تحقیق در مورد تحلیل عملکرد تغذیهای خانوارها کاربرد برنامه ریزی خطی

اختصاصی از یاری فایل تحقیق در مورد تحلیل عملکرد تغذیهای خانوارها کاربرد برنامه ریزی خطی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه36

فهرست مطالب

  چکیده مقدمه 1. داده‌ها و اطلاعات 2. عملکرد تغذیه‌ای خانوارهای شهری و روستایی ایران 3. تعیین حداقل مخارج لازم برای تأمین ارزش‌های غذایی: کاربرد برنامه‌ریزی خطی

عملکرد تغذیه‌ای خانوارها به عوامل مختلفی همچون توان اقتصادی، دسترسی به بازار مواد خوراکی، سطح دانش و اطلاعات تغذیه‌ای آنها وابسته است. در سالهای اخیر در خصوص الگوی مصرف خانوارها و ضرورت تصحیح آن بسیار بحث شده است. متخصصین علم تغذیه بر دسترسی خانوارها به ارزش‌های غذایی متنوع بسیار تأکید نموده‌اند. الگوی مصرف بهینه را در حوزه علم اقتصاد می‌توان به صورت دسترسی به ارزش‌های غذایی مختلف همچون انرژی و پروتئین، مواد معدنی و سایر ریزمغذی‌ها با حداقل هزینه ممکن تعریف نمود. در این مقاله ضمن بررسی عملکرد تغذیه‌ای خانوارها با استفاده از روش برنامه‌ریزی خطی، حداقل مخارج لازم برای تأمین نیازهای غذایی متناسب با الگوی پیشنهادی متخصصین علم تغذیه محاسبه می‌گردد و سپس با مقایسه آن با مخارج واقعی گروههای مختلف درآمدی در شهر و روستا، نسبت به کارایی مخارج واقعی خانوارهای شهری و روستایی ایران قضاوت می‌کنیم. در تعیین حداقل مخارج لازم، از 29 قید که در برگیرنده توصیه‌های مراجع علم تغذیه می‌باشد استفاده شد. یافته‌های این مقاله دلالت بر آن دارد که خانوارهای شهری و روستایی در تعیین محتویات سبد خوراکی خود کارا عمل نموده‌اند و با توجه به توصیه‌های متخصصین علم تغذیه، مخارج خود را به طور مؤثر بین اقلام مختلف خوراکی تخصیص

دانلود پایان نامه ایجاد تغییرات در AHP با سلسله مراتب غیر خطی و وجود روابط ریاضی مابین معیارها – مدیریت

اختصاصی از یاری فایل دانلود پایان نامه ایجاد تغییرات در AHP با سلسله مراتب غیر خطی و وجود روابط ریاضی مابین معیارها – مدیریت دانلود با لینک مستقیم و پر سرعت .

فرمت : DOC

توضیحات :

از آنجا که اتخاذ تصمیم صحیح و به موقع  می تواند تاثیر به سزایی در زندگی شخصی و اجتماعی انسانها داشته باشد ضرورت وجود یک تکنیک قوی که بتواند انسان را در این زمینه یاری کند کاملا محسوس می باشد. یکی از کار آمد ترین این تکنیک ها فرایند تحلیل سلسله مراتبی (Analytical hierarchy process ) است که برای اولین بار توسط توماس ال ساعتی در دهه ی 1970 مطرح شد. این تکنیک بر اساس مقایسه های زوجی بنا نهاده شده و امکان بررسی سناریو های مختلف را به مدیران می دهد….

فهرست مطالب :
چکیده
مقدمه
فصل اول   
کلیات
موضوع تحقیق
بیان و تعریف موضوع
اهداف تحقیق
فرض تحقیق
قلمرو علمی تحقیق
قلمرو مکانی
متدولوژی تحقیق
روش تحقیق
روش گردآوری اطلاعات
محدودیت های تحقیق
فصل دوم
مروری بر ادبیات تحقیق
پیشگفتار
کلیات
اصول فرایند تحلیل سلسله مراتبی
مزایای فرایند تحلیل سلسله مراتبی
گام های فرایند تحلیل سلسله مراتبی
ساختن سلسله مراتبی
انواع سلسله مراتبی ها
روش ساختن یک سلسله مراتبی
محاسبه وزن در فرایند تحلیل سلسله مراتبی
روش های محاسبه وزن نسبی
روش حداقل مربعات
روش حداقل مربعات لگاریتمی
روش بردار ویژه
روش های تقریبی
محاسبه وزن نهایی
محاسبه نرخ ناسازگاری
ماتریس سازگار
ماتریس ناسازگار
الگوریتم محاسبه نرخ ناسازگاری یک ماتریس
الگوریتم محاسبه نرخ ناسازگاری یک سلسله مراتبی
سیستمهای غیر خطی یا شبکه ها
تئوری مطلوبیت
مفهوم مطلوبیت و رابطه اش با ارزش کالاها و خدمات
نظریه کاردینالی مطلوبیت
نظریه اردینالی مطلوبیت
مطلوبیت کل و مطلوبیت نهایی
نرخ نهایی جانشینی
رابطه بین نرخ نهایی جانشینی با مطلوبیت نهایی
بررسی سوابق گذشته
تجزیه و تحلیل فرایند سلسله مراتبی
تجزیه و تحلیل فرایند سلسله مراتبی
نتیجه گیری
پیشنهادات
فهرست منابع
تصمیم‌گیری چیست
تصمیم‌گیری چیست
مقدمه و کلیات
تعریف تصمیم گیری و مراحل آن
ویژگیهای یک تصمیم خوب
انواع تقسیمات در تصمیم گیری
تصمیم های برنامه ریزی شده و نشده
تصمیمات فردی و گروهی
تصمیمات فردی
تصمیم گیری گروهی
مدلهای کلان تصمیم گیری
مدل راضی کننده
مدل علاقه ضمنی
مدل علاقه ضمنی
مدل حداکثر بهره گیری (بهینه سازی
محیطهای کلان تصمیم گیری
قطعی و معین
تحت ریسک
عدم قطعیت
تعریف MCDM و مفاهیم اولیه آن
تعریف تصمیم گیری چند معیاره
تعاریف و مفاهیم اولیه
هدف بصورت یک تابع Objective
راه حل بهینه Optimal Solution
آلترناتیو
معیار
راه حل برتر Preferred Solution
راه حل رضایت بخش Satisfying Solution
راهحل موثر (غیرمسلط
مراحل آمادهسازی ماتریس تصمیمگیری
تبدیل معیارهای کیفی به کمی
خطکش مقیاس
منطق فازی Fuzzy Logic
نرمالیزه کردن
نرمالیزه کردن برداری
نرمالیزه کردن خطی
روش سوم نرمالیزه کردن
وزندهی
روش آنتروپی
روش مقایسات زوجی
انواع تکنیکهای MCDM
روش Dominance
روش Maximin
روش Maximax
روش Conjunctive
روش Disjunctive
روش Lexicography
روش حذفی
تکنیک های تعاملی
روش مجموع ساده وزین (SAW
روش TOPSIS
روش ELECTRE
روش AHP
روش DEMATEL
روش NAIADE
تکنیکهای پیشرفته تعاملی
روش EVAMIX
روش MAVT
روش UTA
روش MAUT
روش SMART
روش ORESTE
روش PROMETHEE
روش REGIME
روش PAMSSEM
مقایسه تکنیکهای MCDM

