آشنایی با الگوریتم های ژنتیک

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

 دانلود پاور پوینت الگوریتم ژنتیک 

 شامل 50 اسلایدpower point 

استراتژیهای جستجو (مقدمه)

الگوریتمهای تکاملی (پیشینه‏کاری)

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 برازش (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 گویند.

در این روش یک مکان تصادفی در طول رشته انتخاب می شود و gene ها از این مکان به بعد جابجا می شوند. و....

دانلود پاورپوینت استفاده از الگوریتم مورچگان برای بهینه سازی

اختصاصی از یاری فایل دانلود پاورپوینت استفاده از الگوریتم مورچگان برای بهینه سازی دانلود با لینک مستقیم و پر سرعت .

  استفاده از الگوریتم‌های ابتکاری در حل مسئله بهینه‌سازی امری ضروری و اجتناب‌ناپذیر است. این روش از توانایی مورچه‌ها در پیدا کردن کوتاه‌ترین مسیر بین لانه و یک منبع غذایی الهام گرفته است. وقتی مورچه‌ها در محیط اطراف حرکت می‌نمایند، اثری شیمیایی به نام فرومون از خود بجای می‌گذارند. وقتی جمعیتی از مورچه‌ها از چند مسیر بین لانه و یک منبع غذایی حرکت می‌کنند، پس از مدت زمان معینی مشاهده می‌شود که در مسیرهای متفاوت، فرومونهای برجای گذاشته شده متفاوت می‌باشد. این امر ناشی از این واقعیت است که مورچه‌هایی که در مسیر کوتاه حرکت می‌کنند، به علت کوتاه‌تر بودن مسیر در یک مدت زمان معین‌تردد بیشتری داشته‌اند چون مورچه‌ها، مسیر کوتاه‌تر را انتخاب کرده‌اند. با استفاده از روش مورچه‌ها، روش جستجوئی پیاده‌سازی می‌شود که در هر مرحله‌ای از اطلاعات مراحل قبلی برای رسیدن به هدف استفاده میگردد.

تاریخچه الگوریتم مورچگان:

  به‌کارگیری سیستم مورچگان اولین بار (الگوریتم مورچگان) توسط Dorgio و همکاران و خود او به عنوان یک نگرش با چندین عامل برای حل مسائل بهینه‌سازی ترکیبی یا راه‌حل چندعامله (multi Agent) مشکل، مانند مسئله فروشنده دوره گرد یا (TSP) (Traveling Sales Person) و مسئله تخصیص منابع یا QAP پیشنهاد و ارائه شد.

خصوصیات مورچه‌ها:

1- اجتماعی بودن: مطالعات نشان داده است که مورچه‌ها حشراتی اجتماعی هستند که در کلونی‌ها زندگی می‌کنند و رفتار آنها بیشتر در جهت بقاء کلونی است تا در جهت بقاء یک جزء از آن.

1. هوشمندی توده‌ای: مورچه‌ها با وجود کور و کم‌هوش بودن کوتاهترین مسیر رفت و برگشت از خانه تا غذا را پیدا می‌کنند. این یکی از مهمترین و جالبترین رفتار مورچه‌ها می‌باشد که این نوع رفتار مورچه‌ها دارای نوعی هوشمندی توده‌ای است که عناصر رفتاری تصادفی(احتمال) دارند و بین آنها (همدیگر) هیچ نوع ارتباط مستقیمی وجود ندارد و آنها تنها بصورت غیرمستقیم و با استفاده از نشانه‌ها با یکدیگر در تماس هستند.

مورچه‌ها چگونه کوتاهترین مسیر را انتخاب می‌کنند؟

مورچه‌ها هنگام راه رفتن از خود ردی از ماده شیمیایی فرومون (pheromone) بجای می‌گذارند که البته این ماده بزودی تبخیر می‌شود ولی در کوتاه مدت بعنوان رد مورچه بر سطح زمین باقی می‌ماند.

