پیش بینی دما با استفاده از روش های هوشمند

عنوان پایان نامه: پیش بینی دما با استفاده از روش های هوشمند

فرمت فایل: word

تعداد صفحات: 123

شرح مختصر:

پیش بینی یا پیشگویی در دنیای کنونی جز لاینکف زندگی بشر محسوب می شوند، پیش بینی دما به علت اهمیت آن در صنعت بیمه، کشاورزی، خشکسالی و... اهمیت فوق العاده ای در پیش بینی های هواشناسی دارد.

بنابراین در ابتدا در رابطه با اهمیت دما و عوامل موثر بر آن مطالبی ارائه می کنیم. طبق بررسی های به عمل آمده از آنجا که دو روش منطق فازی و الگوریتم ژنتیک از روشهای مطرح شده با دقت پیش بینی بالا هستند در یک فصل به دو مبحث منطق فازی و ریاضیات فازی اشاره می شود و در فصلی دیگر توضیحی اجمالی از الگوریتم ژنتیک خواهیم داشت.

در نهایت مقالات معتبر علمی مرتبط با پیش بینی دما ارائه شده اند که حاوی انجام آزمایشات و مشاهداتی هستندکه توسط دو روش الگوریتم ژنتیک ومنطق فازی پیش بینی می شوند.

 واژه های کلیدی:

پیش بینی(forecasting )، پیشگویی دما (temperature prediction)، الگوریتم ژنتیک

(genetic algorithm)، سری های زمانی فازی (fuzzy time series)، منطق فازی .(fuzzy logic)

فهرست مطالب

عنوان	صفحه
مقدمه	1
فصل یکم - منطق فازی و ریاضیات فازی
1-1- منطق فازی	2
1-1-1- تاریخچه مختصری از منطق فازی	2
1-1-2- آشنایی با منطق فازی	4
1-1-3- سیستم های فازی	7
1-1-4- نتیجه گیری	10
1-2- ریاضیات فازی	11
1-2-1- مجموعه های فازی	11
1-2-2- مفاهیم مجموعه های فازی	14
1-2-3- عملیات روی مجموعه های فازی	14
1-2-4- انطباق مجموعه های فازی		19
1-2-5- معیار های امکان و ضرورت	19
1-2-6- روابط فازی	21
1-2-6-1- رابطه ی هم ارزی فازی	23
1-2-6-2- ترکیب روابط فازی	23
1-2-7- منطق فازی	24
1-2-7-1- عملیات منطقی و مقادیر درستی فازی	25
1-2-7-2- کاربرد مقادیر درستی فازی	27
1-2-8- نتیجه گیری	27
فصل دوم- الگوریتم ژنتیک
2-1- چکیده	28
2-2- مقدمه	29
2-3- الگوریتم ژنتیک چیست؟	32
2-4- ایده اصلی الگوریتم ژنتیک	35
2-5- الگوریتم ژنتیک	37
2-6- سود و کد الگوریتم	38
2-7- روش های نمایش		39
2-8- روش های انتخاب	40
2-9- روش های تغییر	41
2-10- نقاط قوت الگوریتم های ژنتیک	42
2-11- محدودیت های GAها	43
2-12- چند نمونه از کاربردهای الگوریتم های ژنتیک	43
2-13- نسل اول	45
2-14- نسل بعدی	46
2-14-1- انتخاب	47
2-14-2- تغییر از یک نسل به نسل بعدی(crossover)	47
2-14-3- جهش (mutation)	48
2-15- هایپر هیوریستیک	48
فصل سوم- بررسی مقالات
3-1- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان
3-1-1- چکیده	51
3-1-2- مقدمه	51
3-1-3- روش شناسی	53
3-1-3-1- مجموعه اصطلاحات	53
3-1-3-2-نگاه کلی	53
3-1-3-3- یادگیری	54
3-1-3-4- تولید پارامتر های ساختاری	55
3-1-3-5- پیش بینی	57
3-1-3-6- متناسب سازی ضعیف، متوسط و دقیق	59
3-1-4- نتایج	60
3-1-4-1- واقعه ی یخبندان شپارتون	64
3-1-4-2- بحث	65
3-1-5- نتیجه گیری	66
3-2- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک
3-2-1- چکیده	67
3-2-2- مقدمه	67
3-2-3- سری های زمانی فازی و روابط منطق فازی	69
3-2-4- مفاهیم اساسی و الگوریتم های ژنتیک	70
3-2-5- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک	71
3-2-6- نتیجه گیری	93
3-3-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده
3-3-1- چکیده	94
3-3-2- مقدمه	94
3-3-3- داده و روش بررسی	96
3-3-4- نتایج	99
3-3-5- نتیجه گیری	100

