کد متلب الگوریتم ژنتیک باینری
کد های متلب دارای توضیحات لازم به صورت کامنت هستند.
برای مشاهده خروجی های برنامه کافیست کد را در نرم افزار MATLAB اجرا نمایید.

:: برچسب‌ها: کد متلب الگوریتم ژنتیک باینری , الگوریتم ژنتیک Binary , الگوریتم ژنتیک , کد الگوریتم ژنتیک باینری در متلب , ژنتیک باینری ,
:: بازدید از این مطلب : 112

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

کنیک 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. این الگوریتم برای اولین بار توسط جان هالند معرفی شد.

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 رگرسیون هستند. در هوش مصنوعی الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها بعنوان کاندیداها توسط تابع ارزیاب (Fitness Functionn) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. الگوریتم ژنتیک بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند.

کتابها واپ های اندروید ومجلات روز دنیا را ازما بخواهید.کانال تلگرامی ما:@kafeketab2016

:: برچسب‌ها: الگوریتم ژنتیک , پاور پوینت های مهندسی صنایع , جامعترین وکاملترین اسلاید اموزشی GA ,
:: بازدید از این مطلب : 97

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

فشرده سازی فراکتالی
تصویر با GA

فراکتال : شکلی هندسی است که خاصیت خود تشابهی دارد، یعنی نواحی مختلف یک شکل فراکتالی مشابه کل شکل است. 

از تکرار یک شکل ساده با استفاده از یک رابطه بازگشتی، اشکال فراکتالی بوجود می آیند.

اعداد و توابع به کاربرده شده در حالت کلی موهومی هستند.

به مجموعه تبدیل هایw  فوق، که برای یافتن تابع تشابه برای هر ناحیه از تصویر بکار می رود، سیستم تابع تکرار شده محلی ، گفته می شود.


ساختار کد نویسی FIC  با GA

:: برچسب‌ها: فشرده سازی فراکتالی , الگوریتم ژنتیک , اسلاید پاورپوئینت ,
:: بازدید از این مطلب : 83

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

مسیر یابی در شبکه پویا با استفاده از الگوریتم ژنتیک و الگوریتم موریانه ای
چکیدهمسیریابی در شبکه پویا یک فعالیت چالش انگیز است، چون توپولوژی شبکه ثابت نمی باشد. این مسئله در این بررسی با استفاده از الگوریتم موریانه ای  برای مد نظر قرار دادن شبکه هایی که از چنین بسته های اطلاعاتی استفاده می کنند، مطرح می گردد. مسیرهای ایجاد شده توسط انت (موریانه)  به عنوان داده ورودی برای الگوریتم ژنتیک می باشد. الگوریتم زنتیکی مجموعه ای از مسیرهای مناسب را پیدا می کند. اهمیت استفاده از الگوریتم موریانه ای  کاهش اندازه جدول مسیر می باشد. اهمیت الگوریتم زنتیک بر مبنای اصل تکامل مسیرها به جای ذخیره مسیرهای از پیش محاسبه شده می باشد.کلیدواژه:مسیریابی، الگوریتم موریانه ای ، الگوریتم ژنتیکی، معبر، جهش

:: برچسب‌ها: مسیر یابی , شبکه پویا , مسیر یابی در شبکه پویا , الگوریتم ژنتیک , الگوریتم موریانه ای , جهش , Routing in Dynamic Network , Routing , Dynamic Network , Ants and Genetic Algorithm , Genetic Algorithm , Ants Algorithm , مقاله انگلیسی کامپیوتر با ترجمه فارسی , مقاله انگلیسی کامپیوتر با ترجمه , مقاله انگلیسی کامپیوتر ,
:: بازدید از این مطلب : 112

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

آموزش الگوریتم ژنتیک-کتاب فارسی

:: برچسب‌ها: الگوریتم ژنتیک , فارسی ,
:: بازدید از این مطلب : 162

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

الگوریتم بهینه ­سازی توده ذرات در ابتدایی‌ترین شکل خود یک روش تکراری دسته‌جمعی آشفته با تاکید بر همکاری است. این الگوریتم تا حدی تصادفی بوده و بدون مکانیزم انتخاب است و از حرکت گروهی پرندگان و زنبورها الهام گرفته است. رفتار جمعی تمام افراد جمعیت باعث یک همگرایی درنقطه­اي نزدیک به جواب بهینه مطلق می‌شود. نقطه قوت این الگوریتم عدم نیاز به یک کنترل سراسري است. هرفرد دراین الگوریتم خود ‌مختاري نسبی دارد که می‌تواند درسراسر فضاي جستجو حرکت کند و می‌بایست با سایر افراد همکاری داشته باشد. در این گزارش ابتدا نحوه کارکرد کد نوشته شده مورد بررسی قرار می­گیرد. در فصل دوم الگوریتم بهینه­ سازی توده ذرات به طور مفصل توضیح داده می­شود. در فصل آخر نیز نحوه پیاده سازی این الگوریتم بر روی کد  Matlabتوضیح داده خواهد شد.

الگوریتم  PSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه‌ی دسته به کار گرفته شد . در PSO، ذرات  در فضای جستجو جاری می‌شوند. تغییر مکان  ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر توده  ذرات روی چگونگی جستجوی یک ذره اثر می‌گذارد . نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.

