این فایل شامل متن 543 صفحه ای انگلیسی جامع با موضوع مکانیابی تسهیلات، مفاهیم، مدلسازی، الگوریتم های حل و مطالعه های موردی (Facility Location) می باشد که به طور جامع مسائل FLP را تحت پوشش قرار داده است. همچنین یک فایل WORD در 5 صفحه و پاورپوینت فارسی 27 صفحه ای جهت ارائه مسأله P-center موجود می باشد که مرتبط با ارائه برای درس طرح ریزی واحدهای صنعتی می باشد.
موقعیت یابی پراکنده گرهای الکترومغناطیسی با استفاده از الگوریتم های بازسازی خطی و غیرخطی برای کاربردهای تصویربرداری مایکروویو
165 صفحه در قالب word
فهرست مطالب:
1
فصل اول : مقدمه
1
1-1- پیش گفتار ..........................................................................................................
6
1-2- پیشینه پژوهش ....................................................................................................
10
1-3- ساختار رساله ......................................................................................................
12
فصل دوم : تصویربرداری مایکروویو
12
2-1- مقدمه ..................................................................................................................
13
2-2- مقایسه روشهای مختلف تصویربرداری ..................................................................
14
2-2-1- تصویربرداری با اشعه X ........................................................................
16
2-2-2- تصویربرداری به روش MRI ...................................................................
18
2-2-3- تصویربرداری با اشعه مافوق صوت ............................................................
19
2-2-4- تصویربرداری با اشعه مایکروویو ..............................................................
21
2-3- مروری بر روشهای مختلف تصویربرداری مایکروویو ..............................................
24
2-4- چالشهای موجود در تصویربرداری مایکروویو .........................................................
24
2-4-1- مقدمه ..................................................................................................
24
2-4-2- سیگنالهای چند مسیری ......................................................................
26
2-4-3- چالشهای استفاده از محیط با اتلاف .......................................................
26
2-4-3-1- تاثیر القای متقابل .....................................................................
27
2-4-3-2- گستره دینامیکی بخش الکترونیک .............................................
27
2-4-3-3- ایزولاسیون کانال به کانال ...........................................................
28
2-4-3-4- انتخاب آنتن ...............................................................................
29
2-4-3-5- نویز محیط زمینه ......................................................................
29
2-5- مروری بر سیستمهای عملی تصویربرداری مایکروویو ..............................................
29
2-5-1- سیستم تصویربرداری دانشگاه Dartmouth .............................................
31
2-5-2- سیستم تصویربرداری توسعه یافته دانشگاه Dartmouth ...........................
34
2-5-3- سیستم تصویربرداری مایکروویو در دانشگاه Manitoba ............................
36
2-5-4- سیستم تصویربرداری Fresnel ...............................................................
38
2-5-5- سیستم تصویربرداری Barcelona ............................................................
40
2-5-5-1- آرایه استوانهای .........................................................................
41
2-5-5-2- شبکه سوئیچینگ .....................................................................
42
2-5-5-3- دادهبرداری و کالیبراسیون .........................................................
44
فصل سوم : روشهای موقعیتیابی پراکندهگرهای الکترومغناطیسی در تصویربرداری مایکروویو
44
3-1- مقدمه ..............................................................................................................
49
3-2- معادلات مربوط به روش تصویربرداری با MUSIC ..................................................
54
3-2-1- الگوریتم معکوس زمانی MUSIC ...........................................................
56
3-3- بررسی عملکرد الگوریتم MUSIC در موقعیتیابی .................................................
56
3-3-1- تاثیر نویز ................................................................................................
59
3-3-2- تاثیر فاصله بین پراکندهگرها ...................................................................
61
3-3-3- تاثیر ابعاد پراکندهگرها ............................................................................
63
3-3-4- تاثیر تعداد پراکندهگرها ...........................................................................
65
3-4- تخمین تعداد پراکندهگرها ....................................................................................
67
فصل چهارم : یک روش تحلیلی جدید جهت تخمین تعداد پراکندهگرها به کمک الگوریتم MUSIC
67
4-1- مقدمه ...............................................................................................................
