loading...

بهترين و سريعترين مرجع دانلود كارآموزي و پروژه و پايان نامه

دانلود پايان نامه و پروژه و كارآموزي در تمامي رشته هاي دانشگاهي

بازدید : 241
11 زمان : 1399:2

تعداد صفحات:96
نوع فايل:word
فهرست مطالب:
فصل اول:مقدمه
مقدمه
فصل دوم:مقدمه اي بر الگوريتم ژنتيك
مقدمه
پيشينه
اصطلاحات زيستي
تشريح كلي الگوريتم ژنتيك
حل مسأله با استفاده از الگوريتم ژنتيك
اجزاي الگوريتم ژنتيك
جمعيت
كدگذاري
كدگذاري دودويي
كدگذاري مقادير
كدگذاري درختي
عملگرهاي الگوريتم ژنتيك
fitness (برازش)
selection (انتخاب)
crossover (تركيب)
mutation (جهش)
مفاهيم تكميلي
برتري ها و ضعف هاي الگوريتم ژنتيك
نكات مهم در الگوريتم هاي ژنتيك
نتيجه گيري
فصل سوم:كاهش اثرات زيست محيطي آلاينده هاي Cox، NOx و SOx در كوره ها
مقدمه
احتراق
روش محاسبه تركيبات تعادلي با استفاده از ثابت تعادل
روش محاسبه دماي آدياباتيك شعله
انتخاب سيستم شيميايي
تأثير دماي هوا و ميزان هواي اضافي بر توليد محصولات
بهينه سازي
روش هاي حل مسائل بهينه سازي
روش تابع پنالتي
الگوريتم حل تابع پنالتي
برنامه كامپيوتري و مراحل آن
تشكيل تابع هدف
تشكيل مدل مسئله بهينه سازي
روش حل
فصل چهارم:توضيحاتي در رابطه با gatool نرم افزار متلب
gatool
تنظيم گزينه ها براي الگوريتم ژنتيك
Plot Options
Population Options
Fitness Scaling Options
Selection Options
Reproduction Options
Mutation Options
Crossover Options
Migration Options
Output Function Options
Stopping Criteria Options
Hybrid Function Options
Vectorize Options
فصل پنجم:نتايج
نتايج حاصل از تابع پنالتي و الگوريتم ژنتيك
نتيجه گيري
فهرست مراجع

فهرست شكل:
مراحل الگوريتم ژنتيك
مثالي از كروموزوم ها به روش كدگذاري دودويي
مثالي از كروموزوم ها با استفاده از روش كدگذاري مقادير
انتخاب چرخ رولت
تركيب تك نقطه اي
تركيب دو نقطه اي
تركيب يكنواخت
وارونه سازي بيت
تغيير ترتيب قرارگيري
تغيير مقدار
نماي برنامه ي كامپيوتري
عمليات برازش براي توليد NO در مقايسه با نتايج اصلي در احتراق گازوئيل
نماي gatool نرم افزار مطلب
نماي gatool ، Cox براي گاز طبيعي
نمودارهاي Best fitness و Best individual آلاينده ي Cox براي گاز طبيعي
نماي gatool ، NOx براي گاز طبيعي
نمودارهاي Best fitness و Best individual آلاينده ي NOx براي گاز طبيعي
نماي gatool ، Cox + NOx براي گاز طبيعي
نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOxبراي گاز طبيعي
نماي gatool ، Cox براي گازوئيل
نمودارهاي Best fitness و Best individual آلاينده ي Cox براي گازوئيل
نماي gatool ، NOx براي گازوئيل
نمودارهاي Best fitness و Best individual آلاينده ي NOx براي گازوئيل
نماي gatool ، Sox براي گازوئيل
نمودارهاي Best fitness و Best individual آلاينده ي Sox براي گازوئيل
نماي gatool ، Cox + NOx براي گازوئيل
نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOx براي گازوئيل
نماي gatool ، Cox+NOx+Sox براي گازوئيل
نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOx وSOx براي گازوئيل
نماي gatool ، Cox براي نفت كوره
نمودارهاي Best fitness و Best individual آلاينده ي Cox براي نفت كوره
نماي gatool ، NOx براي نفت كوره
نمودارهاي Best fitness و Best individual آلاينده ي NOx براي نفت كوره
نماي gatool ، Sox براي نفت كوره
نمودارهاي Best fitness و Best individual آلاينده ي SOx براي نفت كوره
نماي gatool ، Cox + NOx براي نفت كوره
نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOx براي نفت كوره
نماي gatool ، COx+NOx+SOx براي نفت كوره
نمودارهاي Best fitness و Best individual مجموع آلاينده هاي COx و NOx و SOx براي نفت كوره