:: برچسب‌ها: بهینه سازی توده ذرات , هوش جمعی , اتوماتای یادگیر سلولی , PSO , CLA , الگوریتم بهینه سازی توده ذرات , پایان نامه الگوریتم بهینه سازی توده ذرات , تحقیق الگوریتم بهینه سازی توده ذرات , پروژه الگوریتم بهینه سازی توده ذرات PSO , پایان نامه الگوریتم pso , الگوریتم , پروژه پایان نامه , پایان نامه نرم افزار , پایان نامه کارشناسی , پروپوزال , پورپوزال , خرید پایان نامه , پایان نامه الگوریتم بهینه سازی توده ذرات پی اس او , دانلود پایان نامه الگوریتم pso , تحقیق با فرمت ورد , الگوریتم ژنتیک , برش گیوتینی قطعاتPSO , CLA-PSO ,
:: بازدید از این مطلب : 100

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

اصل و ترجمه مقاله کنترل هوشمند کشتی با استفاده از شبکه عصبی و منطق فازی و ژنتیک الگوریتم

عنوان انگلیسی مقاله :

A Genetically Optimized Fuzzy Neural Network for Ship Controllers

A Genetically Optimized Fuzzy Neural Network for Ship Controllers

عنوان فارسی مقاله :

یک شبکه عصبی فازی ژنتیکی بهینه شده برای کنترل کشتی 

سال انتشار : 2006

کیفیت ترجمه : B

چکیده انگلیسی :

Abstract-A novel approach has been promoted for fuzzy neural ship controllers. An RBF neural network and GA optimization are employed in a fuzzy neural controller to deal with the nonlinearity, time varying and uncertain factors. Utilizing the designed network to substitute the conventional fuzzy inference, the rule base and membership functions can be auto-adjusted by GA optimization. The parameters of neural network can be decreased by using union-rule configuration in the hidden layer of the network. The performance of controller is evaluated by the system simulation conducted with Simulink tools, by which satisfied results have been obtained

.Index Terms- RBF network. Fuzzy control. Genetic algorithm. Union rule. Ship control

چکیده فارسی :

چکیده - منطق فازی عصبی، رویکردی جدید برای کنترل کشتی ها است. یک شبکه عصبی RBF و بهینه سازی GA در یک کنترل عصبی فازی به کار برای مقابله با غیرخطی، زمان های مختلف و عوامل نامشخص است. با استفاده از شبکه طراحی شده به جای استنتاج فازی معمولی، پایگاه قوانین و توابع عضویت می تواند به صورت خودکار توسط بهینه سازی GA تنظیم شود. پارامترهای شبکه عصبی را می توان با استفاده از تنظیمات مجموعه قوانین در لایه مخفی از شبکه کاهش داد. نتایج رضایت بخشی از عملکرد کنترل کننده های شبیه سازی سیستم، که توسط ابزار سیمولینک انجام می گردد دست آمده است. 

     

کلمات کلیدی : کنترل فازی. الگوریتم ژنتیک. مجموعه قوانین. کنترل کشتی.        

:: برچسب‌ها: رشته کامپیوتر , رشته برق , مقاله ترجمه شده , Fuzzy Neural Network , کنترل هوشمند فرمان کشتی , کنترل هوشمند کشتی , شبکه عصبی , الگوریتم منطق فازی , الگوریتم ژنتیک , Fuzzy Neural Network , منطق فازی ,
:: بازدید از این مطلب : 78

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

---

:: برچسب‌ها: ارائة مدلی ریاضی با رویکرد مدیریت موجودی توسط فروشنده برای اقلام بهبودپذیر و فسادپذیر در طول یک زنجیرة تأمین سه‌سطحی , اقلام بهبود پذیر , اقلام فساد پذیر , الگوریتم ژنتیک , زنجیره تامین سه سطحی , مدیریت موجودی توسط فروشنده ,
:: بازدید از این مطلب : 47

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

---

:: برچسب‌ها: الگوریتم , الگوریتم بهینه سازی تجمع ذرات , الگوریتم ژنتیک , مسیر یابی وسایل نقلیه , مهارت تیم ها , نیروی انسانی ,
:: بازدید از این مطلب : 56

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

در این تحقیق ابتدا مقدمه ای بر تاریخچه پیدایش الگوریتم های فراابتکاری بیان شده است در فصل دوم پرکاربرد ترین الگوریتم های فراابتکاری تشریح شده است که شامل الگوریتم ژنتیک،کلونی مورچگان،رقابت استعماری،ازدحام ذرات و شبیه سازی تبرید است. در فصل بعدی چند نمونه مساله کلاسیک پیچیده شامل مکانیابی وسایل نقلیه، فروشنده دوره گرد،مکان یابی چند تسهیلاتی و.. شرح داده شده و در فصل چهارم  حل و شبیه سازی چند مساله با الگوریتم های نام برده که در تحقیقات جدید ارائه شده است را بیان میکنیم.

:: برچسب‌ها: متاهیوریستیک , فراابتکاری , الگوریتم ژنتیک , الگوریتم ازدحام ذرات , الگوریتم کلونی مورچگان , رقابت استعماری ,
:: بازدید از این مطلب : 90

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

 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 :

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 هيوریستیک

  فصل دوم             

 مقدمه

 الگوریتم ژنتیک

 مكانيزم الگوريتم ژنتيك

 عملگرهاي الگوريتم ژنتيك

 کدگذاری

 ارزیابی

 ترکیب

 جهش

 رمزگشايي

 چارت الگوريتم به همراه شبه كد آن

 شبه كد و توضيح 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 متغيرها

 تعداد بيت‌هاي متناظر با هر متغير

 جمعيت

 ايجاد جمعيت اوليه

 اندازه جمعيت

 محاسبه برازندگي (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

 جابه‌جایي حقيقي

 ترکیب تک‌نقطه‌ای

 ترکیب دو نقطه‌ای

 ترکیب n نقطه‌ای

 ترکیب یکنواخت

 ترکیب حسابی

 ترتیب

 چرخه

 محدّب

 بخش_نگاشته

 احتمال تركيب

 تحليل مكانيزم جابجایي

 جهش

 جهش باينري

 جهش حقيقي

 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 معماي 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 جمعيت آغازين يا نسل اول

