کاربردهای الگوریتم ژنتیک

کاربردهای الگوریتم ژنتیکReviewed by پرشین مقاله on Jan 7Rating: ۲.۵کاربردهای الگوریتم ژنتیککاربردهای الگوریتم ژنتیک مشتمل به ۱۰۰ صفحه می باشد. برای خرید مقاله کاربردهای الگوریتم ژنتیک اقدام نمایید. کاربردهای الگوریتم ژنتیک
سفارش تحقیق
http://telegram.me/pmaghale

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.

این تحقیق دانشجویی  کاربردهای الگوریتم ژنتیک مشتمل بر ۱۰۰ صفحه است، برای دیدن فهرست مطالب مقاله و جزئیات آن به اطلاعات اضافی زیر مراجعه فرمایید.

کاربردهای الگوریتم ژنتیک

فهرست مطالب

چکیده : ۲

فصل اول. ۷

مقدمه. ۷

۱-۱- مقدمه. ۸

فصل دوم. ۹

مقدمه ای بر الگوریتم ژنتیک…. ۹

۲-۱- مقدمه. ۱۰

۲-۲- پیشینه. ۱۱

۲-۳- اصطلاحات زیستی.. ۱۱

۲-۴- تشریح کلی الگوریتم ژنتیک…. ۱۲

۲-۵- حل مساله با استفاده از الگوریتم های ژنتیک…. ۱۲

۲-۶- اجزای الگوریتم ژنبیک…. ۱۳

۲-۶-۱- جمعیت… ۱۴

۲-۶-۲- کدگذاری.. ۱۵

کدگذاری دودویی.. ۱۵

کدگذاری مقادیر. ۱۵

۲-۶-۲-۳- کدگذاری درختی.. ۱۶

۲-۶-۳- عملگرهای الگوریتم ژنتیک…. ۱۶

۲-۶-۳-۱- Fitness ( برازش ) ۱۶

۲-۶-۳-۲-  selection (انتخاب) ۱۷

۲-۶-۳-۳- Crossover (ترکیب) ۲۱

۲-۶-۳-۴-  Mutation(جهش) ۲۴

۲-۷- مفاهیم تکمیلی.. ۲۶

۲-۷-۱- برتری ها و ضعف های الگوریتم ژنتیک…. ۲۶

۲-۷-۲-  نکات مهم در الگوریتم های ژنتیک…. ۲۷

۲-۷-۳- نتیجه گیری‌.. ۲۸

فصل سوم. ۲۹

کاهش اثرات زیست محیطی آلاینده های.. ۲۹

Cox ، NOx و SOx در کوره ها ۲۹

۳-۱- مقدمه. ۳۰

۳-۲- احتراق.. ۳۱

۳-۲-۱- روش محاسبه ترکیب ترکیبات تعادلی با استفاده از ثابت تعادل. ۳۲

۳-۲-۲- روش محاسبه دمای آدیاباتیک شعله. ۳۳

۳-۲-۳- انتخاب سیستم شیمیایی.. ۳۶

۳-۲-۴-  تاثیر دمای هوا و هوای اضافی بر تولید محصولات… ۴۱

۳-۳- بهینه سازی.. ۴۲

۳-۳-۱- روش های حل مسائل بهینه سازی.. ۴۴

۳-۳-۲- روش تابع پنالتی.. ۴۴

۳-۳-۳- الگوریتم حل تابع پنالتی.. ۴۵

۳-۴- برنامه کامپیوتری و مراحل آن. ۴۶

۳-۵- تشکیل تابع هدف… ۵۰

۳-۶- تشکیل مدل مسئله بهینه سازی.. ۵۴

۳-۷- روش حل.. ۵۶

فصل چهارم. ۵۸

توضیحاتی در رابطه با gatool نرم افزار مطلب… ۵۸

۴-۱- gatool 59

۴-۲- تنظیم گزینه ها برای الگویتم ژنتیک…. ۶۰

۴-۳- Plot Options.. 60

۴-۴- Population Options.. 61

۴-۵- Fitness Scaling Option.. 63

۴-۶- Selection Option.. 63

۴-۷- Reproduction Options.. 64

۴-۸- Mutation Options.. 65

۴-۹- Crossover Options.. 66

۴-۱۰- Migration Options.. 68

۴-۱۱- Output Function Options.. 68

۴-۱۲- Stopping Criteria Options.. 68

۴-۱۳- Hybrid Function Options.. 69

۴-۱۴- Vectorize Options.. 69

فصل پنجم. ۷۰

نتایج.. ۷۰

۵-۱- نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک…. ۷۱

۵-۲- نتیجه گیری.. ۹۸

فهرست مراجع.. ۹۹

.