فهرست جدول:
تغيير نرخ توليد (mole/hr) NO در اثر تغيير دماي هوا و درصد هواي اضافي
تشكيل تابع هدف براي گاز طبيعي
تشكيل تابع هدف براي گازوئيل
تشكيل تابع هدف براي نفت كوره
مقايسه نتايج تابع پنالتي و الگوريتم ژنتيك

چكيده :
الگوريتم هاي ژنتيك يكي از الگوريتم هاي جستجوي تصادفي است كه ايده آن برگرفته از طبيعت مي باشد. نسل هاي موجودات قوي تر بيشتر زندگي مي كنند و نسل هاي بعدي نيز قوي تر مي شوند به عبارت ديگر طبيعت افراد قوي تر را براي زندگي بر مي گزيند. در طبيعت از تركيب كروموزوم هاي بهتر ، نسل هاي بهتري پديد مي آيند. در اين بين گاهي اوقات جهش هايي نيز در كروموزوم ها روي مي دهد كه ممكن است باعث بهتر شدن نسل بعدي شوند. الگوريتم ژنتيك نيز با استفاده از اين ايده اقدام به حل مسائل مي كند. الگوريتم هاي ژنتيك در حل مسائل بهينه سازي كاربرد فراواني دارند.
مسئله كاهش آلاينده هاي Cox ، NOx و Sox در كوره هاي صنعتي، يكي از مسائل بهينه سازي مي باشد، كه هدف آن بهينه كردن عملكرد كوره هاي احتراقي بر حسب پارامترهاي درصد هواي اضافي (E) و دماي هواي خروجي از پيش گرمكن (T)، به منظور كاهش ميزان آلاينده هاي توليد شده در اثر انجام عمليات احتراق است.
در اين پايان نامه ابتدا مروري بر مفاهيم مقدماتي الگوريتم هاي ژنتيك كرده سپس مشخصات كلي مسئله عنوان مي شود، در انتها مسئله ي مورد نظر توسط الگوريتم ژنتيك اجرا و نتايج آن با روش تابع پنالتي مقايسه ميشود.

