پروژه رشته کامپیوتر با موضوع ژنتیک الگوریتم. doc

اختصاصی از فی موو پروژه رشته کامپیوتر با موضوع ژنتیک الگوریتم. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 47 صفحه

مقدمه:

تا کنون از الگوریتم های ژنتیک برای حل مسائل زیادی استفاده شده است. در مهندسی برای حل مسائل بهینه سازی بسیار از این روش کمک گرفته شده. در اینجا ما قصد داریم با به کارگیری الگوریتم های ژنتیک گامی در جهت حل مشکل جابه جایی معلمان آموزش و پرورش برداریم. در تهیه این متن سعی شده مطالب طوری ارائه شوند که اگر کسی با الگوریتم های ژنتیک آشنایی نداشته باشد تکنیک حل مسئله را دریابد و در انتها دید روشنی نسبت به الگوریتمهای ژنتیک پیدا کند. ابتدا مسأله را به صورت ساده بیان می کنیم یعنی پارامترهای فرعی را حذف کرده و شرط ها و قیودی که باعث پیچیده تر شدن مسأله می گردند نیز کنار می گذاریم. پس از ارائه یک راه حل برای مسأله ساده شده پارامترهای فرعی و شروط را وارد مسأله می کنیم.

به عنوان نمونه می توان از مسایلی  مثل کوتاهترین مسیر در شبکه ، مساله فروشنده دوره گرد و... که در آنها به دنبال حداقل و یا حداکثر کردن کمیتی برای حل مساله می باشیم ، اشاره نمود هر چند روشهای حل دقیقی برای حل این مسایل وجود دارد ، اما اغلب آنها از درجه پیچیدگی بالایی (NP OR NP_ COPMLETE ) برخوردارند  و زمان لازم جهت محاسبه جواب بهینه برای مسایل بزرگ ، بسیار افزایش می یابد .

برای حل مسایلی  شبیه مسایل فوق به روش ژنتیک ، ابتدا جوابهای امکان پذیر اولیه را  به صورت تصادفی ایجاد می کنیم. این جوابهای اولیه را که به احتمال زیاد بهینه نیستند ، والدین می نامیم.این والدین با عمل تولید مثل ، به تولید فرزندان( جوابهای جدید ) می پردازند .فرزندان حاصل مورد بررسی و ارزیابی قرار گرفته و آن عده که قابل قبول نباشند ( یعنی امکان ناپذیر بوده و یا بهتر از جوابهای قبلی نباشند ) حذف می شوندو فقط فرزندان برگزیده باقی می مانند. تابعی که به بررسی مقبولیت فرزندان حاصل می پردازد ، اصطلاحا تابع FIT  نام دارد. والدین اولیه به همراه فرزندان باقی مانده آنها تا این مرحله را نسل اول می نامیم. این مراحل را با فرض فرزندان باقی مانده به عنوان  والدین جدید برای تولید نسلهای دوم، سوم ، ... ادامه می دهیم.

فهرست مطالب:

1-  چکیده

2-  کلمات کلیدی

3-  مقدمه

4-  الگوریتمهای (GA)

4-1- اعمال پایه GA

4-1-1-  تولید REPRODUCTION

4-1-2-  برش CROSS OVER

4-1-3-  جهش  MUTATION 

5-  صورت مسئله

6-  حل مسئله با استفاده از GA

6-1-  ایجاد جمعیت اولیه

6-2-  تابع هدف

6-3-  انتخاب

6-4-  ترکیب

6-5-  ایجاد نسل جدید

6-6-  جهش

6-7-  بذنه اصلی برنامه

7-  نتیجه اجرای برنامه

8-  تغییر تابع هذف

9-  تقدیر تشکر

10-  مراجع

منابع و مأخذ:

1)   Johannes A.Buchman, Introduction to cryptography, springer,2000

2)   Evolving Boolean Functions Satisfying Multiple Criteria

John A Clark, Jeremy L Jacob and Susan Stepney (University of York,UK)

Subhamoy Maitra (Indian Statistical Institute,Kolcatta,India)

William Millan (SRC Queensland University of Technology,Brisbane, Australia )

3)  Using Genetic Algorithm for Parameter

Estimation Yi Wang Computer Science Department , Tsing hua  University,100084, Beijing, China

[e-mail]