 ساختن تابع از ارزش

 تركيب نمونه‌ها و ساختن جواب جديد

 ارزشيابي مجموعه جواب

 ساختن نسل بعد

 مرتب سازی به کمک GA

 صورت مسأله

 جمعیت آغازین

 تابع برازندگی

 انتخاب

 ترکیب

 جهش

فهرست منابع و مراجع

پیوست

واژه‌نامه

:: برچسب‌ها: الگوریتم ژنتیک , الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد , الگوریتم‌های جستجوی ناآگاهانه , الگوریتم‌های هيوریستیک , تابع برازندگی , جستجوی خصمانه , جستجوی درختی , جستجوی گراف , حل مسأله TSP به وسیله الگوریتم ژنتیک , حلّ مسأله معمای سودوکو , حلّ معماي هشت وزیر , ,
:: بازدید از این مطلب : 75

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

 مساله بهینه سازی رنگ آمیزی گراف تعیین حداقل تعداد رنگهای مورد نظر برای رنگ آمیزی گرافی معین است به گونه ای که هیچ دو راس مجاور هم رنگ نباشند و این عدد مورد نظر را عدد کروماتیک گراف می گوئیم . مساله تصمیم گیری رنگ آمیزی گراف ان است که برای یک عدد صحیح m تعیین کنیم که آیا رنگ آمیزی وجود دارد که حداکثر از این m رنگ استفاده کرده و هیچ دو راس مجاوری هم رنگ نباشند. تا امروز برای حالتهای تصمیم گیری و بهینه سازی فوق الگوریتمی از مرتبه چند جمله ای پیدا نشده است . در اینجا سعی شده با استفاده از الگوریتم ژنتیک راه حل های بهینه ای را برای این مسئله ارائه دهیم.

 فهرست :

الگوریتم ژنتیک و الگوریتم هیورستیک

مقدمه ای بر بهینه سازی

الگوریتم های مینیمم یابنده

هیورستیک

انواع الگوریتم های هیورستیک

الگوریتم ژنتیک

فضای جستجو

مفاهیم پایه ای در الگوریتم ژنتیک

کد گذاری دودویی

کدگذاری جهشی

کدگذاری ارزشی

کدگذاری درختی

جمعیت ژنتیکی

تاریع برازندگی

عملگر ترکیب یا جابجایی

ترکیب چند نقطه ای

ترکیب یکنواخت

ترکیب نگاشت جزئی

ترکیب مرتب شده

ترکیب چرخشی

عملگر جهش

روش وارون سازی

روش ژن جزئی

روش درجی

روش درهم آمیخته

روش چرخ رولت

روش رتبه بندی

عملگر ترمیم

نخبه کشی

مراحل اجرای الگوریتم ژنتیک

همگرایی در الگوریتم ژنتیک

روش برش کروموزوم

نحوه جهش ژنتیک

:: برچسب‌ها: الگوریتم ژنتیک , الگوریتم های مینیمم یابنده , الگوریتم هیورستیک , تاریع برازندگی , ترکیب چرخشی , ترکیب چند نقطه ای , ترکیب نگاشت جزئی , جمعیت ژنتیکی , روش برش کروموزوم , روش ژن جزئی , روش وارون سازی , عملگر ترکیب یا جابجایی , کد گذاری دودویی , کدگذاری ارزشی , مراحل اجر ,
:: بازدید از این مطلب : 38

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

:: برچسب‌ها: الگوریتم ژنتیک , انتخاب سری مولکولی , اندیس های ارتباطی مولکول , انواع الگوریتم , پایان نامه پزشکی , پایان نامه مهندسی شیمی , توصیف گر های الکترونی , توصیف گر های تصویری , توصیف گر های توزیع شعاعی , توصیف گر های هندسی , توصیف گرهای هیبریدی , توصیفگر های توپولوژیکی , ,
:: بازدید از این مطلب : 85

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

عنوان مقاله: بازآرائی بهینه شبكه های توزيع به روش الگوريتم ژنتیک جهت کاهش تلفات
قالب فایل: WORD
تعداد صفحات: 9 صفحه

فهرست مطالب:

چكيده

1. مقدمه

2. الگوريتم ژنتيك

3. مفاهيم اساسي الگوريتم ژنتيك

3-1: كد كردن

3-2: كروموزوم

3-3: جمعيت

3-4: مقدار برازندگي

3-5: عمل تكثير

3-6: عملگر جهش

4. مراحل اجراي الگوريتم ژنتيك

5. اعمال الگوریتم ژنتیک به مساله بهینه سازی

6. تعيين تابع ارزياب

7. توليد جمعيت جديد و شرط توقف الگوريتم و رسيدن به جواب

8. نتایج عددی و مقایسه

9. نتيجه‌گيري و پيشنهادات

مراجع و منابع


چکیده:
در این مقاله الگوریتم ژنتیک جهت حل یک مساله بهینه سازی بکار برده شده است. منظور از بهینه‌سازی انتخاب بهترین ساختار از یک شبکه توزیع جهت کمینه کردن تلفات می باشد. الگوریتم ژنتیک یکی از روشهای پرقدرت در یافتن بهینه مطلق می باشد. نرم افزاری به زبان C برای الگوریتم پیشنهادی تهیه شده است و نتیجه عددی آن برای دو شبکه نمونه آورده شده است.

