پایان نامه کارشناسی

دانلود مقالات فنی و مهندسی و علوم انسانی (علوم تربیتی روانشناختی)

پایان نامه کارشناسی

دانلود مقالات فنی و مهندسی و علوم انسانی (علوم تربیتی روانشناختی)

سمینار الگوریتم رقابت استعماری

چکیده

الگوریتم های بهبنه سازی یکی از مهم ترین زمینه های مورد توجه در عرصه علم و تکنولوژی می باشد. در سنوات گذشته این نوع الگوریتم ها پیشرفت زیادی داشته و کمک شایانی را به بشریت ارائه کرده است. با توجه به منظم و دقیق بودن طبیعت و ساختار آن، بسیاری از الگوریتم های بهینه سازی، برگرفته از طبیعت بوده و راهکار الگوهای طبیعی را برمی گزینند. از جمله این الگوریتم ها می توان الگوریتم های ژنتیک (الهام گرفته از تکامل بیولوژی انسان و سایر موجودات) ، بهینه سازی کلونی مورچه ها (بر مبنای حرکت بهینه مورچه ها) و روش بازپخت شبیه سازی شده (با الهام گیری از فرآیند تبرید فلزات) را نام برد. این روش ها در بسیاری از زمینه ها برای حل مسائل مختلفی همچون تعیین مسیر بهینه عامل های خودکار، طراحی بهینه کنترل کننده برای پروسه های صنعتی، حل مسائل عمده مهندسی صنایع همانند طراحی چیدمان بهینه برای واحدهای صنعتی، حل مسائل صف و نیز طراحی عامل های هوشمند، مورد استفاده قرار گرفته اند.

الگوریتم های فوق الذکر از فرآیندهای طبیعی الهام گرفته و بهینه سازی خود را بر اساس قوانین طبیعت انجام می دهند. در این الگوریتم ها توجه خاصی به نوع زندگی اجتماعی و تکامل بر اساس رفتارهای بشری، نشده است. در این جا الگوریتمی که بر اساس یک پدیده اجتماعی-انسانی ارائه و پیاده سازی شده است را شرح می دهیم. این الگوریتم نیز مانند دیگر الگوریتم های ذکر شده، برای مسائل بهینه سازی مطرح شده است، با این تفاوت که این الگوریتم به طور ویژه به فرآیند استعمار، به عنوان مرحله ای از تکامل اجتماعی – سیاسی بشر نگریسته و با مدل سازی ریاضی این پدیده تاریخی، از آن به عنوان منشأ الهام یک الگوریتم قدرتمند در زمینه بهینه سازی بهره می گیرد. کارکرد این الگوریتم نسبت به الگوریتم های قبلی، به نسبت بهتر بوده و قابلیت حل مسائل با دامنه جواب گسترده را نیز داراست. پس از ارائه این الگوریتم در مدت زمان نه چندان طولانی، از آن در بسیاری از زمینه های علمی و در راستای بهینه سازی، استفاده شده است. کاربردهای آن در مواردی همچون طراحی چیدمان بهینه برای واحدهای صنعتی، آنتن های مخابراتی هوشمند، سیستم های پیشنهاد دهنده هوشمند و همچنین طراحی کنترل کننده بهینه برای سیستم های صنعتی شیمی ایی، می باشد که این کاربردها تنها برخی از تعداد کثیری از کاربردهای این الگوریتم در حل مسائل بهینه سازی می باشد.

خرید

مطالب مرتبط

ترجمه مقاله پیشرفت تحقیق سیستم قدرت مقاله پروژه الگوریتم اجتماعی ریاضی
علی جمعه 25 بهمن 1392 ساعت 13:09
0 نظر

سیستم استنتاج فازی تطبیقی برای پیش بینی سیستم های غیرخطی

  • عنوان لاتین مقاله: Sequential Adaptive Fuzzy Inference System (SAFIS) for nonlinear system identification and prediction
  • عنوان فارسی مقاله: سیستم استنتاج فازی تطبیقی (SAFIS) برای پیش بینی و شناسایی سیستم های غیرخطی
  • دسته: برق و الکترونیک
  • فرمت فایل ترجمه شده: WORD (قابل ویرایش)
  • تعداد صفحات فایل ترجمه شده: 24
  • ترجمه سلیس و روان مقاله آماده خرید است.