خلاصه ای کوتاه از مقاله کاربردهای الگوریتم ژنتیک را در زیر می توانید ببینید.

چکیده :

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.

مقدمه

به طور کلی انتخاب و طراحی بهینه در بسیاری از مسائل علمی و فنی باعث تولید بهترین محصول یا جواب ممکن در یک شرایط خاص می شود. برای مثال تولید محصولات مناسب در حوزه های مختلف فنی و مهندسی وابسته به طراحی دقیق و بهینه ی شکل، اندازه و قطعات محصول است. در نتیجه هر مسئله ی مهندسی ممکن است داری چندین جواب مختلف باشد که بعضی از آنها ممکن و بعضی غیر ممکن است . وظیفه ی طراحان پیدا کردن بهترین جواب ممکن از میان جواب های مختلف است. مجموعه ی جواب های ممکن فضای طراحی را شکل می دهند که باید در این فضا به جستجوی بهترین یا بهینه ترین جواب پرداخت.

پیشینه

پیشینه ی الگوریتم ژنتیک به سال های حدود ۱۹۶۰ برمی گردد. در دهه های ۵۰ و ۶۰ تحقیقات متعددی برای استفاده از نظریه تکامل در بهینه سازی مسائل مهندسی به طور مستقل صورت گرفت. ایده ی اصلی در همه این سیستم ها، رشد یک جمعیت از پاسخ های اولیه یک مساله به سمت پاسخ بهینه با الهام گیری از عملگرهای انتخاب و تغییر ژنتیک طبیعی بود. در سال های ۱۹۶۵ تا ۱۹۷۳ رکنبرگ(Rechenberg ) کتاب خود را به نام  تکنیک های تکامل (Evolution strategies (Evolutionsstrategie in original) ) در زمینه محاسبات تکاملی منتشر کرد و در سال های بعد نظریه او توسط محققین دیگر توسعه یافت.

اصطلاحات زیستی

در راستای فهم کامل الگوریتم ژنتیک، ابتدا بهتر است با برخی از اصطلاحات زیستی به کار رفته در تئوری این الگوریتم آشنا شویم. همه موجودات زنده از واحدهای کوچکی به نام سلول تشکیل شده اند. هر سلول نیز به نوبه خود از مجموعه ای از یک یا چند کروموزوم (chromosome ) تشکیل شده است. کروموزوم ها رشته هایی از مولکول DNA می باشند که در حقیقت برنامه کاری موجود زنده را در خود ذخیره می کنند.

تشریح کلی الگوریتم ژنتیک

یک تشریح کلی از الگوریتم ژنتیک را می‏توان به صورت زیر در نظر گرفت :

-۱ جمعیتی از رشته‏ها را به صورت تصادفی بسازید.
-۲ هررشته داخل جمعیت را ارزیابی کنید.
-۳ رشته‏های جدید را با ترکیب رشته‏های جاری ایجاد کنید. برای ترکیب رشته‎های والد از عملگر‏های جهش و تبادل استفاده کنید.
-۴ اعضایی از جمعیت را برای ایجاد فضایی برای رشته‏های جدید حذف کنید.
-۵ رشته‏های جدید را ارزیابی نموده و آنها را داخل جمعیت قرار دهید.
-۶ اگر زمان اجرا تمام شده است توقف نمایید و بهترین رشته را باز گردانید. در غیر این صورت به مرحله سه بازگردید.

