پایان نامه بررسی و معرفی دو الگوریتم مسیریابی در یک شبکه کابلی و شبیه سازی آنها با استفاده از شبیه س

اختصاصی از فی فوو پایان نامه بررسی و معرفی دو الگوریتم مسیریابی در یک شبکه کابلی و شبیه سازی آنها با استفاده از شبیه س دانلود با لینک مستقیم و پر سرعت .

پایان نامه بررسی و معرفی دو الگوریتم مسیریابی در یک شبکه کابلی و شبیه سازی آنها با استفاده از شبیه ساز OPnet

 

چکیده

شبکه‌های کامپیوتری امروزی فصل نوینی در انفورماتیک است. با وجود شبکه‌های کامپیوتری محققین می‌توانند در اقصی نقاط دنیا تنها با فشردن کلیدهایی از صفحه کلید کامپیوتر در چند ساعت بعد از تازه ترین اطلاعات موضوعات مورد نظر خود باخبر شوند. تکنولوژی شبکه به سرعت در حال رشد است. رشد و توسعه شبکه‌های کامپیوتری بر کسی پوشیده نیست مدت هاست که جمع آوری و پردازش اطلاعات توسط کامپیوتر انجام می‌شود. علاوه بر این کامپیوتر در توزیع اطلاعات و برقراری ارتباطات از طریق شبکه‌های کامپیوتری نقش مهمی را بازی می‌کند. برای برقراری بین شبکه‌ها نیازمند یک ستون فقرات می‌باشیم. این شبکه زیر بنایی که از تعداد زیادی مسیریاب تشکیل شده است وظیفه انتقال اطلاعات را بر عهده دارد. بر روی این مسیریاب‌ها باید الگوریتم‌هایی اجرا شوند تا بتوانند بهترین مسیر را برای انتقال اطلاعات در این دهکده انتخاب کنند. مجموعه مطالبی که در اختیار شما خواننده گرامی است پژوهشی در رابطه با شبکه‌های کامپیوتری و مسیریابی در این شبکه‌های جهانی و بررسی الگوریتم‌های مسیریابی متفاوت، تجزیه و تحلیل و پیاده سازی این الگوریتم‌ها به صورت کاربردی می‌باشد. 

کلمات کلیدی:

مسیریابی، پروتکل‌های مسیریابی، OSPF، RIP، بررسی و پیاده سازی پروتکل‌های مسیریابی

 

فهرست مطالب

چکیده

فصل اول- معرفی شبکه‌های کامپیوتری

1 – 1 مقدمه

1 – 2 تاریخچه پیدایش شبکه

1 – 3 تعریف شبکه

1 – 4 هدف از ایجاد شبکه

1 – 4 – 1 استفاده مشترک از منابع

1 – 4 – 2 کاهش هزینه

1 – 4 – 3 قابلیت اطمینان

1 – 4 – 4 کاهش زمان

1 – 4 – 5 قابلیت توسعه

1 – 4 – 6 ارتباطات

1 – 5 عوامل تاثیر گذار در طراحی شبکه

1 – 6 مفهوم گره وایستگاههای کاری

1 – 7 مدل‌های شبکه

1 – 7 – 1 مدل شبکه نظیر به نظیر

1 – 7 – 2 مدل شبکه مبتنی بر سرویس دهنده

1 – 7 – 3 مدل شبکه سرویس دهنده / سرویس گیرنده

1 – 8 اجزا ء شبکه

1 – 8 – 1 کارت واسط شبکه

1 – 8 – 2 رسانه انتقال 10

1 – 8 – 3 سیستم عامل شبکه

1 – 9 انواع شبکه از لحاظ جغرافیایی

1 – 9 – 1 شبکه محلی

1 – 9 – 2 شبکه گسترده

1 – 10 ریخت شناسی شبکه

1– 10 – 1 توپولوژی ستاره‌ای

1 – 10 – 2 توپولوژی حلقوی

1 – 10 – 3 توپولوژی اتوبوسی

1 – 10 – 4 توپولوژی توری

1 – 10 – 5 توپولوژی درختی

1 – 10 – 6 توپولوژی ترکیبی

1 – 11 چگونه می‌توان شبکه‌های امن کامپیوتری ایجاد نمود و خواص این نوع شبکه‌ها چیست ؟

