تحقیق در مورد الگوریتم های ژنتیک

اختصاصی از یارا فایل تحقیق در مورد الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه20

بخشی از فهرست مطالب

چکیده موضوع ………………………………………………………………………

مقدمه……………………………………………………

الگوریتم ژنتیک چیست؟…………………………………… ……………………………………

ایده اصلی …………………………………………………………………………………

الگوریتم ژنتیک ……………………………………………………………………….

سود و کد الگوریتم………………………………………………………..

روش های نمایش ………………………………………………………….

روش های انتخاب ………………………………………………………..

روش های تغییر ……………………………………………………………..

نقاط قوت الگوریتم های ژنتیک... ……………………………………

نقاط ضعف الگوریتم های ژنتیک. ……………………………………

نمونه هایی از کاربردهای الگوریتم های ژنتیک در دنیای امروز……………………………………..

یک مثال ساده با جزئیات …………………………………….

هایپر هیوریستیک ...................

چکیده 

     الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند.الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی  بر مبنای رگرسیون هستند.همان طور ساده،خطی وپارامتری یک گفته می شود،به الگوریتم های ژنتیک می توان غیر پارامتریک گفت.

     مختصراً گفته می شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل نمسئله استفاده می کند.مسئله ای که باید حل شود ورودی است و راه حلها طبق یک الگو کد گذاری می شودومتریک که تابع fitness هم نام دارد هر راه حل کاندید را ارزیابی می کندکه اکثر آنها به صورت تصادفی انتخاب می شوند.

کلاً این الگوریتم ها از بخش های زیر تشکیل می شوند :

تابع برازش  - نمایش – انتخاب – تغییر

که در ادامه آنها را توضیح خواهیم داد.

مقدمه

     هنگامی که لغت تنازع بقا به کار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قوی‌تر!
   البته برای آنکه خیالتان راحت شود می‌توانید فکر کنید که همیشه هم قوی‌ترین‌ها برنده نبوده‌اند. مثلا دایناسورها با وجود جثه عظیم و قوی‌تر بودن در طی روندی کاملا طبیعی بازی بقا و ادامه نسل را واگذار کردند در حالی که موجوداتی بسیار ضعیف‌تر از آنها حیات خویش را ادامه دادند. ظاهرا طبیعت بهترین‌ها را تنها بر اساس هیکل انتخاب نمی‌کند! در واقع درست‌تر آنست که بگوییم طبیعت مناسب ترین‌ها (Fittest) را انتخاب می‌کند نه بهترین‌ها.

    قانون انتخاب طبیعی بدین صورت است که تنها گونه‌هایی از یک جمعیت ادامه نسل می‌دهند که بهترین خصوصیات را داشته باشند و آنهایی که این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می‌روند.

   مثلا فرض کنید گونه خاصی از افراد، هوش بسیار بیشتری از بقیه افراد یک جامعه یا کولونی دارند. در شرایط کاملا طبیعی این افراد پیشرفت بهتری خواهند کرد و رفاه نسبتا بالاتری خواهند داشت و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود(توجه کنید شرایط طبیعیست نه در یک جامعه سطح بالا با ملاحظات امروزی یعنی طول عمر بیشتر در این جامعه نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت(هوش)ارثی باشد به طبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشتر این‌گونه افراد بیشتر خواهد بود. اگر همین روند را ادامه دهید خواهید دید که در طی نسل‌های متوالی دائما جامعه نمونه ما باهوش و باهوش‌تر می‌شود. بدین ترتیب یک مکانیزم ساده طبیعی توانسته است در طی چند نسل عملا افراد کم هوش را از جامعه حذف کند علاوه بر اینکه میزان هوش متوسط جامعه نیز دائما در حال افزایش است(البته امکان داشت اگر داروین بی‌عرضگی افراد باهوش امروزی را می‌دید کمی در تئوری خود تجدید نظر می‌کرد اما این مسئله دیگریست!).

    بدین ترتیب می‌توان دید که طبیعت با بهره‌گیری از یک روش بسیار ساده(حذف تدریجی گونه‌های نامناسب و در عین حال تکثیر بالاتر گونه‌های بهینه) توانسته است دائما هر نسل را از لحاظ خصوصیات مختلف ارتقا بخشد.

