پروژه کاربرد الگوریتم ژنتیک در حل مسأله تخصیص درجه دوم (QAP)
دانلود پروژه با موضوع کاربرد الگوریتم ژنتیک در حل مسأله تخصیص درجه دوم (QAP)،
در قالب word و در 80 صفحه، قابل ویرایش، شامل:
فصل اول: کلیات تحقیق
1-1 تعریف مسئله
1-2 اهمیت و ضرورت انجام تحقیق
1-3 ساختار پروژه
فصل دوم: الگوریتم ژنتیک
2-1 - ایدۀ اصلی استفاده از الگوریتم ژنتیک
2-2 تاریخچه علم ژنتیک
2-3 الگوریتم ژنتیک
2-4 مکانیزم الگوریتم ژنتیک
2-5 عملگرهای الگوریتم ژنتیک
2-6 چارت الگوریتم زنتیک
2-7 تابع هدف
2-8 روشهای کد کردن
2-8-1 کدینگ باینری
2-9 نمایش رشته ها
2-10 انواع روشهای تشکیل رشته
2-11 جمعیت
2-11-1 ایجادجمعیت
2-11-2 اندازه جمعیت
2-12 محاسبه برازندگی
2-13 روشهای انتخاب
2-14 روشهای ترکیب
2-15 احتمال ترکیب
2-16 تحلیل مکانیزم جابجایی
2-17 جهش
2-18 محک اختتام الگوریتم ژنتیک
2-19 انواع الگوریتم‌های ژنتیکی
2-20 خلاصه مزایای الگوریتم ژنتیک
2-21 محدودیتهای الگوریتم ژنتیک
2-22 استراتژی برخورد با محدودیت‌ها
2-23 بهبود الگوریتم ژنتیک
2-24 چند نمونه از کاربردهای الگوریتم‌های ژنتیک
2-25 یک مثال ساده از الگوریتم ژنتیک
فصل سوم: مسئله تخصیص درجه دوم
3-1 معرفی و نمونه ها
3-1-1 سیم کشی پشت تخته
3-1-2 برنامه ریزی محوطه دانشگاه
3-1-3 طراحی صفحه کلید ماشین تحریر
3-1-4 طرح استقرار بیمارستان
3-2 فرمولاسیون و ترکیب مسائل درجه دوم
3-3 اظهار نظرها در مورد یافتن راه حل مناسب برای مسائل تخصیص درجه دوم
3-4 روشهای اکتشافی
3-5 رفتار مجانبی مسائل تخصیص درجه دوم
فصل چهارم: کاربرد الگوریتم ژنتیک در حل مسئله تخصیص درجه دوم
4-1 معرفی
4-2 الگوریتم ژنتیک حریص برای مسئله تخصیص درجه دوم
4-2-1 برنامه رمزگذاری
4-2-2 ایجاد جمعیت اولیه
4-2-3 انتخاب
4-2-4 طرح ترکیب
4-2-5 طرح ترکیب مسیر
4-2-6 طرح ترکیب بهینه
4-2-7 جهش/ مهاجرت
4-2-8 بهینه سازی محلی
4-2-9 طرح رقابت
4-3 نتایج محاسباتی
4-3-1 زمان محاسباتی و دقت الگوریتم
فصل پنجم: جمع بندی و نتیجه گیری
6- منابع
تعداد مشاهده: 759 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: doc
تعداد صفحات: 80
حجم فایل:909 کیلوبایت
-
محتوای فایل دانلودی:
در قالب word و در 80 صفحه، قابل ویرایش.
پروژه پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک
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 .