 یک رفتار پایه‌ای ساده در مورچه‌ها وجود دارد:

آنها هنگام انتخاب بین دو مسیر بصورت احتمالاتی (statistical) مسیری را انتخاب می‌کنند که فرومون بیشتری داشته باشد یا بعبارت دیگر مورچه‌های بیشتری قبلاً از آن جا عبور کرده باشند.

شامل 14 اسلاید powerpoint

ساختمان داده ها و الگوریتم ها -مهندس جعفر تنها - کامپیوتر پیام نور

اختصاصی از یاری فایل ساختمان داده ها و الگوریتم ها -مهندس جعفر تنها - کامپیوتر پیام نور دانلود با لینک مستقیم و پر سرعت .

دانلود کتاب ساختمان داده ها و الگوریتم ها پیام نور

مهندس جعفر تنها -مهندس ناصر آیت

رشته : کامپیوتر

شامل :

فصل 1 : روش تحلیل الگوریتم

فصل 2 : آرایه ها

فصل 3 : پشته

فصل 4 : صف

فصل 5 : لیست پیوندی

فصل 6 : درختان

فصل 7 : گراف ها

فصل 8 : مرتب سازی

فایل : pdf

تعداد صفحات : 361

دانلود مقاله الگوریتم ژنتیک

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

مشخصات این فایل
عنوان:الگوریتم ژنتیک
فرمت فایل: word(قابل ویرایش)
تعداد صفحات: 90

این مقاله در مورد الگوریتم ژنتیک می باشد.

بخشی از تیترها به همراه مختصری از توضیحات هر تیتر از مقاله الگوریتم ژنتیک

-1- مقدمه
به طور کلی انتخاب و طراحی بهینه در بسیاری از مسائل علمی و فنی باعث تولید بهترین محصول یا جواب ممکن در یک شرایط خاص می شود. برای مثال تولید محصولات مناسب در حوزه های مختلف فنی و مهندسی وابسته به طراحی دقیق و بهینه ی شکل، اندازه و قطعات محصول است. در نتیجه هر مسئله ی مهندسی ممکن است داری چندین جواب مختلف باشد که بعضی از آنها ممکن و بعضی غیر ممکن است . وظیفه ی طراحان پیدا کردن بهترین جواب ممکن از میان جواب های مختلف است. مجموعه ی جواب های ممکن فضای طراحی را شکل می دهند که باید در این فضا به جستجوی بهترین یا بهینه ترین جواب پرداخت.....(ادامه دارد)

2-4- تشریح کلی الگوریتم ژنتیک
یک تشریح کلی از الگوریتم ژنتیک را می‏توان به صورت زیر در نظر گرفت :
-1 جمعیتی از رشته‏ها را به صورت تصادفی بسازید.
-2 هررشته داخل جمعیت را ارزیابی کنید.
-3 رشته‏های جدید را با ترکیب رشته‏های جاری ایجاد کنید. برای ترکیب رشته‎های والد از عملگر‏های جهش و تبادل استفاده کنید.
-4 اعضایی از جمعیت را برای ایجاد فضایی برای رشته‏های جدید حذف کنید.
-5 رشته‏های جدید را ارزیابی نموده و آنها را داخل جمعیت قرار دهید.
-6 اگر زمان اجرا تمام شده است توقف نمایید و بهترین رشته را باز گردانید. در غیر این صورت به مرحله سه بازگردید.
....(ادامه دارد)

2-6-3-4- Mutation(جهش)
بعد از اینکه یک عضو در جمعیت جدید بوجود آمد، هر ژن آن با احتمال جهش، جهش مییابد. درجهش ممکن است ژنی از مجموعه ژنهای جمعیت حذف شود یا ژنی که تا حال در جمعیت وجود نداشته است به آن اضافه شود. جهش یک ژن به معنای تغییر آن ژن است و وابسته به نوع کدگذاری، روشهای متفاوت جهش استفاده میشود.
همانطور که گفته شد، هر عضو وابسته به احتمال جهش، جهش مییابد. احتمال جهش، p_m مقداری است که توسط کاربر تعیین میشود. در الگوریتم استاندارد ژنتیک، بنا به دلایلی که در قسمتهای بعد گفته خواهد شد، مقدار این پارامتر، بسیار کوچک، مثل p_m =0.01 یا حتی p_m=0.001 در نظر گرفته میشود. اما از آنجا که....(ادامه دارد)

