تحقیق درمورد الگوریتم 20 ص

اختصاصی از یارا فایل تحقیق درمورد الگوریتم 20 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 20

الگوریتم

هر برنامه، می بایست دارای یک طرح و یا الگو  بوده تا برنامه نویس بر اساس آن عملیات خود را دنبال نماید.از دیدگاه برنامه نویسان ، هر برنامه نیازمند یک الگوریتم است . بعبارت ساده ، الگوریتم ، بیانه ای روشمند بمنظور حل یک مسئله بخصوص است . از منظر برنامه نویسان ،الگوریتم بمنزله یک طرح کلی و یا مجموعه دستورالعمل هائی است که با دنبال نمودن آنان ، برنامه ای  تولید می گردد.

الگوریتم های میکرو در مقابل ماکرو

الگوریتم ها دارای ویژگی های متفاوتی می باشند . ما می توانیم در رابطه با  الگوریتم  استفاده شده  به منظور نوشتن یک برنامه مشخص صحبت نمائیم . از این زاویه  ، ما  صرفا" در رابطه با الگوریتم  در سطح ماکرو(macro level)  ، صحبت نموده ایم . در چنین مواردی ، الگوریتم ارائه شده ، سعی در بدست آوردن جنبه های عمومی برنامه از طریق یک مرور کلی به برنامه در مقابل درگیر شدن در جزئیات را  دارد.ما می توانیم در رابطه با الگوریتم ها ، از سطح "میکرو" صحبت نمائیم . از این زاویه ، به سطوح پایین تر رفته و به عوامل اساسی ونگهدارنده ای  که یک جنبه خاص از برنامه را با  یکدیگر مرتبط می نماید، صحبت کرد.  مثلا" در صورتیکه شما دارای داده هائی هستید که می بایست قبل از استفاده  مرتب گردند ،الگوریتم های مرتب سازی متعددی در این زمینه وجود داشته و  می توان یکی از آنها را بمنظور تامین اهداف مورد نظر خود انتخاب نمود. انتخاب یک الگوریتم مرتب سازی  ، صرفا" باعث حل شدن یکی از جنبه های متفاوت برنامه می گردد . پس از مرتب سازی داده ها ،می بایست از یک الگوریتم میکرو دیگر بمنظور نمایش  داده  ها ی مرتب شده استفاده  گردد .

همانگونه که احتمالا" حدس زده اید ، ما می توانیم تمام الگوریتم های میکرو را بمنظور ایجاد یک الگوریتم ماکرو ، جمع آوری نمائیم . اگر ما با الگوریتم های میکرو ، آغاز نمائیم ، و حرکت خود را بسمت نمایش ماکروی یک برنامه ، پیش ببریم ، کاری را انجام داده ایم که موسوم به طراحی " پایین به بالا" (buttom-up)  ، است . اگر ما فعالیت خود را با یک الگوریتم ماکرو آعاز و حرکت خود را بسمت پائین و الگوریتم های میکرو ، ادامه دهیم ، طراحی از نوع " بالا به پایین " (top-down)  را انجام داده ایم .

شاید این سوال مطرح گردد که  کدام روش بهتر است ؟ اگر شما تمام مقالاتی را که تاکنون در این زمینه نوشته شده اند را  دنبال نمائید ، هرگز به یک نتیجه قابل قبول دست نخواهید یافت . هر رویکرد، دارای نکات مثبت و منفی مربوط به خود است . صرفنظر از رویکرد طراحی استفاده شده ، می بایست دارای الگوئی (طرحی) مناسب برای برنامه باشیم .حداقل، نیازمند یک اعلامیه از مسئله برنامه نویسی و یک طرح ( الگو) برای برخورد با مسئله ، خواهیم بود . پس از شناخت مسئله ، می توان  نحوه حل مسئله را  ترسیم کرد.  شناخت عمیق و مناسب نسبت به  مسئله ای که قصد حل آن را داریم ، شرط اساسی و ضروری برای طراحی یک برنامه است .با توجه به اینکه این اعتقاد وجود دارد که شناخت جامع و کلی از مسئله ای که حل آن را داریم ، بخشی ضروری در اولین مرحله برنامه نویسی است ، ما در ادامه از رویکرد "بالا - پایین "، تبعیـت می نمائیم . فراموش نکنیم که  رویکرد فوق ، امکان مشاهده مجازی از هر مسئله برنامه نویسی را فراهم خواهد نمود.