1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
تعداد مشاهده: 581 مشاهده
فرمت فایل دانلودی:.rar
فرمت فایل اصلی: doc
تعداد صفحات: 22
حجم فایل:442 کیلوبایت
-
محتوای فایل دانلودی:
حاوی فایل ورد قابل ویرایش
تحقیق الگوریتم ژنتیک و بهینه سازی چندین مسأله به آن
دانلود تحقیق با موضوع الگوریتم ژنتیک و بهینه سازی چندین مسأله به آن،
در قالب word و در 73 صفحه، قابل ویرایش، شامل:
فصل اول- کلیات پروژه
کلیات پروژه 1
1-2 مقدمه 2
فصل دوم- الگوریتم ژنتیک
2-1 فن آوری شبکه عصبی 5
2-2 فن آوری الگوریتم ژنتیک 9
2-3 مروری بر کاربردهای تجاری 10
2-4 بازاریابی 10
2-5 بانکداری و حوزه‌های مالی 13
2-6 پیش بینی 14
2-7 سایر حوزه‌های تجاری 15
2-8. الگوریتم ژنتیک 15
2-8-1. عملگرهای ژنتیک 17
2-8-1-1. عملگر تولید مثل 17
2-8-2. مؤلفه های ژنتیک 18
2-9. الگوریتم نلدر- مید 19
2-9-1. مرور اجمالی بر روش عملکرد الگوریتم نلدر- مید 21
2-10. ترکیب ژنتیک و نلدر- مید 21
2-11. جامعة آماری 22
2-12. نمونة آماری 22
2-13. داده‌ها و اطلاعات 23
2-14. ابزار جمع‌آوری داده 23
2-15. داده‌های خام 24
فصل سوم- بررسی چندین مسئله در الگوریتم ژنتیک
3-1 طراحی آزمایشات و ارائه مدلی از متغیرهای مستقل 26
3-2 معرفی عوامل مؤثر 26
3-3 رطوبت تفاله 26
3-4 دمای خشک کن 27
3-5 درصد آهک اضافه شده 27
3-6 معرفی متغیر پاسخ 27
3-7 الگوریتم های پیشنهادی 27
3-8 الگوریتم ترکیبی شبیه سازی تبرید و ژنتیک (GA-SA) 28
3-9 الگوریتم شبیه سازی تبرید( SA): 30
3-10 جزئیات ساختار الگوریتم های پیشنهادی 30
نمایش حل ها 30
3-11 دمای اولیه 31
3-12 جستجوی همسایگی 31
فصل چهارم- بهینه سازی مسائل مختلف
4-1. مرور ادبیات مسئله: 33
4-2. شرح مسئله تسطیح منابع در حالت چند پروژه‌ای 37
4-3. مدلسازی مسئله 39
4-4. مدلسازی مسئله در حالت تک پروژه‌ای: 39
4-5 مدلسازی مسئله در حالت چند پروژه‌ای، هنگامی که چند نوع منبع داریم 41
4-6 بیان روش حل به کمک الگوریتم ژنتیک 42
4-7 کد کردن مسئله 43
4-8 تولید جامعه اولیه 43
4-9 تعیین مکانیسم نمونه‌گیری: 44
4-10. انتخاب عملگر ژنتیکی مناسب 46
4-11 تعیین معیار توقف 48
4-12 بررسی نتایج حاصل از مسئله 48
4-14 بررسی نتایج حاصل از حل مسئله در حالت چند پروژه‌ای و چند منبعی 51
4-15. بیان مسئله و شرح اهمیت پژوهش 52
4-16 بهینه‌سازی 53
4-17. انواع روشهای بهینه‌سازی 54
4-17-1. کلاسیک‌ها 54
4-17-2. روشهای ابتکاری 54
4-17-3. روش تحقیق 55
فصل پنجم- نتیجه گیری
5-1 نتیجه‌گیری 57
منابع 60
چکیده تحقیق:
در عصر حاضر در بسیاری از موارد ماشین‌ها جایگزین انسان ها شده‌اند و بسیاری از کارهای فیزیکی که در گذشته توسط انسان ها انجام می‌گرفتریال امروزه توسط ماشین‌ها صورت می‌گیرد. اگرچه قدرت کامپیوترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری، ... غیر قابل انکار است، اما هم چنان مواردی وجود دارد که انسان ناچار است خودش کارها را انجام دهد. اما به طور کلی، موارد مرتبط با ماشین شامل سیستم‌هایی است که در آن به علت ارتباطات پیچیده بین اجزا، مغز انسان از درک ریاضی این ارتباطات قاصر است. مغز انسان به مرور زمان با مشاهده توالی رفتارهای سیستم و گاه آزمایش نتیجه‌ای که بر اثر دست کاری یکی از اجزای سیستم به دست می‌آید تا حدی می‌تواند عادت های سیستم را شناسایی کند. این روند یادگیری بر اثر مشاهده مثال های متنوع از سیستم، به کسب تجربه منجر می‌شود. در چنین سیستم‌هایی مغز قادر به تجزیه و تحلیل داخلی سیستم نیست و تنها با توجه به رفتارهای خارجی، عملکرد داخلی سیستم را تخمین می‌زند و عکس‌العمل های آن را پیش‌بینی می‌کند.
1-1 مقدمه:
توجه به کاربرد تکنیک‌های هوش مصنوعی و ابزارهای مدلسازی در حوزه کسب و کار به طور فزاینده‌ای در حال افزایش است. این پروژه شواهدی را مبتنی بر امکان استفاده اخلاقی از شبکه‌های عصبی و الگوریتم‌های ژنتیک که به منجر به تصمیم‌گیری‌های موفقیت‌آمیز در ارتباط با مسائل مرتبط با کسب و کار می‌شود ارائه می‌کند. برای این منظور لازم است که بررسی تطبیقی‌ای در رابطه با تلاش های دیگر محققان در قالب ادبیات موضوع صورت گیرد. به همین دلیل، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه‌های عصبی و الگوریتم‌های ژنتیک تأکید شده است.
تعداد مشاهده: 518 مشاهده
فرمت فایل دانلودی:.rar
فرمت فایل اصلی: doc
تعداد صفحات: 73
حجم فایل:299 کیلوبایت
-
راهنمای استفاده:
قابل استفاده برای همه.
-
محتوای فایل دانلودی:
در قالب word و در 73 صفحه، قابل ویرایش.