مهندسی کامپیوتر

تحقیق الگوريتم ژنتيك و بهينه سازی چندين مسأله به آن

دانلود تحقیق با موضوع الگوريتم ژنتيك و بهينه سازی چندين مسأله به آن،
در قالب word و در 73 صفحه، قابل ویرایش، شامل:

فصل اول- كليات پروژه
كليات پروژه 1
1-2 مقدمه 2

فصل دوم- الگوريتم ژنتيك
2-1 فن آوري شبكه عصبي 5
2-2 فن آوري الگوريتم ژنتيك 9
2-3 مروري بر كاربردهاي تجاري 10
2-4 بازاريابي 10
2-5 بانكداري و حوزه‌هاي مالي 13
2-6 پيش بيني 14
2-7 ساير حوزه‌هاي تجاري 15
2-8. الگوريتم ژنتيك 15
2-8-1. عملگرهاي ژنتيك 17
2-8-1-1. عملگر توليد مثل 17
2-8-2. مؤلفه هاي ژنتيك 18
2-9. الگوريتم نلدر- ميد 19
2-9-1. مرور اجمالي بر روش عملكرد الگوريتم نلدر- ميد 21
2-10. تركيب ژنتيك و نلدر- ميد 21
2-11. جامعة آماري 22
2-12. نمونة آماري 22
2-13. داده‌ها و اطلاعات 23
2-14. ابزار جمع‌آوري داده 23
2-15. داده‌هاي خام 24

فصل سوم- بررسي چندين مسئله در الگوريتم ژنتيك
3-1 طراحي آزمايشات و ارائه مدلي از متغيرهاي مستقل 26
3-2 معرفي عوامل مؤثر 26
3-3 رطوبت تفاله 26
3-4 دماي خشك كن 27
3-5  درصد آهك اضافه شده 27
3-6 معرفي متغير پاسخ 27
3-7 الگوريتم هاي پيشنهادي 27
3-8 الگوريتم تركيبي شبيه سازي تبريد و ژنتيك (GA-SA) 28
3-9 الگوريتم شبيه سازي تبريد( SA): 30
3-10 جزئيات ساختار الگوريتم هاي پيشنهادي 30
نمايش حل ها 30
3-11 دماي اوليه 31
3-12 جستجوي همسايگي 31

فصل چهارم- بهينه سازي مسائل مختلف
4-1. مرور ادبيات مسئله: 33
4-2. شرح مسئله تسطيح منابع در حالت چند پروژه‌اي 37
4-3. مدلسازي مسئله 39
4-4. مدلسازي مسئله در حالت تك پروژه‌اي: 39
4-5  مدلسازي مسئله در حالت چند پروژه‌اي، هنگامي كه چند نوع منبع داريم 41
4-6  بيان روش حل به كمك الگوريتم ژنتيك 42
4-7  كد كردن مسئله 43
4-8 توليد جامعه اوليه 43
4-9  تعيين مكانيسم نمونه‌گيري: 44
4-10. انتخاب عملگر ژنتيكي مناسب 46
4-11 تعيين معيار توقف 48
4-12  بررسي نتايج حاصل از مسئله 48
4-14  بررسي نتايج حاصل از حل مسئله در حالت چند پروژه‌اي و چند منبعي 51
4-15. بيان مسئله و شرح اهميت پژوهش 52
4-16 بهينه‌سازي 53
4-17. انواع روش‌هاي بهينه‌سازي 54
4-17-1. كلاسيك‌ها 54
4-17-2. روش‌هاي ابتكاري 54
4-17-3. روش تحقيق 55

فصل پنجم- نتيجه گيري
5-1  نتيجه‌گيري 57
منابع 60

چكيده تحقیق:
در عصر حاضر در بسياري از موارد ماشين‌ها جايگزين انسان ها شده‌اند و بسياري از كارهاي فيزيكي كه در گذشته توسط انسان ها انجام مي‌گرفتريال امروزه توسط ماشين‌ها صورت مي‌گيرد. اگرچه قدرت كامپيوترها در ذخيره، بازيابي اطلاعات و اتوماسيون اداري، … غير قابل انكار است، اما هم چنان مواردي وجود دارد كه انسان ناچار است خودش كارها را انجام دهد. اما به طور كلي، موارد مرتبط با ماشين شامل سيستم‌هايي است كه در آن به علت ارتباطات پيچيده بين اجزا، مغز انسان از درك رياضي اين ارتباطات قاصر است. مغز انسان به مرور زمان با مشاهده توالي رفتارهاي سيستم و گاه آزمايش نتيجه‌اي كه بر اثر دست كاري يكي از اجزاي سيستم به دست مي‌آيد تا حدي مي‌تواند عادت هاي سيستم را شناسايي كند. اين روند يادگيري بر اثر مشاهده مثال هاي متنوع از سيستم، به كسب تجربه منجر مي‌شود. در چنين سيستم‌هايي مغز قادر به تجزيه و تحليل داخلي سيستم نيست و تنها با توجه به رفتارهاي خارجي، عملكرد داخلي سيستم را تخمين مي‌زند و عكس‌العمل هاي آن را پيش‌بيني مي‌كند.

