بررسی الگوریتم ژنتیک در TSP و NP-HARD (تعداد صفحات 151)

الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه حل تقریبی برای بهینه سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریت مهای تکامل است که از تکنیک های زیست شناسی فرگشتی مانند وراثت و جهش استفاده می کند. در واقع الگوریت مهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده میکنند. الگوریت مهای ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای یک تکنیک برنامه نویسی است که از (GA تصادف هستند. مختصراً گفته می شود که الگوریتم ژنتیک ) یا تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند. مسأله ای که باید حل شود  ورودی است و راه حلها طبق یک الگو کد گذاری میشوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می کند که اکثر آنها به صورت تصادفی انتخاب می شوند.

فهرست :

 مقدمه

 به دنبال تکامل…

 ایده اصلی استفاده از الگوریتم ژنتیک

 درباره علم ژنتیک

 تاریخچۀ علم ژنتیک

 تکامل طبیعی (قانون انتخاب طبیعی داروین)

 رابطه تکامل طبیعی با روش های هوش مصنوعی

 الگوریتم

 الگوریتم های جستجوی ناآگاهانه

جستجوی لیست

جستجوی درختی

جستجوی گراف

 الگوریتم های جستجوی آگاهانه

 الف جستجوی خصمانه

  مسائل NP Hard

 هیوریستیک

 انواع الگوریتم های هیوریستیک

فصل دوم

 مقدمه

 الگوریتم ژنتیک

 مکانیزم الگوریتم ژنتیک

 عملگرهای الگوریتم ژنتیک

 کدگذاری

 ارزیابی

 ترکیب

 جهش

 رمزگشایی

 چارت الگوریتم به همراه شبه کد آ ن

 شبه کد و توضیح آن

 چارت الگوریتم ژنتیک

 تابع هدف

 روش های کد کردن

 کدینگ باینری

 کدینگ جایگشتی

 کد گذاری مقدار

 کدینگ درخت

 نمایش رشته ها

 انواع روش های تشکیل رشته

 باز گرداندن رشته ها به مجموعه متغیرها

 تعداد بیت های متناظر با هر متغی ر

 جمعیت

 ایجاد جمعیت اولیه

 اندازه جمعیت

 محاسبه برازندگی (تابع ارزش)

 انواع روش های 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 روش های ترکیب