عنوان	صفحه
جدول1-2-1- برخی از مفاهیم پایه ی مجموعه های فازی		14
جدول3-1-1- تاریخ اولین پیش بینی و خطای پیش بینی مربوطه		63
جدول3-2-1- داده های پیشین میانگین دمای روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان		72
جدول3-2-2- داده های قدیمی تراکم ابر های روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان		74
جدول3-2-3- جمعیت ابتدایی		78
جدول3-2-4- میانگین دمای روزانه ی فازی شده و تراکم ابرهای روزانه فازی شده از 1 ام ژوئن تا30ام سپتامبر در تایوان بر اساس نخستین کروموزوم		79
جدول3-2-5- دو فاکتور مرتبه سوم روابط گروهی منطق فازی		80
جدول3-2-6- دمای پیش بینی شده و میانگین خطای پیش بینی بر اساس سریهای زمانی فازی مرتبه سوم		85
جدول3-2-7- درصد میانگین خطای پیش بینی برای مراتب مختلف بر اساس روشهای پیشنهادی		86
جدول3-2-8- درصد میانگین خطاهای پیش بینی برای پنجره های متفاوت بر اساس روشهای پیشنهادی		87
جدول3-2-9- داده های قدیمیTAIFEXو TAIEX		89
جدول3-2-10- خطای مربع حسابی برای مراتب مختلف روش پیشنهادی		89
جدول3-2-11- مقایسه مقادیر پیشبینیTAIFEXوخطاهای مربع حسابی برای روشهای مختلف پیش بینی		90

عنوان	صفحه
شکل 1-1-1- طرز کار سیستم فازی		7
شکل 1-2-1- نمودار توابع فازیs، ذوزنقهای و گاما		13
شکل 1-2-2- مثال هایی از اجتماع، اشتراک و متمم دو تابع عضویت		16
شکل 1-2-3- برخی از عملگر های پیشنهاد شده برای اشتراک		17
شکل1-2-4- برخی از عملگر های پیشنهاد شده برای اجتماع		18
شکل 1-2-5- انطباق دو مجموعه فازی		19
شکل 1-2-6- نمایش معیار های امکان و ضرورت		20
شکل 1-2-7- مقادیر درستی فازی		25
شکل 2-1- منحنی		32
شکل 2-2- تاثیر الگوریتم ژنتیک بر کروموزوم های 8 بیتی		41
شکل3-1-1-تفاوت های تولید شده ی بین مشاهدات مرجع و مشاهداتی که زودتر در صف می آیند		54
شکل 3-1-2- مشاهدات هواشناسی به صف شده		55
شکل 3-1-3- دیاگرام درختی		58
شکل 3-1-4- توابع گاوس برای متناسب سازی ضعیف، متوسط و دقیق دمای هوا		59
شکل 3-1-5- هیستوگرام خطا های پیش بینی		61
شکل3-1-6- خطای میانه ماهیانه		61
شکل 3-1-7-خطای درصدی میانه ماهیانه		62
شکل 3-1-8-تراکم پیش بینی		63
شکل 3-1-9- ترسیم توزیعی دمای هوای مشاهده شده در مقابل 1 ساعت پیش بینی دمای هوا		64
شکل3-1-10- واقعه ی شپارتون، مشاهده و پیش بینی دماهای هوا		65
شکل 3-2-1- یک کروموزوم		74
شکل 3-2-2- توابع عضویت متناظر رن هایx کروموزوم های نشان داده شده در شکل3-2-1		76
شکل 3-2-3- توابع عضویت متناظر ژن هایy کروموزوم های نشان داده شده در شکل3-2-1		77
شکل 3-2-4- عملیاتcrossover دو کروموزوم		82
شکل3-2-5- عملیات جهش یک کروموزوم		84
شکل 3-2-6- بهترین کروموزوم برای پیش بینی میانگین دمای روزانه در ژوئن 1996		84
شکل 3-2-7- میانگین خطای پیش بینی روشهای پیشنهادی بر اساس سری های زمانی فازی مرتبه سوم		86
شکل 3-2-8- خطای مربع حسابی بر اساس سری های زمانی فازی مرتبه هفتم		91
شکل 3-3-1-پیکر بندی شبکه های عصبی منطقی فازی		96
شکل 3-3-2- مقادیر مشاهده و پیش بینی شده ی ولف نو		98
شکل 3-3-3- مقادیر مشاهده و پیش بینی شده ی دمای غیر عادی جهان		98