مقدمه:
تغيير ساختار در شبكه‌هاي توزيع جهت كاهش تلفات در واقع حل يك مساله بهينه‌سازي مي‌باشد. روش بكارگرفته شده در اين مقاله جهت حل اين مساله بهينه‌سازي استفاده از روش الگوريتم ژنتيك مي‌باشد.
روش الگوريتم ژنتيك به دليل اينكه كليه جوابهاي ممكن را توليد و سپس از ميان آنها بهترين گزينه را انتخاب مي‌كند. لذا از اطمينان بيشتري براي رسيدن به بهينه مطلق برخوردار مي‌باشد.
در يك شبكه توزيع با گستردگي فراوان تنوع بار (اعم از صنعتي، خانگي يا تجاري) و همچنين تغييرات بار بدليل تنوع فصول، ساعات كار و پیک مصرف و ساير عوامل ديگر و ثايت بودن ساختار شبكه، موجب افزايش تلفات در سيستم مي‌شود. در چنين شرايطي لازم است با اعمال يك آرايش بهينه روي شبكه با باز و بسته كردن كليدهاي موجود به بهينه‌ساختن تلفات اميدوار بود.
براي تجديد آرايش روي شبكه‌هاي توزيع روشهاي مختلفي پيشنهاد شده است كه مي‌توان آنها را به روش‌هاي خاص و عام تقسيم‌بندي نمود.
الف: روشهاي خاص:
در روشهاي خاص براي حل مساله الگوريتم خاصي پيشنهاد مي‌شود كه با استفاده از اين آلگوريتم ابتدا يك پاسخ محاسبه شده و از روي آن پاسخ و با توجه به الگوريتم مربوطه پاسخ بعدي تا رسيدن به نقطه بهينه با رعايت قيود مساله ادامه مي‌يابد. روشهای خاص به دو روش SEM و SSOM تقسم بندی می گردند.
ب: روشهاي عام:
روشهاي عام روشهايي هستند كه به شكل مساله بستگي نداشته و يگ الگوريتم كلي براي حل مساله پيشنهاد مي‌گردد. دراين روش مجموعه وسيعي از جوابها انتخاب گرديده و با انجام عملياتي بهینه مطلق انتخاب مي‌گردد. الگوريتم ژنتيك يكي از اين روشهاست. دراین مقاله سعی شده است از این روش جهت کاهش تلفات در شبکه‌های توزیع استفاده گردد.

:: برچسب‌ها: بازآرائی بهینه , شبکه های توزیع , بازآرائی بهینه شبكه های توزيع , الگوریتم ژنتیک , کاهش تلفات , تعيين تابع ارزياب , بهینه سازی ,
:: بازدید از این مطلب : 99

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

چندین دهه است که شرکت ها اطلاعات را جمع آوري می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوي است، که امروزه در بسیاري از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاري از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهاي بسیاري جهت داده کاوي وجود دارد از جمله شبکه هاي عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز براي داده کاوي ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوي و برخی از روشهاي داده کاوي و همچنین محیطهایی که از داده کاوي بهره میبرند به همراه نرم افزار هاي آن پرداخته است.

فهرست :

چکیده

مقدمه

داده کاوی

تکنیک های داده کاوی

دسته بندی

رگرسیون گیری

خوشه بندی

تجمع و همبستگی

درخت تصمیم گیری

ویزگی های درخت تصمیم

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

ساختار شبکه عصبی

نورون

معماری شبکه عصبی

شبکه های پیش خور تک لایه

انواع یادگیری در شبکه های عصبی مصنوعی

داده کاوی در پزشکی

داده کاوی در سلامت

نرم افزار های داده کاوی

نتیجه گیری

مراجع

:: برچسب‌ها: الگوریتم ژنتیک , تجمع و همبستگی , تکنیک های داده کاوی , خوشه بندی , داده کاوی در پزشکی , درخت تصمیم گیری , رگرسیون گیری , ساختار شبکه عصبی , شبکه های پیش خور تک لایه , شبکه های عصبی مصنوعی , معماری شبکه عصبی , نرم افزار های داده کاوی , نورون ,
:: بازدید از این مطلب : 85

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

دانلود پروژه کامل در مورد الگوریتم ژنتیک (فرمت فایل Wordوورد)تعداد صفحات 65

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 :

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 هيوریستیک

  فصل دوم             

 مقدمه

 الگوریتم ژنتیک

 مكانيزم الگوريتم ژنتيك

 عملگرهاي الگوريتم ژنتيك

 کدگذاری

 ارزیابی

 ترکیب

 جهش

 رمزگشايي

 چارت الگوريتم به همراه شبه كد آن

 شبه كد و توضيح 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 متغيرها

 تعداد بيت‌هاي متناظر با هر متغير

 جمعيت

 ايجاد جمعيت اوليه

 اندازه جمعيت

 محاسبه برازندگي (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

 جابه‌جایي حقيقي

 ترکیب تک‌نقطه‌ای

 ترکیب دو نقطه‌ای

 ترکیب n نقطه‌ای

 ترکیب یکنواخت

 ترکیب حسابی

 ترتیب

 چرخه

 محدّب

 بخش_نگاشته

 احتمال تركيب

 تحليل مكانيزم جابجایي

 جهش

 جهش باينري

 جهش حقيقي

 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 معماي 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 جمعيت آغازين يا نسل اول

 ساختن تابع از ارزش

 تركيب نمونه‌ها و ساختن جواب جديد

 ارزشيابي مجموعه جواب

 ساختن نسل بعد

 مرتب سازی به کمک GA

 صورت مسأله

 جمعیت آغازین

 تابع برازندگی

 انتخاب

 ترکیب

 جهش

فهرست منابع و مراجع

پیوست

واژه‌نامه

:: برچسب‌ها: دانلود پروژه الگوریتم ژنتیک (فرمت فایل Word ورد و با قابلیت ویرایش)تعداد صفحات 65 , الگوریتم ژنتیک , پروژه الگوریتم ژنتیک , 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 , روش‌های هوش مصنوعی , الگوریتم , الگوریتم هوش مصنوعی , الگوریتم‌های جستجو , الگوریتم‌های جستجوی ناآگاهانه , الگوریتم جستجوی درختی , جستجوی درختی , الگوریتم جستجوی گراف , جستجوی گراف , الگوریتم‌های جستجوی آگاهانه , جستجوی آگاهانه , جستجوی خصمانه , مسائل NPHard , هیوریستیک , تحقیق رشته کامپیوتر اماده پرینت , انواع الگوریت ,
:: بازدید از این مطلب : 85