68
4-2- مروری بر تئوری تصویربرداری با MUSIC ...........................................................
69
4-3- روشهای تخمین شدت پراکندگی اهداف ..............................................................
72
4-4- روش پیشنهادی ...................................................................................................
73
4-4-1- حالت تقریب Born .................................................................................
79
4-4-2- حالت وجود برهمکنش بین اهداف ...........................................................
80
4-4-3- پیچیدگی محاسباتی روش پیشنهادی ......................................................
81
4-5- شبیهسازیهای عددی ............................................................................................
81
4-5-1- شبیهسازی با آرایه Coincident ..............................................................
87
4-5-2- شبیهسازی با آرایه Non-coincident ......................................................
90
4-6- شبیهسازی با داده عملی .......................................................................................
92
4-7- جمعبندی مطالب .................................................................................................
93
4-8- ضمیمه ...............................................................................................................
97
فصل پنجم : الگوریتم MUSIC توسعه یافته جهت موقعیتیابی پراکندهگرها در سیستمهای عملی تصویربرداری مایکروویو
97
5-1- مقدمه ...............................................................................................................
100
5-2- دادهبرداری در یک سیستم تصویربرداری مایکروویو واقعی .....................................
101
5-3- روش پیشنهادی .................................................................................................
102
5-3-1- مدل ریاضی مساله دادهبرداری .................................................................
105
5-3-2- روشهای تخمین حداقل مربعات .............................................................
108
5-4- شبیهسازی عددی .................................................................................................
109
5-4-1- شبیهسازی با داده تولید شده از مدل Foldy-Lax ....................................
121
5-4-2- شبیهسازی با داده تولید شده توسط روش FDTD ....................................
126
5-5- شبیهسازی با داده عملی ........................................................................................
131
5-6- جمعبندی مطالب .................................................................................................
132
فصل ششم : نتیجه گیری و پیشنهادات
132
6-1- نتیجه گیری .......................................................................................................
135
6-2- پیشنهادات ............................................................................................................
137
مراجع .............................................................................................................................
چکیده:
تصویربرداری مایکروویو توسط بسیاری از محققین مورد توجه قرار گرفته و در طول چند دهه اخیر توسعه داده شده است. تصویربرداری مایکروویو یک مساله پراکندگی معکوس بوده و روشهایی که برای حل مسائل پراکندگی معکوس به کار میروند را میتوان به دو دسته کلی روشهای خطی و غیرخطی تقسیم نمود. روشهای پراکندگی معکوس غیرخطی، قادر به بازسازی کمی اهداف میباشند ولی به علت محاسبات زیاد، کاربرد آنها در سیستمهای عملی با محدودیت روبروست. اخیراً روشهای پراکندگی معکوس خطی مبتنی بر پردازش زیر فضا مانند روش MUSIC جهت حل مشکلات الگوریتمهای غیرخطی پیشنهاد شدهاند. روش MUSIC قادر به موقعیتیابی اهداف از روی نقاط قله طیف شناخته شده میباشد. برای تشکیل این طیف، تعداد اهداف میبایست از قبل معین باشد. حضور نویز باعث بوجود آمدن ابهام جهت تعیین تعداد اهداف میشود.
در این رساله، یک روش تحلیلی جهت تخمین موقعیت و تعداد هدفهای با ابعاد کوچک در مسائل تصویربرداری 2 بعدی ارائه شده است. در این روش در مرحله اول، از الگوریتم MUSIC استفاده شده و تمام موقعیتهای ممکن برای اهداف بدست میآید و در مرحله بعد، با به کار بردن یک فرمول تحلیلی که مانند یک فیلتر مکانی عمل میکند، هدفهای واقعی از هدفهای مجازی جدا میشوند. نتایج شبیه سازیها قابلیت روش پیشنهادی را به اثبات میرساند.