پروژه ارزیابی الگوریتم های هوشمند در مسیریابی شبکه های موبایل

پروژه ارزیابی الگوریتم های هوشمند در مسیریابی شبکه های موبایل  یک پژوهش کامل میباشد و در 6 فصل تنظیم شده است.ا در این پایان نامه  سعی کردیم مجموعه فعالیت های انجام شده برای یافتن مسیر بهینه در شبکه های موبایل با استفاده از خواص الگوریتم ژنتیک و الگوریتم لانه مورچه ای را مورد بررسی و ارزیابی قرار داده و روشی بهینه در این زمینه را بیابیم..شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.

پروژه بصورت فایل قابل ویرایش ورد(WORD) در 135 صفحه برای رشته کامپیوتر در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا آخر ویرایش وتنظیم , سکشن بندی (section) ، نوشتن پاورقی (Footnote) و فهرست گذاری کامل شده وآماده تحویل است.

چکیده

امروزه استفاده از شبکه های بی سیم به شکل گسترده ای رو به تزاید است.یکی از انواع این شبکه ها، شبکه های موبایل تک کاره (Mobile ad hoc networks)است. شبکه موبایل Ad hoc به عنوان شبکه های با عمر کوتاه شناخته می شود. توپولوژی بسیار پویا، در دسترس بودن پهنای باند محدود،محدودیت های انرژی و عدم وجود زیرساخت، مسیریابی در این نوع شبکه ها را به چالش کشیده است،بدین جهت یافتن مسیر بهینه در این شبکه ها یک مسئله بسیار مهم به شمار می اید. الگوریتم های الهام گرفته از طبیعت (ازدحام هوش) مانند الگوریتم های بهینه سازی لانه مورچه و همچنین الگوریتم ژنتیک در چند سال اخیر برای حل مسئله مسیریابی شبکه های اختصاصی موبایل معرفی شده اند. در این پروژه سعی کردیم مجموعه فعالیت های انجام شده برای یافتن مسیر بهینه در شبکه های موبایل با استفاده از خواص الگوریتم ژنتیک و الگوریتم لانه مورچه ای را مورد بررسی و ارزیابی قرار داده و روشی بهینه در این زمینه را بیابیم.

