دانلود مقاله ژنتیک

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

اطلاعات اولیه

علم ژنتیک یکی از شاخه‌های علوم زیستی است. بوسیله قوانین و مفاهیم موجود در این علم می‌توانیم به تشابه یا عدم تشابه دو موجود نسبت به یکدیگر پی ببریم و بدانیم که چطور و چرا چنین تشابه و یا عدم تشابه در داخل یک جامعه گیاهی و یا جامعه جانوری ، بوجود آمده است. علم ژنتیک علم انتقال اطلاعات بیولوژیکی از یک سلول به سلول دیگر ، از والد به نوزاد و بنابراین از یک نسل به نسل بعد است. ژنتیک با چگونگی این انتقالات که مبنای اختلالات و تشابهات موجود در ارگانیسم‌هاست، سروکار دارد. علم ژنتیک در مورد سرشت فیزیکی و شیمیایی این اطلاعات نیز صحبت می‌کند.

تاریخچه ژنتیک

علم زیست شناسی ، هرچند به صورت توصیفی از قدیمی‌ترین علومی بوده که بشر به آن توجه داشته است. اما از حدود یک قرن پیش این علم وارد مرحله جدیدی شد که بعدا آن را ژنتیک نامیده‌اند و این امر انقلابی در علم زیست شناسی بوجود آورد. در قرن هجدهم ، عده‌ای از پژوهشگران بر آن شدند که نحوه انتقال صفات ارثی را از نسلی به نسل دیگر بررسی کنند. ولی به دو دلیل مهم که یکی عدم انتخاب صفات مناسب و دیگری نداشتن اطلاعات کافی در زمینه ریاضیات بود، به نتیجه‌ای نرسیدند.

دانلود پروژه ژنتیک مولکولی

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

...

پایان نامه کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر(CAPP) در محیطهای صنعتی مخت

اختصاصی از کوشا فایل پایان نامه کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر(CAPP) در محیطهای صنعتی مخت دانلود با لینک مستقیم و پرسرعت .

93 صفحه

چکیده

در یک محیط صنعتی توزیع شده، کارخانه های مختلف و دارای ماشین ها و ابزارهای گوناگون در مکان های جغرافیایی مختلف غالبا به منظور رسیدن به بالاترین کارایی تولید ترکیب می شوند. در زمان تولید قطعات و محصولات مختلف ، طرح های فرایند مورد قبول توسط کارخانه های موجود تولید می شود. این طرحها شامل نوع ماشین، تجهیز و ابزار برای هر فرآیند عملیاتی لازم برای تولید قطعه است. طرح های فرایند ممکن است به دلیل تفاوت محدودیت های منابع متفاوت باشند. بنابراین به دست آوردن طرح فرایند بهینه یا نزدیک به بهینه مهم به نظر می رسد. به عبارت دیگر تعیین اینکه هر محصول درکدام کارخانه و با کدام ماشین آلات و ابزار تولید گردد امری لازم و ضروری می باشد. به همین منظور می بایست از بین طرحهای مختلف طرحی را انتخاب کرد که در عین ممکن بودن هزینه تولید محصولات را نیز کمینه سازد. در این تحقیق یک الگوریتم ژنتیک معرفی می شود که بر طبق ضوابط از پیش تعیین شده مانند مینیمم سازی زمان فرایند می تواند به سرعت طرح فرایند بهینه را برای یک سیستم تولیدی واحد و همچنین یک سیستم تولیدی توزیع شده جستجو می کند. با استفاده از الگوریتم ژنتیک، برنامه ریزی فرآیند به کمک کامپیوتر (CAPP) می تواند براساس معیار در نظر گرفته شده طرح های فرایند بهینه یا نزدیک به بهینه ایجاد کند، بررسی های موردی به طور آشکار امکان عملی شدن و استحکام روش را نشان می دهند. این کار با استفاده از الگوریتم ژنتیک در CAPP هم در سیستمهای تولیدی توزیع شده و هم واحد صورت می گیرد. بررسی های موردی نشان می دهد که این روش شبیه یا بهتر از برنامه ریزی فرآیند به کمک کامپیوتر (CAPP) مرسوم تک کارخانه ای است

کاربرد الگوریتم ژنتیک در بهینه یابی وزنی قاب های فلزی سه بعدی با رفتار غیرخطی هندسی

اختصاصی از کوشا فایل کاربرد الگوریتم ژنتیک در بهینه یابی وزنی قاب های فلزی سه بعدی با رفتار غیرخطی هندسی دانلود با لینک مستقیم و پرسرعت .

