این فایل حاوی مطالعه الگوریتم ها می باشد که به صورت فرمت PowerPoint در 12 اسلاید در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.
فهرست
انواع الگوریتم
هدف آلدپ
روش کار آلدپ
آموزش نرم افزار ALEDP
تصویر محیط برنامه
فصل اول
مقدمه
1-1- مقدمه
به طور کلی انتخاب و طراحی بهینه در بسیاری از مسائل علمی و فنی باعث تولید بهترین محصول یا جواب ممکن در یک شرایط خاص می شود. برای مثال تولید محصولات مناسب در حوزه های مختلف فنی و مهندسی وابسته به طراحی دقیق و بهینه ی شکل، اندازه و قطعات محصول است. در نتیجه هر مسئله ی مهندسی ممکن است داری چندین جواب مختلف باشد که بعضی از آنها ممکن و بعضی غیر ممکن است . وظیفه ی طراحان پیدا کردن بهترین جواب ممکن از میان جواب های مختلف است. مجموعه ی جواب های ممکن فضای طراحی را شکل می دهند که باید در این فضا به جستجوی بهترین یا بهینه ترین جواب پرداخت.
از آنجایی که نتیجه ی کار با توجه به نوع انتخاب این متدها و روش ها حاصل می شود لذا به اهمیت موضوع انتخاب بهینه ( Optimum ) و بهینه سازی در همه ی مسائل پی می بریم پس:
(( هدف ما این است که در فضای جواب های ممکن به دنبال بهترین جواب بگردیم. ))
روش های جدید بهینه سازی که امروزه در حل بسیاری از مسائل مختلف مورد استفاده قرار می گیرد عبارتند از:
1. Simulated Annealing
2. Ant colony
3. Random Cost
4. Evolution strategy
5. Genetic Algorithm
6. Celluar Automata
در این تحقیق به بررسی و استفاده از روش Genetic Algorithm می پردازیم.
فصل دوم
مقدمه ای بر الگوریتم ژنتیک
2-1- مقدمه
الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده ی آن برگرفته از طبیعت می باشد . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند . به عنوان مثال می توان به مسئله فروشنده دوره گرد اشاره کرد . در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند .
در الگوریتم های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک ، چندین جواب برای مسئله تولید می کنیم . این مجموعه جواب را جمعیت اولیه می نامیم . هر جواب را یک کروموزوم می نامیم . سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم های بهتر ، کروموزوم ها را باهم ترکیب کرده و جهشی در آنها ایجاد می کنیم . در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم ها حاصل می شود ، ترکیب می کنیم . موارد فوق را با جزئیات بیشتری مورد بررسی قرار می دهیم
شکل 2-1- مراحل الگوریتم ژنتیک
2-2- پیشینه
پیشینه ی الگوریتم ژنتیک به سال های حدود 1960 برمی گردد. در دهه های 50 و 60 تحقیقات متعددی برای استفاده از نظریه تکامل در بهینه سازی مسائل مهندسی به طور مستقل صورت گرفت. ایده ی اصلی در همه این سیستم ها، رشد یک جمعیت از پاسخ های اولیه یک مساله به سمت پاسخ بهینه با الهام گیری از عملگرهای انتخاب و تغییر ژنتیک طبیعی بود. در سال های 1965 تا 1973 رکنبرگ(Rechenberg ) کتاب خود را به نام تکنیک های تکامل (Evolution strategies (Evolutionsstrategie in original) ) در زمینه محاسبات تکاملی منتشر کرد و در سال های بعد نظریه او توسط محققین دیگر توسعه یافت. الگوریتم ژنتیک نخستین بار توسط جان هلند ( John Holland ) مطرح و به وسیله خود او و دانشجویان و همکارانش گسترش یافت. تلاش های او و اطرافیانش در این زمینه در نهایت به نشر کتاب سازگاری در طبیعت و سیستم های مصنوعی (Adaption in Natural and Artificial Systems ) انجامید. پس از آن تحقیقات گسترده ای توسط افراد مختلف در این زمینه انجام شد (به عنوان مثال در سال 1992 جان کزا (John Koza ) الگوریتم ژنتیک را به صورت عملیاتی در برنامه نویسی به کار برد و برنامه نویسی ژنتیک (genetic programming(GP) ) را به عنوان روش خود مطرح ساخت.) و الگوریتم ژنتیک به صورت امروزی خود رسید.
2-3- اصطلاحات زیستی
در راستای فهم کامل الگوریتم ژنتیک، ابتدا بهتر است با برخی از اصطلاحات زیستی به کار رفته در تئوری این الگوریتم آشنا شویم. همه موجودات زنده از واحدهای کوچکی به نام سلول تشکیل شده اند. هر سلول نیز به نوبه خود از مجموعه ای از یک یا چند کروموزوم (chromosome ) تشکیل شده است. کروموزوم ها رشته هایی از مولکول DNA می باشند که در حقیقت برنامه کاری موجود زنده را در خود ذخیره می کنند. هر کروموزوم شامل چندین ژن( gene ) می باشد، که هر ژن بلوکی از مولکول DNA می باشد که پروتئین خاصی را کدگذاری می کند. به طور کلی می توان گفت که هر ژن یک خصیصه (trait ) از موجود زنده (مانند رنگ چشم) را کد گذاری می کند. حالت های ممکن برای یک خصیصه را (allele ) می گویند. هر ژن موقعیت مخصوص خود را در کروموزوم دارد که به آن (locus ) می گویند. بسیاری از موجودات زنده در هر سلول چندین کروموزوم دارند. مجموعه کامل مواد ژنتیکی در سلول (مجموعه همه کروموزوم ها) (genome ) نامیده می شوند. اصطلاح (genotype ) به مجموعه خاصی از کروموزوم های موجود در genome اتلاق می شود. Genotype ها در پی تحولات و تغییر، به phenotypeها خصوصیات فیزیکی و ذهنی موجود زنده (مانند رنگ چشم، بلندی، اندازه مغز و یا میزان هوش) تبدیل می شوند.
در طی تولید مثل جنسی(reproduction )، در اثر الحاق(recombination or crossover ) ژن ها از کروموزوم های والدین(parents ) با یکدیگر ترکیب شده تا کروموزوم کامل جدیدی را تشکیل دهند. در طی این تغییرات، ممکن است تغییرات کوچکی در برخی از بخش های DNA ژن های فرزند، بوجود آمده و فرزند دچار جهش (mutation ) گردد. در نهایت تناسب (fitness ) یک موجود زنده با توجه به احتمال زیستن آن برای تکثیر(زیست پذیری(viability ) ) یا برحسب تابعی از تعداد فرزندان آن گونه (باروری(fertility )) تعیین می گردد.
شامل 90 صفحه word
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه42
بخشی از فهرست مطالب
چکیده
3- الگوریتم پیشنهادی : genetic fuzzy k-Modes (21)
پیوست – کد برنامه
مراجع
چکیده
خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش، الگوریتم ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه عملگر ادغام به عنوان یک مرحله از الگوریتم fuzzy k-Modes تعریف می شود. آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.
1.مقدمه
به عنوان یک ابزار اولیه در داده کاوی[1] ،تجزیه و تحلیل خوشه ، که تجزیه و تحلیل سگمنت نیز نامیده می شود،روشی است که داده ها را به گروه هایی همگن تحت عنوان خوشه تقسیم می کند.در چنین روشی داده های موجود در یک کلاستر یا خوشه خیلی شبیه به هم و داده ها ی کلاستر های مختلف خیلی متفاوت نسبت به هم هستند.اغلب، شباهت بر مبنای معیار فاصله می باشد.
آنالیز خوشه،خوشه بندی، تکنیک عمومی برای آنالیز داده های آماری می باشد که در بسیاری زمینه ها مانند یادگیری ماشین ، داده کاوی ، شناسایی الگو و آنالیز تصویر کاربرد دارد.در کنار اصطلاح خوشه بندی داده (یا فقط خوشه بندی)،بعضی اصطلاحات دیگرنیزهمانند کلاس بندی اتوماتیک[2] ،طبقه بندی عددی[3]، آنالیز نوع شناسی[4] ، با معنای مشابه استفاده می شود[1].
به طور کلی ،یک الگوریتم خوشه بندی خوب معمولا برای طراحی شامل چهار فاز ذیل را شامل می شود:1- نمایش داده[5]2- مدل کردن[6].3- بهینه سازی[7].4- اعتبار سنجی[2][8] ..
