دانلود پایان نامه الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه Curve Fitting (قابل ویرایش / فایل Word)

اختصاصی از زد فایل دانلود پایان نامه الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه Curve Fitting (قابل ویرایش / فایل Word) دانلود با لینک مستقیم و پر سرعت .

فرض کنید شما و گروهی از دوستان تان به دنبال گنج می گردید هر یک از اعضای گروه یک فلزیاب و یک بی سیم دارند که می تواند مکان و وضعیت کار خود را به همسایگان نزدیک خود اطلاع بدهد بنابراین شما می دانید آیا همسایگان¬ تان از شما به گنج نزدیکترند یا نه ؟ پس اگر همسایه ای به گنج نزدیکتر بود شما می توانید به طرف او حرکت کنید. با چنین کاری تماس شما برای رسیدن به گنج بیشتر می شود و همچنین گنج زودتر از زمانی که شما تنها باشید پیدا می شود.
این یک مثال ساده از رفتار جمعی یا swarm behavior است که افراد برای رسیدن به یک هدف نهایی همکاری می کنند . این روش موثرتر از زمانی است که افراد جداگانه عمل کنند. Swarm را می توان به صورت مجموعه ای سازمان یافته از موجوداتی تعریف کرد که با یکدیگر همکاری می کنند. در کاربردهای محاسباتی swarm intelligence از موجوداتی مانند دسته ی پرندگان و مورچه ها ، زنبورها ، موریانه ها ، دسته ماهیان الگو برداری می شود . در این نوع اجتماعات هر یک از موجودات ساختار نسبتاً ساده ای دارند ولی رفتار جمعی آنها بی نهایت پیچیده است . برای مثال در کولونی مورچه ها هریک از مورچه ها یک کار ساده ی مخصوص را انجام می دهد ولی به طور جمعی عمل و رفتار مورچه ها ، ساختن بهینه لایه ، محافظت از ملکه و نوزادان ، تمیز کردن لانه ، یافتن بهترین منابع غذایی و بهینه سازی استراتژی حمله را تضمین می کند. رفتار کلی یک swarm به صورت غیر خطی از آمیزش رفتارهای تک تک اجتماع بدست می آید. یا به عبارتی یک رابطه ی بسیار پیچیده بین رفتار جمعی و رفتار فردی یک اجتماع وجود دارد. رفتار جمعی فقط وابسته به رفتار فردی افراد اجتماع نیست بلکه به چگونگی تعامل میان افراد نیز وابسته است . تعامل بین افراد ، تجربه ی افراد درباره ی محیط را افزایش می دهد و موجب پیشرفت اجتماع می شود . ساختار اجتماعی swarm بین افراد مجموعه کانال های ارتباطی ایجاد می کند که طی آن افراد می توانند به تبادل تجربه های شخصی بپردازند مدل سازی محاسباتی swarm، کاربردهای موفق و بسیار را در پی داشته است. به طور کلی موضوع پروژه رسم تابع تخمینی در بحث ریاضیات برای رسم یک سری داده با استفاده از نرم افزار متلب می باشد. جمعیتی که در این پروژه مورد مطالعه و بررسی قرار می گیرند با توجه به ماهیت پروژه یکسری داده مربوط به یک تابع مشخص می باشند که ما در هر مرحله نتایج را با مقادیر دادهها مقایسه کرده تا بتوانیم ذراتی تولید کرده که بهینه شده باشند و کمترین اختلاف را با جمعیت اولیه داشته باشند. برای این منظور پروژه تا حد ممکن طوری تنظیم شده که همه جنبه های اساسی موضوع چه از نظر کاربردی و چه از نظر تئوری را در بر گیرد. در بحث آشنایی با الگوریتم و تعاریف مربوط به آن سعی شده تا هرچه بیشتر موضوع باز شده و مثال هایی به همراه داشته باشد تا موضوع ساده و روان بوده و به راحتی قابل درک باشد.
کلمات کلیدی
بهینه سازی(Optimization)، تابع برا زنگی(fitness)، بهترین سراسری(g_best)،
بهترین شخصی(p_best)، الگوریتم بهینه سازی،کلونی