بازدید : 238
11 زمان : 1399:2

تعداد صفحات:68
نوع فايل:word
فهرست مطالب:
چكيده
مقدمه
فصل اول : هوش مصنوعي و ارتباط آن با هوش جمعي
مقدمه
تاريخچه هوش مصنوعي
هوش چيست؟
فلسفه هوش مصنوعي
مديريت پيچيدگي
عامل هاي هوشمند
سيستم هاي خبره
رابطه هوش جمعي با هوش مصنوعي
فصل دوم: تعريف هوش جمعي
مقدمه
تعريف هوش جمعي
خصوصيات هوش جمعي
اصول هوش جمعي
طبقه بندي هوش جمعي
طبيعي در مقابل مصنوعي
علمي در مقابل مهندسي
تعامل دو دسته طبيعي/ مصنوعي و علمي/ مهندسي
فصل سوم:‌ كاربردهاي هوش جمعي
مقدمه
تعريف بهينه سازي
الگوريتم بهينه سازي كلوني مورچه ها
تعريف
الگوريتم
خواص عمومي كلوني مورچه ها
الگوريتم مورچه براي مسئله فروشنده دوره گرد
كاربردهاي الگوريتم مورچه
مسيريابي خودرو
الگوريتم S_ANTNET
هزارتوي چند مسيره
مسيريابي در شبكه هاي مخابراتي
الگوريتم بهينه سازي زنبور
تعريف
جستجوي غذا در طبيعت
الگوريتم زنبور
بهينه سازي كلوني زنبورها
سيستم فازي زنبورها
كاربردهاي الگوريتم بهينه سازي زنبورها
مسئله Ride_matching
حل مسئله RS به وسيله سيستم فازي زنبورها
كاربردهاي الگوريتم زنبور در مهندسي
الگوريتم بهينه سازي انبوه ذرات
تعريف
الگوريتم
كاربردهاي الگوريتم بهينه سازي انبوه ذرات
الگوريتم ژنتيك
تعريف
عملگرهاي يك الگوريتم ژنتيك
عملكرد كلي الگوريتم ژنتيك
مقايسه الگوريتم ژنتيك و ديگر شيوه هاي مرسوم بهينه سازي
الگوريتم ژنتيك و سيستم هاي مهندسي
كاربردهاي الگوريتم ژنتيك
شبكه هاي عصبي مصنوعي
تعريف
تازيخچه شبكه هاي عصبي
چرا از شبكه هاي عصبي استفاده ميكنيم؟
شبكه هاي عصبي در مقابل كامپيوترهاي معمولي
چگونه مغز انسان مي آموزد؟
از سلولهاي عصبي انساني تا سلولهاي عصبي مصنوعي
كاربردهاي شبكه هاي عصبي
كاربردهاي ديگر هوش جمعي
تعريف
اقتصاد
شبكه هاي ادهاك
سيستم هاي خودسازمانده
فصل چهارم: نتيجه گيري
برخي از مزاياي هوش جمعي
منابع و مآخذ

چكيده:
موضوع اصلي اين پروژه، معرفي و بررسي روشهايي كه با نام هوش جمعي از آنها ياد ميشوند. در روشهايي كه در گروه هوش جمعي جاي ميگيرند، ارتباط مستقيم يا غير مستقيم بين جوابهاي مختلف الگوريتم وجود دارند. در واقع، در اين روشها، جوابها كه موجوداتي كم هوش و ساده هستند، براي پيدا شدن و يا تبديل شدن به جواب بهينه، همكاري ميكنند. اين روشها از رفتارهاي جمعي حيوانات و موجودات زنده در طبيعت الهام گرفته شده اند. الگوريتم مورچه ها يكي از بارزترين نمونه ها براي هوش جمعي است كه از رفتار جمعي مورچه ها الهام گرفته شده است. يكي ديگر از مهم ترين الگوريتم هايي كه در گروه هوش جمعي جاي ميگيرد، الگوريتم بهينه سازي انبوه ذرات است. در الگوريتم بهينه سازي انبوه ذرات، اعضاي جامعه، كه ماهي ها يا پرندگان ميباشند، به صورت مستقيم با هم ارتباط دارند. و همچنين در اين پروژه به الگوريتم ژنتيك و ديگر كاربردهاي هوش جمعي مي پردازيم.

تعداد صفحات : 80

درباره ما
موضوعات
آمار سایت
  • کل مطالب : 805
  • کل نظرات : 0
  • افراد آنلاین : 2
  • تعداد اعضا : 1
  • بازدید امروز : 708
  • بازدید کننده امروز : 0
  • باردید دیروز : 1325
  • بازدید کننده دیروز : 0
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 2327
  • بازدید ماه : 2539
  • بازدید سال : 16580
  • بازدید کلی : 484095
  • <
    پیوندهای روزانه
    آرشیو
    اطلاعات کاربری
    نام کاربری :
    رمز عبور :
  • فراموشی رمز عبور؟
  • خبر نامه


    معرفی وبلاگ به یک دوست


    ایمیل شما :

    ایمیل دوست شما :



    کدهای اختصاصی