برای دانلود کل پاورپوینت از لینک زیر استفاده کنید:
این فایل حاوی مطالعه الگوریتم بهینه سازی کلونی مورچه ها (Ant Colony Optimization Algorithm) می باشد که به صورت فرمت PowerPoint در 35 اسلاید در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.
فهرست
مقدمه
Emergence (ظهور)
Swarm Intelligence (هوشمندی توده‌ای )
تفاوت هوشمندی اجتماعی و توده ای و یک مثال
مورچه ها چگونه می توانند کوتاه ترین مسیر را پیدا کنند ؟
استفاده از بهینه‌سازی کولونی مورچه‌ها در مسئله TSP
بهینه‌سازی شبکه‌های کامپیوتری با الهام از کولونی مورچه‌ها
افق آینده
تصویر محیط برنامه
عنوان مقاله : طراحی بهینه سیستم های توزیع آب با استفاده از یک الگوریتم هیبریدی جدید
محل انتشار:نهمین کنگره ملی مهندسی عمران مشهد
تعداد صفحات: 9
نوع فایل : pdf
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه83
فهرست مطالب
عنوان
صفحه
مقدمه
5
الگوریتم ژنتیک چیست؟
8
الگوریتم ژنتیک در دنیای کامپیوتر
22
مفاهیم الگوریتم ژنتیکی
26
اصول اساسی الگوریتم ژنتیک
28
الگوریتم ژنتیکی ساده
29
عملگرهای انتخاب، برش و جهش
31
کاربردهای الگوریتم ژنتیک
34
بررسی ساختارهای متداول الگوریتم ژنتیک
36
بهینه سازی سیستم های پردازش گفتار
49
بهینه‌سازی پارامترهای موثردر استخراج ارقام دست‌نویس فارسی
66
مراجع
79
مقدمه
طبیعت پر است از ایده. دلیل درستی خیلی از این ایده ها ماندگاری طولانی آنها در طبیعت است!
هنگامی که لغت تنازع بقا به کار می رود اغلب بار ارزشی منفی آن به ذهن می آید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قوی تر!
البته برای آنکه خیالتان راحت شود می توانید فکر کنید که همیشه هم قوی ترین ها برنده نبوده اند. مثلاً دایناسورها با وجود جثه عظیم و قوی تر بودن در طی روندی کاملاً طبیعی بازی بقا و ادامه نسل را واگذار کردند در حالی که موجوداتی بسیار ضعیف تر از آنها حیات خویش را ادامه دادند. ظاهراً طبیعت بهترین ها را تنها بر اساس هیکل انتخاب نمی کند!
در واقع درست تر آنست که بگوییم طبیعت مناسب ترین ها(Fittest) راانتخاب می کند نه بهترین ها.
قانون انتخاب طبیعی بدین صورت است که تنها گونه هایی از یک جمعیت ادامه نسل می دهند که بهترین خصوصیات را داشته باشند و آنهایی که این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می روند.
مثلاً فرض کنید گونه خاصی از افراد، هوش بسیار بیشتری از بقیه افراد یک جامعه دارند. در شرایط کاملاً طبیعی این افراد پیشرفت بهتری خواهند کرد و رفاه نسبتاً بالاتری خواهند داشت و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود(توجه کنید شرایط طبیعیست نه در یک جامعه سطح بالا با ملاحظات امروزی یعنی طول عمر بیشتر در این جامعه نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت(هوش) ارثی باشد به طبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشتر این گونه افراد بیشتر خواهد بود.اگر همین روند را ادامه دهید خواهید دید که در نسل های متوالی دائماً جامعه نمونه ما با هوش و باهوش تر می شود. بدین ترتیب یک مکانیزم ساده طبیعی توانسته است در طی چند نسل عملاً افراد کم هوش را از جامعه حذف کند علاوه بر اینکه میزان هوش متوسط جامعه نیز دائماً در حال افزایش است.
حال ببینیم که رابطه تکامل طبیعی با روش های هوش مصنوعی چیست. هدف اصلی روش های هوشمند به کار گرفته شده در هوش مصنوعی یافتن پاسخ بهینه مسائل مهندسی ست.
بعنوان مثال اینکه چگونه یک موتور را طراحی کنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یک ربات را محرک کنیم تا کوتاه ترین مسیر را تا مقصد طی کند همگی مسائل بهینه سازی هستند.
به شکل زیر توجه کنید. این منحنی دارای دو نقطه ماکزیمم می باشد. که یکی از آنها تنها ماکزیمم محلی است. حال اگر از روش های بهینه سازی ریاضی استفاده کنیم مجبوریم تا در یک بازه بسیار کوچک مقدار ماکزیمم تابع را بیابیم. مثلاً از نقطه 1 شروع کنیم و تابع را ماکزیمم کنیم. بدیهی است اگر از نقطه 1 شروع کنیم تنها به مقدار ماکزیمم محلی دست خواهیم یافت و الگوریتم ما پس از آن متوقف خواهد شد. اما در روش های هوشمند خاصه الگوریتم ژنتیک بدلیل خصلت تصادفی آنها حتی اگر هم از نقطه 1 شروع کنیم باز ممکن است در میان راه نقطه A به صورت تصادفی انتخاب شود که در این صورت ما شانس دست یابی به نقطه بهینه کلی(Global Optimal) را خواهیم داشت.
در مورد نکته دوم باید بگوییم که روش های ریاضی بهینه سازی اغلب منجر به یک فرمول یا دستورالعمل خاص برای حل هر مسئله می شوند. در حالی که روش های هوشمند دستورالعمل هایی هستند که به صورت کلی می توانند در حل هر مسئله ای به کار گرفته شوند. این نکته را پس از آشنایی با خود الگوریتم بیشتر و بهتر خواهید دید.
الگوریتم ژنتیک چیست؟
ایده الگوریتم ژنتیکی (Genetic Algorithm)از دو اصل انتخاب و تولید نسل در طبیعت بهره برده است. با گذشت زمان ساختار ژنتیکی موجودات تغییر کرده و نسلهای جدیدتر با محیط سازگاری بیشتری دارند. بدین طریق که امکان زنده ماندن و تولید مثل موجودات قوی تر بیشتر از موجودات ضعیف می باشد. در نسلهای جدیدتر ساختار ژنتیکی موجودات قوی تکرار می شود و موجودات ضعیف از بین می روند. در بعضی موارد نیز جهش بوجود می آید بدین معنی که آمیزش دو موجود ،موجودی متولد می شود که بر اثر جهش ژنتیکی خیلی بهتر یا بدتر از والدین خود می باشد و به تعبیری یک نابغه یا یک عقب مانده متولد می شود و در نسلهای بعدی تأثیر می گذارد.
مدارهای CMOS دینامیک به میزان قابل توجهی در سیستم های مجتمع در بسیار مقیاس بزرگ (VLSI)با کارایی بالا استفاده میشود. با این حال، آنها متحمل محدودیتهایی همچون تحمل نویز، نشت بار، و مصرف توان میباشند. با افزایش تاثیر تغییرات فرآیند بر عملکرد طراحی ، مقیاس گذاری تهاجمی تکنولوژی، نویز در مدار CMOS دینامیک به یک چالش ضروری در طراحی تبدیل شده است.
این محصول شامل 3 فایل است که 1 فایل مربوط به مقاله اصلی و 2 فایل مربوط به ترجمه مقاله میباشد که در دو قالب word و PDF تحویل میشود.