خلاصه

در این مقاله سیستم استنتاج فازی تطبیقی به نام SAFIS، بر مبنای شباهت های عملکردی بین شبکه توابع بر پایه شعاع و سیستم استنتاج فازی (FIS) ایجاد می گردد. در سیستم SAFIS (استنتاج فازی تطبیقی) ، مفاهیم مربوط به تاثیر قوانین فازی معرفی شده و با استفاده از این موارد، قوانین فازی بر مبنای داده های اولیه ای که تا به حال دریافت شده اند، حذف یا اضافه می گردند. اگر داده های اولیه مانع اضافه شدن قوانین فازی شوند، به این ترتیب تنها پارامترهای مربوط به قوانین مشخص (در مفهوم اقلیدسی) با استفاده از طرح فیلتر کالمن به روز می گردند. عملکرد SAFIS (استنتاج فازی تطبیقی) با چندین الگوریتم موجود در ارتباط با مسئله ارزیابی مقایسه ای شناسایی دو سیستم غیر خطی و مسئله پیش بینی سری زمانی زمان پرهرج و مرج، مقایسه می گردد. نتایچ نشان می دهد که SAFIS (استنتاج فازی تطبیقی) در مقایسه با الگوهای دیگر با توجه به تعداد قوانین کمتر، صحت مشابه یا بهتری را ایجاد می کند.

کلمات کلیدی: سیستم استنتاج فازی تطبیقی زنجیره ای (SAFIS) ؛ GAP-RBF؛ GGAP-RBF؛ تاثیر قوانین فازی؛ فبلتر توسعه یافته کالمن.

مشخص است که سیستم استنتاج فازی (FIS) تقریبا مشابه طرح های ورودی و خروجی با در نظر گرفتن بعضی از قوانین مورد استفاده قرار می گیرد. در طرح FIS، دو فعالیت اصلی وجود دارد که شامل تعیین ساختار و انطباق پارامترها می باشد. شناسایی ساختارها به تعیین ورودی ها و خروجی ها، متغیرهای پیش رو و قبلی با توجه به قوانین مورد نظر، تعداد قوانین، و موقعیت تابع عضویت می پردازد. فعالیت ثانویه انطباق پارامتر شامل تشخیص پارامترها می باشد زیرا ساختار سیستم فازی در مراحل پیشین مشخص شده اند.

اخیرا، شباهت توابع بین َبکه های به هم پیوسته RBF، و FIS برای به اجرا در آوردن دو مرحله بالا مورد استفاده قرار گرفته است. این طرح از قابلیت های RBF برای تغییر قوانین و همچنین تنظیم پارامترها با توجه به اینکه سلول های پنهانی شبکه RBF در ارتباط با سیستم فازی می باشند، استفاده می کند.

  • فرمت: zip
  • حجم: 1.19 مگابایت
  • شماره ثبت: 411

خرید

مطالب مرتبط

ولتاژ ترجمه مقاله مقاله پایگاه داده الگوریتم Word
علی چهارشنبه 23 بهمن 1392 ساعت 13:07
0 نظر