الگوریتم MUSIC بر اساس تجزیه SVD ماتریس MSRکار میکند و این ماتریس در سیستمهای واقعی تصویربرداری مایکروویو کامل نمیباشد. در این رساله، روشی جهت تکمیل دادههای ماتریس MSR اندازهگیری شده از سیستمهای عملی پیشنهاد شده است. در این روش، به کمک روش تخمین حداقل مربعات، دادههای نامعین ماتریس MSR تخمین زده شده و ماتریس کامل MSR (CMSR) شکل میگیرد. دادههای نامعین ماتریس MSR مربوط به سیگنال در گیرندههای غیرفعال به ازای هر فرستنده فعال میباشد. روش پیشنهادی با استفاده از داده عملی موسسه Fresnel مورد آزمایش قرار گرفته و همچنین به ازای دادههای مختلف شبیهسازی شده مشابه داده واقعی، تست و آزمایش شده است.
امروزه سرطان سینه یک مشکل جدی برای دنیای مدرن به حساب میآید. طبق آمار سازمان سلامت جهانی، این سرطان معمولترین نوع سرطان در زنان میباشد و بیش از 30 درصد از زنان در طول مدت زندگی به این سرطان مبتلا میشوند ]1[. تشخیص اولیه سرطان کلیدی برای درمان موفق آن میباشد. روشهای تصویربرداری مختلفی جهت تشخیص سرطان سینه استفاده میشود که یکی از این روشها تصویر برداری مایکروویو[1] میباشد. این روش تصویربرداری نسبت به روش تصویربرداری CT[2] و روش MRI[3] دارای مزیتهایی از قبیل قابلیت بالای تشخیص بافت سرطانی به علت کنتراست زیاد بافت سالم و بافت سرطانی در باند مایکروویو، استفاده از تشعشع غیر یونیزه (مضر نبودن) و هزینه نسبتا پایین میباشد ]2[. چالش اصلی برای رقابت روش تصویربرداری مایکروویو با روشهای CT و MRI قدرت تفکیکپذیری پایینتر این روش تصویربرداری نسبت به دیگر روشها میباشد. روش تصویربرداری مایکروویو توسط پژوهشگران ژئوفیزیک برای تستهای غیرمخرب[4] بر روی زمین ]3[، جهت مصارف نظامی از قبیل هالوگرافی دادههای رادار، در پردازش دادههای GPR[5]] 4[ و ]5[ ، بیوپزشکی ]6[، مهندسی عمران و کنترل ساختارهای فلزی عمیق به منظور آشکارسازی عیوب، تغییرات یا شکافهای ایجاد شده در این ساختارها] 9-7[، تشخیص ساختار کریستال، بررسی میکروسکوپی اشعه ایکس منطبق و نوری و پراکندگی معکوس موج الاستیک] 10[ بکار گرفته شده است.
تحقیقات جدی بر روی بکارگیری تصویربرداری مایکروویو در مهندسی پزشکی جهت تشخیص سرطان سینه از دهه 90 آغاز شده و ساخت دستگاههای نمونه MI، پتانسیل بالای کاربردی این روش را نشان داده است ]11[. کاربردهای پزشکی این روش شامل تشخیص سرطان سینه، تصویربرداری از سر انسان، تشخیص سرطان ریه، کبد و شش، تصویر برداری از استخوان و تشخیص کم خونی موضعی در اجزای مختلف انسان میباشد. در کاربرد تشخیص سرطان سینه، بافت سینه در یک محیط زمینه همگن قرار گرفته و توسط تعدادی فرستنده باند مایکروویو تحت تشعشع قرار میگیرد. میدان الکترومغناطیسی پراکنده شده ناشی از بافت سینه و ناهمگنیهای موجود در آن توسط تعدادی گیرنده دریافت میگردد و سپس با پردازش دادههای اندازهگیری شده، امکان بازسازی توزیع گذردهی مختلط[6] (پروفایل) بافت سینه و تشخیص موقعیت، شکل و تعداد پراکندهگرهای موجود در آن (سلولهای سرطانی) فراهم میشود.