واژه های کلیدی:

شبکه های موبایل Ad hoc ،الگوریتم ژنتیک،الگوریتم لانه مورچه ای

فهرست مطالب

فصل اول

مقدمه ای بر شبکه های بی سیم موبایل

1-1-مقدمه ای بر شبکه های بی سیم.. 2

1-2-تقسیم بندی شبکه های بی سیم بر اساس محدوده فرکانس.... 4

1-2-1- شبکه های مادون قرمز. 4

1-2-2-شبکه های لیزری.. 5

1-2-3- شبکه های Wi – Fi5

1-2-4-شبکه های WiMAX.. 5

1-3-شبکه های بیسیم Ad Ho. 6

1-3-1-مزایای شبکه ی ad hoc. 8

1-3-2-خصوصیت های شبکه Ad hoc. 11

1-4-شبکه های موبایل Ad hoc یا MANET. 12

1-4-1-ساختار شبکه های MANET. 14

1-4-2-خصوصیات MANET. 15

1-4-3-کاربردهای شبکه hoc Mobile ad. 16

1-4-4-معایب MANET. 17

1-5- نتیجه گیری.. 18

فصل دوم

مسیریابی در شبکه های موبایل

2-1-مقدمه ای بر مسیریابی.. 20

2-2-مسیریابی در شبکه های Ad hoc. 20

2-3-پروتکل های مسیریابی در شبکه های Mobile Ad hoc. 22

2-3-1-الگوریتم های فعال 23

2-3-2-الگوریتم های واکنشگر 25

2-3-3-الگوریتم های ترکیبی 27

2-3-4-مسیریابی سلسله مراتبی.. 28

2-4- نتیجه گیری.. 29

فصل سوم. 20

بررسی الگوریتم های مسیریابی.. 20

مقدمه. 31

3-1-دیدگاه های الگوریتم های مسیریابی.. 31

3-2-نحوه ی مسیریابی بصورت استاتیک... 32

3-3-انواع پروتکل ها33

3-3-1-پروتکل های Distance Vector34

3-3-2-پروتکل های IP Link State. 35

3-3-3-پروتکل OSPF. 35

3-4-الگوریتم های مسیریابی.. 36

3-4-1-مسیریابی مبتنی بر کیفیت سرویس( QOS)36

3-4-2-مسیریابی چند منظوره. 37

3-4-4-مسیریابی هوشمند. 39

3-5- نتیجه گیری.. 42

فصل چهارم

مسیریابی در شبکه های موبایل بر اساس الگوریتم لانه مورچه

مقدمه. 44

4-2-الگوریتم پایه لانه مورچه ای.. 47

4-3- الگوریتم ساده لانه مورچه ای.. 49

4-4-چرا الگوریتم تخمین بهینه لانه مورچه ای برای شبکه های ad-hoc مناسب هستند؟. 50

4-5-بررسی الگوریتم های مسیریابی مبتنی بر مورچه ها برای MANETs. 51

4-6-الگوریتم های مسیریابی تخت... 51

4-6-1- الگوریتم مسیریابی مبتنی بر لانه مورچه. 52

4-6-2- موریانه. 64

4-6-3-الگوریتم مسیریابی اورژانس احتمالاتی(PERA )65

4-6-4-الگوریتم مسیریابی فوری ویژه(EARA )66

4-6-5-مورچه AODV.. 67

4-7-پروتکل های مسیریابی سلسله مراتبی.. 67

4-7-1-مسیریابی مبتنی بر مورچه متحرک (MABR )68

4-7-2- SDRاتخاذ شده. 69

4-7-3-HOPENT. 69

4-8-الگوریتم ردیابی مورچه برای شبکه های اختصاصی موبایل.. 71

4-8-1-فهرست یا جدول پیشنهادی مسیریابی.. 72

4-8-2-مورچه ها73

4-8-3- کشف مسیر. 73

4-8-4-حفظ مسیر. 75

4-9-محدوده مسیریابی بر اساس پروتکل مسیریابی لانه مورچه ای (TRAC) برای شبکه های موبایل. 76

