یاری فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

یاری فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

دانلود پاورپوینت الگوریتم های ژنتیک.PPT

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

 

دسته بندی : پاورپوینت 

نوع فایل:  ppt _ pptx

( قابلیت ویرایش )

 


 قسمتی از اسلاید پاورپوینت : 

 

تعداد اسلاید : 27 صفحه

1 الگوریتم های ژنتیک Instructor : Farhad M.Kazemi 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

  متن بالا فقط قسمتی از اسلاید پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل کامل 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 کمک به سیستم آموزشی و یادگیری ، علم آموزان میهن عزیزمان میباشد. 


  

 « پرداخت آنلاین و دانلود در قسمت پایین »




دانلود با لینک مستقیم


دانلود پاورپوینت الگوریتم های ژنتیک.PPT

پاورپوینت الگوریتم های ژنتیک 27 ص.PPT

اختصاصی از یاری فایل پاورپوینت الگوریتم های ژنتیک 27 ص.PPT دانلود با لینک مستقیم و پر سرعت .

 

دسته بندی : پاورپوینت 

نوع فایل:  ppt _ pptx

( قابلیت ویرایش )

 


 قسمتی از اسلاید پاورپوینت : 

 

تعداد اسلاید : 27 صفحه

1 الگوریتم های ژنتیک Instructor : Farhad M.Kazemi 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

  متن بالا فقط قسمتی از اسلاید پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل کامل 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 کمک به سیستم آموزشی و یادگیری ، علم آموزان میهن عزیزمان میباشد. 


 

 

 « پرداخت آنلاین و دانلود در قسمت پایین »




دانلود با لینک مستقیم


پاورپوینت الگوریتم های ژنتیک 27 ص.PPT

دانلود الگوریتم فلوید

اختصاصی از یاری فایل دانلود الگوریتم فلوید دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 6

 

الگوریتم فلوید برای یافتن کوتاه ترین مسیر

یک مشکل متداول در سفره های هوایی هنگامی که پرواز مستقیم وجود نداشته باشد تعیین کوتاه ترین مسیر پرواز از شهری به شهر دیگر است . حال الگوریتمی طراحی می کنیم که این مسئله و مسائل مشابه را حل کند . نخست لازم است نظریه گراف ها را مرور کنیم . شکل یک گراف جهت دار و موضون را نشان می دهد به خاطر دارید که در نمایش تصویری گراف ها دایره نشان گر راس ها و خط میان دو دایره نشان دهنده یال ها هستند . اگر هر یال دارای جهت باشد گراف را گراف جهت دار یا دیاگراف می گویند . هنگام رسم یال ها در این گونه گراف ها از پیکان برای نشان دادن جهت استفاده می کنیم در یک دیاگراف بین دو راس امکان وجود دو یال است که جهت آنها مخالف هم هست. برای مثال درشکل یک یال از v1 به v2 و یکی از v2 به v1 وجود دارد.اگر این یال ها با مقادیری همراه باشند این مقادیر را وزن و گراف حاصل را موزون می خوانند.

در این جا فرض می کنیم که این مقادیر غیر منفی است.گرچه این مقادیر را معولاً وزن می نامند در بسیاری از از کابردها نشانگر فاصله است.بنابراین مسیر را به عنوان فاصله میان راسی تا راس دیگر در نظر می گیرند.در یک گراف جهت دار مسیر مجموعه ای از راس هاست به طوری که از یک راس تا راس دیگر یک یال وجود دارد. مسیری از یک راس به خود آن راس را چرخه می گویند.

اگر مسیری هیچگاه دوبار از یک راس نگذرد مسیر ساده نامیده می شود.توجه کنید که یک مسیر ساده هرگز حاوی زیر مسیری که چرخه ای باشد نیست.طول یک مسیر در گراف موزون حاصل جمع اوزان مسیر است. در یک گراف ناموزون طول مسیر صرفاً عبارت است از تعداد رئوس موجود در آن است.