بررسی رفتار غیر خطی تیرهای بتنی مسلح بااستفاده از روش ترک ثابت و چرخشی

اختصاصی از یاری فایل بررسی رفتار غیر خطی تیرهای بتنی مسلح بااستفاده از روش ترک ثابت و چرخشی دانلود با لینک مستقیم و پر سرعت .

پایان نامه کارشناسی ارشد

فرمت فایل: PDF و شامل 125 صفحه

خلاصه پایان نامه:

 در این پایان نامه، تحلیل غیرخطی تیرهای بتنی مسلح با استفاده از روش ترک ثابت و چرخشی مورد بررسی قرار می گیرد. در روش ترک ثابت فرض بر اینست که پس از ایجاد ترک، هندسه آن ثابت باقی می ماند، درحالیکه در روش ترک چرخشی امتدادترک باتوجه به امتدادهای اصلی تغییر می کند. در این پایان نامه دو زیر برنامه به زبان فرترن برای اعمال روش ترک ثابت و چرخشی نوشته و به نرم افزارLink ،ANSYS شده است. استفاده از مدلهای رفتاری مناسب برای بتن و فولاد، سبب می شود که اثر نرم شدگی بتن در فشار، سخت شدگی کششی بتن مسلح در کشش، مدول برشی بتن ترک خورده و اثر متقابل بتن و فولاد بخوبی لحاظ شود. این زیر برنامه ها برای المان Plane42 نوشته شده اند. نرم افزار Ansys از یک المان سه بعدی، Solid65، برای تحلیل رفتار غیرخطی مصالح ترد نظیر بتن استفاده می کند. این المان قابلیت درنظر گرفتن ترک خوردگی در ناحیه کششی و نیز خورد شدگی در ناحیه فشاری را دارا می باشد. برای بررسی صحت و دقت نتایج حاصل از روش ترک ثابت و چرخشی، دو نمونه تیر بتنیمسلح مورد بررسی قرار گرفته و نتایج حاصل با مقادیر آزمایشگاهی مقایسه شده اند. تیرهای بتنی فوق با استفاده از المانSolid65 نیز مدلسازی و تحلیل شده و نتایج به دست آمده با نتایج هر دو روش فوق و نیز نتایج آزمایشگاهی مقایسه شده اند. نتایج حاصل نشان می دهد که در مقایسه با روش ترک چرخشی، روش ترک ثابت از توانایی بیشتری در پیش بینی منحنی بار- تغییر مکان و نیز بار نهایی تیر بتنی مسلح برخوردار است.همچنین وقتی از المان Solid65 در مدلسازی استفاده می شود، تیر بتنی خیلی زودتر از رسیدن به بار حداکثر دچار شکست می شود. این مساله به دلیل قابلیت خرد شدگی بتن در المان Solid 65 رخ می دهد. با حذف این قابلیت و تعریف یک مدل رفتاری فشاری مناسب بصورت یک مدل چند خطی، نتایج به میزان قابل توجهی بهبود می یابد.

دانلود مقاله برنامه ریزی خطی حوزه حداقل ، برای پوشش تنظیم های افراطی

اختصاصی از یاری فایل دانلود مقاله برنامه ریزی خطی حوزه حداقل ، برای پوشش تنظیم های افراطی دانلود با لینک مستقیم و پر سرعت .

برنامه ریزی خطی حوزه حداقل ، برای پوشش تنظیم های افراطی در ماشین های یادگیری

خلاصه مطا لب
در بهینه سازی جدید ماشین های یادگیری (ELM) روش های ترکیبی پیشنهاد شده ، که به وسیله آنها ماتریس با پوشش گسترده را توسط تابع صاف ،آرامش عینی ومحدود یت های کلی تر روش برنامه ریزی خطی برای تعیین حوزه حداقل ، در تدوین و شکل گیری پوشش های مشکل تعریف کردیم . ما این روش را برنامه ریزی خطی حوزه حداقل را برای پوشش تنظیم های افراطی ماشین های یادگیری (LPMSSC) نام گذاری کردیم . علاوه بر این در این مقاله ما به مطابقت LPMSSC محدود و LPMSSC گسترده با استفاده از معادله نا اقلیدسی L1 و متریک L- بی نهایت پرداخته و سپس آن برای کاربرد ،روش LPMSSC را در ELM پیشنهاد نمودیم و در نهایت یک داده مستقل در الگوریتم (DDELM) ELM را ارائه دادیم . به این وسیله ما میتوانیم ELM پیوسته را برای طبقه بندی نمونه ها به طریق LPMSSC به دست آوریم . در این مقاله ما به بررسی عملکرد روش ارائه شده از طریق مبنا قرار دادن مجموعه داده ها UCI پرداختیم .