1 – 11 – 1 نرم افزارهای گمراه کننده

1 – 11 – 2 رمزگذاری

1 – 12 پروتکل

1 – 12 – 1 پروتکل‌های شبکه

1 – 12 – 2 پروتکل سیستم ورودی وخروجی پایه شبکه

1 – 13 مدل OSI

1 – 13 – 1 لایه فیزیکی

1 – 13 – 2 لایه پیوند‌ها

1 – 13 – 3 لایه شبکه

1 – 13 – 4 لایه انتقال

1 – 13 – 5 لایه اجلاس

1 – 13 – 6 لایه نمایش

1 – 13 – 7 لایه کاربرد

1 – 14 ابزارهای اتصال دهنده شبکه

1 – 14 – 1 کنترل کننده ها

1 – 14 – 2 هاب ها

1 – 14 – 3 مسیر یاب ها

1 – 14 – 4 دروازه ها

1 – 14 – 5 پل ها

1 – 14 – 6 سوئیچ ها

فصل دوم- معرفی و تشریح مسیریاب‌ها

2 – 1 مقدمه

2 – 2 تفاوت یک سوییچ لایه ۳ با یک مسیریاب معمولی:

2 – 3 پروتکل‌های INTERIOR و EXTERIOR :

2 – 4 دیدگاههای الگوریتم‌های مسیریابی:

2 – 4 – 1 ازدیدگاه روش تصمیم گیری ومیزان هوشمندی الگوریتم

2 – 4 – 2 ازدیدگاه چگونگی جمع آوری وپردازش اطلاعات زیرساختاراتباطی شبکه

2 – 5 انواع پروتکل:

2 – 5 – 1 انواع پروتکل Routed:

2 – 5 – 2 انواع پروتکل Routing :

2 – 6 CLASSFUL ROUTING:

2 – 7 CLASSLESS ROUTING:

2 – 8 پروتکل‌های IP Distance Vector :

2 – 9 عملکرد پروتکل‌های Distance Vector :

2 – 10 پروتکل‌های IP Link State:

فصل سوم- معرفی و بررسی پروتکل OSPF

3 – 1 پروتکل OSPF

3 – 2 مقایسه پروتکل OSPF با پروتکل RIP

3 – 3 سلسله مراتب تعیین شده برای نواحی در پروتکل OSPF

3 – 4 وضعیت‌های اتصال

3 – 5 خصوصیات یک شبکه OSPF

3 – 6 ID مسیریاب OSPF

3 – 7 همسایه یابی OSPF

3 – 8 بررسی عملکرد OSPF

3 – 9 تایمرهای OSPF

3 – 10 انواع شبکه‌های تعریف شده در OSPF

3 – 10 – 1 برقراری رابطه مجاورت در اتصالات point-to-point :

3 – 10 – 2 برقراری رابطه مجاورت در اتصالات Broadcast:

3 – 10 – 3 برقراری رابطه مجاورت در شبکه‌های NBMA:

3 – 11 پیکربندی OSPF در شبکه‌های Frame Relay

3 – 11 - 1 توپولوژی STAR:

3 – 11- 2 توپولوژی full-mesh

3 – 11 – 3 توپولوژی partial-mesh

3 – 12 انواع روترهای OSPF

3 – 13 انواع پیام در پروتکل OSPF

3 -14 انواع OSPF Authentication

3 – 15 کاربرد Ipv6 در پروتکل OSPF

3 – 16 عملکرد OSPF در شبکه‌های IPv6:

3 – 17 مقایسه OSPF V2 و OSPF V3

3 – 18 تفاوت‌های عمده پروتکل‌های OSPF v2 و OSPF v3 به شرح زیر است:

فصل چهارم- شبیه سازی پروتکل‌ها

4 – 1 معرفی چند شبیه ساز

4 – 1 – 1 Packet Tracer

4 – 1 – 2 Boson NetSim

4 – 1 – 3 NS2

4 – 1 – 4 OPNET

4 – 6 فراخوانی فایل‌های پیکربندی Deviceها

4 – 2 دلیل انتخاب شبیه ساز OPNET

4 – 3 شبیه سازی

4 – 4 نتایج بدست آمده از شبیه سازی

فصل پنجم- مقایسه و نتیجه گیری

نتیجه‌گیری

منابع

 