بازسازی کامل توزیع CP شیء، یک مساله پراکندگی معکوس میباشد. بطور کلی دو دسته مسائل پراکندگی شامل مسائل پراکندگی مستقیم[7] و معکوس[8] در الکترومغناطیس وجود دارد:
الف) مسائل پراکندگی مستقیم که حل آنها از طریق حل معادلات دیفرانسیل یا حل معادله انتگرالی میدان الکتریکی به ازای توزیع گذردهی معین برای شیء بدست میآید. معادله انتگرالی میدان الکتریکی که در آن میدان داخل شیء بصورت تابعی از خودش ظاهر میشود، یک معادله انتگرالی غیر خطی بوده و در اغلب موارد نمیتوان یک جواب تحلیلی برای آن ارائه کرد. لذا از روشهای عددی حوزه زمان و فرکانس برای حل مساله پراکندگی مستقیم استفاده میشود. در روشهای حوزه زمان معادلات ماکسول در حوزه زمان بطور عددی حل شده و خطای ناشی از غیر ایدهآل بودن شرایط مرزی ، بار محاسباتی بالا و افزایش این دو با بزرگتر شدن اندازه شیء از جمله محدودیتهای این روشها میباشند. این روشها برای کاربردهای باند وسیع مناسب بوده و نمونهای از آنها [9]FDTD ،[10]FVTD و [11]FETD میباشند ]14-12[. در روشهای حوزه فرکانس، معادلات فازوری ماکسول بطور عددی برای یک فرکانس خاص حل شده و لذا برای کاربردهای باند باریک مناسب میباشند. یک نمونه از این روشها، روش[12]MOM است. این روش، معادلۀ انتگرالی ماکسول را جزء جزء کرده و به معادله ماتریسی خطی تبدیل و سپس حل میکند. روش MOM، یک روش دقیق بوده ولی به علت معادلات ماتریسی حجیم حاصل شده، دارای سرعت کم و محدود به اشیاء با اندازه کوچک میشود.
روشی دیگر در حوزه فرکانس، بر اساس بسط میدان پراکندگی به سری Born برای حل معادله انتگرالی ماکسول است. این روش سریعتر از روش MOM میباشد و برای اشیاء با اندازه کوچک که تغییرات ناهمگنی آنها بر حسب مختصات مکانی هموار است مناسب خواهد بود ]15[.
ب) مسائل پراکندگی معکوس که در آنها با اندازهگیری امواج پراکنده شده از محیط مزبور و با معلوم بودن میدان تابیده شده، شکل و یا پارامترهای موانع موجود در محیط را تعیین میکنند. بطور کلی مسائل معکوس در زمینههای زیادی مانند پراکندگی الکترومغناطیس، CT ، سنجش از دور، ژئوفیزیک، هواشناسی و ... بکار میروند. این مسائل اغلب بد وضعیت[13] میباشند. هادامارد[14] در سال 1923 سه شرط برای خوش وضعیت بودن[15] مسائل مطرح کرد. تخطی از هر کدام از شرطها باعث بد تعریف شدن مساله میشود. 1- جواب مساله موجود باشد ، 2- جواب مساله یکتا[16] باشد و 3- جواب مساله بطور پیوسته به داده ورودی وابسته باشد. برای بسیاری از مسائل وجود داشتن جواب موضوع اصلی نبوده و چالش اصلی در حل مسائل معکوس مربوط به دو موضوع یکتایی جواب و پایداری آن میباشد. برای حل مشکل بد تعریف بودن این مسائل از روشهای مختلف رگولاسیون[17] استفاده میشود. یکی از معروفترین روشهای رگولاسیون روش Thikhonov میباشد که در سال 1963 توسط Thikhonov مطرح شده و از یک کتاب ریاضی منشا گرفته است ]16[. در زمینه توسعه روشهای مختلف رگولاسیون برای مسائل معکوس بخصوص مسائل پراکندگی معکوس الکترومغناطیس، تاکنون کارهای زیادی صورت گرفته و در حال انجام میباشد و این زمینه کاری، یک زمینه باز تحقیقاتی میباشد.
چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود، ولی در فایل دانلودی همه چیز مرتب و کامل میباشد.
متن کامل با فرمت word را که قابل ویرایش و کپی کردن می باشد، می توانید در ادامه تهیه و دانلود نمائید.
به هر روند رویش یا گسترش که با تحول و دگرگونی همراه است، تَکامُل یا فَرگَشت می‌گویند؛ ولی این واژه بیشتر در پیوند با علم تکامل زیستی به‌کار می‌رود.