پروژه ساعت سیستم در اسمبلی

دسته: قالب و گرافیک

حجم فایل: 1 کیلوبایت

تعداد صفحه: 1

پروژه ساعت سیستم در اسمبلی

خرید

مطالب مرتبط

گرافیک پروژه الگوریتم
علی چهارشنبه 23 بهمن 1392 ساعت 05:03
0 نظر

درخت تصمیم گیری decision tree

دسته: کامپیوتر

حجم فایل: 1286 کیلوبایت

تعداد صفحه: 66

درخت تصمیم گیری decision tree

داده کاوی: Data mining

کمپانی های زیادی از ابزارهای داده کاوی بهره گرفته اند تا بتوانند داده های حجیم و گسترده را مورد تجزیه و تحلیل قراد داده و روندهای موجود را بیابند. به عنوان نمونه فروشگاه بزرگ وال-مارت یکی از بزرگترین فروشگاههای زنجیره ای اقدام به ایجاد پایگاه عظیمی از داده ها به حجم 24ترابایت (ترلیون بایت) نموده است. با استفاده از این پایگاه وال _مارت قادر است تا بطور همزمان اقدام به گردآوری و تحلیل روند فروش کالا در2900شعبه فروش نماید. شاید جالب توجه باشد که بکمک ابزار هوشمندداده کاوی یا اکتشاف روند داده ها، فروشگاه فوق می تواند اطلاعات کلیه خریدها در سطوح هر بخش از فروشگاه، موجودی کالا درهر قفسه، موجودی انبار، پیش بینی فروش، کاهش یا افزایش قیمت ها، کالاهای مرجوعی توسط مشتریان و… را گردآوری نموده ودر اختیار مدیران فروشگاه، توزیع کنندگان و مشتریان خود قرار می دهد. این فناوری نرم افزاری قدرت مانور بی نظیری برای وال _ مارت ایجاد کرده است تا بتواند کالاهای مناسب را در کوتاهترین زمان به هر یک از فروشگاههای متقاضی برساند.

درخت تصمیم گیری

درخت تصمیم گیری یکی از ابزارهای قوی و متداول برای دسته بندی و پیش بینی می باشد. درخت تصمیم گیری برخلاف شبکه های عصبی به تولید قانون می پردازد. یعنی درخت تصمیم گیریپیش بینی خود را در قالب یکسری قوانین توضیح می دهد در حالیکه در شبکه های عصبی تنها پیش بینی بیان می شود و چگونگی آن در خود شبکه پنهان باقی می ماند. همچنین در درخت تصمیم گیری بر خلاف شبکه های عصبی لزومی ندارد که داده ها لزوما بصورت عددی باشند.

بعضی موارد وجود دارد که تنها درستی دسته بندی و پیش بینی مهم است و لزوما توضیحی برای پیش بینی انجام شده لازم نمی باشد. بعنوان مثال می توان یک شرکت مخابراتی را در نظر گرفت که می خواهد ببیند کدامیک از مشتریانش به خدمت جدیدی که ارائه می شود پاسخ مثبت می دهند. برای این شرکت درستی پیش بینی مهم است و شاید علت و توضیحی در مورد پیش بینی نیاز نداشته باشد. در حالیکه یک شرکت که قصد بازاریابی و کسب یکسری مشتری جدید دارد علاقه مند است که بداند که ویژگیهای مشتریانی که احتمالا به محصول این شرکت پاسخ می دهند چیست. در واقع با اطلاع ازاین ویژگیها این شرکت می تواند سراغ افرادی برود که با احتمال بیشتری به محصول این شرکت پاسخ مثبت می دهند. بعبارت دیگر این شرکت نیاز به یکسری قانون برای انجام بهتر فعالیت بازاریابی خود دارد. یکی از این قانونها می تواند بصورت زیر باشد

خرید

مطالب مرتبط

نرم افزار مخابرات داده کاوی کامپیوتر بانک پاورپوینت الگوریتم
علی چهارشنبه 23 بهمن 1392 ساعت 04:19
0 نظر