 جابه جایی دودوئی

 جابه جایی حقیقی

 ترکیب تک نقطه ا ی

 ترکیب دو نقطه ای

 ترکیب یکنواخت

 ترکیب حسابی

 ترتیب

 چرخه

 بخش نگاشته

 احتمال ترکیب

 تحلیل مکانیزم جابجایی

 جهش

 جهش باینری

 جهش حقیقی

 وارونه سازی بیت

 تغییر ترتیب قرارگیر ی

 وارون سازی

 تغییر مقدار

 محک اختتام اجرای الگوریتم ژنتیک

 انواع الگوریتم های ژنتیکی

 الگوریتم ژنتیکی سری

 الگوریتم ژنتیکی موازی

 مقایسه الگوریتم ژنتیک با سیستم های طبیعی

 نقاط قوت الگوریتم های ژنتیک

 استراتژی برخورد با محدودیت ها

 استراتژی اصلاح عملگرهای ژنتیک

 استراتژی اصلاحی

 استراتژی جریمه ای

 بهبود الگوریتم ژنتیک

 چند نمونه از کاربردهای الگوریتم های ژنتیک

فصل سوم

 مقدمه

حلّ معمای هشت وزیر

 جمعیت آغازین

 تابع برازندگی

 آمیزش

 جهش ژنتیکی

 الگوریتم ژنتیک و حلّ مسألۀ فروشندة دوره گرد

به وسیله الگوریتم ژنتیک   TS P  حل مسأله

 TS P  مقایسه روشهای مختلف الگوریتم و ژنتیک برای

 نتیجه گیر ی

 حلّ مسأله معمای سودوکو

 حل مسأله

 تعیین کروموزم

 ساختن جمعیت آغازین یا نسل اول

 ساختن تابع از ارزش

 ترکیب نمونه ها و ساختن جواب جدید

 ارزشیابی مجموعه جواب

 ساختن نسل بعد

مرتب سازی به کمک  G A

 صورت مسأله

 جمعیت آغازین

 تابع برازندگی

 انتخاب

 ترکیب

 جهش

فهرست منابع و مراجع

پیوست

واژه نامه

نقاط بهینه محلی و بهینه کلی

 چارت الگوریتم ژنتیک

 ترکیب تک نقطه

 ترکیب جایگشتی

 جهش کدینگ جایگشتی

 جهش کدینگ مقدار

 کدینگ درختی

 نمونه کروموزوم الگوریتم ژنتیکی

 روش سری

 روش محاطی

  چرخه رولت

  جابجایی چند نقطه

  ترکیب تک نقطه ای

  ترکیب دو نقطه ای

  ترکیب یکنواخت

  شبیه سازی جهش به کمک نمودار

  جهش باینری

  جهش:وارونه سازی بیت

  جهش:تغییر ترتیب قرارگیری

  جهش: وارون ساز ی

  جهش: تغییر مقدار

  نمودار بررسی رابطه های جمعیت، کیفیت جواب و معیار توقف بایکدیگر

 چینش هشت مهره وزیر در صفحه شطرنج بدون تهدید یکدیگر

جدول سودوکو

مقاله: معرفی شبکه های عصبی و ساختار نورون عصبی‎

 مقاله:  معرفی شبکه های عصبی و ساختار نورون عصبی‎

شرح مختصر : دراین نوشتار به معرفی شبکه‌های عصبی مصنوعی و ساختارهای آن می‌پردازیم. در ابتدا توضیحاتی درباره هوش مصنوعی و شاخه‌های آن به صورت خلاصه می‌پردازیم، سپس نورونهای شبکه‌های عصبی طبیعی معرفی شده و طرز کار آنها نشان داده شده است، سپس مدل مصنوعی این نورونها و ساختار آنها، مدل ریاضی آنها، شبکه‌های عصبی مصنوعی و نحوه آموزش و به کارگیری این شبکه‌ها است.ابزارهایی نیز برای پیاده سازی این شبکه ها نام برده شده است.

فهرست:

هوش مصنوعی

شاخه های هوش مصنوعی

هوش مصنوعی سمبولیک

هوش پیوندگرا

سیستم های خبره

ربات ها

پردازش زبانهای طبیعی

زبان های هوش مصنوعی

شبکه های عصبی مصنوعی

توصیف شبکه های عصبی

شبکه های عصبی زیستی

معرفی شبکه های عصبی

قابلیت های شبکه های عصبی

تاریخچه شبکه های عصبی

مقایسه شبکه های عصبی با کامپیوتر ها

نورون مصنوعی

از نورن انسان تا نورون مصنوعی

ساختار شبکه عصبی شبکه های پیش خور

شبکه های پیش خور برگشتی

انواع شبکه های عصبی

روش یادگیری توسط شبکه عصبی

یادگیری یک پرسپترون

توابع قابل یادگیری توسط پرسپترون

الگوریتم پرسپترون

مشکلات روش شیب کاهشی

شبکه پرسپترون چند لایه

تقسیم بندی شبکه های عصبی

معایب شبکه های عصبی

مدل های یادگیری ماشین

یادگیری تقویتی

یادگیری احساسی

یادگیری استدلالی

هوش جمعی

بهینه سازی جمعی ذره ها

الگوریتم ژنتیک

عامل های هوشمند

عامل های شناختی و عامل های واکنشی

دانلود مقاله ISI پیاده سازی یک سیستم نسل مقاله بررسی خودکار

موضوع فارسی :پیاده سازی یک سیستم نسل مقاله بررسی خودکار

موضوع انگلیسی :A implementation of an automatic examination paper generation system

تعداد صفحه :4

فرمت فایل :PDF

سال انتشار :2010

زبان مقاله : انگلیسی

این مقاله با استفاده از ابزار J2EE بسیار سبک وزن و مبتنی بر معماری B / S برای طراحی یک خودرو
سیستم مدیریت مقاله تولید می شود. این سیستم شامل ماژول های مختلف، عبارتند از: کاربران
مدیریت، مدیریت موضوع، مدیریت طبقه بندی، ورود درخواست، درخواست
مدیریت، نسل کاغذ، و مدیریت کاغذ. فرایند طراحی را انجام
تجزیه و تحلیل و موسیقی را امتحان آزمایشی با استفاده از یک الگوریتم کارآمد با
احتمال زیاد از موفقیت است. با استفاده از این الگوریتم، کاربر نیاز به شناسایی موضوع،
نوع درخواست و سطح دشواری. از این ورودی، کاغذ بررسی خواهد شد
تولید به صورت خودکار. بر اساس یک مطالعه از رابط JSP و مایکروسافت ورد،
پیدا کنیم که سیستم ترکیبی با ورد بسیار خوب است. بنابراین این ویرایش از پرسش
و پاسخ با استفاده از ورد انجام می شود و مقاله نهایی ممکن است به عنوان `` doc است '' فایل های ذخیره شده.
این سیستم دارای ویژگی هایی مانند بهره برداری آسان، یک رابط خوب، قابلیت استفاده خوب،
امنیت بالا، پایداری بالا و قابلیت اطمینان.