فَرگَشت یک نظریهٔ علمی است که در زیست شناسی مطرح شده است. فرگشت توضیح می دهد که چگونه حیوانات و گیاهان طی زمانی طولانی تغییر یافتند و چگونه به صورتی که امروزه هستند، رسیدند.
سنگواره‌ها نشان می‌دهند که زمین عمری بس دراز دارد. بر مبنای سنگواره‌ها می‌یابیم که جانداران امروزی متفاوت از گذشته هستند و به میزانی که به گذشته‌های دورتر می‌نگریم ،فسیل‌ها متفاوت‌تر میشوند. فرگشت چگونگی این رخداد را توضیح می دهد.
بر این اساس ،فرگشت در پی تغییر بسامد یک عامل انتقال ارثی در یک حوضه ژنتیکی پدید میآید. این‌گونه تغییرها در پی یک گزینش طبیعی و یا کشش ژنتیکی پدید می‌آیند. این دگرگونیها در بازه‌های دراز زمانی به تغییراتی در گونه یا ریخت (فنوتیپ) می‌انجامند. برای فرگشت روندهای دیگری مانند گونه زایی نیز بسیار مهم اند.
نظریه فرگشت پایه و اساس زیست شناسی نوین است و با شواهد بسیاری پشتیبانی می گردد.هیچ چیز در زیست شناسی بدون آن معنا نمی یابد.همزمان پرسش های بسیاری نیازمند پاسخ هستند که زیست شناسان تکاملی به آن ها می پردازند.
نظریه تکامل همچنین باعث شد در میان دانشمندان، فلاسفه و متکلمان مناقشات بسیاری در مورد خلقت جریان گیرد.
واژه‌شناسی
واژه عربی تکامل به معنای «ترقی» و «کامل شدن» می باشد.لغت نامه دهخدا معنی آن را «تمام شدن» ذکر میکند. این واژه نخستین بار توسط مترجمان دورهٔ قاجار به عنوان برابر فارسی evolution به کار رفت.
این در حالیست که واژه Evolution به معنای «بر آمدن» بوده و اشاره به بوجود آمدن چیزی از چیز دیگر دارد، مثل بوجود آمدن بخار از آب. Evolution، حاکی از «کمال یافتن» جانداران نیست. این واژه هیچ بار اخلاقی ندارد بلکه تنها تغییر جانداران را برای انطباق بیشتر با محیط نشان میدهد ، زیرا در یک محیط ویژگی های خاصی مبنای تطابق محسوب می شوند و در محیط دیگر ویژگی های دیگر.
به این سبب فرگشت معادل مناسب تری برای Evolution است. واژه فرگشت نخستین بار توسط داریوش آشوری در سال ۱۳۷۴ پیشنهاد شد
درخت زندگی نشانگر فرگشت از آغاز حیات است.
مقبول‌ترین نظریه در میان دیرین مردم‌شناسان امروزین در باب تکامل انسان این است که انسان کنونی که با نام علمی انسان خردمند خردمند مشخص میشود زیرگونه‌ای از انسان خردمند است که خود از انسان راست‌قامت تکامل یافته و انسان راست‌قامت هم از انسان ماهر تکامل یافته بود. همگی این جانداران در سردهٔ انسان جای می‌گیرند که گونه‌های متعدد دیگری هم از آن برخاسته بودند (مانند انسان نئاندرتال و انسان راست‌قامت) اما امروزه نسل تمامی آنها منقرض شده‌است. انسان خردمند در حدود ۲۰۰ هزار سال پیش در شرق آفریقا پدیدار شد و گروه‌های کوچکی از آنها در حدود ۵۰ هزار سال پیش به دیگر نقاط دنیا مهاجرت کردند، به این ترتیب نسل تمامی انسان‌هایی که در خارج از آفریقا زندگی میکنند به این مهاجران می‌رسد.
کپی‌های بزرگ (شمپانزه، بونوبو، گوریل و اورانگ اوتان) نزدیک‌ترین جانداران در حال حیات به انسان‌هایند. با این حال انسان از هیچ یک از آنها تکامل نیافته است و مسیر تکاملی ما و آنها میلیون‌ها سال پیش از هم جدا شده‌است. از میان آنها شمپانزه و بونوبو دو گونهٔ نزدیک‌تر به انسان‌اند. نیای مشترک سردهٔ شمپانزه و سردهٔ انسان در حدود ۶ تا ۷ میلیون سال پیش می‌زیسته است.