فهرست اشکال و نمودارها

شکل 1- 1: شمایی از یک شبکه کامپیوتری

1 – 2: شمایی از یک مدل شبکه نظیر به نظیر

1 – 3: شمایی از یک مدل شبکه سرویس دهنده/سرویس گیرنده

1 – 4: شمایی از یک توپولوژی ستاره ای

1 – 5: شمایی از یک توپولوژی حلقوی

1 – 6: نمایی از یک توپولوژی اتوبوسی

1 – 7: نمایی از یک توپولوژی توری

1 – 8: نمایی از یک توپولوژی درختی

1 – 9: هفت لایه OSI

1 – 10: یک نوع کنترل کننده

1 – 11: یک نوع هاب

1 – 12: شمایی از سوئیچ ها

جدول 2 – 1: انواع پروتکل‌ها براساس دیدگاههای مختلف

4 – 1: نمای کلی Packet Tracer

4 – 2: نمای کلی محیط Boson NetSim

4 – 3: نمایی از OPNET

4 – 4 نمایی از ویرایشگر گره و پروسه

4 – 5 نمایی از ویرایشگر گره و پروسه

4 – 7: نمای کلی OPNET

4 – 8: شمایی از توپولوژی سناریو

4 – 9: نمایی از Application سناریو

4 – 10 نمایی از تنظیمات پیکر بندی Application Config

4 – 11: نمایی از تنظیمات پیکربندی Profile Config

4 – 12: شمایی از تنظیمات Failure Recovery

4 – 13: نمایی از اضافه کردن پروتکل OSPF

4 – 14: شمایی از تنظیمات پارامترها و متریک‌های اندازه گیری

4 – 15: نمایی از تنظیمات Configure DES

4 – 16: نمایی از لیست پارامترها و متریک‌های اندازه گیری

نمودار 1: میانگین ترافیک مسیریاب فرستاده شده برای پروتکلهای RIP و OSPF

نمودار 2: میانگین تاخیر پروتکل OSPF و RIP

نمودار 3: میانگین ترافیک کاهش یافته پروتکل OSPF و RIP

دانلود مقالات ISI الگوریتم بهینه سازی کلونی مورچه اعمال شده به کشتی فرمان

اختصاصی از فی فوو دانلود مقالات ISI الگوریتم بهینه سازی کلونی مورچه اعمال شده به کشتی فرمان دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی : الگوریتم بهینه سازی کلونی مورچه اعمال شده به کشتی فرمان

موضوع انگلیسی : Ant colony optimization algorithm applied to ship steering control

تعداد صفحه : 10

فرمت فایل :pdf

سال انتشار : 2014

زبان مقاله : انگلیسی

چکیده

مقاله استفاده از یک الگوریتم مورچه برای بهینه سازی پارامترهای کنترل البته کشتی، بر اساس توصیف
الگوریتم کنترل PID. الگوریتم مورچه یک روش بهینه سازی ترکیبی، که الگوی از مورچه ها با بهره گیری از است
جستجو برای کوتاه ترین مسیر از لانه به مکانی که در آن مواد غذایی است که واقع شده است. روش تنظیم پارامتر برای
کنترل البته کشتی به مورد استفاده شد زمانی که کنترل شد تغییر مسیر کشتی و تکمیل
عمل خاموش بود. پارامترهای تنظیم از کنترل البته کشتی توسط الگوریتم کلونی مورچه ها، که ارزیابی شده است
با استفاده از اشتباه بر اساس تابع هدف دوره و انحراف فرمان داده شده است. نتایج مورد مقایسه قرار با
نتایج به دست آمده معادل با استفاده از یک الگوریتم ژنتیک. ، علاوه بر این، اثر PID تنظیم پارامتر کنترل شد
ارزیابی با استفاده از مورچه الگوریتم بهینه سازی کلونی.