   البته آنچه در بالا ذکر شد به تنهایی توصیف کننده آنچه واقعا در قالب تکامل در طبیعت اتفاق می‌افتد نیست. بهینه‌سازی و تکامل تدریجی به خودی خود نمی‌تواند طبیعت را در دسترسی به بهترین نمونه‌ها یاری دهد. اجازه دهید تا این مساله را با یک مثال شرح دهیم.

دانلود تحقیق الگوریتم بهینه سازی Bayesian

اختصاصی از یارا فایل دانلود تحقیق الگوریتم بهینه سازی Bayesian دانلود با لینک مستقیم و پر سرعت .

تعداد صفحات : 62 صفحه        -        

قالب بندی :  word           

الگوریتم بهینه سازی Bayesian

مراجع‌را می‌توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. در‌بین الگوریتم‌های متنوع‌دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است. 

بطور کلی EDAها یک تقریب تقسیمی را بکار می‌گیرند که تلاش می‌کند یک مجموعه از اطلاعات‌چند بعدی را به تعدادی‌زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.

مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:

الگوریتم K- means نمونه‌های داده را به K زیر مجموعه غیر تهی تقسیم می‌کند. مختصات میانگین حسابی گروههای رایج محاسبه می‌شود و هر نمونه به نزدیکترین تقسیم‌بندی اشاره می‌کند. پروسه ادامه می‌یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‌اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‌آید.

توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‌شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‌شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‌ها انجام داده می‌شوند.

نتایج کارایی r BOA 

علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‌کند و BIC با Eq، (5،6) که  پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‌کند. (یعنی جایگزینی نخبه‌ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1-  را برای تعداد والده‌های مجاز در نظر می‌گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‌شود. همه نتایج بعد از 100 اجرا میانگین گرفته می‌شود.

شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام می‌دهد تا بهینه RDP را با ،  نشان می‌دهد. همچنین این شکل نتیجه PSNR با  را نشان می‌دهد.

.5.7 نتایج آزمایشگاهی و مذاکره

 5. بهینه سازی الگوریتم Bayesian

اندازه مسئله n

(a) نتایج برای RDP با

اندازه مسئله n

(b) نتایج برای RNSP  با

شکل .5.7 موضوع قابل تجزیه درباره کارایی  r BOA

اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.

نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت  و  (جاسازی) تقریب زده شده است.

بدینسان r BOA می‌تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن.

به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‌رسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت می‌شود.

MBOA

شکل 5،8 مقایسه کارایی Rboa و مشکلات آنرا مطالعه می‌کند (MBOA، m IDEA و EGNA). مانند مراجع کاربردی و قابل تجزیه (RNSP و RDP).

از اینرو مسئله قابل تجزیه عبارت است از زیر برنامه m، اشکال مسئله قابل اجرا نگهداری کردن همزمان m، اشکال مسئله قابل اجرا، مختصر N= r.m در برابر سادگی. شکل (a) 5،8  نسبت صحیح BBها را چنانچه به RDD اعمال می‌شوند با و تغییر m مقایسه می‌کند. ترکیب یک RBOA جزء، مختصر K=1 برای مدل گزینش بکار گرفته می‌شود.

جمعیت تدارک دیده با N= 100m، نتیجه نشان داده شده برای یافتن راه حل rAOB و MBOA بهتر کردن محاسبه زیاد آنها بجز mI AED و ANGE.

گرچه MBOA در برابر Rboa تا حدی بالاتر بنظر می‌آید، با مفهوم آماری آن مخالفت دارد. جدول 5،1 اثبات پشتیبانی آن هست. همچنین بزرگتر شدن اندازه مسئله خراب کردن EGNA و mIDEA کردن از لحاظ دست یافتن کارایی در صورتیکه وضعیت راه حل پایدار بسرعت و Rboa برای آنکه مشاهده گردد. از شکل (a) 5،7 و (a) 5،8 واضح است.

افزایش رفتار MBOA و Sub- quadratic Rboa در برابر RDP در صورتیکه m IDEA و EGNA تشریحی مقیاس پذیری دارد. شکل (b) 5،8 نشان می‌دهد BB- wise مقادیر کار برگشت داده شده با الگوریتم‌ها برای RNSP با  مختلف m. ترکیب نمونه‌ها برای گزینش مدل جزء سه ترکیب (K=3) استفاده شده. یک مدل خطی، مختصر، ‌‌N= 200m بکار رفته برای جمعیت تدارک دیدن. در نتیجه RDP، برای آنکه مشاهده کارایی MBOA و Rboa آثار یکسان صرف نظر از اندازه مسئله. می‌توانیم در نظر بگیریم آنها یک Sub- quadratic مقیاس پذیر RNSP دارند. با وجود این نتایج نشان می‌دهد r BOA نسبتا بهتر از MBOA است با توجه به کیفیت مسئله.