نظریه تکامل در طبیعت
به فرایند تغییر در گونه‌های حیات در اثر گذشت زمان و در طول نسل‌ها تکامل گفته میشود. رشته زیست‌شناسی تکاملی به بررسی اینکه چگونه و چرا این تکامل اتفاق می‌افتد می‌پردازد. یک اندامگان (ارگانیزم: organism) از والدینش خصوصیات و ویژگی‌هایی از طریق ژن‌هایش به ارث می‌برد. تغیرات در این ژن‌ها (که جهش خوانده میشود) می‌تواند ویژگی‌های جدید در فرزندهای سیستم حیاتی تولید کند. اگر این ویژگی‌های جدید باعث بشود که فرزندها بهتر بتوانند با محیط خارجی وفق پیدا کنند، در زنده ماندن و تولید مثل موفق‌تر خواهند بود. به این فرایند انتخاب طبیعی گفته شده، و باعث میشود که ویژگی‌هایی که مفید هستند عمومی‌تر شوند. در طول نسل‌های فراون، یک جمعیت می‌تواند آنقدر ویژگی‌های جدید کسب کند که به یک گونه جدید از موجودات تبدیل شود.
نظریه تکامل در سال ۱۲۳۸ هجری شمسی (۱۸۵۹ میلادی) و با انتشار کتاب «درباره مبدأ گونه‌ها» توسط چارلز داروین بوجود آمد. علاوه بر این، کار گرگور یوهان مندل با گیاهان به توضیح الگوهای وراثتی ژن‌ها کمک کرده و منجر به فهمی از نحوه عملکرد سیستم وراثتی شد. اکتشافات بعدی در زمینه نحوه جهش ژن‌ها به همراه پیشرفت‌ها در رشته «ژنتیک جمعیت» توضیحات بیشتری در زمینه نحوه عملکرد تکامل فراهم آورد. دانشمندان امروزه فهم به نسبت خوبی نسبت به پیدایش گونه‌های جدید دارند. آنها فرایند به وجود آمدن گونه جدید را هم در آزمایشگاه و هم در طبیعت مشاهده کرده‌اند. این دیدگاه مدرن از تکامل مهم ترین نظریه علمی موجود برای کمک به فهم حیات میباشد.
ایده داروین: تکامل توسط انتخاب طبیعی
چارلز داروین این ایده را داشت که نحوه کلی پرورش موجودات زنده از اجدادشان به گونه یکسانی و مستقل از نوع گونه میباشد. در سال ۱۲۱۷ هجری شمسی (۱۸۳۸ میلادی) او فرایندی که اسمش «انتخاب طبیعی» گذاشت را پیشنهاد کرد و توضیحاتی درباره عملکرد فرایند داد. داروین نظریه اش را بر پایه پنج مشاهده زیر قرار داد:
بر اساس نظریه داروین نسل هایی که از ویژگی های و خصوصیات برتری نسبت به نسل های دیگر برخوردارند شانس بیشتری نیز برای بقا و تکثیر خواهند داشت و ویژگی ها و خصوصیات برتر آنها به نسل های بعدی آنان نیز منتقل خواهد شد. همچنین بخش دوم نظریه داروین بیان میکند که هنگام تکثیر یک ارگان فرزند ، به تصادف رویدادهایی اتفاق می افتد که موجب تغییر خصوصیات ارگان فرزند میشود و در صورتی که این تغییر فایده‌ای برای ارگان فرزند داشته باشد موجب افزایش احتمال بقای آن ارگان فرزند خواهد شد. در محاسبات کامپیوتری ، بر اساس این نظریه داروین روش هایی برای مسائل بهینه سازی مطرح شدند که همه این روش ها از پردازش تکاملی در طبیعت نشات گرفته اند. ما نیز به این روش های جستجو ، الگوریتم های جستجوی تکاملی می گوییم.