واژه های کلیدی :
ماشین های یاد گیری افراطی ، پوشش مجموعه حوزه های حد اقل ، بر نامه ریزی خطی ، طبقه بندی الگویی

مقدمه :
اخیراً یک الگوریتم یادگیری جدید برای شبکه های کنترل کننده با لایه مخفی منفرد (SLFN) پیشنهاد شده است که ماشین یادگیری افراطی (ELM) نامیده می شود . در(ELM) پارامتر های گره مخفی (وزن های ورودی ،تمایلات پنهان یا مراکز RBF و عوامل موثر بر گره پنهان می باشد که به شکل تصادفی انتخاب شده و وزن های خروجی به صورت تحلیلی با استفاده مور-پنورس (MP) معکوس عمومی تعیین شده اند . ELM تنها به یادگیری بسیارسریع با عملکرد بالاتر کلیت اجرا نسبت به شیب قدیمی بر اساس الگوریتم های یادگیری نمی پردازد بلکه از مشکلات بسیاری که به وسیله شیب ایجاد میگردد که مبتنی بر روش های یاد گیری مانند معیار توقف ، نرخ یاد گیری ، دوره های یاد گیری ، و اقلیت های بومی می باشد جلوگیری می کند .
بنابراین پیشنهاد می شود که نسخه پویا ELM به صورت E-ELM نام گذاری شود ودراین صورت E-ELM ثبت شده می تواند معماری شبکه های فشرده بیشتری را نسبت به ELM اصلی فراهم کند. بنابراین انتخاب معیار عملکرد برای الگوریتم محاسبات تکاملی و همین طور E-ELM ها تعیین می گردد که این معیار ممکن است در ساختارهای توپولوژی های مختلف مورد استفاده قرار گیرد . همین طر برای شبکه های عصبی کنترل کننده ساختار های بسیاری از روش های اکتشافی وجود دارد که مانند ساختار داده ها برای حفظ معیار ها [K] و تعامد حداقل توان (OLS) [16] هرس و تنظیم در حال رشد و مانند آن موثر باشد . د رواقع برای اکثر این روش ها ما به یک معیار قیاسی برای مشکل انتخاب ساختار نیاز داریم که این امر کاملا ً بر تجارب ذهنی مرتبط می باشد . از آنجایی که در اغلب موارد به شکل غیر ضروری تعداد زیادی از نرونها در ELM مخفی می باشد لازم است برای استفاده کار آمد از برخی از آنها ساختار های توپولوژی شبکه های پویاتری را فراهم نمود . در این مقاله ما سعی می کنیم به تعیین مدل توپولوژی شبکه ELM-RBF به عنوان مشکل پوشش مجموعه از حوزه های حد اقل بپردازیم .
در ابتدا ما به تولید داده های حوزه های وابسته با توجه به نمونه های آموزشی و سپس به معرفی مفهوم 1-0 ماتریس پوشش می پردازیم . از آنجایی که راه حل برنامه ریزی عدد صحیح یک سیستم سخت می باشد ما پیشنهاد کنیم که از یک مبنای ساده تابع (مشابه تابع فعال سازی حساب کاربری سنتی مثل شبکه های عصبی کنترل کننده) استفاده گردد. ما دراین مقاله روش پوشش مجموعه حوزه های بر نامه ریزی خطی را(LPMSSC) می نامیم LPMSSC می تواند به صورت اتوماتیک به تولید کنترل کننده های پیوسته در ساختار شبکه های عصبی خنثی با استفاده از دادههای وابسته به تابع صاف و را ه حل برنامه ریزی خطی بپردازد که این می توان در چارچوب تئوری VC توجیه نمود . این مقاله به شکل زیر سازماندهی شده است . در بخش 2 ما به بررسی روش LP و برخی از الگوریتم های توسعه یافته حل مشکل پوشش مجموعه ای از حوزه ها می پردازیم . بخش 3 ارائه دهنده داده های مر تبط با الگوریتم ELM-RBF می باشد . آزمایش های انجام گرفته در این زمینه و بررسی آنها در بخش 4 مورد بررسی قرار می گیرد ودر نهایت اظهارات و نتیجه گیری های انجام شده در بخش 5 ارائه می شود.

2- روش برنامه ریزی خطی پوشش حداقل حوزه های مجموعه
در نمونه های آموزشی داده شده D= در اینجا و می باشد. پوشش مجموعه حوزه ها در مساله طبقه بندی دودویی برای یافتن مجموعه ای از حوزه ها با طبقه بندی ویژه می باشد که در این صورت و است در اینجا هر حوزه Si توسط مرکز C(Sj) ،شعاع r(si) و برچسب رده r(si) توصیف شده است. اگر در نمونه مفروض Xi به وسیله حوزه Sj پوشش داده شود به عنوان مثال این صورت تنها فاصله اقلیدسی میان نمونه Xi و مرکزC(Sj) کمتر از شعاع r(Sj) خواهد بود که به عنوان نمونه بنابراین با ثبت سوابق قبلی ما می توانیم داده های وابسته به حوزه si را برای xi به شکل زیر تعریف نماییم :
1)
در اینجا xi نمونه ای است که به نزدیکترین طبقه به مثال xi تعلق دارد.

1-2 پوشش مجموعه ای از حوزه های حداقل از طریق برنامه ریزی عدد صحیح
برای مجموعه ای از حوزه های داده شده S={si,i= 1,….,n} مامی توانیم در یک ماتریس پوشش 1-0را چنین تعریف نماییم.

