پروژه دات کام

عنوان مقاله :  پاورپوینت شیوه ارائه پیرامون الگوریتم استعماری

قالب بندی :  پاورپوینت

قیمت :   رایگان

شرح مختصر :  الگوریتم رقابت استعماری روشی در حوزه محاسبات تکاملی است که به یافتن پاسخ بهینه مسائل مختلف بهینه سازی می‌پردازد. این الگوریتم با مدلسازی ریاضی فرایند تکامل اجتماعی – سیاسی، الگوریتمی برای حل مسائل ریاضی بهینه سازی ارائه می‌دهد. از لحاظ کاربرد، این الگوریتم در دسته الگوریتم های بهینه سازی تکاملی همچون الگوریتم های ژنتیک ، بهینه سازی انبوه ذرات، بهینه سازی کلونی مورچگان ، تبرید فلزات شبیه سازی شده، و … قرار می گیرد. همانند همه الگوریتم های قرار گرفته در این دسته، الگوریتم رقابت استعماری نیز مجموعه اولیه ای از جوابهای احتمالی را تشکیل می دهد. این جوابهای اولیه در الگوریتم ژنتیک با عنوان “کروموزوم”، در الگوریتم ازدحام ذرات با عنوان “ذره” و در الگوریتم رقابت استعماری نیز با عنوان “کشور” شناخته می شوند. الگوریتم رقابت استعماری با روند خاصی که در ادامه می آید، این جوابهای اولیه (کشور ها) را به تدریج بهبود داده و در نهایت جواب مناسب مسئله بهینه سازی (کشور مطلوب) را در اختیار می گذارد. پایه‌های اصلی این الگوریتم را سیاست همسان سازی، رقابت استعماری و انقلاب تشکیل می‌دهند. این الگوریتم با تقلید از روند تکامل اجتماعی، اقتصادی و سیاسی کشورها و با مدلسازی ریاضی بخشهایی از این فرایند، عملگرهایی را در قالب منظم به صورت الگوریتم ارائه می‌دهد که می‌توانند به حل مسائل پیچیده بهینه سازی کمک کنند. در واقع این الگوریتم جوابهای مسئله بهینه سازی را در قالب کشورها نگریسته و سعی می‌کند در طی فرایندی تکرار شونده این جواب‌ها را رفته رفته بهبود داده و در نهایت به جواب بهینه مسئله برساند.

فهرست :  

ایده اصلی الگوریتم ژنتیک

الگوریتم رقابت استعماری

شکل دهی امپراطوری های اولیه

سیاست همگون سازی

انقلاب

تعویض مستعمره و استعمارگر

قدرت کل امپراطوری

رقابت استعماری

سقوط امپراطوری

شبه کد

 این پاورپوینت از طرف علیرضا گل محمدی تولایی برای سایت پروژه دات کام ارسال شده است

عنوان پایان نامه :  الگوریتم ژنتیک

قالب بندی :  Word

قیمت :   رایگان

شرح مختصر :  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 :