4-9-1-مروری بر پروتکل TARC.. 76

4-9-2- پروتکل TRAC.. 77

4-9-3-شبیه‌سازی.. 80

4-10- نتیجه گیری.. 81

فصل پنجم

مسیریابی شبکه های موبایل بر اساس الگوریتم ژنتیک

مقدمه. 84

5-1-الگوریتم ژنتیک... 85

چگونگی کارکرد ان.. 87

5-2:مسیریابی QoS در MANET بر اساس الگوریتم ژنتیک... 89

5-2-1 QoS در MANET. 89

5-2-2-نقش GA در مسیریابی QoS در MANET. 91

5-2-3-شبیه‌سازی و نتایج.. 94

5-3:مشکلات کوتاهترین مسیر حرکتی در MANET بر اساس الگوریتم ژنتیک... 99

5-3-1-مشکلات مسیر حرکتی SP. 99

5-3-2-الگوریتم ژنتیکی تخصصی برای مشکلات SP. 100

5-3-3-الگوریتمهای ژنتیکی به همراه برنامه ریزی مهاجرتی.. 103

5-3-4-مطالعه تجربی.. 105

5-3-5-نتایج و بررسی های تجربی اساسی.. 106

5-4- نتیجه گیری.. 114

فصل ششم

ارزیابی و نتیجه گیری

پیوست ها118

منابع.. 121

Abstract116

فهرست شکل ها،نمودارها و جدولها

شکل 1-3: توپولوژی یک شبکه وایمکس، منبع: سایت سیسکو. 6

شکل1-2:تجهیزات قابل حمل در شبکه های Ad hoc‌7

شکل1-3:نحوه ارتباط گره ها در یک حوزه ارتباطی.. 8

شکل1-4:ارتباط گرهa3با خارج از حوزه ارتباطی.. 8

شکل 1-5:چگونگی ارتباط بین دو ایستگاه. 9

شکل 1-6:شناسایی گره ها توسط ایستگاه ها9

شکل 1-7:ارسال داده توسط یک ایستگاه به سمت مقصد. 10

شکل1-8:ایجادمسیر جدید پس از حذف یک ایستگاه میانی.. 10

شکل 1-9:نمونه ای از یک ارتباط multi hop. 11

جدول 2-1:انواع پروتکل های مسیریابی درMANET. 23

شکل 2-1:مثالی از یک دسته بندی.. 29

شکل 4-1:حرکت مورچه ها در یک مسیر مستقیم.. 48

شکل 4-2:حرکت مورچه ها در هنگام برخورد با مانع.. 48

شکل 4-3:انتخاب مسیر CED به عنوان مسیر کوتاهتر. 48

شکل 4-4:برگشت مورچه ها در هنگام برخورد با مانع.. 48

شکل 4-5: فاز کشف مسیر بوسیله FAnt ها53

شکل 4-6: فاز کشف مسیر بوسیله FAnt ها53

شکل 4-7:فلوچارت یک fant56

شکل4-8 :تصویری از چگونگی ایجاد حلقه. 56

جدول 4-1: مدخل نودF. 57

شکل4-9:فلوچارت یک Bant58

نمودار 4-1: مقایسه چهار پروتکل توسط کسری از بسته های تحویل داده موفق به عنوان یک تابعی از زمان مکث. شبیه سازی با 10 اتصال CBR.60

نمودار 4-2:نرخ تحویل ارا با فاصله اطمینان 0.05=α. 60

نمودار 4-3:مقایسه 4پروتکل به وسیله کسری از موفقیت ارسال بیت و بیت مورد نیاز. 61

نمودار 4-4:سربار ara.فاصله اطمینان با =0.05α.شبیه سازی با 10 اتصال CBRو فاصله اطمینان 10 شبیه سازی را اجرا می کند.62

نمودار 4-5:مقایسه 4 پروتکل توسط تعدادی ازبسته های مسیریابی مورد نیاز.شبیه سازی با 10 اتصال CBR 63