• پایان نامه کارشناسی ارشد مهندسی عمران گرایش سازه با عنوان: کاربرد الگوریتم ژنتیک در بهینه یابی وزنی قاب های فلزی سه بعدی با رفتار غیرخطی هندسی 

• دانشگاه شیراز 

• استاد راهنما: دکتر محمدرضا بنان 

• پژوهشگر: علیرضا محبعلی 

• سال انتشار: آبان 1378 

• فرمت فایل: PDF و شامل 180 صفحه

چکیــــده:

در این تحقیق، از روش الگوریتم ژنتیک کلاسیک برای بهینه نمودن (حداقل نمودن وزن سازه) سازه‌های فضایی (خرپای فضایی و قاب خمشی سه بعدی) با رفتار خطی و غیرخطی هندسی استفاده شده است. سطح مقطع اعضاء بعنوان متغیرهای اصلی مسئله درنظر گرفته شده است. قیود مربوط به اندازه سطح مقطع برای تعیین طول هر رشته که شامل کلیه متغیرهای مسئله در مبنای دو می‌باشد، بکار می‌رود و سپس جمعیت اولیه بطور تصادفی تولید می‌شود. مقادیر عددی متغیرها در هر رشته در مبنای اعشاری، محاسبه شده و برای تعیین تنش و جابجایی گره‌ها مورد استفاده قرار می‌گیرد.

برای تحلیل خطی از نرم‌افزار SAP90 و برای تحلیل غیرخطی از نرم‌افزار EMRCNISA استفاده شده است. با استفاده از تابع جریمه خارجی، مسئله با قیود تنشی و جابجایی، به یک مسئله نامقید تبدیل می‌شود. مقادیر برازندگی هر رشته، محاسبه شده و مرحله تکثیر (تکرار شدن رشته‌های بهتر) انجام می‌شود. سپس عملگر تقاطع بمنظور تبادل اطلاعات بین رشته‌های انتخاب شده از مرحله تکثیر، تعداد مشخصی از آن‌ها را بطور تصادفی جفت می‌نماید و در نهایت عملگر جهش با احتمال بسیار کم، با تغییر در بعضی از بیت‌ها، یک تولید از جمعیت جدید را کامل می‌نماید.

بمنظور حل مسائل بهینه‌یابی سازه‌ها با استفاده از الگوریتم ژنتیک، یک برنامه رایانه‌ای بنام 3DSONAGA تهیه گردیده است. نتایج حاصل از این برنامه با نتایج بدست آمده بوسیله دیگر محققین مقایسه شده است.

در این تحقیق حساسیت الگوریتم ارائه شده نسبت به پارامترهای مختلف درگیر با مسئله بهینه‌یابی سازه‌های سه‌بعدی فلزی از قبیل نوع تابع جریمه، ضریب تابع جریمه، روش‌های مختلف معکوس‌سازی، نوع عملگر تقاطع، مقدار احتمال عملگر جهش و تعداد رشته‌های مورد بررسی قرار گرفته و نتایج بدست آمده ارائه گردیده است.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **

پایان نامه الگوریتم ژنتیک

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

  نوع فایل : Word

  تعداد صفحات : 154 صفحه

پایان نامه جهت دریافت کارشناسی ارشد رشته کامپیوتر و IT

چکیده :

الگوریتم ژنتیک (Genetic Algorithm - GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.

در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای تصادف هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA)یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسأله‌ای که باید حل شود ورودی است و راه‌حل‌ها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.

کلاً این الگوریتم‌ها از بخش های زیر تشکیل می‌شوند:

تابع برازش

نمایش

انتخاب

تغییر

فهرست مطالب :

  فصل اول     

 مقدمه

 به دنبال تکامل...      