دانلود پاورپوینت مبانی ساختمان داده ها و الگوریتم ها - 14 اسلاید قابل ویرایش

اختصاصی از یارا فایل دانلود پاورپوینت مبانی ساختمان داده ها و الگوریتم ها - 14 اسلاید قابل ویرایش دانلود با لینک مستقیم و پر سرعت .

1. 4. داده ساختار های درخت

     - تعاریف اولیه ،  درخت عبارت : Expression Tree

     - پیاده سازی های مختلف درخت ها ،

       استقرا بر روی درخت

         پیمایش درخت

         استقرای ساختاری : Structural Induction

      درخت دودوئی : Binary Tree { تولید کد اسمبلی ازدرخت عبارت }

      اعمال مختلف بر روی درخت عبارت

برای دانلود کل پاپورپوینت از لینک زیر استفاده کنید:

مقایسه الگوریتم های ژنتیک و PEST برای واسنجی خودکار روش رطوبت خاک در مدل WEAP

اختصاصی از یارا فایل مقایسه الگوریتم های ژنتیک و PEST برای واسنجی خودکار روش رطوبت خاک در مدل WEAP دانلود با لینک مستقیم و پر سرعت .

• مقاله با عنوان: مقایسه الگوریتم های ژنتیک وPEST برای واسنجی خودکار روش رطوبت خاک در مدل WEAP  

• نویسندگان: فاطمه عزیزی ، حسین علیزاده ، برات مجردی  

• محل انتشار: نهمین کنگره ملی مهندسی عمران - دانشگاه فردوسی مشهد - 21 تا 22 اردیبهشت 95  

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

دستیابی به یک ابزار قابل اطمینان برای مدیریت، طراحی و بهره برداری سیستم های منابع آب نیازمند درک صحیحی از فرآیندهای طبیعی و انسانی بوده و بدین جهت از ابزار مدلسازی استفاده می شود. از طرفی، برای بکارگیری مدل ها ابتدا باید آنها را صحت سنجی، واسنجی و اعتبارسنجی نمود. یکی از مدل های برنامه ریزی منابع آب مهم و پرکاربرد در دهه اخیر نرم افزار WEAP بوده است که توانایی شبیه سازی فرآیندهای هیدرولوژیکی حوضه آبریز و همچنین تخصیص منابع آب را دارد. شبیه سازی بارش-رواناب در مدل WEAP توسط روشی موسوم به رطوبت خاک انجام می گیرد. در این تحقیق، ابتدا تحلیل حساسیت نتایج مدل نسبت به ورود داده های بارش با استفاده از روش های درونیابی مختلف (اعم از چندضلعی تیسن، وزنی عکس فاصله و کریجینگ) انجام شده و سپس دو الگوریتم PEST و GA برای واسنجی خودکار روش رطوبت خاک بکار گرفته شده و با یکدیگر مقایسه شدند. بخشی از رودخانه مهاباد واقع در حوضه آبریز دریاچه ارومیه به عنوان مطالعه موردی انتخاب گردید. نتایج حاکی از قابلیت مناسب روش رطوبت خاک در شبیه سازی فرآیندهای هیدرولوژیکی بارش-رواناب رودخانه مهاباد است.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

دانلود پاورپوینت الگوریتم ژنتیک

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

 دانلود پاور پوینت الگوریتم ژنتیک 

 شامل 50 اسلایدpower point 

 

استراتژیهای جستجو (مقدمه)

الگوریتمهای تکاملی (پیشینه‏ کاری)

الگوریتمهای ژنتیک

 چند اصطلاح

آشنایی با الگوریتم های ژنتیک

ساختار الگوریتم های ژنتیک

عملگر های الگوریتم ژنتیک

مزایای الگوریتم ژنتیک

معایب و اشکالات وارد به الگوریتم های ژنتیک

برنامه نویسی  ژنتیک

تاریخچه

قدم های اولیه برنامه نویسی ژنتیک

برنامه نویسی ژنتیک

مشکلات برنامه نویسی ژنتیک 

کاربرد ها

مراجع

 

الگوریتم های ژنتیک یکی از شاخه های پردازش تکاملی می باشند.

