پاورپوینت بهینه سازی الگوریتمهای اجتماع مورچگان

اختصاصی از یارا فایل پاورپوینت بهینه سازی الگوریتمهای اجتماع مورچگان دانلود با لینک مستقیم و پر سرعت .

دسته بندی : پاورپوینت 

نوع فایل:  ppt _ pptx

( قابلیت ویرایش )

---

 قسمتی از اسلاید متن پاورپوینت : 

تعداد اسلاید : 29 صفحه

بسم الله الرحمن الرحیم Ant colony optimization بهینه سازی الگوریتمهای اجتماع مورچگان مقدمه: یکی از مسائلی که به وسیله ی زیست شنا سان مورد مطالعه قرار گرفته است درک این موضوع است که چگونه موجودات تقریبا کور مانند مورچه ها کوتاه ترین مسیر را از لانه ی خود تا منبع غذا و بر عکس پیدا می کنند.آنها پی بردند که یک رسانه برای ابلاغ اطلاعات بین تک تک مورچه ها مورد استفاده قرار می گیرد و برای تصمیم گیری درمورد اینکه کدام مسیر را انتخاب کنند به کار می رود که آن رسانه بو(اثر) ماده ای به نام فرومون.  الگوریتمهای لانه ی مورچه از جمله روشهای مکاشفه ای هستند که برای حل مسایل بهینه سازی سخت پیشنهاد شده اند. این الگوریتم ها در آغاز از رفتارهای اجتماعی پشت سرهم قرار گرفتن و تعقیب کردن الهام گرفته شد، که در جامعه ی مورچگان مشاهده گردید.
یک اجتماع از عامل های ساده (مورچه ها) به طور غیر مستقیم از طریق تغییرات پویای (دینامیکی) محیط ارتباط برقرار می کنند (رد پاهایی از فرومون) و بنابراین بر اساس تجربه ی اجتماعی آنها، یک راه حل برای یک مسئله ارائه می دهند. در این مطالعه مدل کاوش مورچه ها Meta-Heurestic انتخاب شده است و درابتدا به مطالعه الگوریتمهای ساده سپس سیستم AS (ant system) و سیستمACS (ant colony system) و MMAS(max-min ant system) شرح داده می شود.
رفتار طبیعی مورچه: یک مورچه در حال حرکت مقداری فرومون دراندازه های گوناگون از خود بر روی زمین باقی می گذارد و بدین ترتیب مسیر را به وسیله ی بوی این ماده مشخص می سازد.
هنگامی که یک مورچه به طور تصادفی  و تنها حرکت میکند با روبه رو شدن با مسیری که توسط مورچه یا مورچه های قبلی انتخاب شده و دارای بوی فرومون است به احتمال زیاد آن را  انتخاب می کند و با فرومونی که خود بر جای می گذارد بوی آن را در مسیر مذکور تقویت می نماید. وقتی رفتار جمعی پدید میآید، گونه ای از رفتار خود تقویتی است، یعنی هرچه مورچه ها بو(اثر) ماده ی مذکور را دنبال کنند آن بو برای مورچه های پیرو آنها جذاب تر خواهد بود.
فرایند گفته شده به وسیله ی یک حلقه توصیف می شود، یعنی احتمال اینکه یک مورچه یک مسیر را انتخاب کند متناسب باتعداد مورچه هایی که قبلا آن مسیر را انتخاب کرده اند ،افزایش مییابد.
ایده این است که اگر در یک نقطه معین یک مورچه مجبور است از بین مسیرهای مختلف یکی را انتخاب کند، مسیرهایی را که توسط مورچه های قبلی بیش تر انتخاب شده اند، به عبارت دیگر سطح بوی آنها بالاتر است، با احتمال بیشتری انتخاب خواهد کرد.
به علاوه سطح فرمون بالاتر معادل مسیرهای کوتاهتر خواهد بود. الگوریتم های مورچه های مصنوعی به طور افزایشی با اضافه کردن به جا و مناسب مولفه های راه حل تعریف شده به راه حل جزئی مورد نظر، راه حلهایی را می سازند.
مسیرها و غذایابی در تصویر بالا مسیرهای متفاوت برای غذایابی دیده می شود.و تعداد مورچه ها و A و B مسیرهای در زمان t جستجو برای یافتن مسیر آغاز و در زمان t+1، مسیر پیدا شده و فرمول مورد استفاده : رابطه:1-1 cکمیتی غیر اکتشافی برای مقدار جذب فرمون است و تحت تاثیر فرمون ذخیره شده در فرآیند است.و باتعداد مورچه ها نسبت مستقیم دارد.در اثر تجربه مقدار برای a=2 و c=20 است.
اگر پس مسیر