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

بررسی سناریوهای مختلف برای پیش بینی تقاضای انرژی بخش خانگی  تجاری به کمک الگوریتم ژنتیک

مقاله چاپ شده در دهمین همایش بین المللی انرژی

:: برچسب‌ها: پیش بینی تقاضا , تقاضای مصرف , الگوریتم ژنتیک ,
:: بازدید از این مطلب : 92

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

این نوشته حاوی مبانی و آموزش الگوریتم ژنتیک و ماشینهای بردار رگرسیون می باشد. روشهای فوق در علم کمومتریکس ( آمار در شیمی تجزیه) برای مدلسازی QSAR به منظور انتخاب توصیف کننده ها و همچنین تعیین تاخوردگی و سطوح ساختاری پروتیینها برای طراحی دارو کاربرد دارند.

(مقاله انگلیسی)

:: برچسب‌ها: الگوریتم ژنتیک , ماشینهای بردار رگرسیون و ماشینهای بردار پشتیبان ,
:: بازدید از این مطلب : 107

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

ترکیب الگوریتم ژنتیک و الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن اندازه و مکان بهینۀ تولید پراکنده در سیستم‌های توزیع
چکیده منابع تولید پراکنده (DG) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم‌های توزیع می‌گردند. مکان‌ها و توانمندی‌های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته‌اند. در این مقاله، یک ترکیب نوینی از الگوریتم ژنتیک  (GA)/ بهینه‌سازی ازدحام ذرات  (PSO) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم‌های توزیع معرفی می‌شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم‌های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم‌های 33 و 39 باس انجام شده است تا کارائی روش ارائه شده نشان داده شود. کلیدواژه: منابع تولید پراکنده، الگوریتم ژنتیک، گمارش، بهینه‌سازی ازدحام ذرات، اتلاف

:: برچسب‌ها: اتلاف , بهینه‌سازی ازدحام ذرات , گمارش , الگوریتم ژنتیک , منابع تولید پراکنده , سیستم‌های توزیع , ترکیب الگوریتم ژنتیک , الگوریتم بهینه‌سازی ازدحام ذرات , مقاله انگلیسی مهندسی صنایع با ترجمه فارسی , مقاله انگلیسی مهندسی صنایع با ترجمه , مقاله انگلیسی مهندسی صنایع , combination , genetic algorithm , particle swarm optimization , optimal DG location , distribution systems ,
:: بازدید از این مطلب : 95

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

ترکیب الگوریتم ژنتیک و الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن اندازه و مکان بهینۀ تولید پراکنده در سیستم‌های توزیع
چکیدهمنابع تولید پراکنده (DG) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم‌های توزیع می‌گردند. مکان‌ها و توانمندی‌های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته‌اند. در این مقاله، یک ترکیب نوینی از  الگوریتم ژنتیک  (GA)/ بهینه‌سازی ازدحام ذرات  (PSO) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم‌های توزیع معرفی می‌شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم‌های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم‌های 33 و 39 باس انجام شده است تا کارائی روش ارائه شده نشان داده شود. 

:: برچسب‌ها: الگوریتم ژنتیک , الگوریتم بهینه‌سازی ازدحام ذرات , تولید پراکنده , سیستم‌های توزیع , combination , genetic algorithm , particle swarm optimization , DG location , distribution systems , مقاله انگلیسی برق , مقاله انگلیسی برق و الکترونیک , مقاله انگلیسی برق با ترجمه , مقاله انگلیسی برق با ترجمه فارسی ,
:: بازدید از این مطلب : 117

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

جدول زمانی دوره تحصیلی دانشگاه با الگوریتم ژنتیک
چکیدهاین مقاله به شرح فعالیت های الگوریتم ژنتیکی هیبریدی در ارتباط با نمونه های واقعی مسئله جدول زمانی دوره اموزش دانشگاهی می پردازد. ما جدول زمانی آزمایشی را در محیط کاملا محدود مد نظر قرار می دهیم، که در ارتباط با آن تعریف رسمی داده می شود. تکنیک های ارائه راه حل متناسب با مسئله به همراه اپراتورهای ژنتیک مربوطه و الگوریتم جستجوی محلی تعریف می گردد. روش مطرح شده در این مقاله با موفقیت برای جدول زمانی در نهادهای پژوهشی مورد استفاده قرار گرفته و دارای قابلیت ایجاد جدول زمانی برای نمونه های مرتبط به مسائل پیچیده تر می باشد.

:: برچسب‌ها: الگوریتم ژنتیک , دانشگاه , دوره تحصیلی , الگوریتم ژنتیکی هیبریدی , جدول زمانی دوره اموزش دانشگاهی , University Course Timetabling , Genetic Algorithm , Laboratory Excercises Case Study , مقاله انگلیسی علوم تربیتی با ترجمه فارسی , مقاله انگلیسی علوم تربیتی با ترجمه , مقاله انگلیسی علوم تربیتی ,
:: بازدید از این مطلب : 114

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

:: برچسب‌ها: الگوریتم ژنتیک , انتخاب سری مولکولی , اندیس های ارتباطی مولکول , انواع الگوریتم , پایان نامه پزشکی , پایان نامه مهندسی شیمی , توصیف گر های الکترونی , توصیف گر های تصویری , توصیف گر های توزیع شعاعی , توصیف گر های هندسی , توصیف گرهای هیبریدی , توصیفگر های توپولوژیکی , , مراحل انجام QSAR ، انتخاب سری مولکولی، توصیفگر های توپولوژیکی، اندیس های ارتباطی مولکول، توصیف گر های هندسی، توصیف گر های الکترونی، توصیف گر های توزیع شعاعی، توصیف گر های تصویری، توصیف گرهای هیبریدی، رگرسیون خطی ساده ،رگرسیون خطی چندگانه، الگوریتم ژنتیک، ,
:: بازدید از این مطلب : 118

