پایان نامه الگوریتم ژنتیک و بهینه سازی چندین مسئله به آن

پایان نامه الگوریتم ژنتیک و بهینه سازی چندین مسئله به آن

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 اس

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.

چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم‌گیری، از موضوعات بحث برانگیز در عصر حاضر است. یکی از مسائل مهم تحقیقاتی در زمینه علوم کامپیوتر، پیاده‌سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه و تحلیل سیستم‌های مختلف براساس تجربه است. در این راستا شبکه‌های عصبی یکی از پویاترین حوزه‌های تحقیق در دوران معاصر هستند که افراد متعددی از رشته‌های گوناگون علمی را به خود جلب کرده است. استفاده از شبکه‌های عصبی و الگوریتم‌های ژنتیک در حل مسائل پیچیده کاربردی این روزها بیش از بیش رواج یافته است. در این پروژه پس از معرفی اجمالی شبکه‌های عصبی و الگوریتم‌های ژنتیک، ارتباط و سهم آن‌ها در تصمیم‌گیری در حوزه تجارت و کسب و کار مورد بررسی قرار گرفته است.

فهرست مطالب:

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