فایل حاضر توضیحی کامل در مورد بهینه سازی ژنتیک به همراه یک مثال عینی می باشد. این فایل در قالب وورد Word تنظیم شده و 54 صفحه A4 می باشد. شما می توانید این فایل را به عنوان پروژه پایانی کارشناسی یا پروژه کلاسی ارائه دهید.
تشریح الگوریتم ژنتیک، سیستم های کد گذاری ژنتیک، فرمول های مربوط به الگوریتم ژنتیک و ... از بخش های این پروژه می باشد.
فرمت فایل :powerpoint (لینک دانلود پایین صفحه) تعداد صفحات 277 صفحه
بخشی از اسلایدها:
فهرست:
هوش مصنوعی چیست؟
مبانی هوش مصنوعی
تاریخچه هوش مصنوعی هنر ساخت ماشینهایی که کارهایی را انجام میدهند که آن کارها توسط انسان با فکر کردن انجام میشوند.
تلاش جدید و هیجان انگیز برای ساخت ماشین هایی متفکر و با حس کامل
1956،نشست کارگروهی دورتموند: انتخاب نام هوش مصنوعی
1959، هربرت جلونتر: برنامه(GTP) را ساخت که قضایا را با اصل موضوعات مشخص ثابت می کرد.
1958، جان مک کارتی: تعریف زبان لیسپ که بهترین زبان هوش مصنوعی شد.
1958-1973، جیمز اسلاگل: برنامه حل مسایل انتگرالگیری فرم بسته
تام ایوانز: برنامه حل مشابهت های هندسی
دانیل بابروز: برنامه حل مسایل جبری
دیوید هافمن: پروژه محدوده بینایی روبات در جهان بلوکها
دیوید والتز: سیستم بینایی و انتشار محدود
پاتریک ونیستون: نظریه یادگیری
چهار گام اساسی برای حل مسائل
فرموله کردن هدف: وضعیتهای مطلوب نهایی کدامند؟
فرموله کردن مسئله: چه فعالیتها و وضعیتهایی برای رسیدن به هدف موجود است؟
جستجو: انتخاب بهترین دنباله از فعالیتهایی که منجر به حالاتی با مقدار شناخته شده میشود.
اجرا: وقتی دنباله فعالیت مطلوب پیدا شد، فعالیتهای پیشنهادی آن میتواند اجرا شود.
حالت اولیه: حالتی که عامل از آن شروع میکند.
در مثال رومانی: شهر آراد n(Arad)
تابع جانشین: توصیفی از فعالیتهای ممکن که برای عامل مهیا است.
در مثال رومانی:Zerind,Sibui,Timisoara} S(Arad)={
فضای حالت: مجموعه ای از حالتها که از حالت اولیه میتوان به آنها رسید.
در مثال رومانی: کلیه شهرها که با شروع از آراد میتوان به آنها رسید
تابع جانشین + حالت اولیه = فضای حالت
چکیده
در یک مزرعه میتوان ترکیبهای مختلفی از تراکتور و ماشینهای کشاورزی را انتخاب کرد که وظایف مربوطه را انجام
دهد که یکی از آنها، کم هزینه ترین سامانه ماشینی است. در این تحقیق، مدلی با نام MAMCO تدوین شد که با هدف
کمینه سازی هزینه کل سامانه ی ماشینی، تعداد بهینه ی ماشینهایی که در فصل کاشت به کار میروند (گاوآهن، دیسک،
لولر، خطیکار و تراکتور) را تعیین میکند. برای بهینه سازی از روشهای تکرار، الگوریتم ژنتیک و برنامه ریزی ریاضی
استفاده شد. روشهای بهینه سازی، در مساحتهای مختلف مزرعه، از نظر زمان محاسبات و هزینه ی ترکیب پیشنهادی،
مقایسه شدند. روش تکرار، کندترین ولی قابل اعتمادترین روش بهینه سازی بود. در مقابل، روش برنامه ریزی ریاضی
کم دقتترین و سریعترین بود. روش الگوریتم ژنیتک نیز معمولاً به ترکیب بهینه ی سراسری میرسید. زمان محاسبات در
این روش کمتر از روش تکرار بود و محدودیتی از نظر حداکثر مساحت وجود ندارد در صورتی که روش تکرار، حداکثر تا
2000هکتار اجرا شد. به نظر میرسد، در صورتی که تعداد انواع عملیات کشاورزی و به تبع آن تعداد ماشینها افزایش
یابد، تعداد ترکیبهای قابل بررسی بسیار بیشتر از آن خواهد بود که بتوان از روش تکرار استفاده کرد و برای بهینهسازی
سامانهی ماشینی، نیاز به روشهای محاسبات نرم مانند الگوریتم ژنیتک خواهد بود
این پروژه شامل یک الگوریتم ژنتیک و سه الگوریتم PSO میباشد.