دانلود مقاله محاسبه مبتنی بر DNA

اختصاصی از نیک فایل دانلود مقاله محاسبه مبتنی بر DNA دانلود با لینک مستقیم و پر سرعت .

DNA چیست؟

در بدن تمام موجودات زنده، در سطح ملکول، هم ذخیره سازی اطلاعات و هم پردازش اطلاعات در مقیاس بسیار بالا انجام می شود. تمام این عملیات مربوط به DNA بدن موجودات زنده است. مولکولهای DNA حاوی کدهای اطلاعاتی- ژنتیکی موجودات زنده هستند که توسط پروتئینهای خاصی، خوانده و تفسیر می شوند. توان اجرایی این سیستم که در قسمتهایی به آن اشاره می کنیم فوق العاده بالاست. حال اجازه دهید به منشا این ایده بپردازیم.

ژنتیک و انفورماتیک...

جانشینی برای سیلیکون...

محاسبه از طریق DNA...

کامپیوترهای مبتنی بر DNA، حال و آینده...

نوع فایل : Word

تعداد صفحه : 11

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

بهینه‌ سازی زمان و هزینه به روش الگوریتم ژنتیک برای پروژه‌های عمرانی

اختصاصی از نیک فایل بهینه‌ سازی زمان و هزینه به روش الگوریتم ژنتیک برای پروژه‌های عمرانی دانلود با لینک مستقیم و پر سرعت .

بهینه‌ سازی زمان و هزینه به روش الگوریتم ژنتیک برای پروژه‌های عمرانی

بصورت ورد ودر96صفحه

امروزه لزوم برنامه ریزی مناسب به منظور برآورد صحیح از زمان و هزینه انجام پروژه و میزان منابع مورد نیاز در یک پروژه که تاثیر مستقیم بر اجرا، اداره و بهره برداری مناسب از پروژه هایی همانند احداث سد و ساختمان دارند، روشن است. در مجموع، مدیریت و برنامه ریزی فعالیت ها و منابع مورد نیاز در یک پروژه، نیازمندانجام تحلیل های مختلفی است که یکی از آنها مدلسازی و پیش‌بینی صحیح هزینه و زمان انجام پروژه است. رسیدن به این هدف، کمک قابل‌توجهی به مدیریت بهینه پروژه و تصمیم گیری در شرایط خاص می کند. مسئله برنامه ریزی و پس از آن کنترل زمان بندی پروژه ها، هر روز اهمیتی بیش از گذشته می یابد. در محیطی که رقابت شرکت ها هر روز به هم نزدیکتر می شود و تفاوت های کوچک در ارائه قیمت در مناقصه ها منجر به موفقیت یا شکست در مناقصه می شود، ارائه برنامه ای که منطبق بر واقعیات باشد و بتواند حاوی تمام واقعیات اقتصادی در مدل یک پروژه باشد حائز اهمیت زیادی است. یک برنامه جامع این قابلیت را دارد که با استفاده از رابطه هزینه و زمان در یک پروژه، تغییرات لازم را در هزینه و زمان منابع در نظر بگیرد و راه حل های مناسب را پیش روی کاربران قرار دهد تا بتوانند قبل از اجرای پروژه، برآورد مناسبی از زمان و هزینه اجرایی و میزان منابع مورد نیاز در پروژه داشته باشند. برای زمان بندی و کنترل پروژه، مراحل مختلفی از جمله تحلیل پروژه، برآورد مدت، هزینه و منابع اجرایی و در نهایت زمان بندی پروژه صورت می گیرد. گاهی اوقات مدیریت پروژه تصمیم می گیرد زمان پروژه را کاهش دهد که این امر تاثیر مستقیم بر هزینه تمام شده خواهد داشت. کاهش زمان با تدابیر خاص، از جمله به کارگیری منابع اجرایی محقق می شود که باعث افزایش هزینه های اجرایی پروژه می شود. به منظور بهینه سازی زمان – هزینه، روش های مختلفی در دو حوزه آنالیز موازنه زمان – هزینه به کار گرفته می شوند. به همین منظور روش های ریاضی و تحقیقی (کاوشی) متنوعی به کار می روند. از جمله مدل های کاوشی عبارتند از: روش فوندال، مدل سازه اپراگر، مدل سنجی مصلحی، و مدل زیمنس. روش های ریاضی نیز شامل روش برنامه ریزی خطی مدل برنامه ریزی عمده صحیح، مدل پویا و مدل ترکیبی برنامه ریزی خطی و عدد صحیح اشاره کرد. الگوریتم ژنتیک یک روش جستجو و بهینه سازی بر اساس اصول تکاملی طبیعی می باشد. این الگوریتم مقرر می‌سازد که یک جمعیت متشکل از تعدادی زیاد افراد که تحت قوانین ویژه‌ای انتخاب شده‌اند طی فرایندی تکاملی، تابع برازش را بهینه نمایند. الگوریتم ژنتیک نسبت به سایر روش های بهینه سازی دارای مزیت هایی از جمله بهینه سازی متغیرهای پیوسته یا گسسته با توابع هدف بسیار پیچیده تر، استفاده از قوانین انتقال احتمالی به جای قوانین قطعی و قابلیت کار با تعداد زیادی متغیر می باشد. برای اولین بار Feng‌ و Lui (1997) در حل مساله موازنه زمان – هزینه، Hegazy (1999) در حل مساله تخصیص و تسطیح منابع از روش الگوریتم ژنتیک استفاده نمودند. آنها در مدلسازی خود بهینه سازی تک هدفه را دنبال کردند و تنها با روش وزن دهی به پارامترهای زمان و هزینه، ترجیحات تصمیم گیرنده را در انتخاب گزینه در نظر گرفتند. در این پایان نامه با استفاده از الگوریتم ژنتیک و مدل چند هدفه، موازنه زمان هزینه و تخصیص منابع صورت گرفته، ضمن اینکه عدم قطعیت ها در مدت زمان و هزینه اجرای هر یک از فعالیت های پروژه لحاظ شده است.  

الگوریتم ژنتیک در متلب

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

بررسی چگونگی ایجاد الگوریتم ژنتیک و بسط آن در مباحث مهندسی و محاسبات عددی

الگوریتم ژنتیک

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