فصل اول: “آشنایی با برخی ازانواع الگوریتم های بهینه سازی ”
مقدمه ای بر بهینه سازی
۱- ۱ الگوریتم اجتماع پرندگان(particle swarm optimization Algorithm – pso)
۱-۲ الگوریتم ژنتیک(Genetic Algorithm – GA
۱-۳ الگوریتم کلونی مورچه ها(Aco- Ant colony optimization Algorithm
۱-۴ الگوریتم کلونی زنبور عسل(Abc-Artificial bee colony algorithm
۱-۵ الگوریتم چکه های آب هوشمند یا چکاه(Intelligent water Drops Algorithm -Iw
فصل دوم : ” الگوریتم(particle swarm optimization – pso) و
” Cooperative Particle swarm optimization – cpso) (
مقدمه
۲-۱ ماهیت الگوریتم
۲-۲ مفاهیم اولیه
۲-۳ فلو چارت
۲-۴ اطلاعات فنی
۲-۵ ساختار کلی
۲-۶ قاعده کلی توپولوژی همسایگی
۲-۷ نکات کلیدی
۲-۷-۱ خاصیت هوش جمعی
۲-۷-۲ هوش ذرات
۲-۷-۳ کنترل الگو ریتم
۲-۷-۴ تعداد ذرات
۲-۷-۵ محدوده ی ذرات
۲-۷-۶ شرایط توقف
۲- ۸ مزایا و کاربردهای الگو ریتم
۲-۹ ذرات swarm در تعدادی فضای واقعی
۲-۱۰مثال هایی از حرکت ذرات

۲-۱۰ مثالی از پرواز پرندگان برای یافتن غذا
۲-۱۱ الگوریتم Cooperative Particle swarm optimization
۲-۱۲ معرفی نرم افزار بکار رفته در شبیه سازی پروسه
فصل سوم: به ” بکار گیری cpsoو pso در پروسه ی Curve Fitting”
مقدمه
۳-۱ ماهیت کار
۳-۲ مراحل انجام کار به کمک الگوریتمpso
۳-۲-۱ بدست آوردن تابع برازندگی
۳-۲-۲ مشخص کردن اندازه جمعیت اولیه و ابعاد آن
۳-۲-۳ بررسی خروجی های بدست آمده از تابع Fitnessدر تکرار اول
۳-۲-۴ ایجاد لیست اول جهت نگهداری خروجی های بدست آمده
۳-۲-۵ پیدا کردن بهترین خروجی تابع Fitness و یافتن مکان آن در لیست اول
۳-۲-۶ آبدیت کردن سرعت و مکان ذرات با توجه به اینکه سرعت اولیه ذرات قبلا تعریف
۳-۲-۷ ایجاد لیست دوم جهت نگهداری خروجی های تابع Fitness در تکرار دوم
۳-۲-۸ پیدا کردن مکان بهترین ذره در جمعیت دوم
۳-۲-۹ مقایسه خروجی های تابع Fitness در دو تکرار اول
۳-۲-۱۰ پیدا کردن بهترین ذرات در دو جمعیت اول و دوم و تولید جمعیت سوم
۳-۲-۱۱ محاسبه تابع Fitness برای جمعیت سوم
۳-۲-۱۲ تکرار از مرحله پنجم الی یازدهم تا رسیدن به نقاط بهینه
۳-۳ مراحل انجام کار برای الگوریتمcpso
فصل چهارم : نتایج
۴-۱ انجام پروسه توسط الگوریتم pso
۴-۲ انجام پروسه توسط الگوریتم cpso
۴-۳ بررسی تفاوت بین psoوcpso
فصل پنجم: نتیجه گیری و پیشنهاد
۵-۱ نتیجه گیری
۵-۲ پیشنهاد
مراجع
پیوست

آموزش کتیا، طراحی، تحلیل و بهینه سازی سبد سرخ کن در محیط Generative Structural Analysis نرم افزار CATIA

اختصاصی از زد فایل آموزش کتیا، طراحی، تحلیل و بهینه سازی سبد سرخ کن در محیط Generative Structural Analysis نرم افزار CATIA دانلود با لینک مستقیم و پر سرعت .