ترجمه مقاله آنتروپی تخمینی به عنوان اندازه ای از سیستم پیچیده

دسته: فنی و مهندسی

حجم فایل: 1304 کیلوبایت

تعداد صفحه: 12

آنتروپی تخمینی به عنوان اندازه ای از سیستم پیچیده

خلاصه

روش هایی برای تعیین کردن تغییرات مربوط به پیچیدگی سیستم از داده های ارزیابی شده وجود دارد. همگرایی یک فرکانس با استفاده از الگوریتم بعد هم بستگی نسبت به یک مقدار معین می باشد که ضرورتا نشان دهنده مدل انتخابی نمی باشد. آنالیزهای اخیر خانواده ای از فرمول ها و آمارها را برای تخمین زدن تقریبی آنتروپی یا ApEn را فراهم ساخته است که پیشنهاد می کنند که ApEn می تواند به عنوان سیستم های پیچیده طبقه بندی شود و حداقل 1000 داده را در مجموعه های گوناگونی مشخص سازد کعه شامل هم بی نظمی های مهم و فرایندهای اتفاقی می شود. توانایی برای تغییر دادن پیچیدگی تصمیم از چنین مقدار کوچک مرتبط در مورد داده ها برای به کار بردن های ApEn در زمینه های مختلف حفظ شده است.

تلاش برای فهمیدن پدیده پیچیدگی، از طریق محققان علمی مورد بررسی قرار می گیرد که بی نظمی را به عنوان یک مدل ممکن در نظر گرفته اند. فرمول ها برای مشخص کردن رفتار بی نظمی در مشخصه های پوشش دار خاص از جاذبه های عجیب ارتقا یافته اند که نشان دهنده سیستم های دینامیکی طوللانی مدت می باشد. اخیرا مشخص شده است که در بیشتر مجموعه های غیر ریاضی فرمول های جدید الگوریتم هایی برای داده های سری های زمانی آزمایش به صورت اولیه برای آزمون آماری با دقت به کار می رود. در یکی از مقالات در این زمینه بحث شده بود که حضور بی نظمی های تعیین شده در مورد آنالیز داده ها وجود دارد و شامل تخمین های خطا براساس محاسبات ابعادی و آنتروپی می باشد. در حالی که آنالیزهای ریاضی سیستم های شناخته شده ای را تعیین می کنند که مورد علاقه هستند و دارای مسئله عمیق می باشند به گونه ای که کاربردهای الگوریتمی در آن ها و به خصوص در این جا خطرناک می باشد. حتی برای سیستم های بی نظم با ابعاد کم یک تعداد زیادی از نقاط برای به دست آوردن پوشش در این بعد و الگوریتم های آنتروپی مورد نیاز می باشد، اگر چه آن ها اغلب با تعداد نامناسبی از نقاط به کار برده می شوند. همچنین بیشتر آنتروپی ها و تعریف های ابعادی برای سیستم نویز به صورت ناپیوسته هستند. علاوه بر این تفسیرهای مربوط به مقادیر محاسبه شده ابعادی نیز مشاهده می گردد که به نظر می رسد که در حقیقت پایه و اساس کلی ندارد برای مثال تعداد متغیرههای آزاد یا معادله های متفاوت برای یک سیستم مدل مورد نیاز می باشد.

هدف از این مقاله ارتقا ادن یک مدل ریاضی برای خانواده ای از فذمولا ها و اعداد و ارقام آماری است که در آن ها آنتروپی تخمینی به صورت یک مفهوم کمی شده پیچیده ارائه میب گردد. ما سه سوال پایه ای در این زمینه می پرسیم 1- آیا می توان بی نظمی ها را از بعد پوششی یا آنتروپی محاسبه کرد2- اگر نه چگونه ما می توانیم آن را کمی کنیم و چگونه ابزارهایی در دسترس هستند؟ 3- اگر ما تلاش کنیم تا اندازه مربوط به سیستم پیچیده را استقرار دهیم که تغییر می کنند آیا ما می توانیم این کار را با نقاط داده ای کمتر و استحکام بیشتر در مقایسه با ابزارهای در دسترس موجود انجام دهیم؟

من نشان می دهم که یکی می تواند فرایند اتفاقی با بعد هم بسته 0 باشد و بنابراین پاسخ مربوط به 1 خیر می باشد. این نشان می دهد که فرایندهای تصادفی برای عبارت هایی موفق هستند که هم بسته هستند و می تواند ارزش های ابعادی معینی را ایجاد کند. یک فاز مربوط به پلات فضایی عبارت های پوشش دار در چنین موردی ممکن است سپس هم بستگی و ساختار را نشان دهد. این نشان دهنده مدل معینی می باشد. در این زمینه شکل های 4 الف و ب مربوط به بابلویانتاز و دستکس با هم مقایسه می گردند.

