50 در صد تخفیف ویژه برای این بسته پژوهشی به مدت محدود

005

روز

:

16

ساعت

:

27

دقیقه

:

04

ثانیه(s)

بسته جامع پژوهشی مروری بر الگوریتم های فرا ابتکاری و کاربردهای آن ها در حل مسایل مهندسی، مدیریتی و اقتصادی

این بسته پژوهشی مجموعه کاملی از آخرین پژوهش های انجام شده در زمینه مروری بر الگوریتم های فرا ابتکاری و کاربردهای آن ها در حل مسایل مهندسی، مدیریتی و اقتصادی است. در تدوین این بسته از جدیدترین مقالات موجود در این زمینه استفاده شده است. مخاطبان این بسته دانشجویان تحصیلات تکمیلی و پژوهش گرانی هستند که قصد فعالیت در این زمینه دارند.

  • در فصل اول این پژوهش بهینه سازی مسایل مهندسی به کمک روش های فرا ابتکاری بررسی شده است
  • در فصل دوم این پژوهش مهندسی پزشکی و الگوریتم های فرا ابتکاری بررسی شده است
  • در فصل سوم این پژوهش کاربرد الگوریتم های فرا ابتکاری در حل مسایل مدیریتی بررسی شده است
  • در فصل چهارم این پژوهش استفاده از الگوریتم های فراابتکاری در حل چالش های اقتصادی بررسی شده است
  • در فصل پنجم این پژوهش معرفی الگوریتم های فاخته و خفاش و کاربردهای آن بررسی شده است

قسمت هایی از فصل اول بهینه سازی مسایل مهندسی به کمک روش های فرا ابتکاری

پسازاینکه نرمافزار دادهکاوی رپیـد مـاینر را بهصـورت زیـر بازنمودید کافی است که در نوار جستجو کنترلها کـه در سـمت چپ نرمافزار قرار دارد کلمه read excel را وارد نموده تـا کنتـرل read excel نمایش داده شود. کـافی اسـت ایـن کنتـرل را درگ کرده و در صفحه process قرار دهید.
همانطور که در شکل (3) دیده میشود کافی است کـه بـه این کنترل از طریق مشخصات کنترل دادههای خروجـی مرحلـه خوشهبندی را وارد نمایید (این فایل که به کنتـرل ازدحـام ذرات داده میشود درمجموعه فایلهای موجود بانـام میباشد).
بهمنظور محاسبه میزان دقـت لازم اسـت کـه یـک کنتـرل validation به صفحه اضـافه نمـود و خروجـی read excel را بـه ورودی کنترل validation متصـل نماییـد. پسازاینکـه خروجـی مربوطه به ورودی این کنترل متصل شد کافی است خروجیهای این کنترل به خروجی صفحه پروسس متصل گردد. در شکل (4) این مراحل نشان داد شده است.

فهرست کامل فصل اول بهینه سازی مسایل مهندسی به کمک روش های فرا ابتکاری

1-1 ) مروری بر الگوریتمهای فراابتکاری و بررسی قابلیتهای آنها

1.1.1 چکیده 1
1.1.2 مقدمه 2
1.1.3 الگوریتم های فراابتکاری 2
1.1.4 الگوریتم های مبتنی بریک جواب 3
1.1.5 الگوریتم تبرید شبیه سازی شده 3
1.1.6 جستجوی ممنوعه 3
1.1.5 کاربردهای جستجوی ممنوعه 4
1.1.6 الگوریتم جسجتوی محلی تکرار شونده 4
1.1.7 الگوریتم جستجوی همسایگی متغیر 5
1.1.8 الگوریتم جستجوی محلی هدایت شده 6
1.1.9 روشهای هموارسازی 7
1.1.10 روشهای نوسانی 7
1.1.11 روش جستجوی انطباقی حریصانه 8
1.1.12 الگوریتم های مبتنی بر جمعیت 8
1.1.13 الگوریتم بهینه سازی کلونی مورچه ها 8
1.1.14 کاربردهای الگوریتم کلونی مورچگان 9
1.1.15 الگوریتم ژنتیک 9
1.1.16 کاربردهای الگوریتم ژنتیک 10
1.1.17 الگوریتم کلونی زنبورهای مصنوعی 10
1.1.18 الگوریتم بهینه سازی گروهی ذرات 11
1.1.19 الگوریتم جستجوی پراکنشی 12
1.1.20 منابع 13

1-2 ) افزایش طول عمرشبکهی حسگر بیسیم با استفاده از تکنیکهای فرا ابتکاری

1.2.1 چکیده 14
1.2.2 مقدمه 14
1.2.3 تحقیقات مرتبط 15
1.2.4 پروتکل LEACHو اصل الگوریتم کلونی مورچگان 15
1.2.5 کلونی مورچگان 16
1.2.6 چارچوب روش پیشنهادی 16
1.2.7 مراحل الگوریتم 17
1.2.8 ویژگیهای محیط پیادهسازی و پارامترهای شبیه سازی 17
1.2.9 تحلیل نتایج 18
1.2.10 مقایسه طول عمر شبکه 18
1.2.11 مقایسه مصرف انرژی سرخوشه 19
1.2.12 رابطه توالی مرگ گره و فاصله از سینک 19
1.2.13 نتیجه گیری 19
1.2.14 مراجع 20

1-3 ) بهبود خوشه بندی سلسله مراتبی در شبکه های اجتماعی با استفاده از الگوریتم ژنتیک

1.3.1 چکیده 21
1.3.2 مقدمه 21
1.3.3 الگوریتم ژنتیک 21
1.3.4 پژوهش های انجام شده 22
1.3.5 الگوریتم پیشنهادی 23
1.3.6 مقادیر پارامترهای الگوریتم ژنتیک 24
1.3.7 نرخ ترکیب تابع برازندگی 24
1.3.8 نرخ جهش تابع برازندگی 24
1.3.9 ارزیابی کارآیی 24
1.3.10 محیط شبیه سازی 24
1.3.11 نتایج آزمایش ها و مقایسه 25
1.3.12 نتیجه گیری 26
1.3.13 مراجع 26

1-4 ) مقایسه الگوریتمهاي فراابتکاري براي حل مسایل بهینهسازي

1.4.1 چکیده 28
1.4.2 مقدمه 28
1.4.3 الگوریتم ژنتیک 29
1.4.4 الگوریتم PSO 29
1.4.5 ترکیب 30
1.4.6 الگوریتم DE 30
1.4.7 جهش 30
1.4.8 انتخاب 31
1.4.9 شکل ها و جدول ها 31
1.4.10 شبه کد الگوریتم DE 31
1.4.11 نتیجه 33
1.4.12 مراجع 33

1-5 ) بهبود خوشهبندی سلسله مراتبی با استفاده از الگوریتم ازدحام ذرات

1.5.1 چکیده 34
1.5.2 مقدمه 34
1.5.3 تحقیقات مرتبط 35
1.5.4 روش پژوهش 35
1.5.5 دادههای مورداستفاده 36
1.5.6 اتصال خروجی خوشه بندی به ورودی الگوریتم ازدحام ذرات 36
1.5.7 خوشه بندی به روش خوشه بندی مرکزی 36
1.5.8 بهبود خوشه بندی با الگوریتم ازدحام ذرات 37
1.5.9 مراحل پیاده سازی الگوریتم ازدحام ذرات 37
1.5.10 تحلیل نتایج 38
1.5.11 مقایسه روش پیشنهادی با چندین روش دیگر 39
1.5.12 نتیجه گیری 40
1.5.13 مراجع 40

1-6 ) بهینه سازی دیسک ترمز دارای تهویه با استفاده از شبیه سازی والگوریتم چند هدفه NSGA-II

1.6.1 چکیده 42
1.6.2 مقدمه 42
1.6.3 معیارهای پاسخ 43
1.6.4 انتقال حرارت 43
1.6.5 اطمینان پذیری 43
1.6.6 وزن دیسک 43
1.6.7 معیارهای تصمیم 43
1.6.8 شعاع پره ها 43
1.6.9 ارتفاع پره ها 44
1.6.10 شعاع سوراخ های تهویه 44
1.6.11 تعداد سوراخ های تهویه 45
1.6.12 روش و فرایند تحقیق 45
1.6.13 متغیرهای تصمیم و پاسخ 45
1.6.14 طراحی آزمایش 45
1.6.15 استفاده از روش RSM 47
1.6.16 استخراج توابع حاکم برمسئله 47
1.6.17 معیار عمر 47
1.6.18 معیار دما میانگین 48
1.6.19 استفاده از الگوریتم NSGA-II 48
1.6.20 نتیجه گیری 48
1.6.21 منابع 50

1-7 ) بهینه سازی دیسک ترمز دارای تهویه با استفاده از شبیه سازی والگوریتم های چند هدفه NSGA II و MOLCA و انتخاب طرح مناسب با استفاده از روش تصمیم گیری چند معیاره ELECTRE-I

1.7.1 چکیده 51
1.7.2 مقدمه 51
1.7.3 معیارهای پاسخ 52
1.7.4 انتقال حرارت 52
1.7.5 اطمینان پذیری 52
1.7.6 وزن دیسک 52
1.7.7 معیارهای تصمیم 52
1.7.8 شعاع پره ها 52
1.7.9 ارتفاع پره ها 53
1.7.10 شعاع سوراخ های تهویه 53
1.7.11 تعداد سوراخ های تهویه 54
1.7.12 روش و فرایند تحقیق 54
1.7.13 متغیرهای تصمیم و پاسخ 54
1.7.14 طراحی آزمایش 54
1.7.15 استفاده از روش RSM 56
1.7.6 استخراج توابع حاکم برمسئله 56
1.7.7 استفاده از الگوریتم MOLCA 57
1.7.8 استفاده از الگوریتم NSGA-II 57
1.7.9 استفاده از تکنیک تصمیم گیری چند معیاره ELECTRE-I 57
1.7.10 نتیجه گیری 60
1.7.11 منابع 60