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

کنترل توان راکتیو و ولتاژ در محیط تجدید ساختار شده
تامین توان راکتیو و کنترل ولتاژ، نوعی کلیدی از خدمات جانبی در بازار برق تجدید ساختار شده می باشد. در این مقاله، مروری بر برخی مسایل مهم تامین توان راکتیو، شامل تحلیل هزینه، قیمت گذاری توان راکتیو، و ارزیابی، ارایه می شود. یک پخش بار بهینه (OPF) نیز مبنی بر نظریه ی قیمت گذاری زمان واقعی، بکار می رود. دو تابع دف به ترتیب مدل سازی می شوند: کمینه کردن تلفات شبکه، و کمینه کردن هزینه های کل برای تامین توان راکتیو. همچنین، از یک الگوریتم ژنتیک (GA) با مقادیر واقعی نیز، برای کمک به یافتن بهینه ی کلی و بررسی راه حل ها، استفاده می شود. همچنین، در بررسی ها از سیستم 30-شینه IEEE استفاده می شود. 
اصطلاحات شاخص__ کنترل و لتاژ  توان راکتیو، خدمات جانبی، پخش بار بهینه، الگوریتم ژنتیک، هزینه های توان راکتیو.

:: برچسب‌ها: کنترل و لتاژ توان راکتیو , خدمات جانبی , پخش بار بهینه , الگوریتم ژنتیک , هزینه های توان راکتیو , Reactive Power , Voltage Control , Deregulated Environment , مقاله برق , مقاله برق و الکترونیک , مقاله انگلیسی برق , مقاله انگلیسی برق و الکترونیک , مقاله انگلیسی برق با ترجمه , مقاله انگلیسی برق با ترجمه فارسی ,
:: بازدید از این مطلب : 128

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

این پروژه شامل کدهای مربوط به الگوریتم بهینه سازی چند هدفه می باشد. کدها بارها آزمایش و مورد ارزیابی قرار گرفته و به خوبی و برای تمامی توابع هدف گسسته و پیوسته عملکرد مطلوبی دارد. توابع هدف می توانند ماکزیمم یا مینیمم سازی باشند. جبهه پرتو در تمامی تکرارها رسم و قابلیت پایش الگوریتم در حین اجرا وجود دارد.

:: برچسب‌ها: NSGA , NSGAII , NSGA2 , NSGA MATLAB , کد متلب , بهینه سازی چند هدفه , الگوریتم ژنتیک , الگوریتم ژنتیک چند هدفه , NSGAII code , Multiobjective Genetic algorithm code , Matlab code NSGAII , Matlab code NSGA2 , پروژه ,
:: بازدید از این مطلب : 146

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

:: برچسب‌ها: الگوریتم ژنتیک , الگوریتم ژنتیک سری , الگوریتم ژنتیک موازی , الگوریتمهای تکامل , الگوریتمهای مینیمم یابنده , انتخاب بولتزمن , انواع الگوریتمهای ژنتیک , تابع برازش , تکنیک جستجوی ژنتیکی , تنازع بقا , جهش باینری , جهش حقیقی , روش محاطی , طرحواره , عملگرهای الگوریتم , کارب ,
:: بازدید از این مطلب : 208

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

---

:: برچسب‌ها: شبکه عصبی , شبکه عصبی؛ الگوریتم ژنتیک؛ پیش¬بینی؛ تقاضا؛ انرژی , الگوریتم ژنتیک , پیش بینی تقاضا , انرژی ,
:: بازدید از این مطلب : 141

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

:: برچسب‌ها: الگوریتم ژنتیک , الگوریتم ژنتیک موازی , انواع الگوریتم ژنتیک , پارامترهای crossover 11 , پروژه دات کام , پیدایش الگوریتم ژنتیک و روند اجرای آن , پیمان پورامینی , چالشهایی که GA با آن رودررو است , طبقه بندی PGA 16 , عملگرهای ژنتیک , فاکتورهای موثر در PGA 11 , معیار ا ,
:: بازدید از این مطلب : 161

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

هدف از این برنامه که یک مثال از مسئله MOO و به زبان متلب نوشته شده است 

یافتن بزرگترین نقطه از صفحه محصور بین دو تابع با استفاده از ژنتیک الگوریتم است.

مقادیر اولیه درنظر گرفته شده به صورت زیر است:

دو تابع مرزی:

f1(X) = 2*x1 + 3*x2
f2(X) = 2/x1 + 1/x2

دامنه مقادیر:

x1<20 & x1>10

x2<30 & x2>20

تنظیمات اولیه :

iterations = 500;
population_size = 500;
mutation_rate = 0.02;
crossover_rate = 0.3;
population = zeros(population_size,3);

:: برچسب‌ها: یافتن بزرگترین نقطه , الگوریتم MOO , مسئله MOO , matlab code , الگوریتم ژنتیک , حل یک مثال ساده با الگوریتم ژنتیک ,
:: بازدید از این مطلب : 126

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

برنامه ریزی گسترش تولید در بازار برق pool بنیان، با استفاده از تئوری گیم و الگوریتم ژنتیک
چکیده__ بازسازی، هدف برنامه ریزی گسترش تولید  (GEP)را از کم-هزینه بودن به پرسود بودن، تغییر داده است. در این مقاله، ما یک فرمولبندی تازه برای تابع هدف مساله ی GEP شرکت های تولید کننده (GENCOs) را در بازار برقی که شامل درآمدهای انرژی و بازارهای ذخیره ی ظرفیت و هزینه های سوخت، سرمایه گذاری، O&M، مالیات های قطع و وصل، می باشد را معرفی می کنیم. به علاوه، به منظور حل مساله ی GEP با تابع هدف بالا، از یک الگوریتمی که بترتیب از الگوریتم ژنتیک و تیوری گیم برای مدل کردن بازار و بهینه سازی توابع هدف GENCO استفاده کرده است، معرفی شده است. به منظور محاسبه ی سطوح تولید واحدهای تولید کننده و نرخ بلند-مدت بازار، ما از روش مرسوم هزینه ی تولید احتمالی (PPC) که به گونه ای اصلاح شده است که در بازار برق رقابتی قابل استفاده باشد، استفاده کرده ایم.