کلمات کلیدی: الگوریتم بهینه سازی کلونی مورچه؛ الگوریتم ژنتیک؛ هوش مصنوعی؛ کنترل کننده PID. کنترل کشتی.

دانلود مقاله الگوریتم بهینه سازی Bayesian

اختصاصی از فی فوو دانلود مقاله الگوریتم بهینه سازی Bayesian دانلود با لینک مستقیم و پر سرعت .

الگوریتم بهینه سازی Bayesian

مقاله ای مفید و کامل

لینک پرداخت و دانلود *پایین مطلب* 

فرمت فایل:Word(قابل ویرایش و آماده پرینت)

تعداد صفحه:76

چکیده :

مراجع‌را می‌توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. در‌بین الگوریتم‌های متنوع‌دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است.

بطور کلی EDAها یک تقریب تقسیمی را بکار می‌گیرند که تلاش می‌کند یک مجموعه از اطلاعات‌چند بعدی را به تعدادی‌زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.

مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:

الگوریتم K- means نمونه‌های داده را به K زیر مجموعه غیر تهی تقسیم می‌کند. مختصات میانگین حسابی گروههای رایج محاسبه می‌شود و هر نمونه به نزدیکترین تقسیم‌بندی اشاره می‌کند. پروسه ادامه می‌یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‌اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‌آید.

توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‌شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‌شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‌ها انجام داده می‌شوند.

نتایج کارایی r BOA

علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‌کند و BIC با Eq، (5،6) که پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‌کند. (یعنی جایگزینی نخبه‌ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1- را برای تعداد والده‌های مجاز در نظر می‌گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‌شود. همه نتایج بعد از 100 اجرا میانگین گرفته می‌شود.

شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام می‌دهد تا بهینه RDP را با، نشان می‌دهد. همچنین این شکل نتیجه PSNR با را نشان می‌دهد.

.5.7 نتایج آزمایشگاهی و مذاکره

1. بهینه سازی الگوریتم Bayesian

اندازه مسئله n

(a) نتایج برای RDP با

اندازه مسئله n

(b) نتایج برای RNSP با

شکل .5.7 موضوع قابل تجزیه درباره کارایی r BOA

اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.

نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت و (جاسازی) تقریب زده شده است.

بدینسان r BOA می‌تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن.

به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‌رسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت می‌شود.

MBOA

شکل 5،8 مقایسه کارایی Rboa و مشکلات آنرا مطالعه می‌کند (MBOA، m IDEA و EGNA). مانند مراجع کاربردی و قابل تجزیه (RNSP و RDP).

از اینرو مسئله قابل تجزیه عبارت است از زیر برنامه m، اشکال مسئله قابل اجرا نگهداری کردن همزمان m، اشکال مسئله قابل اجرا، مختصر N= r.m در برابر سادگی. شکل (a) 5،8 نسبت صحیح BBها را چنانچه به RDD اعمال می‌شوند با و تغییر m مقایسه می‌کند. ترکیب یک RBOA جزء، مختصر K=1 برای مدل گزینش بکار گرفته می‌شود.

جمعیت تدارک دیده با N= 100m، نتیجه نشان داده شده برای یافتن راه حل rAOB و MBOA بهتر کردن محاسبه زیاد آنها بجز mI AED و ANGE.

گرچه MBOA در برابر Rboa تا حدی بالاتر بنظر می‌آید، با مفهوم آماری آن مخالفت دارد. جدول 5،1 اثبات پشتیبانی آن هست. همچنین بزرگتر شدن اندازه مسئله خراب کردن EGNA و mIDEA کردن از لحاظ دست یافتن کارایی در صورتیکه وضعیت راه حل پایدار بسرعت و Rboa برای آنکه مشاهده گردد. از شکل (a) 5،7 و (a) 5،8 واضح است.