مراحل پنج گانه

هر برنامه را صرفنظر از میزان پیچیدگی آن ، می توان  به  پنج مرحله اساسی تجزیه کرد :

مقدار دهی اولیه

ورودی

پردازش

خروجی

پاکسازی

در ادامه به بررسی هریک از مراحل فوق ، خواهیم پرداخت .

مرحله مقداردهی اولیه

مرحله مقداردهی اولیه ، اولین مرحله ای است که می بایست در زمان طراحی یک برنامه  در رابطه با آن فکر کرد . مرحله فوق ، شامل تمامی عملیات مورد نیازی  است که برنامه می بایست قبل ازبرقراری ارتباط  با کاربر ، انجام دهد . در ابتدا ممکن است این موضوع که عملیاتی را قبل از برقراری  ارتباط با کاربر می بایست انجام داد ، تا اندازه ای عجیب بنظر رسد ولی احتمالا" برنامه های زیادی را مشاهده نموده اید که در این راستا عملیات مشابهی را انجام می دهند. مثلا" ،  در زمان استفاده از برنامه هائی نظیر Word ، Excel و یا برنامه های مشابه دیگر ، با چنین مواردی برخورد نموده ایم . مثلا"  با انتخاب  گزینه منو File ، می توان  لیستی از فایل هائی را که با آنها کار کرده ایم در بخش انتهائی منوفوق ، مشاهده کرد. ( مشاهده آخرین فایل های  استفاده شده در یک برنامه خاص ، با استفاده از جادو! میسر نشده است ) . برنامه مورد نظر شاید ، لیست فایل های اخیر را از دیسک خوانده و آنها را به لیست مربوطه در منوی File ، اضافه کرده باشد . با توجه به اینکه لیست فایل های فوق ، می بایست  قبل از اینکه برنامه هر چیز دیگر را برای کاربر نمایش دهد ، خوانده و نمایش داده شوند ، می توان انجام عملیات فوق را نمونه ای از مرحله مقداردهی اولیه، در نظر گرفت.یکی دیگر از عملیات متداول که به این مرحله مرتبط می باشد ، خواندن فایل های Setup است . چنین فایل هائی ممکن است حاوی اطلاعاتی در رابطه با نام مسیرهائی باشند که بانک ها ی اطلاعاتی خاصی و یا فایل های  ذخیره شده  دیگری را  بر روی دیسک را مشخص می نمایند . با توجه به نوع برنامه ای که اجراء می گردد ، فایل های Setup می توانند شامل اطلاعاتی در رابطه با فونت های نمایش ، نام و محل چاپگر ، رنگ های زمینه و رویه ، وضوح تصویر صفحه نمایشگر و اطلاعات مشابهی دیگر باشند . سایر برنامه ها ممکن است مستلزم خواندن اطلاعاتی در رابطه با اتصالات شبکه ، مجوزهای امنیتی و دستیابی به اینترنت ، رمزهای عبور و سایر اطلاعات حساس دیگر باشند . در چنین مواردی فایل های Setup دارای نقشی مهم خواهند بود.

پروژه بهبود شناسایی آرم در سند های تصویری مبتنی بر الگوریتم ژنتیک. doc

اختصاصی از یارا فایل پروژه بهبود شناسایی آرم در سند های تصویری مبتنی بر الگوریتم ژنتیک. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 15 صفحه

مقدمه:

مسئله تشخیص آرم از گرایش های بزرگ در حوزه سند خصوصا برای پایگاه داده ها می باشدو مزیت آن امکان بالقوه اش برای تشخیص منابع اسنادوکلی گویی اش برای مسئله تشخیص واطلاعات معنایی در مورد متن است.در زمینه کاربرد سندهای تصویری، تشخیص آرم های مشابه با دو شیوه قابل انجام است.اول- سندی که شامل یک آرم باشد را به عنوان ورودی وارد نموده و سیستم ، آرم را به عنوان یکی از اعضای مجموعه کوچک آرم های شناخته شده یا به عنوان آرمی که در حال حاضر در پایگاه داده موجود نیست ، طبقه بندی می کند.دوم -آرم خاصی را (شناخته شده یا شناخته نشده) در پایگاه داده ای از اسناد اندیس گذاری نموده و اسنادی که شامل آن آرم باشند را استخراج می نماید. نمونه ای از یک سندتصویری در شکل1 نشان داده شده است.مسئله شناسایی آرم را می توان در سه مرحله تقسیم بندی نمود

بخش بندی1: تصویر سند به تصاویرکوچکتری که شامل ارتباطات منطقی بخش هایی از سند می باشد، تقسیم می شود.

تشخیص آرم2: ویژگی هایی از بخش ها استخراج می شوند سپس در دسته بندی بخش ها، بر پایه اینکه احتمالا شامل آرم هستند یا خیر،استفاده می شوند.

3-انطباق آرم3:مجموعه منتخب آرم هادر فاز2 با پایگاه داده شامل کلیه آرم هاانطباق پیدا می کنند تا آرم دقیقا شناسایی و تعیین شود. در اکثر کاربردها هدف نهایی فاز سوم می باشد.

فهرست مطالب:

مقدمه

روش پیشنهادی

2-1- استخراج ویژگی

2-2- شبکه های عصبی

2-3- بهینه سازی وزنی تکاملی

2-4- الگوریتم GA برای معماری شبکه

آزمایش ها

نتیجه‌گیری

5-مراجع

فهرست جداول:

جدول 1- لیست ویژگی های استفاده شده

جدول 2- ماتریس وزن برای شبکه عصبی در شکل 2

جدول3- مقادیر برخی ویژگی های نمونه هایی از اسناد دارای آرم و بدون آرم

منابع ومأخذ:

[1] S. Seiden, M. Dillencourt, S. Irani, R. Borry, T. Murphy, “Logo detection in document images”.

[2] D. S. Doermann, E. Rivlin, I. Weiss, “Logo recognition using geometric invariants,” Proceedings of the second International Conference on Document Analysis and Recognition,1993.p.894-7.

[3] A. Lawrence Spitz, “Logotype Detection in Compressed Images using Alignment Signatures,” Daimler Benz Research and Technology Center, 1510 Page Mil Road, Palo Alto, California 94304 USA.

[4] M. Gori, M. Maggini, S. Marinai, J. Q. Sheng, G. Soda, “Edge-backpropagation for noisy logo recognition,” Dipartimento di Ingegneria dell'Information, Universita di Siena, Italy, Feb 2002.

[5] J. Neumann, H. Samet, A. Soer, “Integration of local and global shape analysis for logo classification,” Pattern Recognition Letters, 23 pp. 1449-1457, 2003.

[6] D. Pham, Jinsong. Yang, “Logo Detection in Document Images with Complex Backgrounds.” Griffith University QLD 4111, Australia.

[7] J. Zhou, D. P. Lopresti, p. Sarkar, “Identification of Logos from Document Images,” Matsushita Electric Industrial o., Ltd., Osaka(JP). Aug.14, 1998.

[8] J. R. Quinlin, M. Kaufmann, “C4.5: Programs for Machine Learning,” San Mateo, California, 1992.

[9] A. W. M. Smeulders, M. Worring, S. Santini, A. Gupta, R. Jain, “Content-based image retrieval at the end of the early years,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(12) pp. 1349-1380, 2000.