نمودار 4-6: سربار ARAدر بسته.با فاصله اطمینان با =0.05α.شبیه سازی با 10 اتصال CBRو فاصله اطمینان 10 شبیه سازی را اجرا می کند.63

شکل 4-10:مثالی از ساختار مقیاس بندی (درجه بندی)شده. 73

شکل 4-11: مراحل پروتکل TARC: (الف) مرحله جستجوی مسیر (ب) مرحله به روز رسانی مقدار فرومون (ج) مرحله تحویل 77

نمودار 4-7: پروتکل TRACبا تعداد مورچه‌های مختلف 1،3،5. 81

شکل 5-1:نمایی از یک کروموزوم. 86

شکل 5-2:مثالی از یک MANET. 90

جدول 5-1:لیستی از گره های مجاور. 90

جدول 5-2:فرمت بیکن.. 91

شکل5-3:پشته پروتکل برای MN(گره های موبایل) و FN(گره های واسط) در MANET. 91

شکل5-4:طراحی مدل GAبر اساس مسیریابی QoS. 92

شکل5-5:مثالی از نقش ماژول GA.. 94

شکل5-6:دو رگه بودن و کشف مسیر جدید. 94

جدول 5-3:پارامترهای شبیه سازی.. 95

شکل5-7:شبیه سازی GAبر اساس مسیریابی QOSبرای 3 گره.95

جدول 5-4:نتایج تاخیر در(میلی ثانیه) با افزایش گره NO.of. 96

نمودار 5-1:تاخیر تعدادی از گره ها V/S. 97

جدول5-5:نتایج تاخیر در(میلی ثانیه) با افزایشنرخ داده. 98

نمودار5-2:تاخیر نرخ داده V/S. 98

شکل 5-8:شبه کدی برایEIGAوHIGAکه در ان نخبه گرایی از یک اندازه استفاده می کند.104

نمودار 5-3:نتایج مقایسه کیفیت راه حل برای EIGAبا اندازه های مختلف جمعیت بیش از (a):توپولوژی سری 2# و (b):توپولوژی سری #4.107

نمودار5-4:نتایج مقایسه کیفیت راه حل برای HIGAبا فواصل مختلف تغییر بیش از (a):توپولوژی سری 3# و (b):توپولوژی سری 4#.109

نمودار5-5:نتایج مقایسه سرعت واکنش به تغییرات برای RIGA,EIGAوHIGA بیش از (a):توپولوژی سری 2# و (b):توپولوژی سری 4#.110

نمودار 5-6:نتایج مقایسه کیفیت راه حل برای RIGA,EIGA،HIGAو راه اندازی مجدد GAبیش از (a):توپولوژی سری 2# و (b):توپولوژی سری 3#.112

نمودار5-7: نتایج مقایسه کیفیت راه حل برای HIGA،MEGA, MRIGAوMIGAبیش از (a):توپولوژی سری 2# و (b):توپولوژی سری 3#.113

جدول 4-6: نتایج ازمایش t-testاز مقایسه GAدر محیط های بدون دور پویا114

پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری

دسته: مهندسی فناوری اطلاعات, مهندسی کامپیوتر

عنوان پایان نامه : پایان نامه داده کاوی و کاربرد آن در تشخیص بیماری

قالب بندی : PDF

قیمت: 2800 تومان

فهرست :

