فی ژوو

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

فی ژوو

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

پایان نامه الگوریتم ژنتیک

اختصاصی از فی ژوو پایان نامه الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

پایان نامه الگوریتم ژنتیک


پایان نامه الگوریتم ژنتیک

  نوع فایل : Word

  تعداد صفحات : 154 صفحه

 

پایان نامه جهت دریافت کارشناسی ارشد رشته کامپیوتر و IT

 

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 فرگشتی 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

 

 

فهرست مطالب :

  فصل اول     

 مقدمه

 به دنبال تکامل...      

 ایدۀ اصلی استفاده از الگوریتم ژنتیک 

 درباره علم ژنتیک       

 تاریخچۀ علم ژنتیک    

 تکامل طبیعی (قانون انتخاب طبیعی داروین)   

 رابطه تکامل طبیعی با روش‌های هوش مصنوعی      

 الگوریتم        

 الگوریتم‌های جستجوی ناآگاهانه       

الف- جستجوی لیست

ب- جستجوی درختی  

پ- جستجوی گراف    

 الگوریتم‌های جستجوی آگاهانه         

الف جستجوی خصمانه

 مسائل NPHard       

 هیوریستیک   

 انواع الگوریتم‌های هیوریستیک

  فصل دوم    

 مقدمه

 الگوریتم ژنتیک

 مکانیزم الگوریتم ژنتیک

 عملگرهای الگوریتم ژنتیک      

 کدگذاری       

 ارزیابی

 ترکیب

 جهش

 رمزگشایی    

 چارت الگوریتم به همراه شبه کد آن   

 شبه کد و توضیح آن  

 چارت الگوریتم ژنتیک  

 تابع هدف      

 روش‌های کد کردن     

 کدینگ باینری 

 کدینگ جایگشتی      

 کد گذاری مقدار        

 کدینگ درخت 

 نمایش رشته‌ها        

 انواع روش‌های تشکیل رشته 

 باز گرداندن رشته‌ها به مجموعه متغیرها       

 تعداد بیت‌های متناظر با هر متغیر      

 جمعیت        

 ایجادجمعیت اولیه     

 اندازه جمعیت 

 محاسبه برازندگی (تابع ارزش)

 انواع روش‌های انتخاب

 انتخاب چرخ رولت      

 انتخاب حالت پایدار     

 انتخاب نخبه گرایی    

 انتخاب رقابتی 

 انتخاب قطع سر        

 انتخاب قطعی بریندل  

 انتخاب جایگزینی نسلی اصلاح شده  

 انتخاب مسابقه        

 انتخاب مسابقه تصادفی       

 انواع روش‌های ترکیب 

 جابه‌جایی دودوئی     

 جابه‌جایی حقیقی     

 ترکیب تک‌نقطه‌ای     

 ترکیب دو نقطه‌ای     

 ترکیب n نقطه‌ای      

 ترکیب یکنواخت        

 ترکیب حسابی         

 ترتیب 

 چرخه 

 محدّب

 بخش_نگاشته

 احتمال ترکیب 

 تحلیل مکانیزم جابجایی        

 جهش

 جهش باینری  

 جهش حقیقی

 وارونه سازی بیت      

 تغییر ترتیب قرارگیری  

 وارون سازی   

 تغییر مقدار    

 محک اختتام اجرای الگوریتم ژنتیک    

 انواع الگوریتم‌های ژنتیکی      

 الگوریتم ژنتیکی سری

 الگوریتم ژنتیکی موازی

 مقایسه الگوریتم ژنتیک با سیستم‌های طبیعی         

 نقاط قوّت الگوریتم‌های ژنتیک  

 محدودیت‌های GAها  

 استراتژی برخورد با محدودیت‌ها        

 استراتژی اصلاح عملگرهای ژنتیک     

 استراتژی رَدّی

 استراتژی اصلاحی    

 استراتژی جریمه‌ای   

 بهبود الگوریتم ژنتیک  

 چند نمونه از کاربردهای الگوریتم‌های ژنتیک    

  فصل سوم   

 مقدمه

 حلّ معمای هشت وزیر         

 جمعیت آغازین

 تابع برازندگی 

 آمیزش

 جهش ژنتیکی

 الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد

 حل مسأله TSP به وسیله الگوریتم ژنتیک     

 مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP  

 نتیجه گیری   

 حلّ مسأله معمای سودوکو   

 حل مسأله    

 تعیین کروموزم

 ساختن جمعیت آغازین یا نسل اول    

 ساختن تابع از ارزش  

 ترکیب نمونه‌ها و ساختن جواب جدید  

 ارزشیابی مجموعه جواب      

 ساختن نسل بعد      

 مرتب سازی به کمک GA      

 صورت مسأله 

 جمعیت آغازین

 تابع برازندگی 

 انتخاب

 ترکیب

 جهش

 فهرست منابع و مراجع  


دانلود با لینک مستقیم


پایان نامه الگوریتم ژنتیک

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

اختصاصی از فی ژوو 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


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