[10] CH. Huang , L. Chen, Y. Chen , M. Chang, “Evaluating the process of a genetic algorithm to improve the back-propagation network: A Monte Carlo study,” Expert Systems with Applications xxx (2008) xxx–xxx

[11] Evolutionary Neural Network: The University of Melbourne: Assoc. Proffesor Baikunth Nath

[12] D. S. Doermann, Document Processing Group Log Database, University of Maryland, URL

http://documents.cfar.umd.edu/resources/database/UMDlogo.html

تحقیق کامل الگوریتم ژنتیک

اختصاصی از یارا فایل تحقیق کامل الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

الگوریتم ­های ژنتیک متعلق به کلاس بزگتری از الگوریتم­های تکاملی هستند،که برای ایجاد راه حل­ های بهینه سازی مسائل از روش­های الهام گرفته از تکامل طبیعی، مانند وراثت، جهش، گزینش وتقاطع استفاده می­کنند، و به این صورت است که طبیعت، افرادقوی تر را برای زندگی برمی ­گزیند. الگوریتم ژنتیک روش بهینه ­سازی الهام گرفته از طبیعت جاندار است که می­ توان در طبقه ­بندی ها، آن را به عنوان یک روش عددی ، جستجوی مستقیم و تصادفی معرفی کرد. این الگوریتم، الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس گردیده است و.....

این پروژه شامل فهرست زیر می باشد.

1-معرفی کلی الگوریتم ژنتیک…    12

2-الگوریتم ژنتیک…    12

3-مکانیزم الگوریتم ژنتیک..    13

4-عملگرهای الگوریتم ژنتیک.    16

4-1- کدگذاری   16

4-2- ارزیابی   16

4-3- ترکیب   16

4-4- جهش    16

4-5- رمزگشایی   16

5-چارت الگوریتم به همراه شبه کد آن.  17

5-1- شبه کد و توضیح آن  17

6-انواع روش‌های انتخاب.   20

6-1- انتخاب چرخ رولت   21

6-2- انتخاب حالت پایدار 22

6-3- انتخاب نخبه گرایی   23

6-4- انتخاب رقابتی   23

6-5- انتخاب قطع سر  23

6-6- انتخاب جایگزینی نسلی اصلاح شده 24

6-7- انتخاب مسابقه  24

6-8- انتخاب مسابقه تصادفی   24

7-انواع روش‌های ترکیب.   24

7-1- جابه‌جایی دودوئی   25

7-2- ترکیب تک‌نقطه‌ای   26

7-3- ترکیب دو نقطه‌ای   26

7-4- ترکیب n نقطه‌ای   27

7-5- ترکیب یکنواخت   27

7-7- ترکیب حسابی   28

7-8- ترتیب   28

7-9- چرخه  29

7-10- بخش نگاشته  30

8-جهش…    31

8-1- جهش باینری   31

8-2- جهش حقیقی   32

8-3- وارونه سازی بیت   32

8-4- تغییر ترتیب قرارگیری   33

8-5- وارون سازی   33

9-محک اختتام اجرای الگوریتم ژنتیک.    33

10- انواع الگوریتم‌های ژنتیک    34

11- مزایای الگوریتم‌های ژنتیک    35

12-محدودیت‌های الگوریتم‌های ژنتیک.    36

12-1- استراتژی برخورد با محدودیت‌ها 36

12-1-1- استراتژی اصلاح عملگرهای ژنتیک    36

12-1-2- استراتژی رَدّی   36

12-1-3- استراتژی اصلاحی   36

12-1-4- استراتژی جریمه‌ای   37

13- بهبود الگوریتم ژنتیک    37

14- چند نمونه از کاربردهای الگوریتم‌های ژنتیک    37

15- مسائل کلاسیک    38

15-1- حل معمای هشت وزیر  38

15-2- جمعیت آغازین   40

15-3- تابع برازندگی   44

15-4- آمیزش    46

15-5- جهش ژنتیکی   46

پاورپوینت الگوریتم های ژنتیک

اختصاصی از یارا فایل پاورپوینت الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

نوع فایل:  ppt _ pptx ( پاورپوینت )

( قابلیت ویرایش )

---

 قسمتی از اسلاید : 