فصل اول

مقدمه

شرح و بیان مسئله

هدف تحقیق

اهمیت و کاربرد نتایج تحقیق

محدودیت

تعریف عملیاتی واژگان

فصل دوم : مفاهیم داده کاوی

تاریخچه

موضوع داده کاوی چیست؟

تعاریف داده کاوی

تفاوت داده کاوی و آنالیزهای آماری

کاربرد های داده کاوی

چند مثال در مورد مفهوم داده کاوی

مراحل داده کاوی

مرحله اول: Business Understanding

مرحله دوم: Data Understanding

جمع آوری داده ها

بحث شرح و توصیف داده ها

مرحله سوم: Data Preparation

Data selecting :انتخاب داده

مرحله چهارم: Modelling

مرحله پنجم: Evaluation

مرحله ششم: Deployment

مفاهیم اساسی در داده کاوی

Bagging

Boosting

MetaLearning

عناصر داده کاوی

تکنیک های داده کاوی

دسته بندی

خوشه بندی

رگرسیون گیری

تجمع وهمبستگی

درخت تصمیم گیری

الگوریتم ژنتیک

شبکه های عصبی مصنوعی

گام نهایی فرآیند داده کاوی،گزارش دادن است

تکنولوژی های مرتبط با داده کاوی

انبار داده

OLAP

محدودیت ها

فصل سوم : کاربرد داده کاوی در پزشکی

داده کاوی در عرصه سلامت

استراتژی های داده کاوی

نمونه هایی از کاربرد داده کاوی در سلامت

شرح مختصر:

امروزه در دانش پزشکی جمع آوری داده های فراوان در مورد بیماری های مختلف از اهمیت فراوانی برخوردار است. مراکز پزشکی با مقاصد گوناگونی به جمع آوری این داده ها می پردازند . تحقیق روی این داده ها و به دست آوردن نتایج و الگوهای مفید در رابطه با بیماری ها ،یکی از اهداف استفاده از این داده ها است . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شود . بنابراین از داده کاوی برای غلبه بر این مشکل و به دست آوردن روابط مفید بین عوامل خطر زا در بیماری ها استفاده می شود. این مقاله به معرفی داده کاوی وکاربردآن در صنعت پزشکی (پیش بینی بیماری) با استفاده از الگوریتم های داده کاوی به همراه نرم افزارهای مرتبط با آن پرداخته است.

ساخت پایگاه دانش تولید رفتار با استفاده ازالگوریتم تکاملی سیمبایوجنسیس

عنوان فایل: ساخت پایگاه دانش تولید رفتار با استفاده ازالگوریتم تکاملی سیمبایوجنسیس

پایان نامه کارشناسی- مهندسی کامپیوتر

قالب بندی: word

تعداد صفحات: 110

قسمتی از متن:

همان طور که تاریخ الگوریتم های تکاملی نشان می دهد، گونه های زیادی از الگوریتم‌های تکاملی وجود دارند. ولی ایده همه آنها یکی است: با داشتن جمعیتی از گونه‌ها، فشار محیطی باعث انتخاب می شود (القاء بهترین) و این افزایش شایستگی جمعیت را نتیجه می دهد. با داشتن یک تابع کیفیتی که می خواهیم بیشینه شود، می توان مجموعه ای از جواب های کاندید را به طور تصادفی تولید کرد و تابع کیفیت را به عنوان معیاری برای محاسبه شایستگی به کار برد – (هر چه بیشتر، بهتر) بر اساس این شایستگی ، بعضی از کاندیدهای بهتر انتخاب می شوند، تا به عنوان هسته ای برای تولید نسل بعد به کار روند. بر روی این کاندیدها ترکیب و یا جهش اعمال می شود. ترکیب بر روی دو یا بیشتر کاندید اعمال می شود (والدین) و نتیجه آن تولید فرزند (فرزندانی) است.

اعمال ترکیب و جهش باعث تولید مجموعه جدیدی می شود که با مجموعه قبلی (والدین) رقابت می کنند تا در نهایت برنده ها در نسل بعدی ظاهر شوند. این کار می تواند ادامه پیدا کند تا یک کاندید با ویژگی های کافی (جواب) به دست بیاید و یا اینکه محدودیت‌هایی که از قبل برای مسئله تعریف کرده ایم، ارضا شوند.

