

135

مراجع

136

تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم فراکاوشی

اختصاصی از نیک فایل تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم فراکاوشی دانلود با لینک مستقیم و پر سرعت .

• مقاله با عنوان: تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم فراکاوشی  

• نویسندگان: محمود محمد رضاپور طبری ، سید علی محمودی  

• محل انتشار: نهمین کنگره ملی مهندسی عمران - دانشگاه فردوسی مشهد - 21 تا 22 اردیبهشت 95  

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

روندیابی جریان های سیلابی در رودخانه ها یکی از موضوعات مهم در طراحی سازه های هیدرولیکی است. جهت روندیابی جریان و تعیین هیدروگراف جریان در پایین دست معمولاً از روش ماسکینگام استفاده می شود. از آنجا که این روش بر مبنای رابطه دبی - ذخیره متغیر به صورت هیدرولوژیکی و بر مبنای رابطه پیوستگی عمل می نماید، جهت تخمین پارامترهای مدل غیرخطی نیازمند سعی و خطا و صرف زمان زیاد می باشد. بر این اساس در این مطالعه با استفاده از الگوریتم فراکاوشی مبتنی بر جستجوی غیرمستقیم تهیه شده در محیط MATLAB، اقدام به تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگهام گردید. جهت دستیابی به حداقل میزان انحراف بین هیدروگراف مشاهده ایی و روندیابی شده، پنج تابع هدف SAD, DPO, NQ, MARE, SSQ تعریف گردید. نتایج حاصل از اجرای ساختار بهینه سازی تدوین شده نشان می دهد که بر مبنای تابع هدف SAD، بهترین میزان تطابق بین هیدروگراف روندیابی شده و مشاهداتی حاصل می شود. در واقع با استفاده از رویکرد پیشنهادی می توان در کوتاه ترین زمان و با دقت بالا به بهترین مقادیر مرتبط با مدل غیرخطی ماسکینگهام دست یافت. این روش می تواند به عنوان مبنایی برای تخمین پارامترهای سایر مدل های خطی و غیرخطی ماسکینگهام بکار گرفته شود.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **