فی دوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فی دوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

مقاله : مروری بر داده کاوی و بررسی شبکه های عصبی‎

اختصاصی از فی دوو مقاله : مروری بر داده کاوی و بررسی شبکه های عصبی‎ دانلود با لینک مستقیم و پر سرعت .

مقاله : مروری بر داده کاوی و بررسی شبکه های عصبی‎


مقاله :  مروری بر داده کاوی و بررسی شبکه های عصبی‎

عنوان مقاله :  مروری بر داده کاوی و بررسی شبکه های عصبی‎

 

شرح مختصر : چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسترس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکتها این است که چگونه میتوان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعتها از جمله پزشکی، آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار میگیرد. تکنیکهای بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی، رگرسیون، درخت تصمیم و غیره. همچنین طراحی شده است اشاره SAS که توسط شرکت JMP نرم افزارهایی نیز برای داده کاوی ایجاد شده است که میتوان به نرم افزار کرد. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیطهایی که از داده کاوی بهره میبرند به همراه نرم افزار های آن پرداخته است.

فهرست :

چکیده

مقدمه

داده کاوی

تکنیک های داده کاوی

دسته بندی

رگرسیون گیری

خوشه بندی

تجمع و همبستگی

درخت تصمیم گیری

ویزگی های درخت تصمیم

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

ساختار شبکه عصبی

نورون

معماری شبکه عصبی

شبکه های پیش خور تک لایه

انواع یادگیری در شبکه های عصبی مصنوعی

داده کاوی در پزشکی

داده کاوی در سلامت

نرم افزار های داده کاوی

نتیجه گیری

مراجع


دانلود با لینک مستقیم


مقاله : مروری بر داده کاوی و بررسی شبکه های عصبی‎

عنوان مقاله : رنگ آمیزی گراف با الگوریتم ژنتیک ‎

اختصاصی از فی دوو عنوان مقاله : رنگ آمیزی گراف با الگوریتم ژنتیک ‎ دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله : رنگ آمیزی گراف با الگوریتم ژنتیک ‎


عنوان مقاله :  رنگ آمیزی گراف با الگوریتم ژنتیک ‎

عنوان مقاله :  رنگ آمیزی گراف با الگوریتم ژنتیک ‎

 

شرح مختصر :  مساله بهینه سازی رنگ آمیزی گراف تعیین حداقل تعداد رنگهای مورد نظر برای رنگ آمیزی گرافی معین است به گونه ای که هیچ دو راس مجاور هم رنگ نباشند و این عدد مورد نظر را عدد کروماتیک گراف می گوئیم . مساله تصمیم گیری رنگ آمیزی گراف ان است که برای یک عدد صحیح m تعیین کنیم که آیا رنگ آمیزی وجود دارد که حداکثر از این m رنگ استفاده کرده و هیچ دو راس مجاوری هم رنگ نباشند. تا امروز برای حالتهای تصمیم گیری و بهینه سازی فوق الگوریتمی از مرتبه چند جمله ای پیدا نشده است . در اینجا سعی شده با استفاده از الگوریتم ژنتیک راه حل های بهینه ای را برای این مسئله ارائه دهیم.

 فهرست :

الگوریتم ژنتیک و الگوریتم هیورستیک

مقدمه ای بر بهینه سازی

الگوریتم های مینیمم یابنده

هیورستیک

انواع الگوریتم های هیورستیک

الگوریتم ژنتیک

فضای جستجو

مفاهیم پایه ای در الگوریتم ژنتیک

کد گذاری دودویی

کدگذاری جهشی

کدگذاری ارزشی

کدگذاری درختی

جمعیت ژنتیکی

تاریع برازندگی

عملگر ترکیب یا جابجایی

ترکیب چند نقطه ای

ترکیب یکنواخت

ترکیب نگاشت جزئی

ترکیب مرتب شده

ترکیب چرخشی

عملگر جهش

روش وارون سازی

روش ژن جزئی

روش درجی

روش درهم آمیخته

روش چرخ رولت

روش رتبه بندی

عملگر ترمیم

نخبه کشی

مراحل اجرای الگوریتم ژنتیک

همگرایی در الگوریتم ژنتیک

روش برش کروموزوم

نحوه جهش ژنتیک


دانلود با لینک مستقیم


عنوان مقاله : رنگ آمیزی گراف با الگوریتم ژنتیک ‎

الگوریتم ژنتیک

اختصاصی از فی دوو الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

الگوریتم ژنتیک


الگوریتم ژنتیک

الگوریتم ژنتیک  

43 صفحه در قالب word

 

 

 

 

مقدمه

الگوریتم ژنتیک، یک روش جستجوی احتمالی است که از شبیه­سازی تکامل زیستی و طبیعی استفاده می­کند.

الگوریتم­های ژنتیک با به کارگیری اصول انتخاب طبیعی و بقای بهترین­ها برای تولید تخمین­های هر چه بهتر یک جواب روی جمعیتی از جواب­های بالقوه عمل می­نماید. در هر نسل، مجموعه­ای جدید از تخمین­ها توسط فرآیند انتخاب افراد مطابق با سطح برازندگی­شان در دامنه مسأله و پرورش آنها با هم با استفاده از عملگرهای گرفته شده از ژنتیک طبیعی ایجاد می­گردد. این فرآیند ما را به سمت تکامل جمعیت­هایی از افراد، که با محیط مربوطه­شان بهتر از والدینشان وفق داده شده­اند هدایت می­کند.

اصول بنیادی الگوریتم ژنتیک اولین بار در سال 1975 توسط جان هلند، در دانشگاه میشیگان آمریکا، ابداع شد. (19) در ادامه این فصل به معرفی مفاهیم موجود در الگوریتم ژنتیک خواهیم پرداخت.

 

جمعیت در الگوریتم ژنتیک

الگوریتم ژنتیک، با تعریف یک کروموزوم[1] یا یک آرایه از مقادیر پارامتری که باید بهینه باشد شروع می­شود. هر درایه در هر کروموزوم ژن نامیده می­شود. مجموعه­ای از این کروموزوم­ها جمعیت[2] الگوریتم را تشکیل می­دهد.

همچنین هر تکرار از الگوریتم ژنتیک را یک نسل می گویند.

اگر مسئله دارای Npar پارامتر متغیر باشد می­توان هر کروموزوم را به صورت  نشان داد که Pi، i امین پارامتر مسئله است. یکی از ویژگی­های الگوریتم ژنتیک این است که به جای تمرکز بر روی یک نقطه از فضای جستجو یا یک کروموزوم بر روی جمعیتی از کروموزوم­ها کار می­کند، بدین ترتیب در هر مرحله، الگوریتم ژنتیک دارای جمعیتی از کروموزوم­ها بوده که خواص موردنظر را بیشتر از جمعیت مرحله قبل دارا است.

 

تابع هدف و برازندگی

تابع هزینه[3] مقدار تابع هدف به ازای یک دسته پارامتر (یک کروموزوم) است و می تواند به صورت یک تابع ریاضی، یا نتیجه یک آزمایش یا نتیجه یک بازی باشد.

تابع هدف جهت تعیین اینکه افراد چگونه در محدوده مسئله ایفای نقش می­نمایند، مورد استفاده قرار می­گیرد. در حالت مسئله بیشینه­سازی، شایسته­ترین افراد دارای بیشترین مقدار عددی تابع هدف مربوطه هستند. این مقدار برازندگی[4] ، تنها به عنوان یک مرحله میانی در تعیین کارایی مربوطه افراد در الگوریتم ژنتیک به کار می­رود. مناسب بودن یا نبودن جواب با مقداری که از تابع برازندگی[5] به دست می­آید سنجیده می­شود. هر چه که یک جواب مناسب­تر باشد مقدار برازندگی بزرگتری دارد و احتمال بقای کروموزوم متناظر با آن بیشتر خواهد بود. این احتمال متناسب با مقدار مقدار برازندگی به دست آمده از هر کروموزوم در نظر گرفته می­شود.

 

انتخاب

پس از ارزیابی کروموزوم­های موجود در نسل حاضر، باید نسل جدیدی با استفاده از نسل حاضر تولید شود. انتخاب، مکانیزمی است که تعیین می کند کدامیک از کروموزوم های موجود در نسل حاضر بطور مستقیم یا غیر مستقیم برای تولید نسل بعد برگزیده شوند.کروموزوم های انتخاب شده تشکیل جمعیت والد[6] (جمعیت میانی[7] ) را می دهند. این انتخاب با توجه به میزان شایستگی کروموزوم های موجود در نسل حاضر صورت می­گیرد و باید بگونه­ای باشد که کروموزوم­های با شایستگی بیشتر نسبت به کروموزوم­های با شایستگی کمتر شانس بیشتری برای مشارکت در تولید نسل بعد داشته باشند .

معمولاً انتخاب کروموزوم­ها برای تولید نسل بعد متناسب با مقدار شایستگی آنها صورت می­گیرد. 

ساده ترین روش برای اجرای این مرحله، استفاده از مدل چرخ رولت[8] است (20). در این مدل، سطح چرخ به بخشهایی تقسیم می شود که تعداد آنها برابر با تعداد اعضای جمعیت و سطح هر بخش متناسب با مقدار برازندگی هر کروموزوم است. سپس چرخ به گردش درمی آید تا درنقطه­ای به تصادف متوقف گردد. این نقطه، کروموزوم انتخاب شده را مشخص می سازد. شکل شمایی از چرخ رولت را نشان می دهد.

یکی دیگر از روش هایی که در این بخش مورد استفاده قرار می گیرد روش تورنمنت[9] می­باشد .در این روش در هر تکرار یک مجموعه   عضوی از نسل فعلی انتخاب شده و بهترین آنها در جمعیت والد قرار می­گیرد. این کار به تعداد اعضای جمعیت والد صورت می­گیرد.

از مواردی که عموماً در مرحله انتخاب انجام می­گیرد استفاده از استراتژی نخبه پروری[10] می باشد .این استراتژی بدین صورت عمل می­کند که قبل از انجام عمل انتخاب ،   درصد از  کروموزوم های با برازندگی بالا از جمعیت کنونی را حفظ کرده و مستقیماً به نسل بعد انتقال می دهد.

 

ادغام[11]

در فرآیند تولید مثل، فرزندان خصوصیات ژنتیکی والدین خود را به ارث می­برند، بدین معنی که برخی خصوصیات بیولوژیکی فرزند شبیه خصوصیات بیولوژیکی پدر و برخی مانند خصوصیات بیولوژیکی مادر است. در الگوریتم ژنتیک این فرآیند توسط عملگر ادغام شبیه سازی می­شود.  این عملگر بر روی یک جفت از کروموزوم­ها عمل می­کند و می­تواند به صورت تک نقطه­ای، چند نقطه­ای و یکنواخت باشد . عملگر تقاطعی تک نقطه ای[12]، دو کروموزوم را از جمعیت والد به طور تصادفی از یک نقطه شکسته و بخش های شکسته دو کروموزوم را جابجا می کند. بدین ترتیب دو کروموزوم جدید بدست می آید. به کروموزومهای حاصل شده از عمل ادغام، کروموزوم های فرزند[13] می گویند.شکل شمایی از عملگر تقاطع تک نقطه ای را نشان می دهد.

 

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است

 

دانلود با لینک مستقیم


الگوریتم ژنتیک

Introduction to Genetic Algorithms, Springer, 2008

اختصاصی از فی دوو Introduction to Genetic Algorithms, Springer, 2008 دانلود با لینک مستقیم و پر سرعت .

Introduction to Genetic Algorithms, Springer, 2008


Introduction to Genetic Algorithms, Springer, 2008

453 صفحه

مقدمه ای بر الگوریتم ژنتیک

Introduction to Genetic Algorithms, Springer, 2008

Chapters

Evolutionary Computing

Genetic Algorithms

Terminologies and operators of genetic algorithm

Advanced operators and techniques in genetic algorithm

Classification of genetic algorithm

Genetic programming

Genetic algorithm optimization problems

Genetic algorithm implementation using MATLAB

++Genetic algorithm optimization in C/C

Applications of genetic algorithms

Introduction to particle swarm optimization and ant colony optimization

 

 

 

 


دانلود با لینک مستقیم


Introduction to Genetic Algorithms, Springer, 2008