September 30, 2004

4)  Genetic Algorithms For Classification and Feature Extraction

Min Pei, 1,2 Ying Ding, 2 William F. Punch, III, 3 and Erik D. Goodman 2

1 Beijing Union University, Beijing, China

2 Case Center for Computer-Aided Engineering and Manufacturing

3 Intelligent Systems Laboratory, Department of Computer Science

Michigan State University

Genetic Algorithms Research and Applications Group (GARAGe)

112 Engineering Building

East Lansing, MI 48824

Tel: [phone]. Fax: [phone] e-mail: [e-mail]

5)   Goldberg, D.E. The Design of Innovation:

Lessons from and for Competent Genetic

1. Kluwer, 2002.

6)  Milner, R. The Encyclopedia of

1. Facts on File, 1990.

7)   A Design Problem of Assembly Line Systems using Genetic Algorithm

under the BTO Environment

Kazuaki Abe Non-member (The University of Electro-Communications, [e-mail])

Tetsuo Yamada Member (The University of Electro-Communications, [e-mail])

Masayuki Matsui Non-member (The University of Electro-Communications, [e-mail])

8)  Using Genetic Algorithm in Building Domain-Specific Collections: An

Experiment in the Nanotechnology Domain

Jialun Qin & Hsinchun Chen

Department of Management Information Systems

University of Arizona

{qin, hchen}@bpa.arizona.edu

9) Pattern recognition using multilayer neural-genetic algorithm

Yas Abbas Alsultanny∗, Musbah M. Aqel

Computer Science Department, College of Computer and Information Technology,

Applied Science University, P.O. Box17, Amman 11931, Jordan

Received 2 July 2001; accepted 8 May 2002

10)  Creating Q-table parameters using Genetic Algorithms

Hal Aljibury, A. Antonio Arroyo

Machine Intelligence Laboratory

1. of Electrical Engineering

University of Florida, USA

1. [phone]

Email: [e-mail],[e-mail]

1999 Florida conference on Recent Advances in Robotics

April 29-30 University of Florida

11) Binary Decision Tree Using Genetic Algorithm for Recognizing Defect Patterns of Cold Mill Strip

Kyoung Min Kim1,4, Joong Jo Park2, Myung Hyun Song3, In Cheol Kim1,

and Ching Y. Suen1

1 Centre for Pattern Recognition and Machine Intelligence (CENPARMI), Concordia

University, 1455 de Maisonneuve Blvd. West, Suite GM606, Montreal, Canada H3G 1M8

{kkm, kiminc, suen}@cenparmi.concordia.ca

2 Department of Control and Instrumentation Engineering, Gyeongsang National

University, 900, Gazwa-dong, Chinju, Gyeongnam, 660-701, Korea

3 Department of Electric Control Engineering, Sunchon National

University, 540-742, Korea

4 Department of Electrical Engineering, Yosu National University, 550-749, Korea

12) Using Genetic Algorithm for Network Intrusion Detection

Wei Li Department of Computer Science and Engineering

Mississippi State University, Mississippi State, MS 39762

Email: [e-mail]

13) Cluster-based stream flow prediction using genetic

algorithm-trained neural networks

1. Parasuraman, A. Elshorbagy

Centre for Advanced Numerical Simulation (CANSIM), Department of Civil & Geological

Engineering, University of Saskatchewan, Saskatoon, SK, Canada S7N 5A9

([e-mail] / Fax: [phone])

14) AN EXPERIMENTAL STUDY OF BENCHMARKING FUNCTIONS FOR

GENETIC ALGORITHMS

JASON G. DIGALAKIS and KONSTANTINOS G. MARGARITIS

Department of Applied Informatics, University of Macedonia, Greece

(Received 3 March 2000; in final form 9 August 2000)

15 ) ON BENCHMARKING FUNCTIONS FOR GENETIC ALGORITHMS

1. G. DIGALAKIS* and K. G. MARGARITISy

University of Macedonia, 54046, Thessaloniki, Greece

(Received 9 March 2000; In ®nal form 8 September 2000)

16) Breaking the Steganalytic Systems by Using Genetic Algorithm

Yi-Ta Wu

Advisor: Dr. Frank. Y. Shih

Links :

http://www.ciphersbyritter.com/ARTS/MIXNONLI.HTM

http://www.cs.qub.ac.uk/~M.Sullivan/ga/ga_index.html

http://www.math.uno.edu/

http://mathworld.wolfram.com/

An Introduction to Genetic Algorithms - The MIT Press

http://www.Wotsite.org

http://www.issa.orgt