 ایدۀ اصلی استفاده از الگوریتم ژنتیک 

 درباره علم ژنتیک       

 تاریخچۀ علم ژنتیک    

 تکامل طبیعی (قانون انتخاب طبیعی داروین)   

 رابطه تکامل طبیعی با روش‌های هوش مصنوعی      

 الگوریتم        

 الگوریتم‌های جستجوی ناآگاهانه       

الف- جستجوی لیست

ب- جستجوی درختی  

پ- جستجوی گراف    

 الگوریتم‌های جستجوی آگاهانه         

الف جستجوی خصمانه

 مسائل NPHard       

 هیوریستیک   

 انواع الگوریتم‌های هیوریستیک

  فصل دوم    

 مقدمه

 الگوریتم ژنتیک

 مکانیزم الگوریتم ژنتیک

 عملگرهای الگوریتم ژنتیک      

 کدگذاری       

 ارزیابی

 ترکیب

 جهش

 رمزگشایی    

 چارت الگوریتم به همراه شبه کد آن   

 شبه کد و توضیح آن  

 چارت الگوریتم ژنتیک  

 تابع هدف      

 روش‌های کد کردن     

 کدینگ باینری 

 کدینگ جایگشتی      

 کد گذاری مقدار        

 کدینگ درخت 

 نمایش رشته‌ها        

 انواع روش‌های تشکیل رشته 

 باز گرداندن رشته‌ها به مجموعه متغیرها       

 تعداد بیت‌های متناظر با هر متغیر      

 جمعیت        

 ایجادجمعیت اولیه     

 اندازه جمعیت 

 محاسبه برازندگی (تابع ارزش)

 انواع روش‌های انتخاب

 انتخاب چرخ رولت      

 انتخاب حالت پایدار     

 انتخاب نخبه گرایی    

 انتخاب رقابتی 

 انتخاب قطع سر        

 انتخاب قطعی بریندل  

 انتخاب جایگزینی نسلی اصلاح شده  

 انتخاب مسابقه        

 انتخاب مسابقه تصادفی       

 انواع روش‌های ترکیب 

 جابه‌جایی دودوئی     

 جابه‌جایی حقیقی     

 ترکیب تک‌نقطه‌ای     

 ترکیب دو نقطه‌ای     

 ترکیب n نقطه‌ای      

 ترکیب یکنواخت        

 ترکیب حسابی         

 ترتیب 

 چرخه 

 محدّب

 بخش_نگاشته

 احتمال ترکیب 

 تحلیل مکانیزم جابجایی        

 جهش

 جهش باینری  

 جهش حقیقی

 وارونه سازی بیت      

 تغییر ترتیب قرارگیری  

 وارون سازی   

 تغییر مقدار    

 محک اختتام اجرای الگوریتم ژنتیک    

 انواع الگوریتم‌های ژنتیکی      

 الگوریتم ژنتیکی سری

 الگوریتم ژنتیکی موازی

 مقایسه الگوریتم ژنتیک با سیستم‌های طبیعی         

 نقاط قوّت الگوریتم‌های ژنتیک  

 محدودیت‌های GAها  

 استراتژی برخورد با محدودیت‌ها        

 استراتژی اصلاح عملگرهای ژنتیک     

 استراتژی رَدّی

 استراتژی اصلاحی    

 استراتژی جریمه‌ای   

 بهبود الگوریتم ژنتیک  

 چند نمونه از کاربردهای الگوریتم‌های ژنتیک    

  فصل سوم   

 مقدمه

 حلّ معمای هشت وزیر         

 جمعیت آغازین

 تابع برازندگی 

 آمیزش

 جهش ژنتیکی

 الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد

 حل مسأله TSP به وسیله الگوریتم ژنتیک     

 مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP  

 نتیجه گیری   

 حلّ مسأله معمای سودوکو   

 حل مسأله    

 تعیین کروموزم

 ساختن جمعیت آغازین یا نسل اول    

 ساختن تابع از ارزش  

 ترکیب نمونه‌ها و ساختن جواب جدید  

 ارزشیابی مجموعه جواب      

 ساختن نسل بعد      

 مرتب سازی به کمک GA      

 صورت مسأله 

 جمعیت آغازین

 تابع برازندگی 

 انتخاب

 ترکیب

 جهش

 فهرست منابع و مراجع