تعداد اسلاید : 27 صفحه

1 الگوریتم های ژنتیک 2 الگوریتم ژنتیک الگوریتم ژنتیک روش یادگیری بر پایه تکامل بیولوژیک است. این روش در سال 1970 توسط John Holland معرفی گردید این روشها با نام Evolutionary Algorithms نیز خوانده میشوند.
3 ایده کلی یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن ار تولید میکند. هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار میگیرد. آنگاه تعدادی از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند.
که اینکار باعث تکامل راه حلها میگردد. بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب برسد در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل نماید.
4 فضای فرضیه الگوریتم ژنتیک بجای جستجوی فرضیه های general-to specific و یا simple to complex فرضیه ها ی جدید را با تغییر و ترکیب متوالی اجزا بهترین فرضیه های موجود بدست میاورد. در هرمرحله مجموعه ای از فرضیه ها که جمعیت (population) نامیده میشوند از طریق جایگزینی بخشی از جمعیت فعلی با فرزندانی که از بهترین فرضیه های موجود حاصل شده اند بدست میآید. 5 ویژگیها الگوریتم های ژنتیک در مسائلی که فضای جستجوی بزرگی داشته باشند میتواند بکار گرفته شود. همچنین در مسایلی با فضای فرضیه پیچیده که تاثیر اجرا آن در فرضیه کلی ناشناخته باشند میتوان از GA برای جستجو استفاده نمود. برای discrete optimizationبسیار مورد استفاده قرار میگیرد. الگوریتم های ژنتیک را میتوان براحتی بصورت موازی اجرا نمود از اینرو میتوان کامپیوترهای ارزان قیمت تری را بصورت موازی مورد استفاده قرار داد. امکان به تله افتادن این الگوریتم در مینیمم محلی کمتر از سایر روشهاست. از لحاظ محاسباتی پرهزینه هستند. تضمینی برای رسیدن به جواب بهینه وجود ندارد.
6 Parallelization of Genetic Programming در سال 1999 شرکت Genetic Programming Inc.
یک کامپیوتر موازی با 1000 گره هر یک شامل کامپیوتر های P2, 350 MHZ برای پیاده سازی روش های ژنتیک را مورد استفاده قرار داد. 7 کاربر دها کاربرد الگوریتم های ژنتیک بسیار زیاد میباشد optimization, automatic programming, machine learning, economics, operations research, ecology, studies of evolution and learning, and social systems 8 زیر شاخه های EA روش های EA به دو نوع مرتبط به هم ولی مجزا دسته بندی میشوند: Genetic Algorithms (GAs) در این روش راه حل یک مسئله بصورت یک bit string نشان داده میشود.
Genetic Programming (GP) این روش به تولید expression trees که در زبانهای برنامه نویسی مثل lisp مورد استفاده هستند میپردازد بدین ترتیب میتوان برنامه هائی ساخت که قابل اجرا باشند.
9 الگوریتم های ژنتیک روش متداول پیاده سازی الگوریتم ژنتیک بدین ترتیب است که: استخری از فرضیه ها که population نامیده میشود تولید وبطور متناوب با فرضیه های جدیدی جایگزین میگردد. در هر بار تکرارتمامی فرضیه ها با استفاده از یک تابع تناسب یا Fitness مورد ارزیابی قرار داده میشوند.
آنگاه تعدادی از بهترین فرضیه ها با استفاده از یک تابع احتمال انتخاب شده و جمعیت جدید را تشکیل میدهند. تعدادی از این فرضیه های انتخاب شده به همان صورت مورد استفاده واقع ش

  متن بالا فقط قسمتی از محتوی متن پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل را فورا دانلود نمایید 

---

  لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت:  ................... توجه فرمایید !

• در این مطلب، متن اسلاید های اولیه قرار داده شده است.
• به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید
• پس از پرداخت هزینه ،ارسال آنی پاورپوینت خرید شده ، به ادرس ایمیل شما و لینک دانلود فایل برای شما نمایش داده خواهد شد
• در صورت  مشاهده  بهم ریختگی احتمالی در متون بالا ،دلیل آن کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد
• در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون پاورپوینت قرار نخواهند گرفت.
  
• هدف فروشگاه جهت کمک به سیستم آموزشی برای دانشجویان و دانش آموزان میباشد .
  

---

 « پرداخت آنلاین »

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

اختصاصی از یارا فایل بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 28

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

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