در این جزوه آموزشی، طراحی، تحلیل و بهینه سازی سبد سرخ کن به صورت گام به گام و به زبان انگلیسی روان (137 صفحه)، در محیط های زیر به کاربر آموزش داده می شود:

* Infrastructure

* Sketcher (محیط طراحی دوبعدی کتیا)

* Part Design (محیط طراحی قطعه کتیا)

* Generative Shape Design (محیط سطح سازی پیشرفته کتیا)

* Assembly Design (محیط مونتاژ کتیا)

* Generative Structural Analysis (محیط آنالیز، تجزیه و تحلیل کتیا)

* Product Engineering Optimizer (محیط بهینه سازی محصول کتیا)

در این جزوه آموزشی، طراحی، تحلیل و بهینه سازی سبد سرخ کن در 15 مرحله مطابق مراحل زیر انجام می شود:

Step 1: Build a Master Model of the basket handle

Step 2: Create the upper & the lower parts from the Master Model

Step 3: Build the mechanical features on the both parts

Step 4: Get the both parts auto-updated after modifying the outlook of the master model

Step 5: Build the metal arm

Step 6: Build the basket

Step 7: Add material texture onto all components

Step 8: Assemble components

Step 9: Simplify the model for analysis

Step 10: Create Meshes onto two components and create a connector between them

Step 11: Create boundary conditions & define properties

Step 12: Analyze displacements & stresses

Step 13: Repeat Tutorial 3C with the use of Nastran

Step 14: Create a user parameter volume

Step 15: Run optimization to get the minimum volume of the metal arm with the smallest part deformation

لازم به ذکر است که به همراه فایل pdf جزوه آموزشی، فایل سه بعدی سبد (Basket) و با فرمت IGS نیز جهت دانلود قرار داده شده است.

* توجه: کاربران نگران زبان انگلیسی جزوه نباشند. حتی کاربرانی که سر انگشتی زبان انگلیسی یاد دارند قادر خواهند بود از این جزوه بهره کافی را ببرند. لازم به ذکر است که آموزش طراحی، تحلیل و بهینه سازی سبد سرخ کن در نرم افزار CATIA به صورت قدم به قدم (Step to Step) همراه با تصاویر واضح و رنگی می باشد.

جهت خرید آموزش طراحی، تحلیل و بهینه سازی سبد سرخ کن در محیط Generative Structural Analysis نرم افزار CATIA به مبلغ استثنایی فقط 2000 تومان و دانلود آن بر لینک پرداخت و دانلود در پنجره زیر کلیک نمایید.

!!لطفا قبل از خرید از فرشگاه اینترنتی کتیا طراح برتر قیمت محصولات ما را با سایر محصولات مشابه و فروشگاه ها مقایسه نمایید!!

!!!تخفیف ویژه برای کاربران ویژه!!!

با خرید حداقل 10000 (ده هزارتومان) از محصولات فروشگاه اینترنتی کتیا طراح برتر برای شما کد تخفیف ارسال خواهد شد. با داشتن این کد از این پس می توانید سایر محصولات فروشگاه را با 20% تخفیف خریداری نمایید. کافی است پس از انجام 10000 تومان خرید موفق عبارت درخواست کد تخفیف و ایمیل که موقع خرید ثبت نمودید را به شماره موبایل [phone] ارسال نمایید. همکاران ما پس از بررسی درخواست، کد تخفیف را به شماره شما پیامک خواهند نمود.

مقاله ترجمه شده(رشته عمران) طرح اختلاط و بهینه سازی(Concrete Mix Design and Optimization)

اختصاصی از زد فایل مقاله ترجمه شده(رشته عمران) طرح اختلاط و بهینه سازی(Concrete Mix Design and Optimization) دانلود با لینک مستقیم و پر سرعت .