یا
در اینجا d(xi,xj)یک فاصله اقلیدسی میان rj , xi , xj می باشد که شعاع حوزه sj بر xj تمرکز یافته است . بنابراین kij ورودی 1 می باشد که این امر در صورتی ممکن است که حوزه مورد نظر برای xj تمرکز یافته و xi را پوشش دهد . مساله پوشش مجموعه حوزه حداقل می تواند به عنوان برنامه ریزی عدد صحیح به صورت زیر فرمول بندی شود :

3)

در اینجا حاصل جمع شماری از حوزه های است که در مجموعه فرعی حوزه z قرار می گیرد. و شماری از حوزه هایی که است که نمونه xi را در برمی گیرد . حداکثر تابع هدف شمار حوزه ها در زیر مجموعه های z می باشد که دراین وقت محدودیت ها پوشش حوزه ها در حداقل یک نمونه را تضمین می کند . برای برخی از مسائل امکاناتی در هر نکته وجود دارد که می تواند حوزه را تحت پوشش قرار دهد. برای هموار کردن برخی از خطاها ما می توانیم متغییرهای کمکی را معرفی نماییم همچون ماشین بردار کمکی (svm) و این برنامه ریزی عدد صحیح را به صورت زیر بازنویسی نماییم :

4)

در اینجا c>0 یک عدد ثابت است که مبادله میان اشتباهات آموزشی و شماره حوزه را کنترل می کند برای حل مساله برنامه ریزی عدد صحیح ما میتوانیم نتیجه را با استفاده از تابع طبقه بندی به دست آوریم .
5)

علاوه بر این هر دو فرمول (3) و(4) مساله برنامه ریزی عدد صحیح می باشد که LP را برای مجموعه پوشش ماشینی بسط و گسترش می دهد .

2-2پوشش مجموعه حوزه های حداقل گسترده از طریق برنامه ریزی خطی
همان طور که در معادله (2) تعریف شد ماتریس پوشای k به صورت دودویی می باشد که این امر به خاطر عناصر مجموعه s در حوزه می باشد و این امر بیشتر به وسیله تصمیم گیری دودویی حاصل می شو د . ما می
توانیم بار دیگر ماتریس پوشا را با استفاده از تابع صاف ویژه به صورت زیر نشان دهیم :
6)
در اینجا F basis(0) یک تابع صاف همچون یک تابع RBF به صورت
می باشد که یک پارامتر کنترل با سرعت از بین میرود . چیزی که بیشتر ما میتوانیم در این زمینه انجام دهیم کم کردن قیود ومحدودیت ها که در این زمینه وجود دارد که میتواند به صورت در عوض اعداد صحیح ثابت قرار گیرد. برای بررسی طبقه بندی برچسب اطلاعات ما میتوانیم فرمول LP را به شکل زیر به دست آوریم :

7)

تابع هدف شمار حوزه ها در زیر مجموعه به حداقل می رساند در اینجا c>0 ثابت است که مبادله میان خطاهای آموزشی و شمار حوزه ها را کنترل می کند . در نهایت ما می توانیم هر حل کننده LP را به خاطر حل این مساله به کار بریم . بار دیگر ما میتوانیم تابع تصمیم را برای هر نمونه نامکشوف x به شکل زیر نشان دهیم :
8)

3-2 پوشش مجموعه حوزه های حداقل هستهای از طریق برنامه ریزی خطی
به خاطر اینکه روش پیشنهادی به خوبی در فضای ابعادی کار می کند تکنیک هسته ای می تواند مورد استفاده قرار گیرد . برای یاد آوری فوت وفن هسته ای اولا باید تابع غیر خطی استفاده کرد وسپس داده ها را در فضای ویژه F جاسازی نمود که در آنجا نمونه های غیر خطی موجود به شکل خطی نشان داده می شود. در الگوریتم اجرایی بیشتر سعی بر این است که حاصلضرب میانی به شکل جفت در نقاط مختلف جاسازی شود . در نهایت بخش های هسته ای می توانند مورد استفاده قرار گیرند مثلا مضرب درونی در فضای ویژه می تئاند به شکل مستقیم از منابع وتوسط هسته های مرسر مورد محاسبه قرار گیرد . در حال حاضر ما می توانیم تعریفی از داده اهی وابسته به حوزه ها را ارائه دهیم . با استفاده از تابع نقشه کشی غیر خطی ما میتوانیم از گام های مشتق گیری در معادله (1) پیروی کنیم و به این وسیله مساله را می توانیم به این شکل توضیح دهیم :
اگر نمونه داده شده توسط حوزه بالاتر sjk پوشش داده شود در این صورت خواهد بود در اینجا k ارائه دهنده هسته مرسر می باشد . و این امر تنها در صورتی است که فاصله میان نمونه و مرکزc(sjk) از شعاع r(sjk) کمتر است . بنابراین با توجه به نشانه های قبلی ما می توانیم داده های زیر را در ارتباط با حوزه های فوق در sik تعریف نماییم برای هر نمونه در xi فضای ویژه در هسته می شود.
9)
با استفاده از خطوط هسته ای در معادله (9) ما میتوانیم آن را به صورت زیر ساده سازی نماییم :
10)
در نتیجه ما میتوانیم ماتریس پوشای هسته ای 1-0 را به شکل زیر تعریف کنیم :
11)
با استفاده از این تعریف ما میتوانیم به سادگی همان راه حل به عنوان معادل 4 را ارائه دهیم اما توجه کنید که ماتریس پوشا اکنون به صورت هسته ای می باشد
همین طور ما میتوانیم بار دیگر ماتریس پوشای هسته ای را به شکل سلیس به صورت زیر نشان دهیم .
12)
با توجه به تابع RBF ما باید آن را بار دیگر در فضای ویژه هسته به صورت زیر بنویسیم :
13)
در اینجا
این مقاله هسته به دلیل عملکرد عالی درحوزه طبقه بندی انتخاب شده است . بنابراین به دلیل قابل تنظیم و تطبیق می باشد . ما میتوانیم به سادگی آیتم را از معادله 13 پاک کنیم.
بار دیگر ما میتوانیم همان راه حل را همچون معادله 7 ارائه نماییم اما توجه داشته باشید ورودی در ماتریس پوشا در حال حاضر توسط معادله زیر جایگزین می گردد .

با توجه به این که مثال نادیده x از تابع تصمیم هسته ای به شکل زیر تبعیت می کند :
14)

باید توجه کرد که در شکل هسته ای نیازی به دانستن تعابیر واقعی در مرکز فضای ویژه نیست همانطور که پیش از این ذکر شد ما تنها به بدست آوردن حاصلضرب شکل درونی هبورتی که بتواند توسط مرسر هسته ای جایگزین گردد نمی باشیم .