مسئله ای که کاربردهای فراوان دارد یافتن کوتاهترین مسیر از راسی به رئوس دیگر است. واضح است کوتاهترین مسیر باید مسیری ساده باشد. در شکل سه مسیر ساده از v1 به v2 وجود دارد یعنی [v1,v2,v3] [v1,v4,v3] [v1,v2,v4,v3] .چون

Length[v1,v2,v3]=1+3=4

Length[v1,v4,v3]=1+2=3

Length[v1,v2,v4,v3]=1+2+2=5

[v1,v4,v3]کوتاهترین مسیر ازv1 به v3 است.همانطور که پیش از این گفته شد یک کاربرد متداول کوتاهترین مسیر تعیین کوتاهترین مسیر میان دو شهر است.

مسئله کوتاهترین یک مسئله بهینه سازی است. برای هر نمونه از مسئله بهینه سازی ممکن است بیش از یک راه حل وجود داشته باشد.هریک از راه حل های پیشنهادی دارای مقداری مرتبط با آن است و حل نمونه آن حلی است که دارای مقدار بهینه است.مقدار بهینه حداقل است یا حد اکثر در مورد مسئله کوتاهترین مسیر یک حل پیشنهادی مسیری از یک راس به راس دیگر بود .مقدار آن طول مسیر و مقدار بهینه حداقل طول است.

چون ممکن است بیش از یک کوتاهترین مسیر از راسی به راس دیگر وجود داشته باشد مسئله ما یافتن هر یک از این کوتاهترین مسیر هاست.یک الگوریتم واضح برای این مسئله تعیین طول همه مسیرها برای هر راس از ان راس به هریک از رئوس دیگر است.اما زمان این الگوریتم بدتر از زمان نمایی است. برای مثال فرض کنید از هر راس به همه رئوس دیگر یک یال وجود دارد .در این صورت زیر مجموعه ای از همه مسیر ها عبارت است از مجموعه ای خواهد بود که از راس نخست شروع می شود و به راسی دیگر ختم می شود و از همه رئوس دیگر عبور می کنند.چون راس دوم در چنین مسیری می تواند هریک از n-2 راس باشد راس سوم در چنین مسیری می تواند هر یک از n-3 راس باشد...

و راس دومی به آخری روی چنین مسیری فقط می تواند یک راس باشد.تعداد کل مسیرها از یک راس که از همه رئوس دیگر بگذرد عبارت است از :

(n-2)(n-3)…1=(n-2)!

که بد تر از حالت نمایی است. در بسیاری از مسائل بهینه سازی با همین وضعیت مواجه هستیم . یعنی الگوریتمی که همه حالت های ممکن را در نظر بگیرد زمان آن نمایی یا بدتر است.

با استفاده از برنامه نویسی پویا یک الگوریتم زمانی درجه سوم برای مسئله کوتاهترین مسیر ایجاد می کنیم. نخست الگوریتمی طرح می کنیم که فقط طول کوتاهترین مسیرها را تعیین کند. سپس آن را طوری اصلاح می کنیم که کوتاهترین مسیر را نیز ایجاد کند .یک گراف موزون حاوی n راس را با یک آرایه w نشان می دهند که در آن

اگر یالی بین , باشد وزن یال

اگر یالی بین , نباشد w[i][j]=

اگر i=j باشد 0

چون راس vj وقتی مجاور راس vi خوانده می شود که یالی بین vj و vi باشد به این آرایه نمایش ماتریس همجواری یک گراف می گویند .اگر بتوانیم راهی برای محاسبه مقادیر d از مقادیر w بیابیم الگوریتمی برای مسئله کوتاهترین مسیر خواهیم داشت این هدف با ایجاد n+1 آرایه قابل حصول است که وداریم : =طول کوتاهترین مسیر از VI به VJ فقط با استفاده از رئوس موجود در مجموعه {V1,V2,….VK} به عنوان رئوس واسطه پیش از انکه نشان دهیم چرا به این ترتیب قادر به محاسبه D از روی W هستیم معنی عناصر این آرایه ها را توضیح می دهیم .