مقاله ارزشمند ترجمه شده طرح اختلاط و بهینه سازی به فارسی روان

تعداد صفحات : 18 صفحه

Concrete Mix Design and Optimization

پایان نامه الگوریتم ژنتیک و بهینه سازی چندین مسئله به آن

اختصاصی از زد فایل پایان نامه الگوریتم ژنتیک و بهینه سازی چندین مسئله به آن دانلود با لینک مستقیم و پر سرعت .

پایان نامه الگوریتم ژنتیک و بهینه سازی چندین مسئله به آن

 

چکیده

در عصر حاضر در بسیاری از موارد ماشین‌ها جایگزین انسانها شده‌اند و بسیاری از کارهای فیزیکی که در گذشته توسط انسانها انجام می‌گرفت امروزه توسط ماشین‌ها صورت می‌گیرد. اگرچه قدرت کامپیوترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری، ... غیر قابل انکار است، اما همچنان مواردی وجود دارد که انسان ناچار است خودش کارها را انجام دهد. اما به طور کلی، موارد مرتبط با ماشین شامل سیستم‌هایی است که در آن به علت ارتباطات پیچیده بین اجزا، مغز انسان از درک ریاضی این ارتباطات قاصر است. مغز انسان به مرور زمان با مشاهده توالی رفتارهای سیستم و گاه آزمایش نتیجه‌ای که بر اثر دستکاری یکی از اجزای سیستم به دست می‌آید تا حدی می‌تواند  عادتهای سیستم را شناسایی کند. این روند یادگیری بر اثر مشاهده مثالهای متنوع از سیستم، به کسب تجربه منجر می‌شود. در چنین سیستم‌هایی مغز قادر به تجزیه و تحلیل داخلی سیستم نیست و تنها با توجه به رفتارهای خارجی، عملکرد داخلی سیستم را تخمین می‌زند و عکس‌العملهای آن را پیش‌بینی می‌کند.

 

1-1 مقدمه

توجه به کاربرد تکنیک‌های هوش مصنوعی و ابزارهای مدل‌سازی در حوزه کسب و کار به طور فزاینده‌ای در حال افزایش است. این پروژه شواهدی را مبتنی بر امکان استفاده اخلاقی از شبکه‌های عصبی و الگوریتم‌های ژنتیک که به منجر به تصمیم‌گیری‌های موفقیت‌آمیز در ارتباط با مسائل مرتبط با کسب و کار می‌شود ارائه می‌کند. برای این منظور لازم است که بررسی تطبیقی‌ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد. به همین دلیل، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه‌های عصبی و الگوریتم‌های ژنتیک تأکید شده است. 

 