  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 پاورپوینت کمک به سیستم آموزشی و رفاه دانشجویان و علم آموزان میهن عزیزمان میباشد. 
  

---

دانلود فایل  پرداخت آنلاین 

دانلود مقاله درباره مورچگان

اختصاصی از یارا فایل دانلود مقاله درباره مورچگان دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

فهرست مطالب

عنوان صفحه

بخش 1 زندگی مورچه ها 1

بخش 2 لانه ی مورچگان 2

بخش 3 لانه سازی 3

بخش 4 فکر و هوش مورچه ها 4

بخش 5 مورچه ها چگونه هستند 6

بخش 6 غذا خوردن مورچه ها 6

بخش 7 مورچه ها موجوداتی کارکن و... 8

استفاده از کتاب:

نام کتاب:مورچگان

نویسنده:موریس مترلینگ

بخشی 1:زندگی مورچه ها بنام خدا

وقتی در اطراف خود بدقت بنگریم مخلوقات فراوانی وجود دارند که هر کدام از آنها دنیایی از شگفتی و تعجب برای ما می آفرینند. یکی از این آفریده های به ظاهر کوچک اما بسیار شگفت انگیز مورچه می باشند. قبل از آغاز بمطلب چمد نکته اساسی را مورد توجه باید قرار داد. مورچگان از دسته حشرات ردار و جستجو کننده هستند که بطور اجتماعی زندگی می کنند و تا امروز شش هزار نوع آنها را یافته اند که هر یک از این نوع دارای عادت و اخلاق و طرز زندگی مخصوص هستند ولی ما نمی خواهیم در این تحقیق در بحث طبقه بندی و انواع مختلف و نادهای وابسته و یا انواعی که با آنها شباهت داشته و از حیث ترکیب ساختمان های بدن ممکن است وحدت نوع و جنس داشته باشند داخل شویم زیرا این بحث دقیق و طولانی ما را بجاهای دورتر می کشاند که نتیجه ای از آن حاصل نمی گردد.

تشکیلات خانوادگی مورچگان از ملکه، جنس ماده که زاد و ولد با اوست تشکیل شده و جنس ماده منتها تا 12 سال زندگی می کند جنس نر و ماده و دسته های نامحدود کارگران که نه نر هستند و نه ماده مانند زنبور عسل سه یا چهار سال عمر دارند و چند دسته از جنس نر که در فاصله چند هفته از بین می روند زیرا در دنیای حشرات جنس ماده جان خود را برای خانواده فدا می کند. فقط جنس ماده و نر پردازند و پس از اینکه بچه های خود را بدنیا آوردند پرهای آنان نیز ریخته می شود. در بین مورچگان مانند زنبور عسل فقط یک ملکه یا یک مادر ندارند و بر عکس

عنوان مرتبط با محصول (از عنوان کلی و کوتاه استفاده نکنید)

اختصاصی از یارا فایل عنوان مرتبط با محصول (از عنوان کلی و کوتاه استفاده نکنید) دانلود با لینک مستقیم و پر سرعت .

این بسته شامل موارد زیر است:

1.بسته ای شامل 17 صفحه الگوریتم مورچگان با توضیحات کامل.

2.برنامه متلب یک مثال برای فهم بیشتر الگوریتم.

3.فایل توضیحات برنامه متلب.