1-8 ) استفاده از الگوریتم کلونی مورچه گان براي یافتن سریع کوتاهترین مسیر در گراف هاي جهتدار فازي با وزنهاي مختلف

1.8.1 چکیده 61
1.8.2 مقدمه 62
1.8.3 مفاهیم فازی 62
1.8.4 عدد فازی ذوزنقه ای 62
1.8.5 عدد فازی مثلثی 63
1.8.6 عدد فازی نرمال 64
1.8.7 برش 64
1.8.8 عملگرهای جمع تقریبی فازی 66
1.8.9 رتبه بندی اعداد فازی 68
1.8.10 کارهای انجام شده 69
1.8.11 الگوریتم کلونی مورچهگان براي یافتن کوتاهترین مسیر فازي 70
1.8.12 الگوریتم کلونی مورچگان 70
1.8.13 پیاده سازی 72
1.8.14 نتیجه گیری 77
1.8.15 منابع 78

i

ارجاع دهی و رفرنس نویسی

تمام مطالب این بسته مطابق با استاندارد های دانشگاههای وزارت علوم ایران رفرنس دهی شده اند و هیچ قسمتی از بسته وجود ندارد که بدون منبع باشد.

نگارش گروهی

در نگارش و جمع آوری این بسته آموزشی کارشناسان مربوطه ما را همراهی کرده اند.کار گروهی بستر بهتری برای پژوهش فراهم میکند.

<

معرفی منبع برای ادامه پژوهش

در این بسته بیش از 1000 مقاله و منبع در این زمینه معرفی شده است که می توان از آنها برای ادامه مسیر پژوهشی استفاده کرد.

Z

پاسخ به سوالات و پشتیبانی علمی

در قسمت دیدگاه ها  اماده پاسخگویی به سوالات احتمالی شما در حد توان علمی خود هستیم.در صورت نیاز شماره تماس برای ارتباط با محققین برای شما ارسال می گردد.

بخش هایی از فصل دوم مهندسی پزشکی و الگوریتم های فرا ابتکاری

براي طبقه بندي افراد به دسته بیمار و سالم ابزارهاي مختلفی در داده کاوي ارایه شده است که شبکه عصبی مصنوعی یکی از تکنیک هاي بارز و موثر آن در نظر گرفته می شود. می توان داده هاي خام بیماري دیابت را در ابتدا مورد پیش پردارش قرار داد و با عملیاتی مانند نرمال سازي آنها را در قالب داده آموزشی تحویل شبکه عصبی مصنوعی داد تا آموزش لازم شبکه شروع و توانایی طبقه بندي صحیح داده هاي آزمون را داشته باشد. افزایش دقت شبکه عصبی مصنوعی در طبقه بندي داده هاي مرتبط با بیماري دیابت یک مسئله بهینه سازي محسوب می شود زیرا در این مسئله تلاش میشود که میزان خطاي طبقه بندي که در قالب تابع هزینه یا هدف ارایه میشود تا حد امکان کمینه در نظر گرفته شود. به علت اینکه تابع هدف مسئله پیچیده، غیرخطی و جنبه توصیفی دارد استفاده از روشهاي کمینه یابی نظیر مشتق یا گرادیان امکان پذیر نیست و روشی مانند سیمپلکس نیز قادر به حل آنها نمی باشد زیرا رابطه تابع هدف غیرخطی ارایه می شود. بر خلاف روش هاي حل معادلات و مسائل بهینه سازي روش هاي فراابتکاري که از طبیعت الگو برداري شده اند به خوبی قادرند کمینه توابع هدف را با دقت بالایی محاسبه نماید و مزیت اصلی آنها در عدم وابستگی به شرایط تابع هدف نظیر مشتق پذیر بودن، پیوسته بودن، خطی یا غیرخطی بودن و غیره می باشد. به عبارت ساده تر روش هاي ابتکاري یا فراابتکاري براي حل مسائل بهینه سازي نیازي به پیش فرض خاصی ندارند. از جمله الگوریتم هاي فرا ابتکاري جالب میتوان به الگوریتم بهینه سازي امواج آب اشاره نمود که اخیراً ارایه شده است. در این الگوریتم از روابط موجود بین امواج آب و بازخورد آنها با محیط براي حل مسائل بهینه سازي استفاده می شود. چارچوب روش پیشنهادي براي تشخیص بیماري دیابت را در شکل 3 مشاهده میکنید