 

این الگوریتم ها با الهام از روند تکاملی  طبیعت مسائل را حل می نمایند .

 یعنی مانند طبیعت یک جمعیت از موجودات را تشکیل می دهند و با اعمالی بر روی  این مجموعه به یک مجموعه بهینه و یا موجود بهینه دست می یابند.

با توجه به خصوصیات خاص خودشان به خوبی از عهده حل مسائلی که نیاز به بهینه  سازی  دارند بر می آیند.

 

روش های انتخاب والدین

 

انتخاب تمام جمعیت بعنوان والدین:

در واقع هیچگونه انتخابی انجام نمی دهیم  (همه عناصر انتخاب می شوند) .

انتخاب تصادفی:

 بصورت تصادفی تعدادی از موجودات جمعیت را بعنوان والدین انتخاب می کنیم، این انتخاب می تواند با جایگذاری یا بدون جایگذاری باشد.

 در این روشها عناصر با شایستگی بیشتر شانس بیشتری برای انتخاب شدن بعنوان والدین را دارند.

سایر روشها:

 این روشها با استفاده از تکنیک هایی سعی می کنند که انتخاب هایی را ارائه دهند، که هم رسیدن به جواب نهایی را تسریع کنند و هم اینکه کمک می کنند که جواب بهینه تری پیدا شود.

معمول ترین  روش های انتخاب

 Elitist Selection

مناسب‌ترین عضو هر اجتماع انتخاب می‌شود.

Selection Roulette

یک روش انتخاب است که در آن عنصری که عدد پردازش (تناسب) بیشتری داشته باشد، انتخاب می‌شود.

ScalingSelection

به موازات افزایش متوسط عدد برازش جامعه، سنگینی انتخاب هم بیشتر می‌شود و جزئی‌تر. این روش وقتی کاربرد دارد که مجموعه دارای عناصری باشد که عدد برازش بزرگی دارند و فقط تفاوت‌های کوچکی آن‌ها را از هم تفکیک می‌کند.

Tournament Selection

یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیر‌گروه برای تولید انتخاب می‌شوند.

روش انجام عمل بازترکیبی

 

روش کار به صورت زیر است:

بصورت تصادفی یک نقطه از کروموزوم را انتخاب می کنیم

ژن های مابعد آن نقطه از کروموزوم ها را جابجا می کنیم

بازترکیبی تک نقطه ای (Single Point Crossover)

 اگر  عملیات بازترکیبی را در یک نقطه انجام دهیم به آن بازترکیبی تک نقطه ای می گویندو...

 برنامه نویسی ژنتیک به همراه یک مثال

روند اجرای الگوریتم های ژنتیک را بدین صورت در نظر گرفتیم :

1)  ایجاد یک جمعیت اولیه

2)  ارزیابی عناصر جمعیت

3)  بازترکیبی

4)  جهش

5)  تکرار موارد فوق تا زمانی که به نتیجه مورد نظر نرسیده ایم .

در رابطه با برنامه نویسی ژنتیک بازنمائی (ارئه مدل برای مساله) کروموزومها را بصورت درخت های تجزیه  درنظر می گیریم .

 

مثال) مساله یافتن برنامه ای برای محاسبه تابع XOR بااستفاده ازتوابع  AND،OR  وNOT را مطرح  و نشان می دهیم که الگوریتم به صورت نمادین، چگونه جواب مورد نیاز را پیدا خواهد کرد.

 جدول درستی برای توابع AND، OR، NOT و XOR به صورت زیر است :

برای حل مساله با استفاده از برنامه نویسی ژنتیک به این صورت عمل می کنیم که مجموعه عملگرهای منطقی {AND, OR, NOT} را به عنوان توابع برنامه و مجموعه {A, B, True, False} را به عنوان عناصر پایانی مطرح می کنیم. دو نکته در اینجا مهم است ، که اولاً هر ترکیبی از توابع که در درخت تجزیه وارد شود قابل ارزیابی است و باعث بروز خطا نمی شود و دوم اینکه مساله با استفاده از توابع و پایانی هایی که ذکر شده است، قابل بازسازی است.و.....