1-1 مقدمه:
توجه به كاربرد تكنيك‌هاي هوش مصنوعي و ابزارهاي مدل‌سازي در حوزه كسب و كار به طور فزاينده‌اي در حال افزايش است. اين پروژه شواهدي را مبتني بر امكان استفاده اخلاقي از شبكه‌هاي عصبي و الگوريتم‌هاي ژنتيك كه به منجر به تصميم‌گيري‌هاي موفقيت‌آميز در ارتباط با مسائل مرتبط با كسب و كار مي‌شود ارائه مي‌كند. براي اين منظور لازم است كه بررسي تطبيقي‌اي در رابطه با تلاش هاي ديگر محققان در قالب ادبيات موضوع صورت گيرد. به همين دليل، در تحقيق ما بر نقش محققان عملياتي در حوزه كاربرد شبكه‌هاي عصبي و الگوريتم‌هاي ژنتيك تأكيد شده است.
دانلود فایل

دانلود فایل”تحقیق الگوريتم ژنتيك و بهينه سازی چندين مسأله به آن”

مهندسی برق و الکترونیک

پروژه پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك

خلاصه
مفيد بودن شبكه عصبي آنالوگ مصنوعي بصورت خيلي نزديكي با ميزان قابليت آموزش پذيري آن محدود مي شود .
اين مقاله يك معماري شبكه عصبي آنالوگ جديد را معرفي مي كند كه وزنهاي بكار برده شده در آن توسط الگوريتم ژنتيك تعيين مي شوند .
اولين
پياده سازي VLSI ارائه شده در اين مقاله روي سيليكوني با مساحت كمتر از
1mm كه شامل 4046 سيناپس و 200 گيگا اتصال در ثانيه
است اجرا شده است .
از آنجائيكه آموزش مي تواند در سرعت كامل شبكه انجام
شود بنابراين چندين صد حالت منفرد در هر ثانيه مي
تواند توسط الگوريتم ژنتيك تست شود .
اين باعث مي شود تا پياده سازي مسائل بسيار پيچيده كه نياز به شبكه هاي چند لايه بزرگ دارند عملي بنظر برسد .

1- مقدمه
شبكه هاي عصبي مصنوعي به صورت عمومي بعنوان يك راه حل خوب براي مسائلي از قبيل تطبيق الگو مورد پذيرش قرار گرفته اند .
عليرغم
مناسب بودن آنها براي پياده سازي موازي ، از آنها در سطح وسيعي بعنوان
شبيه سازهاي عددي در سيستمهاي معمولي استفاده مي شود .
يك
دليل براي اين مسئله مشكلات موجود در تعيين وزنها براي سيناپسها در يك شبكه
بر پايه مدارات آنالوگ است .
موفقترين الگوريتم آموزش ، الگوريتم Back-Propagation است .
اين الگوريتم بر پايه يك سيستم متقابل است كه مقادير صحيح را از خطاي خروجي شبكه محاسبه مي كند .
يك شرط لازم براي اين الگوريتم دانستن مشتق اول تابع تبديل نرون است .
در
حاليكه اجراي اين مسئله براي ساختارهاي ديجيتال از قبيل ميكروپروسسورهاي
معمولي و سخت افزارهاي خاص آسان است ، در
ساختار آنالوگ با مشكل روبرو مي شويم .
دليل اين مشكل ، تغييرات قطعه و
توابع تبديل نرونها و در نتيجه تغيير مشتقات اول آنها از نروني به نرون
ديگر و از تراشه اي به تراشه ديگر است و چه چيزي مي تواند بدتر از اين
باشد كه آنها با دما نيز تغيير كنند .
ساختن
مدارات آنالوگي كه بتوانند همه اين اثرات را جبران سازي كنند امكان پذير
است ولي اين مدارات در مقايسه با مدارهايي كه جبران سازي نشده اند
داراي حجم بزرگتر و سرعت كمتر هستند .
براي كسب موفقيت تحت فشار رقابت
شديد از سوي دنياي ديجيتال ، شبكه هاي عصبي آنالوگ نبايد
سعي كنند كه مفاهيم ديجيتال را به دنياي آنالوگ انتقال دهند .
در عوض آنها بايد تا حد امكان به فيزيك قطعات متكي باشند تا امكان استخراج يك موازي سازي گسترده در تكنولوژي VLSI مدرن بدست آيد .
شبكه
هاي عصبي براي چنين پياده سازيهاي آنالوگ بسيار مناسب هستند زيرا جبران
سازي نوسانات غير قابل اجتناب قطعه مي تواند در وزنها لحاظ
شود .

دانلود فایل

دانلود فایل”پروژه پياده سازي VLSI يك شبكه عصبي آنالوگ مناسب براي الگوريتم هاي ژنتيك”