:: برچسب‌ها: برنامه ریزی , برنامه ریزی گسترش تولید , بازار برق , بازار برق پول بنیان , تئوری گیم , الگوریتم ژنتیک , مقاله انگلیسی برق , مقاله انگلیسی برق با ترجمه , مقاله انگلیسی برق با ترجمه فارسی , مقاله انگلیسی برق و الکترونیک , Generation Expansion Planning , Pool Based Electricity Market , Game Theory , Genetic Algorithm ,
:: بازدید از این مطلب : 131

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

طراحی بهینه شبکه برق برای یک مزرعه بادی بزرگ دریایی بر اساس رویکرد الگوریتم ژنتیک اصلاح شده
چکیده- توسعه روز افزون مزارع بادی در مقیاس بزرگ دریایی در سراسر جهان باعث ظهور بسیاری از چالش های فنی و اقتصادی جدید شده است. هزینه سرمایه شبکه‌ برقی که از مزارع بادی بزرگ دریایی پشتیبانی می‌کند، بخش قابل ‌‌توجهی از هزینه کل مزارع بادی را تشکیل می‌دهد. لذا، یافتن طراحی بهینه شبکه برق یک وظیفه خیلی مهم است که در این مقاله به آن پرداخته می‌شود. در این مقاله یک مدل هزینه توسعه یافته است که هزینه‌های دقیق‌تر و واقعی‌تر ترانسفورماتورها، پست‌ها و کابل‌ها را در بر می‌گیرد. همین موضوع باعث شده است مدل جدید ارائه شده نسبت به روش‌های موجود مبسوط‌تر و بهتر باشد. همچنین از یک الگوریتمی استفاده شده است که مبتنی است بر الگوریتم ژنتیک بهبودیافته و شامل الگوریتم خاصی است که حین طراحی آرایه‌های شعاعی، سطح مقطع‌های گوناگون کابل‌ها را هم در نظر می‌گیرد. رویکرد ارائه شده توسط یک مزرع بادی بزرگ دریایی آزموده شده است؛ نتایج آزمون نشان می‌دهد که الگوریتم معرفی‌شده طراحی‌های بهینه معتبری از شبکه برق را فراهم می‌کند. 

:: برچسب‌ها: مزرعه بادی , الگوریتم ژنتیک , الگوریتم ژنتیک اصلاح شده , طراحی بهینه , شبکه برق , Optimal Electric Network Design , Large Offshore Wind Farm , Modified Genetic Algorithm Approach , Genetic Algorithm Approach , مقاله برق , مقاله انگلیسی برق , مقاله انگلیسی برق با ترجمه , مقاله انگلیسی برق با ترجمه فارسی ,
:: بازدید از این مطلب : 129

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

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 رگرسیون 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.مسئله‌ای 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

:: برچسب‌ها: الگوریتم ژنتیک , الگوریتم ژنتیک سری , الگوریتم ژنتیک موازی , الگوریتمهای تکامل , الگوریتمهای مینیمم یابنده , انتخاب بولتزمن , انواع الگوریتمهای ژنتیک , تابع برازش , تکنیک جستجوی ژنتیکی , تنازع بقا , جهش باینری , جهش حقیقی , روش محاطی , طرحواره , عملگرهای الگوریتم , کارب ,
:: بازدید از این مطلب : 172

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

ترکیب الگوریتم ژنتیک و الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن اندازه و مکان بهینۀ تولید پراکنده در سیستم‌های توزیع
چکیدهمنابع تولید پراکنده (DG) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم‌های توزیع می‌گردند. مکان‌ها و توانمندی‌های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته‌اند. در این مقاله، یک ترکیب نوینی از  الگوریتم ژنتیک  (GA)/ بهینه‌سازی ازدحام ذرات  (PSO) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم‌های توزیع معرفی می‌شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم‌های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم‌های 33 و 39 باس انجام شده است تا کارائی روش ارائه شده نشان داده شود. 

:: برچسب‌ها: الگوریتم , الگوریتم ژنتیک , الگوریتم بهینه سازی , ازدحام ذرات , سیستم های توزیع , combination , genetic algorithm , particle swarm optimization , optimal DG location , distribution systems , مقاله برق , مقاله انگلیسی برق , مقاله انگلیسی برق و الکترونیگ , مقاله انگلیسی برق با ترجمه , مقاله انگلیسی برق با ترجمه فارسی ,
:: بازدید از این مطلب : 151

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

---

:: برچسب‌ها: الگوریتم , الگوریتم ژنتیک , ژنتیک , کنترل هوشمند به روش الگوریتم ژنتیک , پروژه ,
:: بازدید از این مطلب : 173

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

مقاله فارسی - تقریب الگوریتم ژنتیک در محاسبه ضریب انتقال جرم و ضریب اختلاط محوری در ستون استخراج مایع مایع

:: برچسب‌ها: تقریب الگوریتم ژنتیک در محاسبه ضریب انتقال جرم و ضریب اختلاط محوری در ستون استخراج مایع مایع , مقاله فارسی , الگوریتم ژنتیک , استخراج مایع مایع ,
:: بازدید از این مطلب : 139