مثال چند مقدار از را به عنوان مثال برای گراف شکل حل می کنیم.

 

برای هر گراف اینها مساویند زیرا کوتاهترین مسیری که از v2 آغاز می شود نمی تواند از v2 بگذرد

برای این گراف ها اینها مساویند زیرا با گنجاندن v3 مسیر جدیدی از v2 به v5 بدست نمی آید

.

برای هر گراف اینها مساویند زیرا کوتاهترین مسیری به v5 منتهی می شود نمی تواند از v5 بگذرد.

آخرین مقدار محاسبه شده طول کوتاهترین مسیر از V2 به V5 است که مجاز به عبور از هر یک از رئوس دیگر است .یعنی طول کوتاهترین مسیر است.

بنابراین برای تعیین D از روی W فقط باید راهی برای بدست آوردن از روی بیابیم.

مراحل استفاده از برنام نویسی پویا برای رسیدن به این هدف عبارت است از :

ارائه یک ویژگی (فرایند بازگشتی که با آن بتوان را از روی محاسبه کرد.


دانلود با لینک مستقیم


دانلود الگوریتم فلوید

تحقیق درباره کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی 18 ص

اختصاصی از یاری فایل تحقیق درباره کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی 18 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 22

 

کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی

چکیده

در این مقاله، کاربرد الگوریتم ژنتیک در بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی بررسی شده است. بهینه‌سازی پارامترهای سیاست بهره‌برداری در این روش، صرفاً با استفاده از نتایج شبیه‌سازی سیستم انجام می‌شود. بنابراین می‌توان انواع مختلفی از مسائل بهره‌برداری را مستقل از نوع تابع هدف و قیدهای آن و نیز ساختار سیاست بهره‌برداری، بهینه‌سازی نمود. در این مقاله پس از بررسی اجمالی روش الگوریتم ژنتیک پیشنهادی، عملکرد‌ آن در بهینه‌سازی یک سیستم پویای استوکستیک و برنامه‌ریزی پویا با رگرسیون مقایسه شده است. نتایج حاصل، نشانگر برتری الگوریتم ژنتیک هم به لحاظ سرعت و محاسیبات و هم مقدار تابع هدف در مقایسه با دو روش دیگر بوده است. با این حال به منظور افزایش کارایی این روش، اصلاحاتی در آن صورت گرفته است. بهبود کارایی عملگرهای الگوریتم ژنتیک به ویژه استفاده از قانون به هنگام‌سازی قدرت جهش و محاسبه برازندگی کروموزوم‌ها بوسیله شبیه‌سازی سیستم با دوره‌های متغیر، دو نمونه از این اصلاحات را تشکیل داده‌اند.

در بررسی‌های انجام شده اثر این اصلاحات کاملاً مفید ارزیابی شده است، به گونه‌ای که روش اصلاح شده قادر خواهد بود در مدت زمانی کمتر به نتایجی بهتر از روش معمولی دست یابد. ارزیابی مدل نهایی الگوریتم ژنتیک نشان می‌دهد که روش پیشنهادی، روشی بسیار کارآمد در حل مسائل سیستم‌های بزرگ است که حل آنها با روش‌های رایج غالباً غیرممکن است. به عبارتی، ارزش و کارامدی عملگرهای پیشنهادی از نقطه‌ای شروع می‌شود که عملگرهای رایج الگوریتم ژنتیک در آن نقطه متوقف شده و قادر به پیشروی نیستند.