4-2 گسترش فاصله نا اقلیدسی
در واقع جز برای بیان فاصله اقلیدسی یا (L2) همچنان فاصله L1 و فاصله L نامحدود نیز موجود می باشد از آنجا که تنها در زمینه اصلاح ما باید مراقب فاصله متریک باشیم ما فقط داده های وابسته به تعاریف حوزه برای در تعمیم فاصله اقلیدسی را ارائه می دهیم . برای فاصله مورد L1 ما میتوانیم داده های وابسته به حوزه زا به صورت زیر تعریف می کنیم :
15)
در اینجا 1 روش L1 را مشخص می کند
برای فاصله مورد بی نهایت L- ما می توانیم داده وابسته به حوزه را به صورت زیر تعریف نماییم :
16)
در اینجا روش L1 را مشخص می کند
با استفاده از این دو تعریف ما می توانیم به طور طبیعی ،به نتیجه گیری حوزه مربوط به تعیین حداقل پوشش عبارات از طریق LP بپردازیم . توجه داشته باشید ایجاد اصلاحات بزرگ هنوز در فاصله آیتم کذب واوی خلاف واقع می باشد . با انواع فواصل متفاوت ما میتوانیم بسط و گسترش متفتوتی را ایجاد نماییم گام بعدی تقریبا مانند عملکرد در نسخه هسته ای می باشد . به منظور اختصار ما در این مقاله به بحث و بررسی این موضوع نمی پردازیم . اما قطعا تلاش برای استفاده از دیگر فواصل متریک (به غیر از بی نهایت L1 , L2 , L0) ارزشمند است در واقع یکی کردن از دانش های قبلی در یادگیری کارهایی چون فواصل متریک ماهالانوبین از جمله این امور می باشد . بدیهی است که این امر می تواند راهی جهت پیشرفت های آینده باشد .

3- داده های وابسته به الگوریتم ELM-RBF
در این بخش ما داده های وابسته الگوریتم یاد گیری ELM-RBF را پیشنهاد می کنیم . ما نشان می دهیم که چگونه LPMSSC می تواند به اجرای داده های وابسته به توپولوژی ELM-RBF برای مساله طبقه بندی دور ده بپردازد . پیش از اینکه ما به این مبحث وارد شویم ، به طور مختصری به بررسی الگوریتم اصلی ELM-RBF که توسط هوآنک پیشنهاد شده است می پردازیم .

1-3 بررسی ELM-RBF
نمونه آموزشی داده شده D= یک REFNN با هسته های n برای دو طبقه بندی رده می باشد که می تواند به شکل زیر نمایش داده شود
17)
در اینجا رابط فشار I هسته ای و اعصاب خروجی و کاربرد i هسته ای که معمولا به شکل تابع گائوسی می باشد :
18)

در اینجا هسته مرکزی I می باشد و عرض تماس می باشد .
بنابراین الگوریتم اصلیELM-RBF در[9] عبارت است از:مجموعه داده های آموزشی مفروض وشمار هسته ای
گام اول: اختصاص بی هدف مرکز هستهای و عرض تماس
گام دوم : محاسبه لایه پنهانی (هسته) در ماتریس خارجی
گام سوم : محاسبه فشار خارجی
نکته : توجه کنید که در الگوریتم اصلی ELM-RBF هسته مرکزی و عرض فشار کاملا بی هدف و به طور مستقل مجموعه داده ها را آموزش می دهد . این امر نیازمند به شمار هسته ای برای یاد گیری کار می باشد که این روند به خوبی مشخص شده است .
2-3 داده های وابسته به الگوریتم ELM-RBF

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله 14   صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

دانلود مقاله دوگانی نوع Bector – Chandra در برنامه ریزی خطی فازی با استفاده از تابع نمایی

اختصاصی از یاری فایل دانلود مقاله دوگانی نوع Bector – Chandra در برنامه ریزی خطی فازی با استفاده از تابع نمایی دانلود با لینک مستقیم و پر سرعت .

خلاصه :
در این مقاله یک جفت از مسائل اولیه – دوگانی در برنامه ریزی خطی فازی را مورد بررسی قرار می دهیم و نتایج دوگان را با استفاده از روش aspiration Level محاسبه می کنیم . در اینجا ما از تابع نمایی استفاده می کنیم و این برخلاف کارهای قبلی است که از تابع خطی استفاده می کردیم . به علاوه محیط فازی یک Gap (شکاف) دوگانی را هم بوجود می آورد و ما چگونگی انتخاب تابع نمایی را به طوری که بر این فاصله (شکاف) دوگانی تأثیر گذارد بررسی می کنیم . این مسئله (نتیجه) به خصوص در مورد مسائل برنامه ریزی خطی فازی در حالی که مقادیر توابع اولیه و دوگان ممکن است نامحدود باشد استفاده می شود .

مقدمه :
برنامه ریزی خطی یکی از پرکاربردترین ابزارهای تصمیم گیری برای حل کردن مسائل جهان واقعی است . یکی از مهمترین فرضیاتی که در این تکنیک به کار می رود این است که مقادیر ورودی دقت زیادی (کاملی) دارد . اگرچه (بیشتر اوقات) این طور نیست زیرا حالت (موقعیت) جهان بیشتر بر اساس بی دقتی است تا براساس دقت .
به علاوه تعدادی از محققین به مبحث برنامه ریزی خطی فازی علاقه مند هستند .
برنامه ریزی خطی فازی می تواند بر اساس این 2 مفهوم رده بندی شود : 1) محدودیت های فازی تصمیم ساز – ایده آل های تصمیم سازی با رعایت حالات (اهداف) و/ یا محدودیت ها . 2) ابهام در ضرایب تابع هدف و/ یا محدودیت ها .
ترکیبی از این 2 مفهوم به ما انواع مختلفی از مسائل برنامه ریزی خطی فازی را ارائه می دهد . از آنجایی که در این روش فقط یک نوع از برنامه ریزی خطی فازی را ندارد ] یعنی انواع مختلفی دارد[ این سخت است که انتظار داشته باشیم فقط یک نوع تئوری دوگانی واحد برای برنامه ریزی فازی خطی وجود داشته باشد . بیشتر نتایج دوگانی در برنامه ریزی خطی فازی با به کار بردن روش aspiration Level (ترازهای مطلوب) یا یک روشی که روابط کلی فازی را ارضا کند به دست می آید .
در این مقاله ما سعی می کنیم نتایج دوگانی را برای یک جفت مسألۀ اولیه – دوگانی برنامه ریزی خطی با به کار بردن روش aspiration Level که توسط Zimmermann در ] 36[ توضیح داده شده به دست آوریم. روش aspiration Level که در این مقاله به کار برده شده است بر اساس این حقیقت است که در عمل یک تصمیم ساز راحت تر محدودیت های فازی را توصیف می کند یا به عبارت دیگر استفاده از aspiration Level برای هدف یا / و محدودیت ها تعداد زیادی از مسائل فازی با پارامترهای گوناگون را ارضا می کند . به علاوه روش aspiration Level مؤثرتر است در حالی که به سازگاری در منطق تصمیم ساز ندارد . aspiration Level بیشتر شبیه به یک جستجوگر است تا یک پارامتر وزنی . برای فهمیدن دوگانی در برنامه ریزی خطی فازی روش aspiration Level را به کار می بریم که بر اساس کاری که Zimmerman و Rodder ]23[ انجام داده اند ] برمی گردد به نظریۀ این دو شخص[
آن ها از ویژگی نقطۀ زینی تابع لاگرانژ شروع کردند .