اگر یکی نتواند امیدوار برای استقرار یافتن بی نظمی باشد در نتیجه یکی تلاش می کند تا سیستم های پیچیده را از طریق تخمین زدن پارامتر تشخیص دهد. پارامترها اساسا مرتبط با بینظمی اندازه گیری بعد، مقدار اطلاعات ایجاد شده و طیف لیاپنو هستند. طبقه بندی کردن سیستم های دینامیکی از طریق آنتروپی و طیف لیاپنو از کارهای کولموگرو، سینایی و اسلدتس استنباط شده است اگر چه این کارها استناد به قضیه های ارگودیک دارد و نتایج برای مجموعه های احتمالی قابل کاربرد می باشد. فرمول های ابعادی به وسیله ساختاری تحریک می گردند که در محاسبه مربوط به آنتروپی شبیه به بعد هاسدورف و محاسبات مربوط به آن هستند. کاری تئوری بالا به معنای موثر بودن سیستم های دینامیکی معین، داده های نویزی یا تعیین کردن مجموعه ها نمی باشد. برای همه این فرمول ها و الگوریتم ها مقدار داده هایی که مورد نیاز می باشد به صورت پوشش دار به دست می آیند که به صورت غیر عملی بزرگ هستند. ولف و همکاران بین نقاط 10d و 30d نقاطی برای پر کردن بعد d در مجموعه بی نظم مورد نیاز می باشد. همچنین برای بیشتر فرایندهای تصادفی مدل های قابل پیش بینی برای برخی از سیستم های فیزیکی به صورت پیچیده پدیدار می شوند که با یک پارامتر کنترل تغییر می یابند چنان چه اندازه های فوق الذکر بدون تغییر باقی می مانند که اغلب با هر یک از مقادیر 0 یا بی نهایت هستند.

برای پاسخ دادن به سوال 3 من خانواده ای از پارامترهای سیستمی ApEn (m، r) را پیشنهاد می کنم و آن را به آمار ApEn (m، r، n) معرفی شده در منبع 7 مرتبط می کنم. تغییرات در این پارامترها به طور کلی موافق با تغییرات در فرمول های ذکر شده برای ابعاد کمتر سیستم های معین می باشد. تازگی ضروری برای پارامترهای ApEn (m، r) می تواند به عنوان یک سیستم وسیعی تشخیص داده شود و برای m کوچک به خصوص m=2 تخمین زدن ApEn (m، r) به وسیله ApEn (m، r، n) می تواند در ارتباط با نقاط کمتر به دست بیاید. این به صورت بالقوه به صورت سیستم ها با ابعاد کم به صورت سیستم های دوره ای و چندگانه با ابعاد گوناگون سیستم های بی نظم، تصادفی و ترکیبی شناخته می شود. در مجموعه تصادفی، روش های آنالیز برای محاسبه کردن ApEn (m، r) می تواند ApEn (m، r، n) را تخمین بزند و مقادیر مربوط به پوشش آماری را برای فرمول مربوط به همه مسائل قابل قبول را برای ابزارهایی تخمین بزند که بتواند همراه با خطوط احتمالی استقرار یابند.

خرید

مطالب مرتبط

مالی مقاله ریاضی فیزیک مهندسی ترجمه مقاله آمار الگوریتم
علی سه‌شنبه 22 بهمن 1392 ساعت 16:16
0 نظر