الگوریتم فرا ابتکاری مجموعه ای الگوریتم ها برای حل مسئله بهینه یابی هستند. که به صورت تصادفی اما هدفمند و ساده در فضای جواب مسئله به دنبال جواب بهینه مطلق حرکت میکنند. این روش حرکت معمولا از طبیعت الهام گرفته است زیرا برخی از پدیده های طبیعی وجود تصادفی بودن به طرز جالبی دارای حرکتی به سمت حالت های نزدیک به حالت بهینه هستند. این روش با الهام گرفتن از رفتار مورچه ها برای یافتن کوتاهترین راه به منبع غذایی ارائه شده است.با برسی های انجام شده معلوم شد مورچه ها با استفاده از یک ماده شیمیای به نام فرمون راهی را که طی کردند مشخص نموده و سایر مورچه ها نیز با شناسایی این رد پا مسیر مورچه های قبلی را دنبال کردند این روش خودبه خود کوتاهترین راه معین شود.

مقاله در مورد شبکه های عصبی , الگوریتم ژنتیک و الگوریتم مورچگان

اختصاصی از یارا فایل مقاله در مورد شبکه های عصبی , الگوریتم ژنتیک و الگوریتم مورچگان دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه10

شبکه عصبی چیست؟

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد. می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستند که روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی بر می‌آید. تصور عموم کارشناسان IT بر آن است که مدل‌های جدید محاسباتی که بر اساس شبکه‌های عصبی بنا می‌شوند، جهش بعدی صنعت IT را شکل می‌دهند. تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو‌ها (pattern) ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگو و تجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی را تشکیل می‌دهند. این حوزه از دانش محاسباتی (computation) به هیچ وجه از روش‌های برنامه‌نویسی سنتی استفاده نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می‌جوید.

یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN))  ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده(neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه ای مشخص  ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی  یاد گیری  با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این  روش ANN ها هم می باشد.

سابقه تاریخی

به نظر می آید شبیه سازی های شبکه عصبی  یکی از پیشرفت های اخیر باشد . اگرچه این  موضوع پیش از ظهور  کامپیوتر ها بنیان گذاری شده  و  حداقل یک مانع بزرگ تاریخی  و  چندین دوره مختلف را پشت سر گذاشته است.

خیلی از پیشرفت های مهم با تقلید ها وشبه سازی های   ساده  و ارزان کامپیوتری  بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های  مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله  پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky وPapert شناسانده  شد. Minsky وPapert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی را جع به   میزان محرومیت  شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی  از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .

اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نلمWarren McCulloch ویک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی  در آن زمان اجازه کار بیشتر به آنها نداد.

شبکه های عصبی در مقابل کامپیوتر های معمولی

شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند. کامپیوتر های معمولی یک مسیر الگوریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستور العمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را  به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم  و می دانیم چگونه حل میشوند. اما  اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ،  خیلی  پر فایده تر بودند.

شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پردازشی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده  است که این عناصر به صورت مواز ی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش  کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.

از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می  شود  باید از قبل شناخته  شود و به صورت دستورات  کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبا ن های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.

شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگوریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید.

شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.

چرا از شبکه های عصبی استفاده می کنیم؟

شبکه های عصبی ، با قابلیت قابل توجه  در استنتاج معانی از داده های پیچیده یا مبهم ، برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار  پیچیده و دشوار است  به کار گرفته می شوند. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان  برای بر آورد وضعیت های دخواه جدید و جواب سؤال های " چه می شد اگر "  استفاده کرد.

مزیتهای دیگر آن شامل موارد زیر می شود :

1. یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین وتجربه های مقدماتی .
2. سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلا عاتی  که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند.
3. عملکرد بهنگام(Real time ) : محاسبات  ANN  می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و  ساخته شده است که می تواند از این قابلیت استفاده کند.
4. تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره
گفتیم که شبکه‌های عصبی روش متفاوتی برای پردازش و آنالیز اطلاعات ارائه می‌دهند. اما نباید این گونه استنباط شود که شبکه‌های عصبی می‌توانند برای حل تمام مسائل محاسباتی مورد استفاده واقع شوند. روش‌های محاسباتی متداول همچنان برای حل گروه مشخصی از مسائل مانند امور حسابداری، انبارداری و محاسبات عددی مبتنی بر فرمول‌های مشخص، بهترین گزینه محسوب می‌شوند. جدول 1، تفاوت‌های بنیادی دو روش محاسباتی را نشان می‌دهد.