فهرست کامل فصل دوم مهندسی پزشکی و الگوریتم های فرا ابتکاری

2-1) بررسی رابطه بین رهبری تحولی با توسعه سازمانی بیشینه سازی پوشش و کاهش مصرف انرژی در شبکه های حسگر بیسیم با تعیین موقعیت حسگرها

2.1.1 چکیده 79
2.1.2 مقدمه 80
2.1.3 پوشش در شبکه های حسگر بی سیم 81
2.1.4 الگوریتم ایمنی مصنوعی 82
2.1.5 نتایج 84
2.1.6 منابع 85

2-2) جایابی همزمان تولیدات پراکنده و خازن به منظور کاهش تلفات و بهبود پروفیل ولتاژ به روش جستجوی هارمونی

2.2.1 چکیده 86
2.2.2 مقدمه 87
2.2.3 مسائل برنامه ریزی و اجرایی منابع تولید پراکنده 88
2.2.4 پخش بار شبکه های توزیع شعاعی 88
2.2.5 روش محاسبه افت براساس ماتریس های BIBC و BCBV 89
2.2.6 اعمال منبع تولید پراکنده( (DGدر پخش بار 89
2.2.7 الگوریتم پخش بار شبکه های توزیع با منابع پراکنده 90
2.2.8 الگوریتم جستجوی هارمونی 92
2.2.9 مقدار دهی اولیه مسئله بهینه سازی 92
2.2.10 مقدار دهی اولیه حافظه هارمونی 92
2.2.11 ایجاد بردار هارمونی جدیدی از روی مجموعه حافظه هارمونی 92
2.2.12 به روز کردن حافظه هارمونی 92
2.2.13 بررسی شرط خاتمه الگوریتم 93
2.2.14 اعمال الگوریتم جستجوی هارمونی به سیستم توزیع بمنظور کاهش تلفات و بهبود پروفایل ولتاژ شبکه توزیع 93
2.2.15 آنالیز حساسیت برای قرار گیری بهینه تولید پراکنده 94
2.2.16 شبیه سازی 94
2.2.17 نتایج شبیه سازی 95
2.2.18 نتیجه گیری 96
2.2.19 منابع 96

2-3) تشخیص بیماري دیابت به کمک الگوریتم بهینهسازي امواج آب و مقایسه آن با الگوریتم هاي یادگیري ماشین

2.3.1 خلاصه 98
2.3.2 مقدمه 98
2.3.3 سابقه پژوهش 100
2.3.4 مفاهیم پایه 101
2.3.5 الگوریتم های فرا ابتکاری 101
2.3.6 الگوریتم بهینهسازي امواج آب 101
2.3.7 داده های پزشکی 103
2.3.8 سیستمهاي توصیهگر در پزشکی 104
2.3.9 داده کاوی 104
2.3.10 پیش پردازش داده 105
2.3.11 شبکه عصبی مصنوعی 105
2.3.12 روش پیشنهادي و چارچوب روش پیشنهادي 106
2.3.13 تابع هدف 107
2.3.14 کدینگ جمعیت 108
2.3.15 روش پیشنهادي تشخیص بیماري دیابت 108
2.3.16 ارزیابی و نتایج پیاده سازي روش پیشنهادي 109
2.3.17 معیارهای ارزیابی 109
2.3.18 پیاده سازی 111
2.3.19 نتایج شبیه سازی 111
2.3.20 نتیجه گیری و کارهای آتی 112
2.3.21 مراجع 112

تعداد صفحه بسته آموزشی

تعداد منابع معرفی شده برای ادامه کار

تعداد پشتیبانان مخصوص این فایل

قسمت هایی از فصل سوم کاربرد الگوریتم های فرا ابتکاری در حل مسایل مدیریتی

مسائل دنیاي واقعی سخت، پیچیده و اکثرا زمان بر هستند. در تحقیقات و پژوهش ها، حل مسائل در زمان کم و رسیدن به جواب مناسب بسیار حائز اهمیت است. الگوریتم هاي فراابتکاري تا حدود زیادي توانستند مشکل زمان بر بودن حل مسائل سخت و پیچیده را برطرف نمایند. در دنیاي امروز رسیدن به جواب بهینه و قطعی امري سخت، زمان بر و گاها غیر ممکن است؛ فراابتکاري ها در کمترین زمان جوابی نزدیک به جواب بهینه ارائه داده و از بین راه حل هاي مختلف مناسب ترین راه حل را انتخاب می کنند. مساله اي که براي اکثر پزوهشگران مطرح است، کاربرد این الگوریتم ها در حوزه ها و مسائل مختلف است. در این بخش سعی بر ارائه یک دسته بندي از موارد استفاده شده از دو الگوریتم فراابتکاري ژنتیک و کلونی مورچگان شده است.با این دسته بندي پژوهشگران به راحتی از موارد استفاده این الگوریتم ها آگاه می شوند. دسته بندي حاضر از مطالعه تحقیق ها و پژوهش هاي گذشته که از این دو الگوریتم استفاده کرده اند به تحریر در امده است و کاربرد ها همراه با برخی مراجع آن در این دسته بندي آمده است