افزایش رفتار MBOA و Sub- quadratic Rboa در برابر RDP در صورتیکه m IDEA و EGNA تشریحی مقیاس پذیری دارد. شکل (b) 5،8 نشان می‌دهد BB- wise مقادیر کار برگشت داده شده با الگوریتم‌ها برای RNSP با مختلف m. ترکیب نمونه‌ها برای گزینش مدل جزء سه ترکیب (K=3) استفاده شده. یک مدل خطی، مختصر، ‌‌N= 200m بکار رفته برای جمعیت تدارک دیدن. در نتیجه RDP، برای آنکه مشاهده کارایی MBOA و Rboa آثار یکسان صرف نظر از اندازه مسئله. می‌توانیم در نظر بگیریم آنها یک Sub- quadratic مقیاس پذیر RNSP دارند. با وجود این نتایج نشان می‌دهد r BOA نسبتا بهتر از MBOA است با توجه به کیفیت مسئله.

.5.7 نتایج آزمایشگاهی و مذاکره

نتیجه آشکار مشاهده آماری آزمایش جدول 5،1. همچنین m IDEA و EGNA یافتن راه حل غیر قابل قبول وضعیت افزایش اندازه مسئله و مقیاس مشاهده خودشان پذیری بدیهی است تشریح مناسب بودن. از شکل 7، 5 و 8، 5 و جدول 1، 5 می‌توان نتیجه گرفت r BOA برای آنکه یک راه حل بهتر بوسیله یک Sub- quadratic افزایش رفتار قابل تجزیه مسئله غیر از MBOA، Midea و EGNA، مخصوصا اندازه و افزایش دشواری مسئله. مقایسه جدول 2، 5 یافتن راه حل‌هایی بوسیله الگوریتم کاربردی مشهور بهینه سازی ارزش واقعی مسئله در جدول 1، 5 شرح داده شده است. سه ترکیب اجراء بکار گرفته شده برای همه افزار سنجی (محک). همچنین هر عدد از طرف اجزاء قابل قبول Griewangk و Michalewicz در اینجا کارها بین فعل و انفعالات متغیرها نیست.

نتایج نشان می‌دهد MBOA برتر است نسب به r BOA، m IDEA و EGNA (آنها راه حل قابل قبول را پیدا می‌کنند، هر چند برای کار Griewangk اما برخی می‌توانند ضبط می‌کنند شناسایی درباره استقلال بعلاوه غلبه کردن بیشمار اسباب (آگاهی موضعی بهینه) شالوده درست پخش کردن.

کار Michalewicz از لحاظ کارایی قابل مقایسه MBOA و r BOA و نیز الگوریتم EGNA و m IDEA خارج از کارایی است.

و...

NikoFile

اختصاصی از فی فوو پایان نامه الگوریتم ژنتیک در زبان برنامه نویسی c++ دانلود با لینک مستقیم و پر سرعت .

پایان نامه الگوریتم ژنتیک در زبان برنامه نویسی c++

 دانلود پایان نامه رشه کامپیوتر گرایش نرم افزار

عنوان : پایان نامه الگوریتم ژنتیک در زبان برنامه نویسی c++

با فرمت ورد  word  ( دانلود متن کامل پایان نامه  )

این پایان نامه را تقدیم می کنم به خانواده ام که در طول تحصیل و در همه مشکلات پیش آمده، مرا کمک کردند.

فهرست مطالب عنوانصفحهچکیده1مقدمه2الگوریتم ژنتیک5تعریف خروجی(نمایش)8عملگرهای مجموعه ژن10شئ جمعیت13توابع شئ و مقیاس گذاری مناسب14نمایش الگوریتم ژنتیک درc++15توانایی عملگرها17چگونگی تعریف عملگرها18چگونگی تعریف کلاس مجموعه ژن22سلسله مراتب کلاس ها23   1. سلسله مراتب کلاس GALib – گرافیکی23   2. سلسله مراتب کلاس GALib – مراتب24رابط برنامه نویسی25نام پارامترها و گزینه های خط فرمان26رفع خطا28توابع اعداد تصادفی29GAGeneticAlgorithm31GADemeGA42GAIncrementalGA44GASimpleGA47GASteadyStateGA50Terminators52Replacement Schemes54GAGenome55GA1DArrayGenome62GA1DArrayAlleleGenome65GA2DArrayGenome67GA2DArrayAlleleGenome70GA3DArrayGenome72GA3DArrayAlleleGenome76GA1DBinaryStringGenome78GA2DBinaryStringGenome81GA3DBinaryStringGenome85GABin2DecGenome88GAListGenome91GARealGenome92GAStringGenome94GATreeGenome96GAEvalData97GABin2DecPhenotype98GAAlleleSet100GAAlleleSetArray103GAParameter and GAParameterList104GAStatistics108GAPopulation113GAScalingScheme123GASelectionScheme127GAArray130GABinaryString132نتیجه گیری135مراجع136