در این عمل دو نیروی اصلی وجود دارد که پایه سیستم تکاملی است:

- عملگرهای تغییر (ترکیب و جهش) که باعث ایجاد گوناگونی لازم و در نتیجه نوآوری می شود.

- انتخاب که نیرویی است که کیفیت را به جلو می برد.

فهرست مطالب:

فصل اول – الگوریتم های تکاملی

1-1- مقدمه

1-2-علت استفاده از الگوریتم های تکاملی

1-3-انواع الگوریتم های تکاملی

1-3-1: استراتژی های تکاملی

1-3-2: برنامه ریزی تکاملی

فصل دوم: الگوریتم ژنتیک

2-1: ژنتیک در طبیعت

2-2: الگوریتم ژنتیک استاندارد

فصل سوم: الگوریتم تکاملی سیمبیوتیک (SEA)

3-1: علت معرفی SEA

3-2: عملگر ترکیب سیمبیوتیک

3-3: ایده کلی SEA

فصل چهارم: توصیف فضای مسئله

4-1: agent

4-2: تابع محاسبه شایستگی

فصل پنجم: تعریف الگوریتم ها برای مسئله Pac-Man

5-1Pac-Man : با الگوریتم ژنتیکی

5-2Pac-Man : با الگوریتم SEA

5-3: نتایج حاصل از پیاده سازی

فصل ششم: مستندات کلاسهای پیاده سازی شده

6-1: پیاده سازی الگوریتم ژنتیکی

6-2: پیاده سازی الگوریتم SEA

فصل هفتم: نتیجه گیری و پیشنهادات

مراجع

پیوست

 فهرست اشکال

شکل1-1.طرح کلی الگوریتم تکاملی------------------------------------------------11

شکل1-2: شبه کد استراتژی تکاملی-------------------------------------------------15

شکل1-3: شبه کد برنامه ریزی تکاملی-----------------------------------------------16

شکل2-1: شبه کد الگوریتم ژنتیکی-------------------------------------------------19

شکل3-1: نمونه ای از ترکیب Symbiotic------------------------------------------21

شکل3-2: نمونه ای از الگوریتم جستجو symbiotic-----------------------------------23

شکل3-3: شبه کد الگوریتمSEA--------------------------------------------------24

شکل4-1: نقطه آغاز یک بازی Pac-Man-------------------------------------------26

شکل4-2:نقشه زمین بازی Pac-Man به همراه تمام حالات گردش-----------------------28

شکل4-3:شبه کد استراتژیagent برای بازی Pac-Man------------------------------31

شکل 5-1: مقایسه کارایی در الگوریتم GA وSEA برای بازی pac-man.اندازه جمعیت درGA برابر 150 می باشد--------------------------------------------------------------40

شکل 5-2: مقایسه کارایی در الگوریتم GA وSEA برای بازی pac-man.اندازه جمعیت درGA برابر 200 می باشد--------------------------------------------------------------41

شکل 5-3: مقایسه هزینه در دو الگوریتم GA وSEA برای نمودار 5-1.-------------------41

شکل 5-4: مقایسه هزینه در دو الگوریتم GA وSEA برای نمودار 5-2.-------------------42

 فهرست جدولها

جدول4-1: تعیین وضعیت روح با توجه به موقعیت Pac-Man و روح نسبت به هم. ----------30

جدول4-2: شرح پارامتر­های استفاده شده برای تعیین حرکت agent----------------------32

جدول5-1: پارامترهای مطرح شده در SEA------------------------------------------38

جدول5-2: بهترین مقادیر برای هر پارامتر SEA--------------------------------------39

کتاب آموزش الگوریتم ژنتیک در متلب

در این کتاب بهینه سازی به روش الگوریتم ژنتیک در نرم افزار متلب آموزش داده شده است.  کتاب دارای 45 صفحه در فرمت pdf می باشد. همچنین مثال هایی برای آموزش و درک بهتر ارائه شده است.