1- مقدمه

بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی و تدوین قوانین و سیاست‌های کارآمد بهره‌برداری از آنها از چندین دهه پیش یکی از موضوعات اصلی در مطالعات منابع آب بوده و تحقیقات گسترده‌ای بر آن انجام شده است. در این راه پیشرفت‌های فراوانی چه به لحاظ استراتژی‌های جدید و کارآمد حل مساله و چه از نظر افزایش توانمندی و سرعت کامپیوترهای شخصی به عنوان ابزارهای محاسباتی بوجود آمده است. اما به رغم این پیشرفت‌ها، بهینه‌سازی بهره‌برداری از یک سیستم چندمخزنی بزرگ به صورت یکپارچه به ویژه هنگامی که عدم قطعیت‌های هیدرولوژیکی سیستم به صورت واقع‌بینانه در نظر گرفته می‌شوند، همچنان کاری چالش‌دار باقی مانده است.

لادبادیه در مروری بر استراتژی‌های حل مساله بهینه‌سازی بهره‌برداری از سیستم مخازن، این استراتژی‌ها را در چهار دسته بهینه‌سازی استوکستیک ضمنی، بهینه‌سازی استوکستیک صریح، کنترل بهینه زمان واقعی و روش‌های برنامه‌ریزی کاوشی مورد بررسی قرار داده است. روش الگوریتم ژنتیک در این بررسی به عنوان یک روش برنامه‌ریزی کاوشی در نظر گرفته شده است و دارای این مزیت ویژه می‌باشد که می‌دانید تمامی جزئیات مدل‌های شبیه‌سازی درنظر بگیرید،‌ بدون آنکه به فرضیاتی برای ساده‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی مساله یا محاسبه مشتقات تابع هدف نیاز داشته باشد. از این رو می‌توان روش GA را استراتژی امیدوارکننده‌ای در حل مساله بهره‌برداری بهینه از سیستم مخازن، به ویژه در سیستم‌های واقعی بزرگ با توابع هدف و قیدهای پیچیده غیرخطی و تفکیک‌ناپذیر دانست.

الگوریتم ژنتیک از طریق فرآیندی شبیه به روش‌های انتخاب طبیعی در علوم زیست‌شناسی به بهینه‌سازی مسائل می‌پردازد. این الگوریتم‌ها در طول دهه گذشته به طور گسترده به عنوان ابزارهای جستجو و بهینه‌سازی در رشته‌های مختلف از جمله بازرگانی، علوم و مهندسی بکار گرفته شده‌اند.

اگرچه استفاده از GA در مستئل بهره‌برداری از سیستم‌های منابع آب روش نسبتاً جدید محسوب می‌شود، اما کاربردهای موفقی از آن گزارش رشده است. ایسات و هال کاربرد GA را در یک سیستم چهارمخزنی معروف بررسی کردند. آنها مدل GA را با برنامه‌ریزی پویا، مقایسه و آن را به لحاظ نیازهای محاسباتی کاملاً برتری گزارش نمودند. واردلا و شریف نیز از GA برای بهینه‌سازی همان سیستم چهارمخزنی استفاده کرده و نشان دادند که این روش می‌تواند جواب‌های توانمند و قابل قبولی ارائه دهد. یک سال بعد این کار توسط شریف و واردلا توسعه بیشتری یافت. اولیویرا و لاکس از GA برای بهینه‌سازی منحنی‌های فرمان در سیستم‌های چندمخزنی سیاست‌های بهره‌برداری از سیستم‌های مخازن پیچیده ارزیابی نمودند. کای و همکاران، GA را برنامه‌های خطی با موفقیت مورد استفاده قرار دادند.

چن از این الگوریتم در به دست آوردن منحنی‌های فرمان یک سیستم تک‌مخزنی استفاده کرد و آن را برای بهینه‌سازی سیستم‌های کاملاً غیرخطی، بسیار موثر ارزیابی نمود. تونگ و همکاران از GA برای تعیین مقدار بهینه پارامترهای نوعی از منحنی‌های بهره‌برداری مخازن استفاده کرده و آن را ابزار قدرتمندی برای یافتن استراتژی‌های مدیریت منابع آب بهینه ارزیابی نمودند. ممتحن و همکارانریال از GA در بهینه‌سازی ساختارهای مختلفی از سیاست‌های بهره‌برداری برای یک سیستم تک‌مخزنی استفاده کردند و عملکرد آن را با روش‌های برنامه‌ریزی پویای استوکستیک و برنامه‌ریزی پویا رگرسیون به عنوان دو روش مرسوم بهینه‌سازی مقایسه نمودند. آنها سیاست‌های با ساختار خطی و خطی قطعه‌ای به دست آمده


دانلود با لینک مستقیم


تحقیق درباره کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی 18 ص

پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc

اختصاصی از یاری فایل پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc دانلود با لینک مستقیم و پر سرعت .

پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc


پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc

 

 

 

 

 

 

نوع فایل: word

قابل ویرایش 130 صفحه

 

مقدمه:

در این فصل ما مدلهای گرافیکی را معرفی می کنیم و برخی استنباط های موجود و الگوریتم های یادگیری را بررسی می کنیم. ما مدلهای گرافیکی جهت دار و بدون جهت را بویژه مدل های گرافیکی گاوسی و ساختار گرافیکی را درنظر گرفتیم.

 

فهرست مطالب:

پیش زمینه

1. مدل های گرافیکی

1.1 MRFها

مدلهای گرافیکی ساختار درخت

شکل (الف)2.1 یک نمودار از گراف پراکنده را نشان می دهد. در شکل (ب)2.1 الگوی sparsity ی مربوط به ماتریس اطلاعات j نشان داده شده است.

شکل 2.2. مثال هایی از یک گراف (a) یک درخت بدون جهت (b) یک گراف بدون جهت با حلقه (c) درخت جهت دار (d) polytree (یک گراف بدون حلقه) (e) گراف مارپیچی جهت دار(DAG)

1.2. شبکه های بیزین

2. استنتاج مدل های گرافیکی

2.1.الگوریتم Belief Propagation (BP)

2.2. Belief Propagation for GMRFs

2.3. الگوریتم های تکراری استنتاج برای GMRF

3. یادگیری مدل های گرافیکی یادگیری

3.1.یادگیری مدلهای گرافیکی ساختار درختی

3.2. آموزش GMRFها

3.3. آموزش شبکه های بیزین

یادگیری مدلهای گرافیکی درخت پنهان

1. کار مرتبط

2. مدلهای گرافیکی درخت مخفی

2.1. توسعه حداقل درخت

گزاره 1.(توسعه حداقل درخت)

شکل1. مثالهایی از حداقل درخت پنهان. گرههای سایه دار قابل مشاهده و بدون سایه مخفی هستند. (الف) یک درخت قابل تشخیص (ب)یک درخت غیرقابل تشخیص است چون h4 و h5 کمتر از 3درجه دارد.

2.2.سازگاری

3.اطلاعات فاصله ها

3.1. تعریف اطلاعات فاصله

شکل2. مثالهایی رابرای هر مورد ازروابط نشان می دهد. برای هر یال ei ، اطلاعات فاصله مربوط به یال  می باشد.

3.2. تست روابط Inter-Node

شکل 4. این شکل مثالی از RG را نشان می دهد. خطوط کشی شده مجموعه فعال رادر هر تکرار نشان می دهد. (a)درخت پنهان اصلی. (b) خروجی بعداز اولین تکرار RG. (C) خروجی بعداز دومین تکرار RG. (D) خروجی بعداز سومین تکرار

تئوری 5: ( صحت و پیچیدگی محاسباتی RG)

5. الگوریتم گروهبندی CL با توجه به اطلاعات فاصله ها

5.1. درخت Chow-Liu

5.2.رابطه درخت پنهان و درخت Chow-Liu (MST)

5.3. الگوریتم Chow-Liu Blind برای یک زیرکلاس از درخت پنهان

شکل 5. تصویر CLBlind.گرههای سایه دار،گرههای آشکار و بقیه گرههای مخفی هستند. (a)درخت مخفی اصلی، (b) درخت Chow-Liu روی گرههای مشاهده شده، (c) گره 3 ورودی blind است، (d) خروجی بعداز تحول blind (e) گره 2 خروجی تحول blind، (f) خروجی بعداز تحول blind که همان درخت نهفته اصلی است.

