پروژه سیستم انتخاب واحد با استفاده ازالگوریتم ژنتیک. doc

اختصاصی از فی دوو پروژه سیستم انتخاب واحد با استفاده ازالگوریتم ژنتیک. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 119 صفحه

چکیده:

الگوریتم های ژنتیک یکی از انواع الگوریتم های متاهیوریستیک هوش مصنوعی هستند که بر مبنای اصول انتخاب طبیعی داروین شکل گرفته اند.

وضیفه اصلی وکاربرد الگوریتم ژنتیک در بهینه سازی توابع و یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو می باشد .

مفاهیم اصلی در الگوریتم ژنتیک عبارتند از :

• کد گزاری و تشکیل کروموزوم
• جمعیت اولیه
• تابع سازگاری
• انتخاب
• استراتژی نخبه گزینی
• تقاطع
• جهش

مقدمه:

1-1-الگوریتم های هیوریستیک

هیوریستیک‌ها عبارتند از معیارها، روشها یا اصولی برای تصمیم‌گیری بین چند گزینه خط ‌مشی و انتخاب اثربخش‌ترین برای دستیابی به اهداف مورد نظر. هیوریستیک‌ها نتیجه برقراری اعتدال بین دو نیاز هستند: نیاز به ساخت معیار‌های ساده و در همان زمان توانایی تمایز درست بین انتخاب‌های خوب و بد. به عنوان مثال یک استاد بزرگ شطرنج را در نظر بگیرید که با انتخاب بین چندین حرکت ممکن روبرو شده است. وی ممکن است تصمیم بگیرد که یک حرکت خاص، اثربخش‌ترین حرکت خواهد بود زیرا موقعیتی فراهم می‌آورد که «به نظر می‌رسد» بهتر از موقعیت‌های حاصل از حرکت‌های دیگر باشد. به کارگیری معیار «به نظر می‌رسد» خیلی ساده‌تر از تعیین دقیق حرکت یا حرکاتی خواهد بود که حریف را مجبور به مات کند. این واقعیت که اساتید بزرگ شطرنج همواره پیروز بازی نخواهند بود نشان دهنده این است که هیوریستیک‌های آنها انتخاب اثربخش‌ترین حرکت را تضمین نمی‌کنند. نهایتا‏ً وقتی از آنها خواسته ‌می‌شود که هیوریستیک خود را تشریح نمایند آنها فقط توصیفی ناقص از قواعدی ارائه می‌دهند و به نظر خود آنها، انجام آن قواعد از توصیف آنان ساده‌تر است. خاصیت هیوریستیک‌های خوب این است که ابزار ساده‌ای برای تشخیص خط ‌مشی‌های بهتر ارائه دهند و در حالی که به صورت شرطی لازم، تشخیص خط‌مشی‌های اثربخش را تضمین نمی‌کنند اما اغلب به صورت شرط کافی این تضمین را فراهم ‌آورند. بیشتر مسائل پیچیده نیازمند ارزیابی تعداد انبوهی از حالت‌های ممکن برای تعیین یک جواب دقیق می‌باشند. زمان لازم برای یافتن یک جواب دقیق اغلب بیشتر از یک طول عمر است. هیوریستیک‌ها با استفاده از روش‌های نیازمند ارزیابی‌های کمتر و ارائه جوابهایی در محدودیت‌های زمانی قابل قبول دارای نقشی اثربخش در حل چنین مسائل خواهند بود.[1]در حالت کلی سه دسته از الگوریتم‌های هیوریستیک قابل تشخیص است: 1- الگوریتم‌هایی که بر ویژگی‌های ساختاری مسئله و ساختار جواب متمرکز می‌شوند و با استفاده از آنها الگوریتم‌های سازنده یا جستجوی محلی تعریف می‌کنند.2- الگوریتم‌هایی که بر هدایت هیوریستیک یک الگوریتم سازنده یا جستجوی محلی متمرکز می‌شوند به گونه‌ای که آن الگوریتم بتواند بر شرایط حساس (مانند فرار از بهینه محلی) غلبه کند. به این الگوریتم‌ها، متاهیوریستیک گفته می‌شود. 3- الگوریتم‌هایی که بر ترکیب یک چارچوب یا مفهوم هیوریستیک با گونه‌هایی از برنامه‌ریزی ریاضی (معمولاً روشهای دقیق) متمرکز می‌شوند.

هیوریستیک‌های نوع اول می‌توانند خیلی خوب عمل کنند (گاهی اوقات تا حد بهینگی) اما می‌توانند در جواب‌های دارای کیفیت پایین گیر کنند. همان طور که اشاره شد یکی از مشکلات مهم این الگوریتم‌ها با آن روبرو می‌شوند افتادن در بهینه‌های محلی است بدون اینکه هیچ شانسی برای فرار از آنها داشته باشند. برای بهبود این الگوریتم‌ها از اواسط دهه هفتاد، موج تازه‌ای از رویکردها آغاز گردید. این رویکردها شامل الگوریتم‌هایی است که صریحاً یا به صورت ضمنی تقابل بین ایجاد تنوع جستجو (وقتی علائمی وجود دارد که جستجو به سمت مناطق بد فضای جستجو می‌رود) و تشدید جستجو (با این هدف که بهترین جواب در منطقه مورد بررسی را پیدا کند) را مدیریت می‌کنند. این الگوریتم‌ها متاهیوریستیک نامیده می‌شوند. از بین این الگوریتم‌ها می‌توان به موارد زیر اشاره کرد:

• شبیه‌سازی تبرید
• جستجوی ممنوع
• الگوریتم‌های ژنتیک
• شبکه‌های عصبی مصنوعی
• الگوریتم مورچگان

فهرست مطالب:

فصل اول : مقدمه

 1-1- الگوریتم های هیوریستیک

2-1- پیدایش الگوریتم ژنتیک

3-1- ایده اصلی

4-1- نمونه ای از کاربردهای الگوریتم ژنتیک

5-1- پرواز در فضای حالت مساله

فصل دوم : اصول کار الگوریتم ژنتیک

 1-2- الگوریتم ژنتیک چیست

2-2- روشهای نمایش

3-2- زمینه زیست شناسی الگوریتم ژنتیک

4-2- تعاریف و مفاهیم اولیه در الگوریتم ژنتیک

5-2- مثالی از الگوریتم ژنتیک

فصل سوم : کاربرد و تجزیه تحلیل سیستم انتخاب واحد

 1-3- روش کار الگوریتم ژنتیک در حل مساله

2-3- چگونگی پیاده سازی الگوریتم

3-3- نتایج حاصل از اجرای برنامه

فصل چهارم : پیاده سازی سیستم

 1-4- سیستم انتخاب واحد

2-4- محیط پیاده سازی سیستم

3-4- ساختار کلی سیستم

4-4- کدهای برنامه

فصل پنجم : راهنمای کاربرد سیستم

 1-5- نصب نرم افزار Matlab

2-5- انتقال برنامه به Matlab

3-5- درج پارامترهای ورودی

4-5- اجرای برنامه

5-5- نتایج متفاوت

فصل ششم : خلاصه و نتیجه گیری

 1-6- خلاصه

2-6- نتیجه گیری

فصل اول : مقدمه

 1-1- الگوریتم های هیوریستیک

2-1- پیدایش الگوریتم ژنتیک

3-1- ایده اصلی

4-1- نمونه ای از کاربردهای الگوریتم ژنتیک

5-1- پرواز در فضای حالت مساله