تحقیق درباره بررسی بهینه سازی شبکه های توزیع با استفاده از الگوریتم ژنتیک

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 12 صفحه

چکیده

در این مقاله روشی برای طراحی بهینه شبکه توزیع بر مبنای الگوریتم ژنتیک ارائه شده است. اکثر روشهای ارائه شده در گذشته بیشتر بر جایابی مکان پستها و فیدرها و تعیین ظرفیت آنها تأکید داشته در حالی که در طراحی عملی در نظر گرفتن مسیرهای متعدد به لحاظ وجود محدودیتهای فیزیکی بسیار، امکان پذیر نمی‌باشد. در این مقاله با هدف کاربردی بودن روش ارائه شده جهت طراحی عملی از الگوریتم ژنتیک برای تعیین نوع هادیها و پارامترهایی نظیر نوع تیرهای میانی، طول اسپان و ضریب اطمینان استفاده شده است. این مقاله محاسبات مکانیکی شبکه توزیع که در روشهای گذشته کمتر به آن توجه شده است را برای دستیابی به بهینه‌ترین طراحی، در الگوریتم ژنتیک مورد استفاده قرار داده است.

در انتها این روش برای یک شبکه نمونه اجرا شده و نتایج ارائه گردیده است.

 مقدمه

طراحی شبکه های توزیع بشدت وابسته به استراتژیهای ابتکاری-استدلالی و قوانین سرانگشتی بدست آمده از تجربیات فراوان در حل مسائل گذشته است. برای اطمینان از پوشش داده شدن کامل تقاضای روبه رشد برای انرژی الکتریکی به صورت موجه از نظر تکنیکی و اقتصادی ضروری است که فعالیت طراحی دقیق و توانمندی صورت پذیرد. اگرچه تاکنون کارهای قابل ملاحظه ای بر روی کاربرد روشهای سیتماتیک برای طراحی سیستم  تولید و انتقال صورت گرفته است ولی کاربرد روشهای دقیق برای سیستم توزیع تقریبا به فراموشی سپرده شده است.

فرایند طراحی شبکه های توزیع، جستجو در فضای طرح های مختلفی است که محدودیتهای فنی آنرا تعریف می کنند و تعداد راه حلهای آن بسیار زیاد است. رفتار غیر خطی تابع هزینه مساله را بیشتر پیچیده می کند، مشکل بعدی در طراحی خودکار شبکه های توزیع اطاعات است. که این اطلاعات ممکن است در دسترس نباشد یا هزینه­ی جمع اوری زیادی داشته باشد یا اطلاعات مذکور به اندازه­ی کافی دقیق نباشد.

دانلود ترجمه مقاله: Genetic algorithm based reactive power dispatch for voltage stability improvement

فایل پی دی اف مقاله به همراه فایل ورد ترجمه

سال چاپ مقاله: 2010

«قسمتی از ترجمه»

عنوان:

 توزیع نیروی واکنش‌پذیر (فعال-رآکتیو)(واکنش) به شیوه‌ی الگوریتم ژنتیک برای توسعه‌ی ثبات ولتاژ

چکیده:

 ارزیابی ثبات ولتاژ و کنترل کار اصلی در یک مرکز کنترل انرژی مدرن را می‌سازند.این مقاله، یک فرضیه GA یا الگوریتم ژنتیکی پیشرفته را برای افزایش ثبات انرژی ارائه می‌دهد.شیوه‌ی پیشنهادی بر اساس کاهش حداکثر شاخص‌های از مسیرهای بار می‌باشد ولتاژهای ژنراتوری ،منابع VAR قابل قطع و وصل و تغییردهندگان شیر مبدل به‌صورت متغیرهای مطلوب سازی این مسئله استفاده می‌شوند.این فرضیه‌ی پیشنهادی به متغیرهای مطلوب سازی اجازه می‌دهد دوباره در شکل طبیعی خودشان در جمعیت ژنتیکی ارائه شوند.برای پردازش ژنتیکی مؤثر ،کاربران متقاطع و جهشی که می‌توانند به‌صورت مستقیم برخورد با شناورسازی اعداد نقطه‌ای و اعداد صحیح داشته باشند،استفاده می‌شوند ...

برای سفارش ترجمه‌ی تخصصی، با شماره‌ی 09118929655 (یوسفی) تماس حاصل فرمائید.

توجه: در صورتی که لازم است ابتدا فایل مقاله را دانلود کنید و آن را در اینترنت نیافته و یا نمیتوانید دانلود کنید، از طریق شماره تلفن همراه ذکر شده یا ایمیل [e-mail] درخواست کنید تا فایل مقاله برایتان ارسال گردد.