مشخصه

روش محاسباتی متداول
)شامل سیستم‌های خبره(

شبکه‌های عصبی مصنوعی

دانلود پایان نامه کامل و دقیق در مورد الگوریتم کلونی مورچگان ACO (تعداد صفحات 66)

اختصاصی از یارا فایل دانلود پایان نامه کامل و دقیق در مورد الگوریتم کلونی مورچگان ACO (تعداد صفحات 66) دانلود با لینک مستقیم و پرسرعت .

بسیاری ازمسائل دنیای واقعی پویا هستند. برای حل یک مسئله بهینه سازی پویا نیاز به الگوریتمی داریم که علی رغم پیدا کردن بهینه در محیط بتواند بهینه های در حال تغییر را دنبال کند.تاکنون  الگوریتم های تکاملی مختلفی برای بهینه سازی در محیط های پویا پیشنهاد شده است.دریک محیط پویا پس از روی دادن تغییر در محیط الگوریتم نیاز به تنوع کافی جهت جستجوی دوباره محیط دارد.درعین حال استفاده از اطلاعات جستجوهای پیشین رود جستجو راسریع تر میکند .مشکل اصلی الگوریتم های تکاملی معمول درحل مسائل بهینه سازی  پویا همگرایی زود رس وکاهش تنوع جمعیتی در طول زمان است.بنابراین درمواجه با مسائل بهینه سازی پویا نیاز به رویکردهایی است که تنوع را در طول زمان حفظ کنند. دراین پروژه  الگوریتم کلونی مورچه را بررسی کرده و در بسیاری مسائل کاربرد انرا بررسی میکند.

فهرست :  

تقدیر وتشکر

چیکده

مقدمه

فصل اول:

تاریخچه

الگوریتم کلونی مورچه ها

هوشمندی توده‌ای

تفاوت هوشمندی توده ای وهوشمندی اجتماعی

بهینه سازی مسایل بوسیله کلونی مورچه

استفاده از بهینه‌سازی کولونی مورچه‌ها در مسئله فروشنده دوره‌گرد

فصل دوم

مورچه ها چگونه کوتاه ترین مسیر را پیدا می کنند؟

انواع مختلف الگوریتم بهینه سازی مورچگان

مزیت های الگوریتم کلونی مورچه

کاربردهای الگوریتم کلونی مورچه

الگوریتم ACO

جنگ مورچه های اتشین

فصل سوم

الهام از طبیعت برای پیاده سازی نظامهای اجتماعی

ساختار نظام تحقیقات حرفه ای در پزشکی نوین

مزایای تحقق نظام تحقیقات حرفه ای در جامعه

فصل چهارم

مورچه ها متخصصان برجسته علم ژنتیک

بهینه‌سازی مسائل ریاضی به روش مورچه‌ها(ACO)

فصل پنجم

بهینه‌سازی شبکه‌های کامپیوتری با الهام از کلونی مورچه‌ها

کاربرد های الگوریتم کلونی مورچه ها در سگمنتیشن تصویر

تقطیع تصویر مبتنی بر MRF با استفاده از سیستم کلونی مورچه

سیستم Ant Colony برای تقسیم بندی و طبقه بندی Microcalcification در ماموگرام

استفاده از الگوریتم ACO در تقطیع تصویر برای استانه سازی مطلوب

5- کاربرد های الگوریتم حرکت دسته جمعی پرندگان در سگمنتیشن تصویر

1-5تقطیع تصاویر داده های سه بعدی با استفاده از الگوریتم بهینه سازی جمعی پرندگان

2-5ترکیب بهینه سازی حرکت جمعی پرندگان با الگوریتم های دسته بندی Unsupervised برای تقطیع تصویر

3-5بهینه سازی کلونی مورچه و الگوریتم بهینه سازی حرکت دسته جمعی پرندگان برای طبقه بندی Microcalcifications در ماموگرافی

فصل ششم

افق اینده

نتیجه گیری