فهرست مطالب

عنوان    صفحه

فصل اول- کلیات پروژه

کلیات پروژه 1

1-2 مقدمه 2

فصل دوم- الگوریتم ژنتیک

2-1 فناوری شبکه عصبی 5

2-2 فناوری الگوریتم ژنتیک 9

2-3 مروری بر کاربردهای تجاری 10

2-4 بازاریابی 10

2-5 بانکداری و حوزه‌های مالی 13

2-6  پیش بینی 14

2-7 سایر حوزه‌های تجاری 15

2-8. الگوریتم ژنتیک 15

2-8-1. عملگرهای ژنتیک 17

2-8-1-1. عملگر تولید مثل 17

2-8-2. مؤلفه های ژنتیک 18

2-9. الگوریتم نلدر- مید 19

2-9-1. مرور اجمالی بر روش عملکرد الگوریتم نلدر- مید 21

2-10. ترکیب ژنتیک و نلدر- مید 21

2-11. جامعة آماری 22

2-12. نمونة آماری 22

2-13. داده‌ها و اطلاعات 23

2-14. ابزار جمع‌آوری داده 23

2-15. داده‌های خام 24

فصل سوم- بررسی چندین مسئله در الگوریتم ژنتیک

3-1 طراحی آزمایشات و ارائه مدلی از متغیرهای مستقل 26

3-2 معرفی عوامل مؤثر 26

3-3 رطوبت تفاله 26

3-4 دمای خشک کن 27

3-5  درصد آهک اضافه شده 27

3-6 معرفی متغیر پاسخ 27

3-7 الگوریتم های پیشنهادی 27

3-8 الگوریتم ترکیبی شبیه سازی تبرید و ژنتیک (GA-SA) 28

3-9 الگوریتم شبیه سازی تبرید( SA): 30

3-10 جزئیات ساختار الگوریتم های پیشنهادی 30

نمایش حل ها 30

3-11 دمای اولیه 31

3-12 جستجوی همسایگی 31

فصل چهارم- بهینه سازی مسائل مختلف

4-1. مرور ادبیات مسئله: 33

4-2. شرح مسئله تسطیح منابع در حالت چند پروژه‌ای 37

4-3. مدلسازی مسئله 39

4-4. مدلسازی مسئله در حالت تک پروژه‌ای: 39

4-5  مدلسازی مسئله در حالت چند پروژه‌ای، هنگامی که چند نوع منبع داریم 41

4-6  بیان روش حل به کمک الگوریتم ژنتیک 42

4-7  کد کردن مسئله 43

4-8 تولید جامعه اولیه 43

4-9  تعیین مکانیسم نمونه‌گیری: 44

4-10. انتخاب عملگر ژنتیکی مناسب 46

4-11 تعیین معیار توقف 48

4-12  بررسی نتایج حاصل از مسئله 48

4-14  بررسی نتایج حاصل از حل مسئله در حالت چند پروژه‌ای و چند منبعی 51

4-15. بیان مسئله و شرح اهمیت پژوهش 52

4-16 بهینه‌سازی 53

4-17. انواع روش‌های بهینه‌سازی 54

4-17-1. کلاسیک‌ها 54

4-17-2. روش‌های ابتکاری 54

4-17-3. روش تحقیق 55

فصل پنجم- نتیجه گیری

5-1  نتیجه‌گیری 57

منابع 60

 

فهرست اشکال

عنوان     صفحه

شکل 2-1 مدل پایه‌ای نورون 6

شکل2-2 ساختمان یک شبکه عصبی مصنوعی 7

شکل 2-3: فلوچارت الگوریتم ژنتیک 20

شکل 2-4: فلوچارت الگوریتم نلدر- مید (منبع: اقتباس مؤلف‌ها از الگوریتم نلدر- مید) 23

جدول 4-1. مقایسه حل توسط نرم‌افزار Lingo و الگوریتم ژنتیک در حالت سه پروژه‌ای 49

جدول 4-2 50

جدول 4-3. مقایسه حل توسط نرم افزار Lingo و الگوریتم ژنتیک در حالت پنج پروژه‌ای 51

جدول4-4. مقایسه نتایج حاصل از حل مسئله در حالت چند پروژه‌ای و چند منبعی 52

 

فهرست جداول

عنوان   صفحه

جدول 4-1. مقایسه حل توسط نرم‌افزار Lingo و الگوریتم ژنتیک در حالت سه پروژه‌ای 49

جدول 4-2 50

جدول 4-3. مقایسه حل توسط نرم افزار Lingo و الگوریتم ژنتیک در حالت پنج پروژه‌ای 51

جدول4-4. مقایسه نتایج حاصل از حل مسئله در حالت چند پروژه‌ای و چند منبعی 52

 

منابع

پارکر جونز، چارلز(1380)، مدیریت سبد سهام(مدیریت سبد سرمایه‌گذاری)، ترجمة محمد شاه علیزاده، چ1، تهران: انتشارات جامعة دانشگاهی.

تلنگی، احمد(1377)، طراحی مدل ریاضی برای انتخاب پرتفولیوی بهینه با استفاده از منطق برنامه‌ریزی فازی، تهران: پایان‌نامة کارشناسی ارشد، دانشگاه تهران.

 و...

کد متلب الگوریتم بهینه سازی کرم شب تاب firefly

اختصاصی از زد فایل کد متلب الگوریتم بهینه سازی کرم شب تاب firefly دانلود با لینک مستقیم و پر سرعت .

کد متلب الگوریتم بهینه سازی کرم شب تاب firefly