2-7-1- برتری ها و ضعف های الگوریتم ژنتیک
الگوریتم ژنتیک در مقایسه با روش های استاندارد بهینه سازی دارای برتری های مهمی می باشد:

• پردازش موازی یکی از مهمترین برتری های الگوریتم ژنتیک می باشد. به این معنی که در این روش به جای یک متغیر، در یک زمان یک جمعیت را به سوی نقطه بهینه رشد می دهیم. بنابراین سرعت همگرایی روش بسیار بالا می رود.
• با استفاده از این روش می توان مسائلی را که نسبت به تغییر پارامترهای خود خوش رفتار نیستند (مثلا دارای تناوب های زیاد و در نتیجه مینیمم های نسبی زیاد هستند و یا توابعی که به شدت غیر خطی عمل می کنند) با مقیاس خوبی بهینه کرد.
• این روش برای بهینه سازی مسائلی که با کمیت های گسسته سر و کار دارد بسیار مناسب است.
• در این روش مشتق پذیر بودن تابع اهمیتی ندارد، در حالی که در بسیاری از روش های دیگر، بهینه سازی بر اساس مشتقات مراتب مختلف تابع صورت می گیرد.
  ....(ادامه دارد)

-1- نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک
اکنون به مقایسه ی نتایج حاصل از بهینه سازی توابع هدف توسط دو روش تابع پنالتی و الگوریتم ژنتیک می پردازیم.

• توابع هدف در صفحات قابل مشاهده است.
• روش تابع پنالتی توسط خانم عطیه پریشان نداف انجام شده است که ما نتایج حاصل از آن را با روش ژنتیک مقایسه می کنیم.
• برای بهینه سازی توابع هدف به روش ژنتیک از gatool نرم افزار مطلب استفاده شده است که در عکس گرفته شده از آن اگر علامت + مربوط به گزینه ای باز نشده بود یعنی مقدار پیش فرض برای آن در نظر گرفته شده است.
• بعد از هر عکس دو نمودار نمایش داده می شود که نمودار اول روند مقدار میانگین تابع ارزیابی و مقدار بهترین ارزیابی را در طی نسل های متوالی نشان می دهد. نمودار دوم مقادیر نهایی دمای هوا (T ) و درصد هوای اضافی (E) را نشان می دهد.
  ....(ادامه دارد)

بخشی از فهرست مطالب مقاله الگوریتم ژنتیک در پایین آمده است.

فصل اول-مقدمه
1-1-مقدمه
فصل دوم-مقدمه ایبرالگوریتم ژنتیک
2-1-مقدمه
2-2-پیشینه
2-3-اصطلاحات زیستی
2-4-تشریح کلی الگوریتم ژنتیک
2-5-حل مسأله با استفاده از الگوریتم ژنتیک
2-6-اجزای الگوریتم ژنتیک
2-6-1-جمعیت
2-6-2-کدگذاری
2-6-2-1-کدگذاری دودویی
2-6-2-2-کدگذاری مقادیر
2-6-2-3-کدگذاری درختی
2-6-3-عملگرهای الگوریتم ژنتیک
2-6-3-1-fitness(برازش)
2-6-3-2-selection(انتخاب)
2-6-3-3-crossover(ترکیب)
2-6-3-4-mutation(جهش)
2-7-مفاهیم تکمیلی
2-7-1-برتریهاوضعفهای الگوریتم ژنتیک
2-7-2-نکات مهم درالگوریتم های ژنتیک
2-7-3-نتیجه گیری
فصل سوم-کاهش اثرات زیست محیطی آلایندههایCox،NOxوSOxدرکورهها
3-1-مقدمه
3-2-احتراق
3-2-1-روش محاسبه ترکیبات تعادلی بااستفاده ازثابت تعادل
....(ادامه دارد)

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

اختصاصی از یاری فایل پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

دانلود پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک 22 ص با فرمت WORD 

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری  آن محدود می شود . این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند . اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که   شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است . از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود . این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .