دانلود پایان نامه کاربردهای الگوریتم ژنتیک

اختصاصی از کوشا فایل دانلود پایان نامه کاربردهای الگوریتم ژنتیک دانلود با لینک مستقیم و پرسرعت .

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده ی آن برگرفته از طبیعت می باشد . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند . به عنوان مثال می توان به مسئله فروشنده دوره گرد اشاره کرد . در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند .
در الگوریتم های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک ، چندین جواب برای مسئله تولید می کنیم . این مجموعه جواب را جمعیت اولیه می نامیم . هر جواب را یک کروموزوم می نامیم . سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم های بهتر ، کروموزوم ها را باهم ترکیب کرده و جهشی در آنها ایجاد می کنیم . در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم ها حاصل می شود ، ترکیب می کنیم . موارد فوق را با جزئیات بیشتری مورد بررسی قرار می دهیم
2-2- پیشینه
پیشینه ی الگوریتم ژنتیک به سال های حدود 1960 برمی گردد. در دهه های 50 و 60 تحقیقات متعددی برای استفاده از نظریه تکامل در بهینه سازی مسائل مهندسی به طور مستقل صورت گرفت. ایده ی اصلی در همه این سیستم ها، رشد یک جمعیت از پاسخ های اولیه یک مساله به سمت پاسخ بهینه با الهام گیری از عملگرهای انتخاب و تغییر ژنتیک طبیعی بود. در سال های 1965 تا 1973 رکنبرگ(Rechenberg ) کتاب خود را به نام  تکنیک های تکامل (Evolution strategies (Evolutionsstrategie in original) ) در زمینه محاسبات تکاملی منتشر کرد و در سال های بعد نظریه او توسط محققین دیگر توسعه یافت. الگوریتم ژنتیک نخستین بار توسط  جان هلند ( John Holland ) مطرح و به وسیله خود او و دانشجویان و همکارانش گسترش یافت. تلاش های او و اطرافیانش در این زمینه در نهایت به نشر کتاب سازگاری در طبیعت و سیستم های مصنوعی (Adaption in Natural and Artificial Systems ) انجامید. پس از آن تحقیقات گسترده ای توسط افراد مختلف در این زمینه انجام شد (به عنوان مثال در سال 1992 جان کزا (John Koza ) الگوریتم ژنتیک را به صورت عملیاتی در برنامه نویسی به کار برد و برنامه نویسی ژنتیک (genetic programming(GP) ) را به عنوان روش خود مطرح ساخت.) و الگوریتم ژنتیک به صورت امروزی خود رسید.
2-3- اصطلاحات زیستی
در راستای فهم کامل الگوریتم ژنتیک، ابتدا بهتر است با برخی از اصطلاحات زیستی به کار رفته در تئوری این الگوریتم آشنا شویم. همه موجودات زنده از واحدهای کوچکی به نام سلول تشکیل شده اند. هر سلول نیز به نوبه خود از مجموعه ای از یک یا چند کروموزوم (chromosome ) تشکیل شده است. کروموزوم ها رشته هایی از مولکول DNA می باشند که در حقیقت برنامه کاری موجود زنده را در خود ذخیره می کنند. هر کروموزوم شامل چندین ژن( gene ) می باشد، که هر ژن بلوکی از مولکول DNA می باشد که پروتئین خاصی را کدگذاری می کند. به طور کلی می توان گفت که هر ژن یک خصیصه (trait ) از موجود زنده (مانند رنگ چشم) را کد گذاری می کند. حالت های ممکن برای یک خصیصه را (allele  ) می گویند. هر ژن موقعیت مخصوص خود را در کروموزوم دارد که به آن (locus ) می گویند. بسیاری از موجودات زنده در هر سلول چندین کروموزوم دارند. مجموعه کامل مواد ژنتیکی در سلول (مجموعه همه کروموزوم ها) (genome ) نامیده می شوند. اصطلاح (genotype ) به مجموعه خاصی از کروموزوم های موجود در genome اتلاق می شود. Genotype ها در پی تحولات و تغییر، به phenotypeها خصوصیات فیزیکی و ذهنی موجود زنده (مانند رنگ چشم، بلندی، اندازه مغز و یا میزان هوش) تبدیل می شوند.
در طی تولید مثل جنسی(reproduction )، در اثر الحاق(recombination or crossover ) ژن ها از کروموزوم های والدین(parents ) با یکدیگر ترکیب شده تا کروموزوم کامل جدیدی را تشکیل دهند. در طی این تغییرات، ممکن است تغییرات کوچکی در برخی از بخش های DNA   ژن های فرزند، بوجود آمده و فرزند دچار جهش (mutation ) گردد. در نهایت تناسب (fitness ) یک موجود زنده با توجه به احتمال زیستن آن برای تکثیر(زیست پذیری(viability ) ) یا برحسب تابعی از تعداد فرزندان آن گونه (باروری(fertility )) تعیین می گردد.

فصلاول-مقدمه
1-1-مقدمه
فصلدوم-مقدمهایبرالگوریتمژنتیک
2-1-مقدمه
2-2-پیشینه
2-3-اصطلاحاتزیستی
2-4-تشریحکلیالگوریتمژنتیک
2-5-حلمسألهبااستفادهازالگوریتمژنتیک
2-6-اجزایالگوریتمژنتیک
2-6-1-جمعیت
2-6-2-کدگذاری
2-6-2-1-کدگذاریدودویی
2-6-2-2-کدگذاریمقادیر
2-6-2-3-کدگذاریدرختی
2-6-3-عملگرهایالگوریتمژنتیک
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-مفاهیمتکمیلی
2-7-1-برتریهاوضعفهایالگوریتمژنتیک
2-7-2-نکاتمهمدرالگوریتمهایژنتیک
2-7-3-نتیجهگیری
فصلسوم-کاهشاثراتزیستمحیطیآلایندههایCox،NOxوSOxدرکورهها
3-1-مقدمه
3-2-احتراق
3-2-1-روشمحاسبهترکیباتتعادلیبااستفادهازثابتتعادل
3-2-2-روشمحاسبهدمایآدیاباتیکشعله
3-2-3-انتخابسیستمشیمیایی
3-2-4-تأثیردمایهواومیزانهوایاضافیبرتولیدمحصولات
3-3-بهینهسازی
3-3-1-روشهایحلمسائلبهینهسازی
3-3-2-روشتابعپنالتی
3-3-3-الگوریتمحلتابعپنالتی

3-4-برنامهیکامپیوتریومراحلآن
3-5-تشکیلتابعهدف
3-6-تشکیلمدلمسئلهبهینهسازی
3-7-روشحل


فصلچهارم-توضیحاتیدررابطهباgatoolنرمافزارمطلب
4-1-gatool
4-2-تنظیمگزینههابرایالگوریتمژنتیک
4-3-PlotOptions
4-4-PopulationOptions
4-5-FitnessScalingOptions
4-6-SelectionOptions
4-7-ReproductionOptions
4-8-MutationOptions
4-9-CrossoverOptions
4-10-MigrationOptions
4-11-OutputFunctionOptions
4-12-StoppingCriteriaOptions
4-13-HybridFunctionOptions
4-14-VectorizeOptions

فصلپنجم–نتایج
5-1-نتایجحاصلازتابعپنالتیوالگوریتمژنتیک
5-2-نتیجهگیری
فهرستمراجع

شامل 110 صفحه فایل word

الگوریت مهای مبتنی بر هوش اجتماعی - رویکردی به الگوریتم زنبور عسل و کاربرد آن در مهندسی حمل و نقل

اختصاصی از کوشا فایل الگوریت مهای مبتنی بر هوش اجتماعی - رویکردی به الگوریتم زنبور عسل و کاربرد آن در مهندسی حمل و نقل دانلود با لینک مستقیم و پرسرعت .

چکیده
مقدمه
فصل اول: زندگی زنبور عسل در طبیعت
۱-۱- تاریخچه زنبور عسل
۱-۲- سازمان اجتماعی توده زنبورها در کندو
۱-۳- زندگی زنبور عسل
۱-۳-۱- زندگی زنبور عسل در داخل کندو
۱-۳-۱-۱- از تخم تا زنبور کامل
۱-۳-۱-۲- از زنبور کامل تا زنبور قادر به پرواز
۱-۳-۲- زندگی زنبور عسل در خارج کندو
۱-۴- فعالیت و رفتار توده زنبورهای عسل به صورت یک ارگانیسم
۱-۵- مدت زندگی زنبورها
۱-۶- مکالمات زنبور عسل
۱-۶-۱- رقص دایره ای
۱-۶-۲- رقص داسی
۱-۶-۳- رقص ارتعاش کم
۱-۶-۴- فاصله تا منبع غذا
۱-۶-۵- جهت منبع غذا

فصل دوم: مروری بر برخی از روش های بهینه یابی
۲-۱- پیشگفتار
۲-۲- بهینه سازی ترکیبی (CO)
۲-۲-۱-شیوه های حل برای مسائل بهینه سازی ترکیبی
۲-۲-۲-یک روش فراابتکاری چیست؟
۲-۳-تقسیم بندی الگوریتم های فراابتکاری (فرایابنده یا فراکاوشی)
۲-۴- الگوریتم های ژنتیک (GA)
۲-۴-۱- اجزای الگوریتم ژنتیک
۲-۴-۲- الگوریتم ژنتیک استاندارد
۲-۴-۳- انتخاب والدین به کمک چرخه رولت
۲-۴-۴- عوامل مؤثر در کارایی الگوریتم ژنتیک
۲-۵- الگوریتم های فراابتکاری مورچگان
۲-۵-۱- آشنایی با الگوریتم های فراابتکاری مورچگان
۲-۵-۲- اساس الگوریتم فراابتکاری مورچگان
۲-۵-۳- انواع مختلف الگوریتم های فراابتکاری مورچگان
۲-۵-۳-۱- الگوریتم فراابتکاری سیستم مورچگان (AS)
۲-۵-۳-۲- الگوریتم فراابتکاری سیستم مورچگان غبه (EAS)
۲-۵-۳-۳- الگوریتم فراابتکاری سیستم مورچگان مبتنی بر رتبه (AS – Rank)
۲-۵-۳-۴- الگوریتم فراابتکاری سیستم مورچگان با تعیین سطح مقادیر بیشینه و کمینه فرمون (MMAS)
۲-۵-۳-۵- الگوریتم فراابتکاری سیستم اجتماع مورچگان (ACS)
۲-۵-۳-۶- الگوریتم جستجوی تقریبی و غیر قطعی درخت جواب (ANTS)
۲-۶- الگوریتم شبیه سازی نورد جامدات (SA)
۲-۶-۱- شرح الگوریتم
۲-۶-۲- چگونگی کاهش درجه حرارت
۲-۶-۳- تکنیک های جستجوی همسایگی

فصل سوم: مدلسازی رفتارهای زنبور عسل در جمع آوری شهد
۳-۱- مقدمه ای بر هوش اجتماعی حشرات
۳-۲- هوش اجتماعی چیست
۳-۳- هوش اجتماعی به عنوان بخشی از سیستم های چند عاملی
۳-۴- نگرش هوش اجتماعی (سیستم چندعاملی) درباره مدلسازی حمل و نقل
۳-۵- سیستم زنبور (BS)
۳-۵-۱- زنبورهای طبیعی
۳-۵-۲- زنبورهای مصنوعی
۳-۵-۳- حل مسئله فروشندگی سیار توسط سیستم زنبور
۳-۵-۴- مطالعه آزمایشی سیستم زنبور
۳-۶- بهینه سازی کلنی زنبور (BCO)
۳-۶-۱- روش فرایابنده بهینه سازی کلنی زنبور (BCO)
۳-۶-۲- سیستم زنبور فازی (FBS)
۳-۶-۲-۱- محاسبه میزان جذابیت جزء حل (مؤلفه حل) و گزینش جزء حل بعدی جهت اضافه شده به حل جزئی
۳-۶-۲-۲- مکانیزم مقایسه راه حل های جزئی زنبور
۳-۶-۲-۳- تصمیمات زنبور در مورد کمک گرفتن از زنبورهای دیگر
۳-۶-۲-۴- محاسبه تعداد زنبورهایی که تغییر مسیر می دهند
۳-۶-۳- مطالعه موردی: مسئله تطبیق سواری
۳-۶-۳-۱- حل مسئله تطبیق سواری توسط سیستم زنبور فازی
۳-۶-۳-۲- آزمایش عددی

فصل چهارم: کاربرد پیشنهادی هوش اجتماعی حشرات در مهندسی حمل و نقل
۴-۱ پتانسیل هوش اجتماعی حشرات در مهندسی حمل و نقل

فصل پنجم: نتیجه گیری و پیشنهادات
منابع و مأخذ
فهرست منابع فارسی
فهرست منابع لاتین
چکیده انگلیسی

دانلود مقاله کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه

اختصاصی از کوشا فایل دانلود مقاله کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه دانلود با لینک مستقیم و پرسرعت .

این مقاله یک الگوریتم ژنتیکی سازگار (AGA) را همراه با تابع لیاقت دینامیکی، برای مسائل چند هدفه (MOPs) در محیط دینامیکی تشریح می کند. به منظور دیدن اجرای الگوریتم، این روش برای دو نوع از مسائل MOPs بکار گرفته شده است. اولا این روش برای پیدا کردن آرایش نیروهای نظامی برای شبیه سازی رزمی بکار گرفته شده است. این مقاله در مورد چهار تابع هدف بحث می کند که باید بهینه شوند و یک واسطه فازی را ارئه می دهد که طرح جامعی را از چهار تابع هدف می سازد. دومین واسطه فازی برای کنترل نرخ عملکردهای تقاطع (Crossover) و جهش (Mutation) بکار گرفته می شود که بر اساس خواص آماری لیاقت (Fitness) جامع می باشد.

علاوه بر مسئله آرایش نیروهای نظامی یک مثال ساده از بهینه سازی چند هدفه که توسط فرینا و همکارانش گشته نیز ارائه شده است و توسط این الگوریتم پیشنهادی حل شده است. نتایج بدست آمده در اینجا نشان می دهد که الگوریتم ژنتیکی افزایش یافته، نسبت به الگوریتم ژنتیکی معمولی، عملکرد بهتری در مورد همگرائی دارد.

کلمات کلیدی:

الگوریتم ژنتیکی سازگار یافته ، منطق فازی ، آرایش نیروهای نظامی ، شبیه سازی رزمی و بهینه سازی چند هدفه .

شامل 24 صفحه فایل word

دانلود پایان نامه بررسی کاربرد الگوریتم PSO در شبکه های حسگر بی سیم

اختصاصی از کوشا فایل دانلود پایان نامه بررسی کاربرد الگوریتم PSO در شبکه های حسگر بی سیم دانلود با لینک مستقیم و پرسرعت .

الگوریتمPSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. PSO روش محبوبی است که برای حل مشکلات مناسب سازی در شبکه های حسگر بی سیم به دلیل آسان بودنش، کیفیت بالای راه حل هایش، همگرایی سریع و ظرفیت، محاسبه ای نامشخص خود مورد استفاده قرار گرفته است. PSO مستلزم مقادیر زیادی حافظه است که ممکن است اجرای آن را برای ایستگاههای اصلی سرشار از منبع کاهش دهد. این متن کاربردهای شبکه حسگر بی سیم موفق فراوانی دارد که فواید PSO را مورد استفاده قرار می دهد. گردآوری اطلاعات نیازمند مناسب سازی توزیع شده مکرر و راه حل های سریع می باشد. بنابراین، PSOبه طور متوسط آن را مناسب می سازد. صف بندی ثابت، موقعیت یابی و خوشه بندی مشکلاتی هستند که فقط یکبار در ایستگاه مرکزی حل شده اند. PSO آنها را بسیار مناسب ساخته است .

