عنوان پایان نامه : کاربرد الگوریتم زنبورعسل در بهینه سازی مسائل ریاضی
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : انسان هميشه براي الهام گرفتن به جهان زندهی پيرامون خود نگريسته است. يکي ازبهترين طرحهاي شناخته شده، طرح پرواز انسان است که ابتدا لئورناردو داوينچي (1519-1452) طرحي از يک ماشين پرنده را براساس ساختمان بدن خفاش رسم نمود. چهارصد سال بعد کلمان آدر ماشين پرندهاي ساخت که داراي موتور بود و به جای بال از ملخ استفاده ميکرد. در دهههای اخیر، روشهای تکاملی و فراکاوشی به عنوان یک ابزار جستجو و بهینهسازی در حوزههای مختلفی مانند علوم تجاری و مهندسی مورد استفاده قرار گرفته است. وسعت دامنهی کاربرد، سهولت استفاده و قابلیت دستیابی به جواب نزدیک و بهینهی مطلق از جمله دلایل موفقیت این روشها میباشد. هوش دسته جمعی، زیر شاخهای از هوش مصنوعی است که بر پایهی رفتار جمعی سیستمهای غیر متمرکز و خود سازمانده بنا شده است. نمونهای از هوش جمعی، کلونی زنبور عسل است. یکی از کاربردهای این الگوریتم، مسائل بهینهسازی چندتایی است برای همین برخی به آن الگوریتم بهینهسازی زنبورعسل میگویند. دراین مقاله، الگوریتم کلونی زنبورعسل مورد استفاده قرار میگیرد و نتایج تولید شده توسط الگوریتم مقایسه میشوند. موضوع کلونی زنبور عسل خود به دو بخش جستجوی غذا و فرآیند جفتگیری زنبورها تقسیم میشود.
فهرست :
مقدمه
فصل اول الگوریتمهای تکاملی
هوش مصنوعی
الگوریتم چیست؟
الگوریتمهای تکاملی
کاربردها
الگوریتم کلونی مورچه
بهینه سازی مسائل به روش کلونی مورچه
مورچهها چگونه ميتوانند کوتاهترين مسير را پيدا کنند؟
الگوریتم
الگوریتم کلی حرکت
شبه کد و فلوچارت الگوریتم
مزیتها
کاربردها
الگوریتم رقابت استعماری
دهی امپراطوریهای اولیه
سیاست جذب
انقلاب
جابجایی موقعیت مستعمره و امپریالیست
رقابت استعماری
سقوط امپراطوریهای ضعیف
شبه کد
مزیتها
کاربردها
الگوریتم ژنتیک
مکانیزم الگوریتم ژنتیک
عملگرهای الگوریتم ژنتیک
کدگذاری
ارزیابی
ترکیب
جهش
رمزگشایی
شبه کد
کاربردها
الگوریتم ازدحام ذرات
کاربردها
کدام الگوریتم بهتر است؟
فصل دوم الگوریتم زنبور عسل
تعریف
کلونی زنبورها
جستجوی غذا در طبیعت
الگوریتم کلونی زنبورهای مصنوعی
بهینهسازی کلونی زنبورها
معرفی کلونی زنبورهای مصنوعی
شبه کد
الگوریتم بهینهیابی جفتگیری زنبورهای عسل
مدلسازی جفتگیری زنبورهای عسل
فصل سوم کاربردهای الگوریتم زنبورعسل
The Ride Matching problems
Numerical expriment
دنیای مجازی در تسخیر زنبور دیجیتال
بهینهسازی سد
ایدهی روباتی
سایر کاربردها
فصل چهارم کاربرد الگوریتم زنبورعسل در بهینهسازی مسائل ریاضی
بهینهسازی
شاخههای اصلی
انواع مسائل بهینهسازی
یک مسالهی بهینهسازی
قضایا
وجود نقطهی بهینه
کاربرد الگوریتم در مثالهای ریاضی
تابع سینوسی نامقید
تابع توانی مقید
ارزیابی الگوریتم
تابع Griewank
تابع Rastrigin
تابع Rosenbrock
تابع Ackley
تابع Schwefel
نتیجهگیری و پیشنهادات
پیوست کد برنامهی مربوط به الگوریتم زنبور عسل به زبانC
فهرست منابع
فهرست شكلها و جدولها:
شمای گرافیکی مغز انسان
نمونهای از تکامل در طول تاریخ
سختی در حمل غذا و لزوم یافتن کوتاهترین مسیر
فرومون و چگونگی یافتن کوتاهترین مسیر
عدم تاثیر موانع در یافتن کوتاهترین مسیر
فلوچارت الگوریتم مورچه
استعمار
شکلدهی امپراطوری اولیه
نحوهی تقسیم مستعمرات میان کشورهای استعمارگر
تغییرات ناگهانی و وقوع انقلاب
تعویض موقعیت مستعمره و استعمارگر
رقابت استعمارگران
سقوط یک امپراطوری
نمای گرافیکی ژن
ترکیب در الگوریتم ژنتیک
الگوریتم اجتماع ذرات
swarm زنبورها
کدام الگوریتم؟
هدیهای از جانب خدا
تلاش برای یافتن قطعات گلدار
رقص چرخشی
نمودار احتمال انتخاب زنبورهاي نر بر حسب تغييرات سرعت
نمودار احتمال انتخاب زنبورهاي نر برحسب تغییرات مقدار تابع هدف
الگوریتم HBMO
جریان ماهیانهی ورودی به مخزن و نیاز متوسط
میزان متوسط افت خالص ماهیانه
تغییرات تابع هدف در بهترین پرواز جفتگیری
تغییرات حجم مخزن در هر پریود
تغییرات میزان رهاسازی از مخزن در هر پریود
رويهي تابع سينوسي نامقيد
تغييرات مقدار تابع هدف در طول پروازهاي جفتگيري
تعداد تجمعی موفقیت توابع در طول پروازهای جفتگیری
تغييرات حداكثر مقدار تابع هدف در اجرا و در دفعات ارزيابي تابع هدف
تغييرات متوسط مقدار تابع در اجرا و در طول دفعات ارزيابي تابع هدف
رويهي تابع تواني مقيد
تغييرات مقدار تابع هدف در طول پروازهاي جفتگيري
تعداد تجمعي موفقيت توابع در طول انجام پروازهاي جفتگيري
تغييرات متوسط مقادير تابع هدف در اجرا و در طول تعداد دفعات ارزيابي
تغييرات حداقل مقادیر تابع هدف در اجرا و در طول تعداد دفعات ارزيابی
جدول ـ مقادیر تابع هدف در بار اجرا و پرواز جفتگيري
جدول ـ پارامترهاي آماري تابع هدف در بار اجرا و پرواز جفتگيري
جدول ـ مقادير تابع هدف و دومتغير تصميم در اجرا و درپايان پروازجفتگيري
جدول پارامترهاي آماري تابع هدف و دومتغير تصميم در اجرا پرواز جفتگيري
جدول پارامترهاي آماري مقادير تابع هدف در اجرا توسط الگوريتم ژنتيك با احتمالات مختلف
جدول مقاديرتابع هدف و دو متغير تصميم در اجرا و پرواز جفتگيري
جدول پارامترهاي آماري تابع هدف و دو متغير تصميم در اجرا ودر پرواز جفتگيري
جدول پارامترهاي آماري مقادير تابع هدف در بار اجرا توسط الگوريتم ژنتيك با احتمالات مختلف
عنوان مقاله : رنگ آمیزی گراف با الگوریتم ژنتیک
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : مساله بهینه سازی رنگ آمیزی گراف تعیین حداقل تعداد رنگهای مورد نظر برای رنگ آمیزی گرافی معین است به گونه ای که هیچ دو راس مجاور هم رنگ نباشند و این عدد مورد نظر را عدد کروماتیک گراف می گوئیم . مساله تصمیم گیری رنگ آمیزی گراف ان است که برای یک عدد صحیح m تعیین کنیم که آیا رنگ آمیزی وجود دارد که حداکثر از این m رنگ استفاده کرده و هیچ دو راس مجاوری هم رنگ نباشند. تا امروز برای حالتهای تصمیم گیری و بهینه سازی فوق الگوریتمی از مرتبه چند جمله ای پیدا نشده است . در اینجا سعی شده با استفاده از الگوریتم ژنتیک راه حل های بهینه ای را برای این مسئله ارائه دهیم.
