کاربردهای الگوریتم ژنتیک

کاربردهای الگوریتم ژنتیک

عنوان پایان نامه : مباحث کاربردی و مهم در تحقق یک سیستم هوش مصنوعی

قالب بندی : PDF

قیمت : رایگان

شرح مختصر : از سن هوشمندسازی چندسالی نگذشته و در همین مدت اندک تمام زندگی مردم را فرا گرفته و کاربرد فراوانی در علوم مختلف دارد. علومی پزشکی یکی از آنهاست که بطور مثال در ژنتیک که میتوان تغیراتی در ژنها انجام داد شبکه های عصبی یکی دیگر از مباحث علم هوشمندی است که در این بخش میتوان از شبکه های عصبی مصنوعی نام برد. در مبحث سیستم های خبره حرف اول را میزند و شرکتهای مختلفی از آنها استفاده میکنند که نمونه ای از این استفاده ها CPU ، خازنها و از ایگونه وسایل الکترونیکی که در آینده به بازار ارایه میشود و یا یک سیستم هوشمند که با پردازش داده ها خروجی مناسبی به ما ارایه میدهد. برای دریافت اطلاعات بیشتر و دقیقتر شما را به مطالعه مطالب زیر دعوت میکنم، سعی شده نگارش متن ساده و روان باشد تا از خسته شدن هنگام مطالعه جلوگیری شود.

فهرست :

چکیده

هوش مصنوعی

تاریخ هوش مصنوعی

آزمون تورینگ

سیستم خبره چیست

حوزه های کاربرد

کاربرد سیستم های خبره

ساختار یک سیستم خبره

مدل سیستم خبره

پایگاه دانش

واحد پایگاه دانش

واحد اکتساب دانش

پایگاه داده قواعد

پایگا داده دستورالعمل چکها

پایگاه داده نقشه های شماتیک

پایگاه داده جانمایی قطعات

پایگاه داده شکل موج ها

پایگاه داده عیوب خطاها

موتور استنتاج

فرایند عیب یابی

حافظه کاری

امکانات توضیح

رابط کاربر

مشخصات مساله

ابعاد مختلف راه حل مساله

ابعاد مختلف یک سیستم مطلوب

انتخاب ابزار سیستم خبره پیشنهادی

تفاوت سیستم های خبره با سایر سیستم اطلاعاتی

مزایای یک سیستم خبره چیست؟

چند سیستم خبره مشهور

شبکه عصبی

تاریخچه شبکه عصبی

دلایل استفاده از شبکه عصبی

نورون مصنوعی

ساختار شبکه عصبی

تقسیم بندی شبکه عصبی

الگوریتم ژنتیک

عملکردهای الگوریتم ژنتیک

محک اختتام اجزای الگوریتم ژنتیک

نقات قوت الگوریتم ژنتیک

کاربردهای الگوریتم ژنتیک

تعریف سیستم های فازی و انواع آن

چرا سیستم های فازی

استفاده از منطق فازی

مجموعه های قاطع و توابع مشخصه

تاریخچه مجموعه های فازی

زندگینامه پروفسور لطفی

انواع سیستم های فازی

منطق فازی در matlab

کاربردهای الگوریتم ژنتیک

 

عنوان پایان نامه :  شبکه های عصبی مصنوعی

 قالب بندی :  PDF

قیمت :   رایگان

شرح مختصر : در اين نوشتار به معرفي شبكه هاي عصبي زيستي و شبكه هاي عصبي مصنوعي و ساختارهاي آنها مي پردازيم.در ابتدا نرونهاي شبكه هاي عصبي زيستي معرفي شده و طرز كار آنها نشان داده شده است.سپس مدل مصنوعي اين نرونها و ساختار آنها،مدل رياضي آنها،شبكه هاي عصبي مصنوعي و نحوه آموزش و بكارگيري اين شبكه ها نشان داده شده است.تمركز بيشتر بر نوعي از اين شبكه ها به نام شبكه هاي عصبي مصنوعي چند لايه مي باشد.سپس الگوریتم ژنتیک که جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی قرار گرفته است.