داروین از اینکه سیستمهای حیاتی بیش از آنچه که امکان حمایت و نگاهداری از آن را داشته باشند، فرزند تولید میکنند این نتیجه را گرفت که حتماً باید رقابت برای زنده ماندن وجود داشته باشد - فقط تعداد کمی از هر نسل زنده خواهند ماند. داروین متوجه شد که شانس به تنهایی زنده ماندن موجودات را تعیین نمی‌کند. در واقع، زنده ماندن بستگی به ویژگی‌های هر شخص دارد و این ویژگی‌ها یا به زنده ماندن و تولید مثل کمک کرده، و یا دست و پاگیر میشوند. محتمل‌تر است که آن موجوداتی که بهتر خود را وفق می‌دهند فرزندهای بیشتری نسبت به رقبایشان باقی بگذارند. داروین این نکته را متوجه شد که عدم برابری توانایی موجودات در زنده ماندن باعث تغییرات تدریجی در جمعیت میشود. آن ویژگی‌هایی که به سیستم حیاتی کمک میکنند که زنده مانده و تولید مثل کند طی قرن‌ها به روی هم انباشته میشود. از طرف دیگر، آن ویژگی‌هایی که مانع زنده ماندن و تولید مثل هستند، ناپدید میشوند. داروین از اصطلاح انتخاب طبیعی جهت توصیف این فرایند استفاده کرد.
مشاهده گونه‌های مختلف حیوانات و گیاهان پایه اصلی نظریه انتخاب طبیعی را تشکیل می‌داد. به عنوان مثال، داروین مشاهده کرد که گل‌های ارکید و حشرات رابطه نزدیکی با هم داشته که امکان پخش گردهای گیاهان را فراهم می‌آورد. گل‌های ارکید شامل بخشهای مختلفی هستند که حشرات را جذب میکند تا اینکه گرد گیاه به بدن حشرات بچسبد. از این طریق، حشرات گرده را از یک ارکید نر به یک ارکید ماده منتقل میکنند. علی رغم ظاهر پیچیده ارکیدها، این بخشهای تخصصی یافته از همان ساختارهایی کلّی درست شدهاند که در گیاهان دیگر نیز دیده میشود. داروین پیشنهاد کرد که گل‌های ارکید کار یک مهندس ایده آل نبوده، بلکه حاصل وفق پذیری اجزاء گل به شرایط محیط در طول فرایند انتخاب طبیعی میباشد.
داروین هنوز در حال تحقیق و آزمایش با ایده‌هایش در زمینه انتخاب طبیعی بود که نامه‌یی از آلفرد والاس دریافت کرد که نظریه‌اش را تقریباً مشابه مال خودش می‌دانست. این منجر به انتشار فوری هر دو نظریه با هم شد. والاس و داروین هر دو تاریخ را مانند یک درخت خانواده می‌دیدند، که سرها دوشاخه درخت یک جد مشترک قرار دارد. نوک شاخه‌ها گونه‌های مدرن، و شاخه‌ها اجداد مشترکی که بین گونه‌های مختلف مشترک است را نشان میدهد. جهت توضیح این روابط، داروین بیان کرد که تمام موجودات زنده به هم مرتبطند، و این به معنای این است که کل حیات میبایست ناشی از تکامل شکل‌های اولیه محدودی از حیات (و شاید تنها یک شکل اولیه از حیات) باشد. او این فراید را «نزول با اصلاحات» نامید.
داروین نظریه‌اش را در سال ۱۲۳۸ هجری شمسی (۱۸۵۹ میلادی) و با انتشار کتاب «درباره مبدأ گونه‌ها» به ثبت رسانید. با اساس این نظریه، تمامی حیات روی کره زمین حاصل یک فرایند ادامه دار طبیعی میباشد. این نظریه ایجاب میکند که تمامی موجودات زنده روی کره زمین یک جد مشترک دارند. اعتراض‌هایی با این نظریه از طرف گروه‌های مذهبی مطرح شد که متعقدند انواع مختلف حیات روی زمین منجر از خلق خاص آنها میباشد. درون جامعه علمی امروز بیش از ۹۹ درصد دانشمندان از نظریه تکامل به عنوان توضیحی برای پدیده حیات حمایت میکنند.