       فصل اول

معرفی شبکه های بی سیم حسگر

نگاهی به شبکه های بی سیم حسگر

توضیحات اولیه

ساختمان گره

ویژگی های عمومی یک شبکه حسگر

ساختار ارتباطی شبکه های حسگر

ساختار خودکار

ساختار نیمه خودکار

فاکتورهای طراحی

تحمل خرابی

قابلیت گسترش

هزینه تولید

محدودیت‌های سخت افزاری یک گره حسگر

توپولوژی شبکه

محیط کار

مصرف توان

کاربردهای شبکه­های بی­سیم حسگر

کاربردهای رهایی از سانحه

کنترل محیطی و نگاشت تنوع زیستی

سازه­های هوشمند

مدیریت تاسیسات

نظارت ماشین آلات و نگهداری پیشگیرانه

کشاورزی دقیق

پزشکی و بهداشت

حمل و نقل

پردازش راه دور

پشته پروتکلی

انواع منبع­ها و چاهک­ها

شبکه­های تک پرشی در مقابل شبکه­های چند پرشی

انواع تحرک

پروتکل­های مسیریابی برای شبکه­های حسگر بی­سیم

1- پروتکل­هایی بر مبنای داده

مسیریابی به روش سیل­آسا و خبردهی

پروتکل­های حسگر برای اطلاعات از طریق مذاکره

انتشار جهت­دار

مسیریابی پخشی

2- پروتکل­های سلسله مراتبی

LEACH

PEGASIS

TEEN and APTEEN

3- پروتکل­های بر مبنای مکان

MECN

GAF

عیب های شبکه حسگر
روش های امنیتی در شبکه‌های بی سیم
WEPSSIDMACفصل دومبهینه سازی

تئوری بهینه‌سازی

انواع مسائل بهینه سازی و تقسیم بندی آنها از دیدگاه های مختلف

بهینه سازی با سعی خطا، بهینه سازی با تابع

بهینه سازی تک بعدی و بهینه سازی چند بعدی

بهینه سازی پویا و بهینه سازی ایستا

بهینه سازی مقید و نا مقید

بهینه سازی پیوسته و یا گسسته

بهینه سازی تک معیاره و چند معیاره

برخی دیگر از روش های بهینه سازی

    روش مبتنی بر گرادیان

 روند کلی بهینه سازی گرادیانی

    روش سیمپلکس
    الگوریتم ژنتیک

 

ویژگی‌های الگوریتم ژنتیک

    Ant colony

الگوریتم کلونی مورچه ها چیست؟

مزیتهای ACO

کاربردهای ACO

5- الگوریتم رقابت استعماری

شکل دهی امپراطوری‌های اولیه

سیاست جذب: حرکت مستعمره‌ها به سمت امپریالیست

انقلاب؛ تغییرات ناگهانی در موقعیت یک کشور

جابجایی موقعیت مستعمره و امپریالیست

رقابت استعماری

سقوط امپراطوری‌های ضعیف

شبه کد

کاربردها

فصل سوم

Particle Swarm Optimitation(PSO)

مقدمه

(Particle Swarm Optimitation(PSO

توپولوژی های همسایگی PSO

تاریخچه خوشه بندی

تعریف خوشه بندی

تحلیل خوشه بندی

فرضیه موقعیت تصادفی

فرضیه برچسب تصادفی

فرضیه نمودارتصادفی

مراحل خوشه بندی

فرایندهای خوشه بندی

مطالعه تکنیک های خوشه بندی

کاربرد های ویژه PSO

تعریف کلاسیک خوشه بندی

معیار نزدیک بودن

کاربرد های خوشه بندی

تعداد خوشه ها

داده ها

تعداد ویژگی ها و مشخصات آنها

مقدار دهی اولیه برای Kmeans

Kmeans

Pso و کاربرد آن در خوشه بندی

رمز گذاری فضای سه بعدی در ذرات

کمی کردن کیفیت خوشه بندی

Pso و خوشه بندی(الگوریتم 1)

Pso و خوشه بندی در ناحیه بندی تصویر

Pso و خوشه بندی(الگوریتم 2)

ترکیب pso و kmeans برای خوشه بندی (الگوریتم هیبرید)

ترکیب Pso و GA

فصل چهارم

بهینه سازی wsn با استفاده از الگوریتم   بهینه سازی pso

نصب گره ها WSN بهینه

موقعیت یابی گره ثابت

موقعیت یابی گره متحرک

VFCPSO

موقعیت یابی ایستگاه اصلی

تعیین محل گره در WSNها (شبکه های حسگر بی سیم)

تعیین موقعیت های گره های هدف

1) PSO تکراری

2) PSO بدون علامت

3) PSO با چهار علامت

خوشه بندی هشدار انرژی (EAC) در WSNها

خوشه بندی PSO

MST-PSO

جمع آوری اطلاعات در WSNها

تخصیص نیروی انتقال مناسب

تعیین آستانه های مکانی- مناسب

تشکیل حسگر مناسب

نتیجه گیری

مراجع فارسی

مراجع انگلیسی

دانلود پروژه الگوریتم ژنتیک

اختصاصی از کوشا فایل دانلود پروژه الگوریتم ژنتیک دانلود با لینک مستقیم و پرسرعت .

1-1- 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.

از آنجایی که نتیجه ی کار با توجه به نوع انتخاب این متدها و روش ها حاصل می شود لذا به اهمیت موضوع انتخاب بهینه ( Optimum ) و بهینه سازی در همه ی مسائل پی می بریم پس:

(( هدف ما این است که در فضای جواب های ممکن به دنبال بهترین جواب بگردیم. ))

روش های جدید بهینه سازی که امروزه در حل بسیاری از مسائل مختلف مورد استفاده قرار می گیرد عبارتند از:

1. Simulated Annealing

2. Ant colony

3. Random Cost

4. Evolution strategy

5. Genetic Algorithm

6. Celluar Automata

در این پایان نامه به بررسی و استفاده از روش Genetic Algorithm می پردازیم.