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

تکنيک‌هاي محاسبات نرم، به هدف حل مسائل پيچيده با استفاده از روش‌هاي غيردقيق براي ارائه‌ي پاسخ‌هاي مفيد اما غيردقيق ارائه شده‌اند. برخلاف طرح‌هاي محاسبات سخت که پاسخ دقيق و کامل را جست‌وجو مي‌کنند، تکنيک‌هاي محاسبه‌ي نرم با راه‌دادن به روش‌هاي نادقيق، از پاسخ‌هايي نيمه‌درست و غيرقطعي براي مسائل خاص سود مي‌جويد. الگوريتم‌هاي ژنتيک که يکي از تکنيک‌هاي محاسبه‌ي نرم هستند، در اين سال‌ها به ابزارهاي محبوبي براي مسائل بهينه‌سازي تبديل شده‌اند. با اين حال زمان زيادي که اين الگوريتم‌ها براي يافتن پاسخ نزديک‌به‌بهينه صرف مي‌کنند، همواره استفاده از آن‌ها را براي حل مسائل بهينه‌سازي دشوار مي‌سازد. بر خلاف روش‌هاي دقيق، که در آن‌ها کارائي زماني الگوريتم اصلي‌ترين معيار اندازه‌گيري ميزان موفقيت آن است، در الگوريتم ژنتيک و ساير محاسبات نرم دو موضوع اصلي، در ارزيابي مورد توجه قرار مي‌گيرند: اينکه پاسخ چه‌قدر سريع پيدا مي‌شود؟ واينکه از بهينه‌ي اصلي چه‌قدر فاصله دارد؟ موازي‌سازي الگوريتم‌هاي ژنتيک، يکي از اساسي‌ترين و بهترين راه‌هايي است که مي‌تواند زمان بسيار زياد مورد نياز براي انجام گرفتن محاسبات ژنتيکي و رسيدن به نتيجه‌ي مطلوب براي حل مسئله توسط آن‌ها را به حد قابل قبولي برساند و امکان استفاده از اين الگوريتم‌ها‌ را، در زمان قابل قبول، فراهم کند. الگوريتم‌هاي ژنتيک موازي چه به لحاظ دست‌يابي به برازندگي بهتر براي کروموزوم‌ها (نتيجه‌ي مطلوب‌تر) و چه به لحاظ دسترسي به تسريع بالاتر و مقياس‌پذيريِ بيشتر، بهتر از الگوريتم‌هاي ژنتيک ترتيبي و تک‌جمعيتي عمل مي‌کنند.

فهرست :

مقدمه

پیدایش الگوریتم ژنتیک و روند اجرای آن

نحوه ی نمایش

گام ارزیابی و گام انتخاب

عملگرهای ژنتیک

سایز جمعیت

پارامترهای crossover 11

Exploration & Exploitation 13

چالشهایی که GA با آن رودررو است

فاکتورهای موثر در PGA 11

یادداشت های تاریخی روی PGA 11

نحوه ی کنترل در سیستمهای موازی

چگونه GA را موازی کنیم

طبقه بندی PGA 16

معیار ارزیابی کارآیی در الگوریتم ژنتیک موازی

نتیجه گیری

منابع و مراجع

:: برچسب‌ها: الگوریتم ژنتیک , الگوریتم ژنتیک موازی , انواع الگوریتم ژنتیک , پارامترهای crossover 11 , ژنتیک و روند اجرای آن , پیمان پورامینی , چالشهایی که GA با آن رودررو است , طبقه بندی PGA 16 , عملگرهای ژنتیک , فاکتورهای موثر در PGA 11 , معیار ارزیابی کارآیی در الگوریتم ژنتیک ,
:: بازدید از این مطلب : 163

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

پروژه مطالعاتی در مورد "بهینه سازی خرپای فولادی با کمک الگوریتم ژنتیک و روش اجزا محدود" است. بر گرفته از مقاله ی ترجمه شده و اطلاعات درس محاسبات نرم. برای اطلاات بیشتر با ایمیل mehranshirani70@yahoo.com در تماس باشید.

:: برچسب‌ها: بهینه سازی , الگوریتم ژنتیک , بهینه سازی خرپای فولادی , تابع پنالتی , روش رولت ویل ,
:: بازدید از این مطلب : 159

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

چندین دهه است که شرکت ها اطلاعات را جمع آوري می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوي است، که امروزه در بسیاري از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاري از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهاي بسیاري جهت داده کاوي وجود دارد از جمله شبکه هاي عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز براي داده کاوي ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوي و برخی از روشهاي داده کاوي و همچنین محیطهایی که از داده کاوي بهره میبرند به همراه نرم افزار هاي آن پرداخته است.

فهرست :

چکیده

مقدمه

داده کاوی

تکنیک های داده کاوی

دسته بندی

رگرسیون گیری

خوشه بندی

تجمع و همبستگی

درخت تصمیم گیری

ویزگی های درخت تصمیم

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

ساختار شبکه عصبی

نورون

معماری شبکه عصبی

شبکه های پیش خور تک لایه

انواع یادگیری در شبکه های عصبی مصنوعی

داده کاوی در پزشکی

داده کاوی در سلامت

نرم افزار های داده کاوی

نتیجه گیری

مراجع

:: برچسب‌ها: الگوریتم ژنتیک , تجمع و همبستگی , تکنیک های داده کاوی , خوشه بندی , داده کاوی در پزشکی , درخت تصمیم گیری , رگرسیون گیری , ساختار شبکه عصبی , شبکه های پیش خور تک لایه , شبکه های عصبی مصنوعی , معماری شبکه عصبی , نرم افزار های داده کاوی , نورون ,
:: بازدید از این مطلب : 175

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0

---

:: برچسب‌ها: سیستمهای آشوبی , سنکرون سازی , فروش فایل , تحقیق دانشجویی , فروش پایان نامه , الگوریتم ژنتیک ,
:: بازدید از این مطلب : 171

|

امتیاز مطلب : 0

|

تعداد امتیازدهندگان : 0

|

مجموع امتیاز : 0