که در اینجا w , x به ترتیب متغیرهای اویه ، دوگان هستند که یکی بر اساس min بودن و یکی بر اساس max بودن است . اگر y , x را به عنوان متغیرهای تصمیم برای دو عامل در بازارهای تولیدی در نظر بگیریم تئوری دوگانگی برای برنامه ریزی خطی رفتار بهینۀ هر عامل را بررسی می کند . در هنگام فازی سازی ساختار آنالیز شده با برنامه ریزی خطی ، رفتار بهینه سازی فرعی یا به طور کلی رفتار بهینه سازی می تواند با به کار بردن انواع خاصی از تابع عضویت بررسی می شود .
این تحقیق ارائه شده بر اساس این حقیقت است که دوگانی بین مسائل برنامه ریزی خطی اولیه – دوگانی می تواند از دوگانی قراردادی به محدودیت فازی ارائه شده که توسط Bector و Chandra ارائه شده است تبدیل شود. اگر چه نتایج دوگانی ایجاد شده با یک محیط فازی باید با نتایج مشابه برای موقعیت های Crisp مطابقت داشته باشد در ]1[ دیده می شود . این فهمیده می شود که نتایج دوگانی در مسائل برنامه ریزی خطی برای یک محیط فازی حالت های خاصی هستند که به نتایج مشابه برای موقعیت های Crisp منجر می شود . مفاهیم دوگانی برای محیط فازی به کار برده شده در این مقاله توسط تعداد قابل توجه ای از محققین پیشین به خوبی مورد حمایت قرار گرفته است .
]9[ Hamacher ، ]23[ Zimmerman and Rodder ، ]4،1 [ Bector and Chandra ، ]3،2 [ Bector ، ]29[ vijay .
این مهم است که در هنگام اجرای فرمول های برنامه ریزی خطی فازی بر اساس aspiration Level vague (ترازهای مطلوب دارای ابهام) در یک تصمیم ساز ، تابع هدف و محدودیت های سیستم با یک تابع واحد تعریف شده اند . این تابع مثل یک فاکتور جانشینی برای مزیت های عملگر برای مشخص کردن نتایج مطلوب تابع عمل می کند . چندین تابعی که در برنامه ریزی خطی به کاربرده می شود به این صورت است . 1) خطی 2) تکه ای خطی 3) نمایی 4) هیپربولیک 5) منطقی 6) s-shaped
این لیست به هیچ وجه کل توابع موجود را نشان نمی دهد . یک تابع خطی به دلیل سادگی و نیز به خاطر تکیه بر 2 نکتۀ ثابت سطوح (کردن) بالا و پایین بیشترین کاربرد را دارد . اگرچه یک تابع خطی در بعضی موقعیت های عملی عملکرد مناسبی ندارد . به علاوه اگر تابع به عنوان مزیت های فازی تصمیم ساز باشد برای توصیف ترازهای نامحدود ، مفید یا مغایر با عدم قطعیت به کار برده می شود . پس یک تابع غیر خطی عملکرد بهتری نسبت به تابع خطی دارد . به علاوه این باید مورد توجه قرار گیرد که بر خلاف توابع خطی برای توابع غیر خطی نرخ افزایش یا کاهش مقادیر مانند تابع پارامترهای مدل که ثابت نیست ، یک روشی است که مقدار واقعی نسبت به موارد خطی بهتر برمی گرداند.
بر اساس بررسی مطالب بالا این که توابع غیر خطی در برنامه ریزی خطی فازی مورد استفاده قرار گیرد مطلوب تر است و این قابل توجه است که نتایج دوگانی حتی با به کار بردن توابع تکه ای خطی ، هیپروبولیک و منطقی و s-shaped می توان به دست آورد . اگرچه نتایج به دست آمده به این روش با نتایج دوگانی مشابه در موقعیت های Crisp یکسان نیستند . سپس در اینجا ما تابع نمایی را برای به دست آوردن نتایج دوگانی در محیط فازی استفاده می کنیم که این نتایج نه تنها مطابقت بهتری با نتایج دوگانی مشابه برای موقعیت های Crisp دارد اما آن ها برای تابع هدف (مورد نظر) و شرایط سیستم که توسط تصمیم ساز نشان داده شده اند ترازهای مطلوب / تلورانس ترکیب می کنند .
مسئله مهم دیگری که هنوز باقی مانده است شکاف دوگانی ایجاد شده در محیط فازی است . در مقالۀ ارائه شده این مسئله بررسی می شود که آیا شکاف دوگانی می تواند متناسب با تغییر پارامترهای شکلی در تابع نمایی تغییر کند یا نه ؟