چکیده

علم ژنتیک، علمی است که به تازگی وارد علوم کامپیوتر شده و با استفاده از اجزا مورد نیاز ژنتیک و شبیه سازی آن در کامپیوتر، انسان را قادر می سازد تا بعضی از مسائل مختلف و پیچیده ای که در اوایل حل نشدنی بودند، را حل کند.

این مستند، یک کتابخانه از اشیا الگوریتم ژنتیک به زبان c++ می باشد. این کتابخانه شامل ابزاریست که برای بهبود هر برنامه ای به زبان c++ و هر خروجی و هر عملگر ژنتیکی، استفاده می شوند. در اینجا، با پیاده سازی الگوریتم ژنتیک، رابط برنامه نویسی آن و اشکالی برای راهنمایی، آشنا خواهید شد.            

مقدمه

این مستند محتویات کتابخانه الگوریتم ژنتیک را رمز بندی می کند و بعضی از فلسفه های طراحی را که در پشت پیاده سازی هستند، نمایش می دهد. بعضی از مثال های کد منبع در آخر صفحه مشخص شده تا ساختار اصلی برنامه، توانایی های عملگرها، تطابق عملگرها با نیاز کاربر و مشتقاتی از کلاس های جدید مجموعه ژن را نمایش بدهند. وقتی که شما از یک کتابخانه استفاده می کنید به صورت ابتدایی با دو نوع کلاس کار می کنید الگوریتم مجموعه ژن و الگوریتم ژنتیک. هر نمونه ای از مجموعه ژن یک راه حل برای مسئله شما نشان می دهد. شی الگوریتم ژنتیک توضیح می دهد که چگونه سیر تکامل باید طی شود. الگوریتم ژنتیک از یک تابع عضو شی ای که توسط شما تعریف شده است استفاده می کند تا معین کند چگونه هر مجموعه ژن برای زنده ماندن مناسب است؟

الگوریتم ژنتیک از عملگر های مجموعه ژن ( که در داخل مجموعه هستند) و استراتژی های انتخاب/ جایگزینی ( که در داخل الگوریتم ساخته می شود ) برای تولید یک مجموعه ژن جدید مجزا ، استفاده می کند.

سه چیز برای حل مسئله با استفاده از الگوریتم ژنتیک وجود دارد :

1. تعریف خروجی های که نشان داده میشوند
2. تعریف عملگر های ژنتیکی
3. تعریف تابع عضو شی را

GALIB (کتابخانه الگوریتمهای ژنتیک ) به شما در دومورد اول به وسیله مهیا کردن مثال های زیاد وتکه برنامه هایی که شما می توانید ، خروجی ها و عملگر های خود را بسازید کمک می کند . در خیلی از موارد شما می توانید از ساختار خروجی ها و عملگر ها با کمی یا هیچ اصلاحی استفاده کنید . تابع عضو شی کاملا به شما مربوط می شود .

در صورتی که شما خروجی ها ، عملگرها و موارد شی را داشته باشید ، می توانید هر کدام از الگوریتم های ژنتیک را برای پیدا کردن راه حل بهتر و مناسبتر برای مسئله تان به کار بگیرید. موقعی که شما از الگوریتم ژنتیک برای حل یک مشکل بهینه استفاده می کنید، باید قادر باشید که یک راه حل برای مسئله در یک ساختمان داده ارائه بدهید . الگوریتم ژنتیک یک جمعیت از راه حل هایی که بر طبق نمونة ساختمان دادهایی که به وجود آورده اید، ایجاد می کند . بعد الگوریتم ژنتیک بر روی این جمعیت عمل می کند تا بهترین راه حل را ازآن استخراج کند.در GALIB کتابخانه الگوریتم ژنتیک به نمونة ساختمان داده GAGENOME گفته می شود (بعضی ها به آن کروموزوم نیز می گویند ). این کتابخانه شامل چهار نوع از این مجموعه هاست GALISTGENOME ( لیست پیوندی مجموعه ژن)GATREEGAGENOME (درخت مجموعه ژن) GAARRYGENOME( آرایه مجموعه ژن) GABINARYSTRINGGENOME(رشته دودویی مجموعه ژن). این کلاس ها از کروموزوم یا کلاس GAGENOME اصلی و یک کلاس ساختمان داده ای که بوسیله نامشان مشخص شده اند، مشتق شده اند.