الگوریتم ژنتیک
چکیده
الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند.الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای رگرسیون هستند.همان طور ساده،خطی وپارامتری یک گفته می شود،به الگوریتم های ژنتیک می توان غیر پارامتریک گفت.
مختصراً گفته می شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل نمسئله استفاده می کند.مسئله ای که باید حل شود ورودی است و راه حلها طبق یک الگو کد گذاری می شودومتریک که تابع fitness هم نام دارد هر راه حل کاندید را ارزیابی می کندکه اکثر آنها به صورت تصادفی انتخاب می شوند.
کلاً این الگوریتم ها از بخش های زیر تشکیل می شوند :
تابع برازش - نمایش – انتخاب – تغییر
که در ادامه آنها را توضیح خواهیم داد.
شامل بخشهای:
فهرست
نظریه تکامل
مقدمه
واژه‌شناسیتکامل در انسان
نظریه تکامل در طبیعت
ایده داروین: تکامل توسط انتخاب طبیعی
الگوریتم ژنتیک
مقدمه
الگوریتم ژنتیک چیست؟
ایده اصلی
الگوریتم
روش های نمایش
روش های انتخاب
روش های تغییر
نقاط قوت الگوریتم های ژنتیک
محدودیتهای GAها
چند نمونه از کاربرد های الگوریتم های ژنتیک
یک مثال ساده
نسل اول
نسل بعدی
انتخاب
تغییر از یک نسل به نسل بعدیCross over
جهشMutation
الگوریتم
جستجوی غذا در طبیعت
بهینه سازی کلونی زنبورها
کاربرد ها
چکیده
معرفی
الگوریتمPSO یا پرندگان یا اجتماع ذرات
الگوریتم بهینه سازی کلونی مورچگان چیست؟
گوریتم رقابت استعماری
شکل دهی امپراطوری‌های اولیه
مدلسازی سیاست جذب: حرکت مستعمره‌ها به سمت امپریالیست
جابجایی موقعیت مستعمره و امپریالیست
قدرت کل یک امپراطوری
رقابت استعماری
سقوط امپراطوری‌های ضعیف
همگرایی
مثال کاربردی
نتیجه‌گیری
ماشین بردار پشتیبان
الگوریتم های ترکیبی
سنجش عملکرد
الگوریتم بهینه سازی اجتماع ذرات
انتخاب مشخصه ورودی
شبیه سازی و استخراج داده ها
معرفی روش
نتیجه گیری
مروری بر پیشینه تحقیق
مدل سازی فرایند ریسندگی جهت بهینه سازی مقاوم
تعریف.
تقریب توابع با شبکه های عصبی
الگوریتم های یادگیری شبکه و مقایسه آنها
ارزیابی اعتبار شبکه های تقریب زننده.
حل مدل طراحی پارامتر با GA
حل مدل طراحی پارامتر با CGA
مقایسه دو الگوریتم GA و CGA در مساله طراحی پارامتر
نتیجه گیری و پیشنهاد برای تحقیقات آتی
شامل 85 صفحه فایل word قابل ویرایش
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 30
فهرست مطالب:
خلاصه
1- مقدمه
2- تحقق شبکه عصبی
2-1- اصول عملکرد
2-2- پیاده سازی مدارهای شبکه
مراجع
خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .
1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
مسئله اصلی که هنوز باید حل شود آموزش است .
حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .
در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .
آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .
دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .
اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .
بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .
اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .
برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .
این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .
با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .
همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .
این محصول در قالب پاورپوینت و قابل ویرایش در 387 اسلاید می باشد.
اسلاید 2
در مورد ساختمان داده
ساختمان داده روشی است برای معرفی و دستکاری داده و کلیه برنامه های معرفی داده برای معرفی داده نیازمند یک الگوریتم میباشد.
اسلاید 3
روش های طراحی الگوریتم نیازمند پیشرفت برنامه هایی است که برای نگهداری داده است. در علوم کامپیوتر مطالعه ساختمان داده ها مهم وضروری میبا شد.