فاز نمایش داده، تعیین می کند که چه نوعی از ساختارهای خوشه می تواند داده ها را شناسایی کند.سپس فاز مدلینگ ضوابط و معیار ها را برروی ساختار تعریف می کند بطوریکه که ساختارها ی گروه های مطلوب را از موارد نامطلوب مجزا می کند.در فاز مدلینگ ، در طول جستجو برای ساختار های مخفی در داده ،یک معیار کیفیت مانند معیار بهینه سازی یا معیار تقریب تولید می شود. بعبارتی دیگرفاز بهینه سازش،ساختار های موثرتر و بهینه تر را انتخاب میکند. از آنجا که فرآیند خوشه بندی ،یک فرایند بدون
نوع فایل: word
قابل ویرایش 135 صفحه
مقدمه:
در میان مباحث مختلف علوم بحث طراحی یکی از مهمترین موضوعاتی است که در مورد آن باید تحقیقات وسیعی انجام شود. در مورد دستگاهها و وسایل الکتریکی نیز موضوع طراحی جایگاه ویژه ای دارد.
شاید پرکاربردترین وسیله ای که در اغلب دستگاههای الکتریکی و الکترونیکی بصورت مستقیم یا غیرمستقیم و در اندازه های کوچک و بزرگ استفاده می شود، ترانسفورماتور می باشد.
ترانسفورماتورها از نظر کاربرد انواع مختلفی دارند: ترانسفورماتورهای ولتاژ (VT) ، ترانسفورماتورهای جریان (CT) ، ترانسفورماتورهای قدرت (PT) ، ترانسفورماتورهای امپدانس، ترانسفورماتورهای ایزولاسیون و اتوترانسفورمرها . هر کدام از این نوع ترانسفورماتورها کاربرد و تعریف خاص خود را دارند.
در روند طراحی ترانسها مسایل مختلفی مطرح می شود، و مراحل متعددی باید طی شود تا یک طراحی بصورت پایدار و مناسب ، قاب ساخت و استفاده بصورت عملی باشد.
در این پروژه، بعد از بررسی مقدماتی و تعریف بعضی از پارامترهای مهم در مبحث ترانس، از جمله میل مدور (CM) ، ضریب شکل موج (Form Factor) و نیز ضریب انباشتگی سطح مقطع (Stacking factor) به معرفی دو فرمول اساسی مورد استفاده در روند طراحی پیشنهادی در این پروژه می پردازیم و در فصول بعدی به معرفی ضرایب مورد استفاده در طراحی هسته و سیم پیچی و نیز معرفی و ارایه کاتالوگها و نمودارهای موردنیاز برای طراحی انواع هسته و سیم پیجی، که از مباحث اساسی در ترانسفورماتورها می‌باشد، پرداخته میشود.
در ادامه مبحث اصلی و در واقع نتیجه ای که از مباحث قبلی گرفته شده است، در جهت ارائه یک نتیجه کلی، روندی برای طراحی ترانسفورماتورهای قدرت بصورت یک الگوریتم و روش برای طراحی آورده شده است.
در انتها نیز یک برنامه کامپیوتری در جهت بهبود روند طراحی و سرعت بخشیدن به انجام فرایند حجیم محاسباتی مبحث طراحی و بهبود بعضی از پارامترهای مهم از جمله راندمان، ارائه شده است. در پایان این بخش نیز نتایج چند طراحی آورده شده است.
فهرست مطالب:
مقدمه
فصل اول: مفاهیم اساسی در طراحی
فصل دوم: هسته ترانسفورماتور
فصل سوم: سیم پیچی ترانسفورماتور
فصل چهارم: طراحی ترانسفورماتور
منابع و مراجع
منابع و مأخذ:
Lowdon, E. : Practical Transformer Design Handbook. [1] Edition : 1958
[2] Electrical machinery Analyses Applying MATLAB
[3] حشمتی، احمد. گزارش دوره آموزش در شرکت ایران ترانسفو زنجان – قسمت فنی تابستان 1380
[4] نصیری، علی. جزوه طراحی ترانسفورماتور. دانشگاه زنجان.
[5] سایت اینترنتی : http : // www.magmet.com
عنوان مقاله :بهینه سازی پارمترهای مدل ماسکینگام غیر خطی با استفاده از الگوریتم ABC
محل انتشار: دهمین کنگره بین المللی مهندسی عمران تبریز
تعداد صفحات:7
نوع فایل : pdf