برای مثال لیست پیوندی مجموعه ژن از کلاس GALIST و همچنین کلاس مجموعه ژن GAGENOME مشتق شده است. از ساختمان داد ه ای که با تعریفات مسئله شما همخوانی دارد، استفاده کنید. برای مثال ، اگر شما سعی می کنید که یک تابعی را بهینه سازی کنید که به پنج عدد حقیقی وابسته است ، پس به عنوان مجموعه ژن خود از یک آرایه یک بعدی با پنج عنصر اعشاری استفاده کنید.

الگوریتم های ژنتیک مختلف زیادی وجود دارند. GALIB (کتابخانه الگوریتم ژنتیک) شامل سه نوع اصلی می باشد:

1. حالت ساده
2. حالت ساکن یا ثابت یا یکنواخت
3. حالت افزایش

این الگوریتم ها در طریق های که مجموعه های جدید مجاز را ایجاد می کند ومجموعه های قدیمی را درزمان سیرتکامل جایگزین می کنند ، با یکدیگر تفاوت دارند.

GALIB دو مکانیسم اولیه برای گسترش قابلیت های ساخت شی را مهیا می کند اول از همه (و مهمتر از همه از نظر برنامه نویسی C++ ) شما می توانید کلاس های خودتان را درست کنید و تابع های عضو جدیدی را تعریف کنید . اگر شما احتیاج دارید که فقط تنظیمات کمی را بر روی رفتار کلاس GALIB اعمال کنید ، در بیشتر موارد می توانید یک تابع تعریف کنید و به کلاس GALIB بگویید که از آن به عنوان پیش فرض استفاده کند .

الگوریتم های ژنتیک اگر به درستی پیاده سازی شوند، قابلیت هر دو مورد پویش( پیدا کردن وسیع)و کاوش (پیداکردن محلی )در فضای SEARCH را، دارند. نوع رفتار یا عملکردی را که شما می بینید، بستگی به این دارد که چگونه عملگرها کار می کنند و همچنین بستگی به شکل یا فرم فضای SEARCH شما دارد.

متن کامل را می توانید دانلود نمائید چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است

الگوریتم های زمانبندی جدید برای بهینه سازی هزینه در گریدهای محاسباتی اقتصادی

اختصاصی از فی فوو الگوریتم های زمانبندی جدید برای بهینه سازی هزینه در گریدهای محاسباتی اقتصادی دانلود با لینک مستقیم و پر سرعت .

چکیده
منابع در گر یدهای محاسباتی اقتصادی دارای قیمت هستند و کاربر باید هزینه اجرای کارهای خود را بپردازد. کاربر مهلت زما نی و
بودجه مورد نظر خود را م شخص کرده و بهینه سازی هزینه یا زمان را درخواست می کند. ی ک الگور یتم زمانبند ی که استرات ژی
بهینه سازی هز ینه را اتخاذ م ی کند، ب اید منابع ناهمگون گر ید را طور ی به کارهای ناهمگون کاربر تخصیص دهد که اجر ای آنها در
مهلت تع یین شده و با کمتر ین هز ینه ممکن انجام شود. در این مقاله، سه الگوریتم مکاشفه ای جدید برای این منظور پیشنهاد شده
است. با استفاده از شب یه سازی نشان داده شده است که الگو ریتم های پیشنهادی در مقایسه با تنها الگوریتم گزارش شده از کار ایی
بالاتری برخوردار بوده و درخواست های کاربر را با هزینه کمتری انجام می دهند.