فهرست :
الگوریتم ژنتیک و الگوریتم هیورستیک
مقدمه ای بر بهینه سازی
الگوریتم های مینیمم یابنده
هیورستیک
انواع الگوریتم های هیورستیک
الگوریتم ژنتیک
فضای جستجو
مفاهیم پایه ای در الگوریتم ژنتیک
کد گذاری دودویی
کدگذاری جهشی
کدگذاری ارزشی
کدگذاری درختی
جمعیت ژنتیکی
تاریع برازندگی
عملگر ترکیب یا جابجایی
ترکیب چند نقطه ای
ترکیب یکنواخت
ترکیب نگاشت جزئی
ترکیب مرتب شده
ترکیب چرخشی
عملگر جهش
روش وارون سازی
روش ژن جزئی
روش درجی
روش درهم آمیخته
روش چرخ رولت
روش رتبه بندی
عملگر ترمیم
نخبه کشی
مراحل اجرای الگوریتم ژنتیک
همگرایی در الگوریتم ژنتیک
روش برش کروموزوم
نحوه جهش ژنتیک
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
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 هيوریستیک
فصل دوم
مقدمه
الگوریتم ژنتیک
مكانيزم الگوريتم ژنتيك
عملگرهاي الگوريتم ژنتيك
کدگذاری
ارزیابی
ترکیب
جهش
رمزگشايي
چارت الگوريتم به همراه شبه كد آن
شبه كد و توضيح 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 متغيرها
تعداد بيتهاي متناظر با هر متغير
جمعيت
ايجاد جمعيت اوليه
اندازه جمعيت
محاسبه برازندگي (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
جابهجایي حقيقي
ترکیب تکنقطهای
ترکیب دو نقطهای
ترکیب n نقطهای
ترکیب یکنواخت
ترکیب حسابی
ترتیب
چرخه
محدّب
بخش_نگاشته
احتمال تركيب
تحليل مكانيزم جابجایي
جهش
جهش باينري
جهش حقيقي
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 معماي 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 جمعيت آغازين يا نسل اول
ساختن تابع از ارزش
تركيب نمونهها و ساختن جواب جديد
ارزشيابي 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
عنوان مقاله : الگوریتم های ژنتیک موازی
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : تکنيکهاي محاسبات نرم، به هدف حل مسائل پيچيده با استفاده از روشهاي غيردقيق براي ارائهي پاسخهاي مفيد اما غيردقيق ارائه شدهاند. برخلاف طرحهاي محاسبات سخت که پاسخ دقيق و کامل را جستوجو ميکنند، تکنيکهاي محاسبهي نرم با راهدادن به روشهاي نادقيق، از پاسخهايي نيمهدرست و غيرقطعي براي مسائل خاص سود ميجويد. الگوريتمهاي ژنتيک که يکي از تکنيکهاي محاسبهي نرم هستند، در اين سالها به ابزارهاي محبوبي براي مسائل بهينهسازي تبديل شدهاند. با اين حال زمان زيادي که اين الگوريتمها براي يافتن پاسخ نزديکبهبهينه صرف ميکنند، همواره استفاده از آنها را براي حل مسائل بهينهسازي دشوار ميسازد. بر خلاف روشهاي دقيق، که در آنها کارائي زماني الگوريتم اصليترين معيار اندازهگيري ميزان موفقيت آن است، در الگوريتم ژنتيک و ساير محاسبات نرم دو موضوع اصلي، در ارزيابي مورد توجه قرار ميگيرند: اينکه پاسخ چهقدر سريع پيدا ميشود؟ واينکه از بهينهي اصلي چهقدر فاصله دارد؟ موازيسازي الگوريتمهاي ژنتيک، يکي از اساسيترين و بهترين راههايي است که ميتواند زمان بسيار زياد مورد نياز براي انجام گرفتن محاسبات ژنتيکي و رسيدن به نتيجهي مطلوب براي حل مسئله توسط آنها را به حد قابل قبولي برساند و امکان استفاده از اين الگوريتمها را، در زمان قابل قبول، فراهم کند. الگوريتمهاي ژنتيک موازي چه به لحاظ دستيابي به برازندگي بهتر براي کروموزومها (نتيجهي مطلوبتر) و چه به لحاظ دسترسي به تسريع بالاتر و مقياسپذيريِ بيشتر، بهتر از الگوريتمهاي ژنتيک ترتيبي و تکجمعيتي عمل ميکنند.
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
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 اين مقاله ابتدا الگوريتمهای ژنتيک را معرفی کرده و مراحل انجام چنين الگوريتمهايی توضيح داده می شود. بعد از اينکه يک ديد کلی نسبت به الگوريتمهای ژنتيک پيدا کرديم به مساله TSP میپردازیم. ابتدا چند روشی که برای حل مسئله TSP ارائه شده است را بيان می کنيم و بعد سعی می کنيم الگوريتمهای ژنتيک مختلفی را برای اين مساله مطرح کنيم و پس بررسی می کنيم که کدام يک از اين الگوريتمهای ژنتيک بهتر از بقيه روشها جواب می دهند. در پايان نيز مقايسه ای بين الگوريتمهای ژنتيک و ديگر الگوريتمها انجام می دهيم.
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