فهرست کامل فصل سوم کاربرد الگوریتم های فرا ابتکاری در حل مسایل مدیریتی

3-1 ) طبقه بندي کاربرد الگوریتم هاي فراابتکاري مورچگان و ژنتیک در حل مسائل مدیریتی

3.1.1 چکیده 116
3.1.2 Abstract 116
3.1.3 مقدمه 117
3.1.4 مبانی نظري و پیشینه تحقیق 117
3.1.5 روش شناسی تحقیق 123
3.1.6 یافته ها 123
3.1.7 نتیجه گیری و پیشنهادات 126
3.1.8 مراجع 127

3-2 ) حل مسئله مسیریابی وسایل نقلیه با استفاده از روش تولید ستون

3.2.1 چکیده 134
3.2.2 مقدمه 134
3.2.3 روش مبتنی بر تولید ستون 135
3.2.4 روش ایجاد ستون 135
3.2.5 مدل ریاضی MPبراي مسئلهVRP 138
3.2.6 پارامترها و متغیرها 138
3.2.7 مثال 139
3.2.8 مدلسازی مسئله 139
3.2.9 مسئله RMP 140
3.2.10 نتیجه گیری 140
3.2.11 منابع 140

3-3 ) تسطیح و بهینه سازي زمانبندي شبکه پروژه با در نظر گرفتن فعالیتهاي چندگانه و منابع چندگانه نامحدود با استفاده از الگوریتم فراابتکاري MOPSO

3.3.1 چکیده 142
3.3.2 ABSTRACT 142
3.3.3 مقدمه 143
3.3.4 ادبیات موضوع 143
3.3.5 زمان بندی پروژه 143
3.3.6 تسطیح منابع 143
3.3.7 الگوریتم دقیق ε-constraint 144
3.3.8 الگوریتم بهینه سازي ذرات 145
3.3.9 بهینه سازی گروه ذرات 145
3.3.10 پییشنه تحقیق 146
3.3.11 مدل پیشنهادی 147
3.3.12 مدل ریاضی 147
3.3.13 متغیر های تصمیم 148
3.3.14 راه حل پیشنهادی 148
3.3.15 نتیجه گیری و جمع بندی 152
3.3.16 مراجع 153

قسمت هایی از فصل چهارم استفاده از الگوریتم های فراابتکاری در حل چالش های اقتصادی

الگوریتم زنبور شامل گروهی مبتنی بر الگوریتم جستجو است که اولین بار در سال 2005 میلادي توسعه یافت؛ این الگوریتم شبیهسازي رفتار جستجوي غذاي گروههاي زنبور عسل است. در نسخه ابتدایی این الگوریتم، الگوریتم نوعی از جستجوي محلی انجام میدهد که میتواند براي بهینه سازي ترکیبی یا بهینهسازي تابعی به کار رود. کلونی زنبور عسل میتواند در مسافت زیادي و نیز در جهتهاي گوناگون پخش شود تا از منابع غذایی بهرهبرداري کند. قطعات گلدار با مقادیر زیادي نکتار و گرده که با تلاشی کم قابل جمع آوري است، به وسیله ي تعداد زیادي زنبور بازدید میشود؛ به طوري که قطعاتی از زمین که گرده یا نکتار کمتري دارد، تعداد کمتري زنبور را جلب میکند. پروسه ي جستجوي غذاي یک کلونی به وسیله ي زنبورهاي دیدهبان آغاز میشود که براي جستجوي گلزارهاي امید بخش فرستاده میشوند. زنبورهاي دیدهبان به صورت کترهاي از گلزاري به گلزار دیگر حرکت میکنند. وقتی همه ی زنبورها به سمت ناحیهاي مشابه بروند، دوباره به صورت تصادفی و به علت محدوده ي رقصشان در پیرامون گلزار پراکنده میشوند تا به موجب این کار سرانجام نه یک گلزار، بلکه بهترین گلهاي موجود درون آن تعیین موقعیت شوند. الگوریتم زنبور عسل هر نقطه را در فضاي پارامتري متشکل از پاسخهاي ممکن به عنوان منبع غذا تحت بررسی قرار میدهد. زنبورهاي دیدهبان کارگزاران شبیهسازي شده به صورت تصادفی فضاي پاسخها را ساده میکنند و به وسیله ي تابع شایستگی کیفیت موقعیت هاي بازدید شده را گزارش میدهند. جوابهاي ساده شده رتبه بندي میشوند و دیگر زنبورها نیروهاي تازهاي هستند که فضاي پاسخها را در پیرامون خود براي یافتن بالاترین رتبه محلها جستجو میکنند که گلزار نامیده میشود. الگوریتم به صورت گزینشی دیگر گلزارها را براي یافتن نقطه ي بیشینهی تابع شایستگی جستجو میکند نحوه جابجایی زنبورها در الگوریتم کولونی زنبورها در شکل 3 نمایش داده شده است.

فهرست کامل فصل چهارم استفاده از الگوریتم های فراابتکاری در حل چالش های اقتصادی

4-1 ) پیش بینی تفاضا و نقش آن در کنترل موجودی توسط الگوریتم ANFIS

4.1.1 چکیده 157
4.1.2 مقدمه 157
4.1.3 پیشینه تحقیق 158
4.1.4 ادبیات نظری 159
4.1.5 سیستم های فازی 159
4.1.6 سیستم های استنتاج فازی 159
4.1.7 روش استنتاج فازی ممدانی 160
4.1.8 استنتاج فازی به روش سوگنو 160
4.1.9 سیستم استنتاج عصبی –فازی تطبیقی 160
4.1.10 پیاده سازی شبکه عصبی فازی در پیش بیبی تقاضا 162
4.1.11 یافته های پژوهش و بحث 163
4.1.12 نتیجه گیری 170
4.1.13 منابع 170

4-2 ) مدل دو هدفه بازنگری سبد ردیاب شاخص با لحاظ هزینه های معاملاتی و حل آن با الگوریتمهای فرا ابتکاری

4.2.1 چکیده 173
4.2.2 مقدمه 174
4.2.3 مبانی نظری و مروری بر پیشینه پژوهش 174
4.2.5 استراتژی مدیریت فعال 174
4.2.6 ردیابی شاخص 175
4.2.7 استراتژی مدیریت منفعل 175
4.2.8 مدل پژوهش و متغیرهای آن 178
4.2.9 الگوریتم ژنتیک مرتب سازی نامغلوب 180
4.2.10 نتایج پژوهش 180
4.2.11 الگوریتم ژنتیک رتبه بندی نامغلوب 182
4.2.12 اشتراکات دو الگوریتم 182
4.2.13 طرح کدگذاری برای حل مدل با الگوریتم ها 182
4.2.14 نتایج محاسباتی 183
4.2.15 شاخص های مقایسه الگوریتم ها 183
4.2.16 تنظیم پارامترهای هرالگوریتم 184
4.2.17 آزمون نرمال بودن مقادیر شاخص ها 185
4.2.18 نتایج محاسباتی حاصل از حل مدل 185
4.2.19 آزمون پارامتریک 186
4.2.20 روش تاپسیس برای تعیین نمره نهایی هر الگوریتم 186
4.2.21 نتیجه گیری و بحث 188
4.2.22 فهرست منابع 188

4-3 ) ارائه یک الگوریتم فار ابتکاری جهت انتخاب سبد سهام با درنظرگرفتن محدودیت های عدد صحیح

4.3.1 چکیده 190
4.3.2 مقدمه 191
4.3.3 تعیین مرز کارا 191
4.3.4 پیشینه تحقیق 192
4.3.5 الگوریتم ژنتیک 193
4.3.6 مدل پیشنهادی برای حل مساله سبد سهام مفید 194
4.3.7 گام های الگوریتم پیشنهادی 196
4.3.8 آزمون مدل 199
4.3.9 نتیجه گیری و پیشنهادات 205
4.3.10 فهرست منابع 206
4.3.11 ضیمه 208

4-4 ) طراحي و تحليل مقايسهاي الگوريتمهاي فرا ابتكاري جهت پيادهسازي سرمايهگذاري شاخص محور در بورس تهران

4.4.1 چکیده 210
4.4.2 مقدمه 211
4.4.3 ردیابی شاخص 212
4.4.4 روش شناسی تحقیق 214
4.4.5 نتايج حاصل از تجزيه و تحليل دادهها 218
4.4.6 آماده سازي و پردازش دادهها 218
4.4.7 پارامترهاي الگوريتم ژنتيك بكار گرفته شده 220
4.4.8 انتخاب پورتفوي بهينه رديابي كننده با استفاده از دادههاي تاريخي 220
4.4.9 ارزيابي عملكرد پورتفوي بهينه رديابيكننده شاخص با استفاده از داده هاي آتي 223
4.4.10 نتیجه گیری 225
4.4.11 منابع 228

4-5 ) الگوریتم های فرا ابتکاری مبتنی برجمعیت وکاربردهای ان در حسابداری

4.5.1 چکیده 230
4.5.2 مقدمه 231
4.5.3 الگوریتم های فراابتکاری برپایه جمعیت 231
4.5.4 الگوریتم ژنتیک 231
4.5.5 روند کلی الگوریتم های ژنتیکی 232
4.5.6 الگوریتم بهینه سازی کلونی مورچگان 232
4.5.7 الگوریتم ازدحام ذرات 233
4.5.8 الگوریتم زنبورها 234
4.5.9 پیاده سازی الگوریتم های فراابتکاری 235
4.5.10 کاربردهای الگوریتم ها درحسابداری 235
4.5.11 نتیجه گیری 236
4.5.12 مراجع 236