سپس هدف این مقاله 2 تا است . اول : ما نشان می دهیم که نتایج دوگانی ] مطابق با Bector , Chandra ]1[ ) می تواند با تابع نمایی به جای استفاده از تابع خطی به دست آید . دوما ً : ما با استفاده از مثال عددی نشان می دهیم که برای یک aspiration Level داده شده و یک تلورانس مجاز شکاف دوگانی در محیط فازی با انتخاب پارامترهای شکلی مختلف تغییر می کند . در ادامۀ مقاله این طور بررسی می کنیم : بخش 2 یک تجدید نظر نوشتاری در دوگانی در برنامه ریزی خطی فازی است . در بخش 3 جفت اولیه دوگانی در مسائل برنامه ریزی خطی با aspiration Level vague داده شده را با استفاده از تابع نمایی بررسی می کنیم . ما نتایج دوگانی مناسب را برای یک محیط فازی به دست می آوریم . در بخش 4 نمایش عددی از نتایج دوگانی و حالت های وابستگی را ارائه می دهیم . در بخش 5 بروشان را به مسائل برنامه ریزی خطی فازی با پارامتر های فازی و محدودیت های فازی گسترش می دهیم . همچنین بعضی حالات خاص از تابع نمایی و نتایج دوگانی را نشان می دهیم در آخر در بخش 6 بعضی از ملاحظات را ارائه می دهیم .
2) تجدید نظر نوشتاری
این مشخص شده که در برنامه ریزی خطی تئوری دوگانی یک حالت (جایگاه) مرکزی دارد . در این تئوری برای مسئلۀ داده شده که Primal(اصلی ، اولیه) نامیده می شود ما آنالیز را بر روی مسأله دیگری که دوگان نامیده می شود انجام می دهیم و رابطۀ بین این دو مسئله به منظور مشخص کردن راه حل بهینه برای هر دو مسئله به کار برده می شود . برای مطالعه (بررسی) دوگانگی در مسائل برنامه ریزی خطی این موضوع حتمی است . ] قطعا ً انجام می شود[ . در اینجا فرضیۀ دوگانی state – of – the – art را با تمرکز برروی روابط اصلی برای برنامه ریزی خطی فازی بررسی می کنیم . اگر چه دوگانگی در برنامه ریزی خطی ]23[ Zimmerman و Rodder روابط کران دارخاصی را بین مقادیر اولیه و دوگان با استفاده از روش aspiration Level بدست آوردند . Bector و Chandra یک سری مشکلات داخلی را برای فرمول های دوگانی فازی در ]23[ نشان دادند که در موقعیت های خاص crisp روش به کار رفته در ]23[ به برنامه ریزی خطی اولیه – دوگانی منجر نمی شد یک جفت اصلاح شده از مسائل برنامه ریزی اولیه – دوگانی پیشنهاد کردند که با تابع خطی را به کار می گرفت . آن ها توانستند نتایج دوگانی مطلوبی به دست آورند . ]27[ verdegay مسائل دوگانی فازی را با استفاده از مسئلۀ برنامه ریزی خطی پارامتری توضیح داد و نشان داد که مسائل فازی اولیه و دوگانی در بعضی از شرایط مناسب یک راه حل فازی یکسان دارند . ضرایب فازی تابع هدف که در ]27[ نشان داده شده است زیر مجموعه ای از R هستند و محدودۀ نامعادله با استفاده از تابع خطی فرمول بندی می شود . (ضرایب محدودیت کردن) نامعادله هنوز مقادیر واقعی هستند . بر اساس رفتارهای هدف یابی و سازش در تصمیم ساز ]16[ Lie etal یک روش سازنده برای دوگانی در چند ضابطه ای های فازی و چند کرانی (محدوده ای) فازی در برنامه ریزی خطی فازی ارائه داد . هر دوی مسائل اولیه و دوگانی فازی به عنوان مسائلی با هدف بهینۀ فازی در مسائل برنامه ریزی خطی معمولی مشخص می شوند . در این مقاله برای مسائل اولیه – دوگان با استفاده از توابع خطی جداگانه برای هر جفت از راه حل های فازی اولیه – دوگانی چندین تابع ضعیف دوگانی فازی را ساخته شد .
]6[ Jimenez , cendra یک فرم از دوگانگی فازی ارائه دادند که قضیه تجزیه و بعضی ویژگی های برنامه ریزی خطی با ضرایب مختلف را به کار می برد . آن ها یک مسئلۀ برنامه ریزی خطی را که با مقادیر فازی ارائه شده توسط تابع خطی را بررسی کردند و آن را با به کار بردن 2 مسئلۀ دوگانی که مسائل برنامه ریزی خطی با شرایط فازی بودند حل کردند .
]2،3[ Bector نتایج دوگانی ]1[ را برای بررسی با اهداف فازی به کار برد . ]29[ vijay نتایج دوگانی آن ها را به مسائل برنامه ریزی خطی با پارامترهای فازی و ضرایب فازی با استفاده از تابع de fuzzification و تابع خطی گسترش داد . مثلا ً آن ها ماتریس را با PQy- offs فازی بررسی کردند . برای نتایج فازی برنامه ریزی خطی که روابط معتبر فازی را دنبال می کنند بعضی روش های جدید و جذاب ارائه شده است . مسئلۀ برنامه ریزی خطی و نیز دوگان آن را با به کار بردن روابط فازی ملاحظه کنید .