شبكه هاي عصبي مصنوعي از مباحث جديدي است كه دانشمندان علوم كامپيوتر به آن علاقمند شده اند و براي پيشرفت هرچه بيشتر علوم كامپيوتر وقت و هزينه زيادي را صرف آن كرده و مي كنند.اين موضوع يا ايده گرفتن از سيستم عصبي بدن انسان و با هدف شبيه سازي هرچه بيشتر كامپيوتر به انسان شكل گرفت و تاحال به خوبي پيش رفته است.همچنين  در ساليان اخير شاهد حركتي مستمر از تحقيقات صرفا تئوري به تحقيقات كاربردي بخصوص در زمينه پردازش اطلاعات براي  مساولي كه براي آنها راه حلي موجود نيست و يا به راحتي قابل حل نيستند بوده ايم. باعنايت به اين امر علاقهاي فزاينده در توسعه تئوريكي سيستمهاي ديناميكي هوشمند مدل آزاد2كه مبتني بر داده هاي تجربي مي باشند-ايجاد شده است .ANNها جزء اين دسته از سيستمهاي مكانيكي قرار دارند كه با پردازش روي داده هاي تجربي،دانش يا قانون نهفته در وراي داده ها را به ساختار شبكه منتقل مي كنند.به همين خاطر به اين سيستم ها هوشمند گفته مي شود.زيرا براساس محاسبات روي داده هاي عددي يا مثالها قوانين كلي را ياد مي گيرند.اين سيستمها در مدل سازي ساختار نرو سيتاپتيكي3 مغز بشر مي كوشند.البته اين سخن اغراق آميز مي باشد.دانشمندان هرچه بيشتر درمورد مغز بشر تحقيق مي كنند و مي آموزند،بيشتر در مي يابند كه مغز بشر دست نيافتني است.در حقيقت در مورد مغز و ساختار سيستم عصبي انسان اطلاعات زيادي به دست آمده است ولي پياده سازي ساختاري با پيچيدگي مغز انسان براساس اطلاعاتي و تكنولوژي كه امروزه وجود دارد غير ممكن مي باشد.

فهرست :  

فصل اول مقدمه

شبكه عصبي زيستي

سابقه تاريخي

آیده پيدايش شبكه هاي عصبي مصنوعي

 شبكه هاي عصبي در مقابل كامپيوترهاي معمولي

 تفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول (سيستم هاي خبره)

مزایای استفاده از شبكه هاي عصبي مصنوعی

 معايب استفاده از شبكه های عصبي مصنوعی

 كاربردهاي شبكه هاي عصبي مصنوعي

توپولوژي شبكه هاي عصبي مصنوعي

انواع يادگيري شبكه هاي عصبي مصنوعي

نحوه عملكرد شبكه هاي عصبي مصنوعي

انواع شبکه عصبی مصنوعی

شبکه هاپفیلد

شبکه پروسپترون چند لایه

خروجی پروسپترون

نقش تابع در خروجی شبکه

توانایی پروسپترون

توابع بولی و پروسپترون

اضافه کردن بایاس

آموزش پروسپترون

الگوریتم یادگیری پروسپترون

شبکه کوهونن

فصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعی

الگوریتم ژنتیک

کاربردهای الگوریتم ژنتیک

به دنبال تکامل

ایده ی اصلی استفاده از الگوریتم ژنتیک

درباره علم ژنتیک

تاریخچه علم ژنتیک

تکامل طبیعی (قانون انتخاب طبیعی داروین)

رابطه تکامل طبیعی با روشهای هوش مصنوعی

الگوریتم جستجو

الگوریتمهای جستجوی ناآگاهانه

جستجوی لیست

جستجوی درختی

جستجوی گراف

الگوریتمهای جستجوی آگاهانه

جستجوی خصمانه

مسائل NPHARD

هیوریستیک

انواع الگوریتمهای هیوریستیک

فصل سوم

الگوریتم ژنتیک

مکانیزم الگوریتم ژنتیک

عملگرهای الگوریتم ژنتیک

چارت الگوریتم به همراه شبه کد آن

تابع هدف

روشهای کد کردن

کدینگ باینری

کدینگ جایگشتی

کدگذاری مقدار

کدینگ درخت

نمایش رشته ها

انواع روش های تشکیل رشته

بازگرداندن رشته ها 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 نسل اصلاح شده

انتخاب مسابقه

انتخاب مسابقه تصادفی

انواع روشهای ترکیب

جابه جایی دودویی

جابه جایی حقیقی

ترکیب تک نقطه ای

ترکیب دو نقطه ای

ترکیب n نقطه ای

 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 چهارم

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

نتيجه گيري

فهرست منابع