%

میزان رضایت

میزان رضایت افراد خریدار این بسته بعد از خرید

(نظر سنجی به وسیله ایمیل و یک هفته بعد ازخرید بسته انجام می گیرد)

قسمت هایی از فصل پنجم معرفی الگوریتم های فاخته و خفاش و کاربردهای آن

یکی از الگوریتمهاي تکاملی پراستفاده الگوریتم خفاش میباشد . الگوریتم خفاش برگرفته از مفهوم پژواك یا انعکاس صداي خفاشها است. لازم به یادآوري است که مفهوم انعکاس صدا در خفاشهاي کوچک بسیار جالب است، چراکه این خفاش ها میتوانند از این طریق طعمه خود را یافته و حتی در تاریکی کامل نوع حشره را تشخیص و آن را شکار کند. خفاش ها جانوران شگفت انگیزي هستند. آنها تنها پستانداران بالداري هستند که از قابلیت انعکاس صدا برخوردارند (توانایی پیشرفت هاي در مکان یابی دارند).
وزن آنها از یک خفاش کوچک (در حدود 1 تا 2 گرم) آغاز می شود و تا خفاش هاي غول پیکر که وزن آنها تا 1 کیلوگرم متغیر است. خفاش هاي کوچک به طور معمول به طول 2,2 تا 11 سانتیمتر می باشند. بیشتر خفاش ها از توانایی انعکاس صدا برخوردارند و هرکدام با توجه به شرایط از درجه خاصی براي انعکاس صدا استفاده می کنند . خفاش هاي کوچک از یک نوع انعکاس صدا به نام سونار براي شناسایی طعمه، اجتناب (فرار) از خطر و کمین کردن یا خواب در تاریکی استفاده می کنند. این خفاش ها صداهاي بلند را تولید می کنند و به انعکاس آن در اطراف گوش می دهند. ضربه صداي آنها با توجه به شرایط محیط متفاوت است و میتواند با نوع گونه و روش شکار نیز در ارتباط باشد. بسیاري از خفاش ها از سیگنال هایی استفاده می کنند که متناسب با مکان آن باشد. البته بیشتر اوقات از سیگنال ها با فرکانس ثابت براي انعکاس صدا در محیط استفاده می کنند. پهناي باند سیگنال هاي آنها متفاوت است و به گونه آنها نیز بستگی دارد.

فهرست کامل فصل پنجم معرفی الگوریتم های فاخته و خفاش و کاربردهای آن

5-1 ) بررسی الگوریتم خفاش و معرفی انواع بهبود یافته آن

5.1.1 خلاصه 238
5.1.2 مقدمه 238
5.1.3 مفاهیم الگوریتم تکاملی 239
5.1.4 الگوریتم خفاش 240
5.1.5 گامهاي اساسی و کد اصلی الگوریتم خفاش 243
5.1.6 انواع الگوریتم خفاش 244
5.1.7 الگوریتم خفاش چند هدفه 246
5.1.8 نتیجه گیری 247
5.1.9 منابع 247

5-2 ) بهینه سازي الگوریتم جستجوي فاخته باروش پیشنهادي

5.2.1 چکیده 250
5.2.2 مقدمه 250
5.2.3 بیان مسئله 251
5.2.4 مبانی نظری 251
5.2.5 بهینه سازی 251
5.2.6 مراحل بهینه سازی 251
5.2.7 بهینه سازی ترکیبی 252
5.2.8 روش ها و الگوریتم های بهینه سازی 252
5.2.9 الگوریتم های ابتکاری 252
5.2.10 معیارهای استفاده از الگوریتم های ابتکاری 252
5.2.11 پیشینه تحقیق 253
5.2.12 الگوریتمهاي ترکیبی مبتنی بر فاخته 253
5.2.13 ترکیب الگوریتم بهینه سازی فاخته و جستجوی ممنوعه برای حل مساله تخصیص مرتبه دوم 253
5.2.14 روش COA-DEA ترکیبی برای حل مسائل چند هدفه 253
5.2.15 ترکیب الگوریتم فاخته و الگوریتم جهش قورباغه 253
5.2.16 ترکیب الگوریتم بازتولیدغیرجنسی والگوریتم فاخته 253
5.2.17 بهبود عملکرد الگوریتم بهینهسازي فاخته بااستفاده از تابع جریمه 254
5.2.18 الگوریتم جستجوي فاخته ي ترکیبی وکاربردآن درمسائل ارضاي محدودیت 254
5.2.19 روش تحقیق 254
5.2.20 جنبه جدید بودن و نوآوری درتحقیق 254
5.2.21 اهداف تحقیق 254
5.2.22 روش تحقیق و ساختار تحقیق 254
5.2.23 الگوریتم بهینه سازی فاخته 254
5.2.24 یافته های تحقیق 255
5.2.25 نحوه الگوریتم های بهینه سازی 255
5.2.26 Rastrigin 256
5.2.27 تابع Sphere 256
5.2.28 تابع دوم Schaffer 257
5.2.29 نقطه ضعف الگوریتم بهینه سازي فاخته 257
5.2.30 ایده پیشنهادی 258
5.2.31 الگوریتمهاي مورد مقایسه 259
5.2.32 الگوریتم رقابت استعماری 259
5.2.33 الگوریتم بهینه سازی فاخته 259
5.2.34 الگوریتم های ژنتیک 259
5.2.35 مشخصات سیستم شبیه سازی 259
5.2.36 معیار مورد ارزیابی 259
5.2.37 زمان اجرا 260
5.2.38 نقطه ضعف الگوریتم 261
5.2.39 نتیجه گیری 261
5.2.40 مراجع 261

5-3 ) ارائه مکانیزمی مبتنی بر ترکیب الگوریتم ینهبه سازي فاخته و الگوریتم جستجوي محلی بهمنظور حل مسئله مس یابیری وسا لی نقل هی ناهمگن با پنجره زمانی

5.3.1 خلاصه 263
5.3.2 مقدمه 263
5.3.3 تعریف مسئله 264
5.3.4 کارهای مرتبط 266
5.3.5 الگوریتم پیشنهادی 267
5.3.6 ترکیب الگوریتم فاخته و جستجوي ممنوعه 267
5.3.7 ایجاد جمعیت از راه حل ها 270
5.3.8 محاسبه تابع برازش 270
5.3.9 انتخاب راه حل 271
5.3.10 ایجاد لیست ممنوعه 271
5.3.11 عملگر انتخاب یک همسایه از لیست ممنوعه و انتقال راهحل 272
5.3.12 بررسی شرط تکرار و تثبیت در الگوریتم جستجوي ممنوعه 273
5.3.13 انتقال جمعیت به الگوریتم بهینهسازي فاخته 273
5.3.14 تخصیص تخم به فاخته 273
5.3.15 تخم گذاری فاخته ها 273
5.3.16 حذف تخم های ضعیف 274
5.3.17 گروه بندی فاخته ها 275
5.3.18 مهاجرت فاخته ها 276
5.3.19 شرط خاتمه الگوریتم 277
5.3.20 نتایج شبیه سازی 277
5.3.21 نتایج براساس معیار مسافت 278
5.3.22 نتایج براساس معیار تعداد خطای زمانی 278
5.3.23 نتایج بر اساس معیار هزینه 279
5.3.24 نتایج براساس معیار زمان اجرا 280
5.3.25 نتایج براساس معیار پایداری 281
5.3.26 بحث و نتیجه گیری 281
5.3.27 منابع 282

5-4 ) مکان یابی بهینه ماشین هاي مجازي در مراکز داده ابرهاي محاسباتی بوسیله الگوریتم فرا ابتکاري خفاش

5.4.1 خلاصه 283
5.4.2 مقدمه 284
5.4.3 مروری بر کارهای انجام شده 286
5.4.4 روش پیشنهادي جهت مکان یابی بهینه ماشین هاي مجازي در مراکز داده ابري 287
5.4.5 معرفی مسئله و تعریف پارامترهای آن 287
5.4.6 تعریف ریاضی مسئله 287
5.4.7 ساختار کلی الگوریتمهاي ابتکاري 289
5.4.8 ساختار کلی الگوریتم خفاش 290
5.4.9 معرفی روش پیشنهادي، نگاشت الگوریتم خفاش براي حل مسئله 292
5.4.10 ارزیابی 296
5.4.11 ارزیابی روش 296
5.4.12 نتیجه گیری 301
5.4.13 مراجع 301

5-5 ) مقایسه دو روش بهینهسازی فرا ابتکاری (جهش قورباقه MSFLAو الگوریتم خفاشBAT) بر اساس معیار پیچیدگی زمانی و طبقه بند KNN

5.5.1 خلاصه 303
5.5.2 مقدمه 303
5.5.3 الگوریتم جهش قورباغه 304
5.5.4 تشریح الگوریتم خفاش 305
5.5.5 الگوریتم خفاش 305
5.5.6 بهبود الگوریتم خفاش 307
5.5.7 انتخاب ویژگی توسط الگوریتم BBAT 308
5.5.8 معیار ارزیابی 308
5.5.9 آزمایشها و پیاده سازی 309
5.5.10 نتیجه گیری 313
5.5.11 مراجع 314

منابع معرفی شده به صورت فایل Word وPDF در اختیار شما قرار می گیرد.

تومان70,000 تومان35,000افزودن به سبد خرید