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

 ایجاد جمعیت 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

پیوست

واژه‌نامه

این پایان نامه از طرف مهدی خلیلی نیا برای سایت پروژه دات کام ارسال شده است

عنوان مقاله : الگوریتم های ژنتیک موازی

قالب بندی : PDF

قیمت :  رایگان

شرح مختصر : تکنیک‌های محاسبات نرم، به هدف حل مسائل پیچیده با استفاده از روش‌های غیردقیق برای ارائه‌ی پاسخ‌های مفید اما غیردقیق ارائه شده‌اند. برخلاف طرح‌های محاسبات سخت که پاسخ دقیق و کامل را جست‌وجو می‌کنند، تکنیک‌های محاسبه‌ی نرم با راه‌دادن به روش‌های نادقیق، از پاسخ‌هایی نیمه‌درست و غیرقطعی برای مسائل خاص سود می‌جوید. الگوریتم‌های ژنتیک که یکی از تکنیک‌های محاسبه‌ی نرم هستند، در این سال‌ها به ابزارهای محبوبی برای مسائل بهینه‌سازی تبدیل شده‌اند. با این حال زمان زیادی که این الگوریتم‌ها برای یافتن پاسخ نزدیک‌به‌بهینه صرف می‌کنند، همواره استفاده از آن‌ها را برای حل مسائل بهینه‌سازی دشوار می‌سازد. بر خلاف روش‌های دقیق، که در آن‌ها کارائی زمانی الگوریتم اصلی‌ترین معیار اندازه‌گیری میزان موفقیت آن است، در الگوریتم ژنتیک و سایر محاسبات نرم دو موضوع اصلی، در ارزیابی مورد توجه قرار می‌گیرند: اینکه پاسخ چه‌قدر سریع پیدا می‌شود؟ واینکه از بهینه‌ی اصلی چه‌قدر فاصله دارد؟ موازی‌سازی الگوریتم‌های ژنتیک، یکی از اساسی‌ترین و بهترین راه‌هایی است که می‌تواند زمان بسیار زیاد مورد نیاز برای انجام گرفتن محاسبات ژنتیکی و رسیدن به نتیجه‌ی مطلوب برای حل مسئله توسط آن‌ها را به حد قابل قبولی برساند و امکان استفاده از این الگوریتم‌ها‌ را، در زمان قابل قبول، فراهم کند. الگوریتم‌های ژنتیک موازی چه به لحاظ دست‌یابی به برازندگی بهتر برای کروموزوم‌ها (نتیجه‌ی مطلوب‌تر) و چه به لحاظ دسترسی به تسریع بالاتر و مقیاس‌پذیریِ بیشتر، بهتر از الگوریتم‌های ژنتیک ترتیبی و تک‌جمعیتی عمل می‌کنند.

فهرست :

مقدمه

پیدایش الگوریتم ژنتیک و روند اجرای آن

نحوه ی نمایش

گام ارزیابی و گام انتخاب

عملگرهای ژنتیک

سایز جمعیت

پارامترهای crossover 11

Exploration & Exploitation 13

چالشهایی که GA با آن رودررو است

فاکتورهای موثر در PGA 11

یادداشت های تاریخی روی PGA 11

نحوه ی کنترل در سیستمهای موازی

چگونه GA را موازی کنیم

طبقه بندی PGA 16

معیار ارزیابی کارآیی در الگوریتم ژنتیک موازی

نتیجه گیری

منابع و مراجع

این مقاله از طرف پیمان پورامینی برای سایت پروژه دات کام ارسال شده است



عنوان مقاله  : الگوریتمهای ژنتیک

قالب بندی : PDF

قیمت :  رایگان

شرح مختصر : 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 رگرسیون 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.مسئله‌ای 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، تکنیک جستجوی ژنتیکی، الگوریتمهای تکامل، تابع برازش، تنازع بقا، انواع الگوریتمهای ژنتیک، مقاله الگوریتم ژنتیک، عملگرهای الگوریتم ، کاربرد الگوریتم ژنتیک، کاربرد الگوریتم ژنتیک در علم شیمی، الگوریتمهای مینیمم یابنده، هیوریستیک ها، متغیرهای پیوسته، متغیرهای پیوسته، کدینگ درخت، روش محاطی، انتخاب بولتزمن، نخبه سالاری، جهش باینری، جهش حقیقی، وارون سازی، طرحواره، الگوریتم ژنتیک موازی، الگوریتم ژنتیک سری،



عنوان مقاله : الگوریتم ژنتیک و حل مسئله TSP

قالب بندی : PDF

قیمت : رایگان

شرح مختصر : در این مقاله ابتدا الگوریتمهای ژنتیک را معرفی کرده و مراحل انجام چنین الگوریتمهایی توضیح داده می شود. بعد از اینکه یک دید کلی نسبت به الگوریتمهای ژنتیک پیدا کردیم به مساله TSP میپردازیم. ابتدا چند روشی که برای حل مسئله TSP ارائه شده است را بیان می کنیم و بعد سعی می کنیم الگوریتمهای ژنتیک مختلفی را برای این مساله مطرح کنیم و  پس بررسی می کنیم که کدام یک از این الگوریتمهای ژنتیک بهتر از بقیه روشها جواب می دهند. در پایان نیز مقایسه ای بین  الگوریتمهای ژنتیک و دیگر الگوریتمها انجام می دهیم.

کلمات کلیدی : الگوریتم ژنتیک، حل مسئله TSP ، الگوریتم های ژنتیکی، کروموزوم، اصول الگوریتم ژنتیک، روشهای مختلف الگوریتم ژنتیک، Traveling Salesman Problem،  الگوریتم، انواع الگوریتم، الگوریتم بهینه، الگوریتم رقابت استعماری، الگوریتم و فلوچارت، الگوریتم مورچگان، الگوریتم دایجسترا، ژنتیک، مسئله مازینگ، الگوریتم برتر، اصول الگوریتم ژنتیک