که و و مقادیر فازی در تابع هستند .

مسأله برنامه ریزی خطی دوگانی به صورت زیر مشخص شده است .



در اینجا بسط فازی رابطۀ معتبر P روی R و بسط دوگانی فازی P است با ترکیب روابط اولیه و دوگان می توان یک جفت اولیه – دوگان برای مسئلۀ برنامه ریزی خطی فازی ایجاد کرد . ]12[ Inuiguchi مسائل برنامه ریزی خطی با روابط فازی و روابط دوگان (که S=max , T=min) و نیز نتایج دوگانی ضعیف و قوی را بررسی کردند . برای به دست آوردن نتایج دوگانی قوی نویسندگان فرض کرده اند وجود اهداف افزوده تولیدی بیرونی در یک مسیر واقعی فازی نتایج دسته های یکسان (مشابه) برای یک حالت کلی در ]19،20[ به دست می آید . برای مسائل برنامه ریزی خطی فازی ]21[ Ramik مفاهیم عملی و راه حل های efficient- ∝ را تعریف کرد از طریق راههای متفاوت نسبت به راه حل های پذیرفته شده در ]12،19،20[ . نتایج دوگانی قوی در ]21[ بدون نیاز به اهداف افزوده نتایج دوگانی قوی را بهبود می بخشد . ]21[ Ramik یک سری از مسائل برنامه ریزی خطی با روابط فازی را مورد بررسی قرار داد که و روابط فازی دوگان هستند در عمل یا . Ramik برای feasible- β و راه حل های maximal , minimal - (β ،∝) تعریفی ارائه داده است . برای اندازه گیری احتمالات و ضروریات نتایج دوگانی قوی در ]22[ نشان داده شده است . اگر چه این نتایج برای راه حل maximal (∝ ،∝) یا راه حل maximal – (∝-1 ، ∝-1) برای مسائل بهینه و minimal (∝-1 ، ∝-1) یا minimal (∝ ،∝) برای مسائل دوگان است . ]32[ wu مسائل برنامه ریزی خطی اولیه و دوگان را به کار بردن نتایج اسکالر فرمول بندی کرد . رابطۀ فازی خاص ≥ برای مقایسۀ اعداد فازی استفاده شده است . البته هنوز رابطۀ فازی ≥ یک بسط فازی از رابطۀ معمولی باینری ≥ است .
استفاده از ترکیب دهی تکراری روی مجموعۀ همۀ اعداد فازی با راه حلی شبیه به این راه است که به کار ببریم برنامه ریزی چند ضابطه ای و نتایج دوگانی ضعیف و قوی را که در ]32[ ارائه شده است . ]30[ vijay یک مدل عملی zero – sum ماتریسی با اهداف فازی و PQy – offs فازی روش روابط فازی ارائه کرد . آن ها نشان دادند که در موارد خاصی مسائل متشابه منجر می شود به مسائل برنامه ریزی که دوگان برای حالت فازی و حالت crisp هستند . در این مقاله نتایج دوگانی دیگری برای برنامه ریزی بر اساس روش هایی مثل روش (17[ Amiriand Nasivi که نتایج دوگانی برای برنامه ریزی خطی را با تابع Ranking (رتبه بندی) خطی به دست می آورند ارائه شده است . Mahdavi – Amiri and Nasiri نتایج دوگانی و روش سیمپلکس دوگانی را برای برنامه ریزی خطی با استفاده از ضرایب فازی ذوزنقه ای ارائه داده اند . differential, subdifferential , sub gradion ]35[ zhang را با رعایت نقشه های فازی محدب به کار برد به منظور به دست آوردن مسائل max یا min نقشۀ فازی محدب روی یک مجموعۀ محدب . آن ها موقعیت های بهینه (ضروری یا مناسب) و نیز فرمول های دوگان لاگرانژی برای مسائل برنامه ریزی خطی را به دست آوردند . همچنین بعضی نتایج در مسائل برنامه ریزی غیر خطی فازی وجود دارد که در ]33[ wu می توان دید . که در اینجا بررسی نشده اند . این قابل توجه است که این کارها بر اساس روش aspiration Level به منظور مشخص کردن سطح مطلوب در تصمیم ساز انجام شده است . همچنین تأسف بار است که هیچ کدام از روش های اشاره شده شکاف دوگان را که در دوگان برنامه ریزی خطی فازی ایجاد می شود را بررسی نمی کند . 1) یک تابع غیر خطی برای به دست آوردن (ایجاد کردن) نتایج دوگانی مناسب به کار می رود و برای موقعیت های crisp نتایج دوگان استانداردی را منجر می شود . 2) شکاف دوگانی را بررسی می کند . نتایجی که در این مقاله به دست می آید با نتایجی که با روابط Setting Fuzzy به دست می آید به راحتی قابل مقایسه نیستند . بنبراین نتایجی که ما به دست می آوریم فقط با ویرایش موجود در روش aspiration Level مقایسه می شود .

دوگان برنامه ریزی خطی فازی (3
جفت اولیه دوگان crisp در مسئلۀ برنامه ریزی خطی را در نظر بگیرید .






را یک n بعدی فضایی در نظر بگیرید و نیز ماتریس را در نظر بگیرید . هر دوی و در تئوری دوگانی به طور مؤثر در بخش وسیعی از تقاضاها در تجارت و اقتصاد به کار می رود . حالا ورژن (حالت) های فازی و را در نظر بگیرید که توسط Bector ، Chandra ]1[ ارائه شده و و نام گرفته است .




در اینجا و نشان می دهد که معادله انعطاف پذیر است و ممکن است با یک Fuzzy set توصیف شود که تابع می گوید آیا میزان مطلوبیت به اندازه کافی مناسب است یا خیر ؟ این معادله می تواند به صورت "به اندازۀ کافی بزرگتر" یا "به اندازۀ کافی کوچکتر" تفسیر شود که در ]36[ Zimmerman آمده است . متغیرهای و سطوح aspiration برای دو تابع و هستند . همچنین و (i= 1,2,…,m) مقادیر ثابت انتخاب شده اختیاری و قابل قبول هستند که با تابع هدف و محدودیت های رابطه دارند . در ادامه فرم نمایی را ( که به فراوانی در تصمیم ساز به کار برده می شود در ] 8،28[ می بینیم) به منظور تعریف مطلوبیت سطح تصمیم ساز برای تابع هدف و محدودیت سیستم در نظر می گیریم .

و

که ∝ و و ∝ > 0 و ∞ > پارامترهای فازی هستند که میزان ابهام را مشخص می کنند و پارامترهای shape نامیده می شودند . در ادامه : Bellman – Zadeh,s ]5[ توابع فازی تعریف شده در بالا را به کار می برند نامعادلۀ به صورت زیر تبدیل می شود :




مسئلۀ می تواند به این صورت نوشته شود :




که سطر i اُم برای ماتریس A است و جزء i اُم برای b (i=1,2,…,m) است . ثابت های (j=0,1,2,…,n ) به طور ذاتی به عنوان خطاهای قابل قبول تابع های مورد نظر و محدود انتخاب شده اند ما معادل crisp را به دست می آوریم .




مسئلۀ می تواند به این صورت نوشته شود :




که سطر i اُم ماتریس و جزء j اُم