اجزای الگوریتم ژنبیک

با توجه به آنچه گذشت، الگوریتم ژنتیک بخشی از نظریه حسابگری تکاملی (evolutionary computing ) است که در حال حاضر به عنوان بخشی از هوش مصنوعی به سرعت در حال رشد می باشد. ایده اصلی این الگوریتم در نظریه تکامل داروین نهفته است.  از نظر کاربردی، الگوریتم ژنتیک یکی از روش های بهینه سازی مسائل است که اساس آن بر انتخاب طبیعی (natural selection) (عامل اصلی تکامل زیستی) و برخی مفاهیمی که از علم ژنتیک الهام گرفته شده اند، استوار است.

جمعیت

مفهوم جمعیت در الگوریتم ژنتیک شبیه به چیزی است که در زندگی طبیعی وجود دارد. برای مساله گزاره هایی وجود دارند که می توانند به عنوان پاسخ، چه درست، چه غلط در نظرگرفته شوند. به این گزاره ها پاسخهای ممکن یا شدنی می گوییم. مثلا اگر مساله یافتن ماکزیمم یک تابع در مجموعه اعداد صحیح باشد، تمام اعداد صحیح می توانند به عنوان پاسخ شدنی مساله در نظر گرفته شوند.

selection (انتخاب)

در مرحله انتخاب، یک جفت از کروموزومها برگزیده می شوند تا با هم ترکیب شوند. عملگر انتخاب رابط بین دو نسل است و بعضی از اعضای نسل کنونی را به نسل آینده منتقل می کند. بعد ازانتخاب، عملگرهای ژنتیک روی دو عضو برگزیده اعمال می شوند. معیار در انتخاب اعضاء ارزش تطابق آنها می باشد اما روند انتخاب حالتی تصادفی دارد.

نتیجه گیری

اکنون در جدول زیر نتایج حاصل از دو روش را در کنار هم می آوریم تا به طور واضح تر به مقایسه بپردازیم.

جدول ۵-۱- مقایسه نتایج تابع پنالتی و الگوریتم ژنتیک

مقدار آلاینده (mole/hr) با پنالتی مقدار آلاینده (mole/hr) با ژنتیک
۵.۸۷۶۴۲ ۱.۳۴۷۶۱
۰.۰۲۶۷۹ ۰.۰۰۹۱۵
۶.۱۲۶۳ ۶.۲۰۰۲۸
۶.۹۲۳۵۳ ۰.۷۹۰۰۶
۰.۰۵۸۰۱۴ ۰.۳۶۶۰۴
۰.۰۳۱۲۵ ۰.۰۳۱۲۴
۷.۶۲۴۹ ۰.۰۵۰۴۲
۷.۶۶۳۶ ۰.۴۰۰۶۵
۹.۴۱۲۱۷ ۰.۴۹۴۲۱
۰.۰۸۴۲ ۰.۲۸۷۵۷
۰.۰۷۰۲۷۳۴ ۰.۷۰۲۷۳۳
۱۰.۱۵۴۵۱ ۰.۸۶۸۵۱
۱۰.۲۴۷۶ ۳.۶۵۲۳۹

مشاهده می شود در اکثر مواقع الگوریتم ژنتیک بسیار بهتر از تابع پنالتی به نتیجه می رسد و فقط در ۴ مورد ( سطرهای ۳، ۵، ۱۰، ۱۱) به نتیجه ی بهتری نمی رسد. در انتها به این نتیجه می رسیم این الگوریتم در اکثریت مواقع بهتر از تابع پنالتی نتیجه می دهد.

فهرست مراجع

کاربردهای الگوریتم ژنتیک

  • پایان نامه ی کارشناسی ارشد خانم عطیه پریشان نداف
  • وبلاگ سیاوش محمودیان
  • وبلاگ ایمان اشکاوند
  • علیرضا، مهدی، الگوریتم های ژنتیک و کاربردهای آن، ناقوس اندیشه، ۱۳۸۶، ۱۳و۱۴.
  • Jelsoft Enterprises Ltd

۵- Jelsoft Enterprises Ltd

۶- Genetic Algorithm and Direct Search Toolbox

۷- Shabakeh Magazin

۸- www.BLOGFA.com

۹- www.google.com

.

 

 

سفارش تحقیق
http://telegram.me/pmaghale

ارسال یک پاسخ