5.4. الگوریتم گروهبندی Chow-Liu

5.5. گسترش مدلهای گسسته عمومی

6. الگوریتم های Sample-Based برای آموزش ساختار درخت پنهان

تخمین ML برای اطلاعات فاصله ها

6.1.Post-processing Using Edge Contractions

6.2. گروهبندی بازگشتی با توجه به نمونه ها

RG with k-means Clustering

6.3. Relaxed Neighbor-Joining Given Samples

6.4. Relaxed CLGrouping با توجه به نمونه ها

6.5. Regularized CLGrouping برای آموزش درخت پنهان

مدل های بافتی – درختی

شکل4.1.شناسایی اشیاء با استفاده از متن. (a) تصویر ورودی (b) خروجی 107 شناساگر کلاس (c) شش شناسایی اخیر با استفاده از نمرات شناساگرها (d) شش شناسایی قابل اعتماد با استفاده ازمدل متنی.

  1. 2. مثالهایی از اشیاء خارج از متن(احتمال،موقعیت و اندازه)

منابع اطلاعات بافتی

1-1-4-بافت کلی

2-1-4 – قرار گیری یکسان اشیاء تصویر

3-1-4 بافت هندسی

مدل های هندسی کمی

مدل های هندسی کیفی

2-4 بافت گاوس (نرمال): یک مدل بافتی – درختی با متغیرهای موقعیتی گاوسی

نمایش سه بعدی موقعیت

مدل قبلی موقعیت های سه بعدی

شکل 4.3

2-2-4- مدل سنجشی

ادغام خروجی یا بازدهی آشکار سازهای موضعی

3-2-4 یادگیری

یادگیری ساختار همبستگی اشیاء

یادگیری پارامترهای مدل درختی

3-4 نتایج بدست آمده از شناسایی اشیاء موجود در تصویر

شکل 4.5. نتایج تصویر برای PASCAL 07 و SUN 09. a-b ) اعدا بالای میله ها، تعداد اشیائی را نشان میدهد که شامل حداقل N نمونه شیء ground-truth می باشد.  C-d) اعدا بالای میله ها، تعداد اشیائی را نشان میدهد که شامل حداقل N نمونه شیء مختلف ground-truth می باشد.

جدول4.1. دقت متوسط محلی سازی. Baseline) شناساگر پایه Baselin بدون اطلاعات متنی [42] ،

3.2:شناسایی عملکرد SUNO9:

شکل 4.7.. ساختار وابستگی به شیء با SUN 09 آموزش داده می شود. لبه های قرمز، روابط منفی بین رده ها را نشان می دهد. ضخامت هر لبه نشاندهنده قدرت لینک است.

شکل 4.8.

شکل 4.9.. بهبود مدلهای متنی با آشکارسازهای baseline. رده بندی اشیاء با بهبود AP مرتب شده اند.

عملکرد شناسایی اجسام:

شکل 4.10.. شش شناسایی مطمئن با و بدون متن. این شکل نمونه های موفق استفاده از متن را نشان می دهد.

ارزیابی تصاویر با مقوله های جسمی چندگانه:

شکل 4.11. منحنی های Precision-recall برای پرس و جو از تصاویر با مجموعه ای از دسته های شی.

شکل 4.12. مثالهایی

4: مفهوم حفاظت پنهانی« مدل مفهوم پنهانی درختی با روابط حفاظتی

4.1: تشکیل دوباره مدل درختی پنهانی:

شکل 4.13.ساختار مدل درخت نهفته. لبه های قرمز روابط منفی را نشان می دهد.

شکل 4.14. توزیع support-chains درآموزش SUN 09

5. مدل های مفهومی برای بررسی خارج از مفهوم اجسام

شکل 4.15. مثالهایی


دانلود با لینک مستقیم


پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc