پروژه داده کاوی و کاربرد الگوریتم های ژنتیک در داده کاوی و WEB کاوی. doc

اختصاصی از فی موو پروژه داده کاوی و کاربرد الگوریتم های ژنتیک در داده کاوی و WEB کاوی. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 162 صفحه

مقدمه:

داده کاوی پل ارتباطی میان علم آمار، علم کامپیوتر، هوش مصنوعی، الگوشناسی، فراگیری ماشین و بازنمایی بصری داده می باشد . داده کاوی فرآیندی پیچیده جهت شناسایی الگوها و مدل های صحیح ، جدید و به صورت بالقوه مفید ودر حجم وسیعی از داده می باشد، به طریقی که این الگو ها و مدلها برای انسانها قابل درک باشند . داده کاوی به صورت یک محصول ، قابل خریداری نمی باشد ، بلکه یک رشته علمی و فرآیندی است که بایستی به صورت یک پروژه پیاده سازی شود .

داده ها اغلب حجیم می باشند و به تنهایی قابل استفاده نیستند، بلکه دانش نهفته در داده ها قابل استفاده می باشد . بنابراین بهره گیری از قدرت فرآیند داده کاوی جهت شناسایی الگوها و مدلها و نیز ارتباط عناصر مختلف در پایگاه داده جهت کشف دانش نهفته در داده ها و نهایتا تبدیل داده به اطلاعات ، روز به روز ضروری تر می شود .

یکی از نمونه های بارز داده کاوی را می توان در فروشگاه های زنجیره ای مشاهده نمود، که در آن سعی می شود ارتباط محصولات مختلف هنگام خرید مشتریان مشخص گردد . فروشگاه های زنجیره ای مشتاقند بدانند که چه محصولاتی با یکدیگر به فروش می روند .

برای مثال طی یک عملـیات داده کاوی گستـرده در یـک فروشـگاه زنجیره ای در آمریکای شمالی که بر روی حجـم عظیمـی از داده های فروش صورت گرفت، مشخص گردید که مردانی که برای خرید قنداق بچه به فروشگاه می روند معمولا آب جو نیز خریداری می کنند . همچنین مشخص گردید مشتریانی که تلویزیون خریداری می کنند، غالبا گلدان کریستالی نیز می خرند . نمونه مشابه عملیات داده کاوی را می توان در یک شرکت بزرگ تولید و عرضه پوشاک در اروپا مشاهده نمود به شکلی که نتایج داده کاوی مشخص می کرد که افرادی که کراوات های ابریشمی خریداری می کنند در همان روز یا روزهای آینده گیره کراوات مشکی رنگ نیز خریداری می کنند .

به روشنی این مطلب قابل درک است که این نوع استفاده از داده کاوی می تواند فروشگاه ها را در برگزاری هوشمندانه فستیوال های فروش و نحوه ارائه اجناس به مشتریان یاری رساند .

نمونه دیگر استفاده از داده کاوی در زمینه فروش را می توان در یک شرکت بزرگ دوبلاژ و تکثیر و عرضه فیلم های سینمایی در آمریکای شمالی مشاهده نمود که در آن عملیات داده کاوی، روابط مشتریان و هنرپیشه های سینمایی و نیز گروه های مختلف مشتریان بر اساس سبک فیلم ها ( ترسناک ، رمانتیک ، حادثه ای و ...) مشخص گردید .

بنابراین آن شرکت به صورت کاملاً هوشمندانه می توانست مشتریان بالقوه فیلم های سینمایی را بر اساس علاقه مشتریان به هنرپیشه های مختلف و سبک های سینمایی شناسایی کند .

از دیگر زمینه های به کارگیری داده کاوی، استفاده بیمارستانها و کارخانه های داروسازی جهت کشف الگوها و مدلهای ناشناخته تاثیر دارو ها بر بیماری های مختلف و نیز بیماران گروه های سنی مختلف را می توان نام برد .

ستفاده از داده کاوی در زمینه های مالی و بانکداری به شناخت مشتریان پر خطر و سودجو بر اساس معیار هایی از جمله سن، درآمد، وضعیت سکونت، تحصیلات، شغل و غیره می انجامد .

در دو دهه قبل توانایی های فنی بشر برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است . عواملی نظیر استفاده گسترده از بارکد برای تولیدات تجاری،  به خدمت گرفتن کامپیوتر در کسب و کار، علوم، خدمات دولتی و پیشرفت در وسائل جمع آوری داده از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره ای در این تغییرات نقش مهمی دارند .

بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را مواجه با حجم زیادی از داده و اطلاعات می‌کند . این رشد انفجاری در داده‌های ذخیره شده، نیاز مبرم وجود تکنولوژی های جدید و ابزارهای خودکاری را ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند : داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد . در یک تعریف غیر رسمی داده کاوی فرآیندی است خودکار برای استخراج الگوهایی که دانش را بازنمایی می کنند که این دانش به صورت ضمنی در پایگاه داده های عظیم، انباره داده و دیگر مخازن بزرگ اطلاعات، ذخیره شده است . داده کاوی بطور همزمان از چندین رشته علمی بهره می برد نظیر: تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، شناسایی الگو، سیستم های مبتنی بر دانش، حصول دانش،  بازیابی اطلاعات، محاسبات سرعت بالا و بازنمایی بصری داده . داده کاوی در اواخر دهه 1980 پدیدار گشته است . در دهه 1990 گامهای بلندی در این شاخه از علم برداشته شده و انتظار می رود در این قرن به رشد و پیشرفت خود ادامه دهد [1]. واژه های «داده کاوی» و «کشف دانش در پایگاه داده» اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند . کشف دانش به عنوان یک فرآیند در شکل زیر نشان داده شده است . کشف دانش در پایگاه داده فرایند شناسایی درست، ساد ه، مفید  و نهایتا الگوها و مدلهای قابل فهم در داده ها می باشد . داده کاوی ، مرحله ای از فرایند کشف دانش می باشد و شامل الگوریتمهای مخصوص داده کاوی است، بطوریکه تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف می کند . به بیان ساده تر، داده کاوی به فرایند استخراج دانش ناشناخته، درست و بالقوه مفید از داده اطلاق می شود . تعریف دیگر اینست که داده کاوی گونه ای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیم گیری از قطعات داده می باشد به نحوی که با استخراج آنها در حوزه های تصمیم گیری، پیش بینی، پیشگویی و تخمین، مورد استفاده قرار گیرند . داده ها اغلب حجیم اما بدون ارزش می باشند، داده به تنهایی قابل استفاده نیست بلکه دانش نهفته در داده ها قابل استفاده می باشد . به این دلیل اغلب به داده کاوی، تحلیل داده ای ثانویه گفته می شود .

فهرست مطالب:

فصل اول : داده کاوی Data Mining

1-1 مقدمه

1-2 تعاریف داده کاوی

1-3 تفاوت داده کاوی و آنالیز آماری

1-4 روش آنالیز آماری

1-5 روش داده کاوی

1-6 فواید و نقش داده کاوی در فعالیت شرکتها

1-7 مراحل اصلی داده کاوی

1-8 چه چیزی سبب پیدایش داده کاوی شده است ؟

1-9 مراحل کشف دانش

1-10 جایگاه داده کاوی در میان علوم مختلف

1-11 داده کاوی چه کارهایی نمی تواند انجام دهد ؟

1-12 داده کاوی و انبار داده ها

1-13 داده کاوی و OLAP

1-14 دلایل استفاده از DW ها

1-15 روش کار

1-16 آشنایی با مفاهیم انباره های داده

1-17 OLAP چیست ؟

1-18 چه کسانی از داده ها استفاده می کنند ؟

1-19 سیستم پشتیبانی تصمیم گیری چیست ؟

1-20 سیستم اطلاعات مدیران اجرایی

1-21 مقایسه سیستم هایOLTP و DSS

1-22 انبار داده ها

1-23 عناصر انبار داده

1-24 غرفه های داده ( سلسله مراتب انباره ها )

1-25 ابزار های گزارش گیری

1-25-1OLAP و اطلاعات چند بعدی

1-25-2OLAP رومیزی

1-25-3MOLAP چند بعدی

1-25-4 OLAP رابطه ای

1-25-5 HOLAP)hybrid OLAP )

1-25-6 استاندارد های OLAP

1-27 کاربرد یادگیری ماشین و آمار در داده کاوی

1-28 توصیف داده ها در داده کاوی

1-29 خوشه بندی

1-30 تحلیل لینک

1-31 مدل پیشبینی داده ها

1-31-1Classification

1-31-2Regression

1-31-3Time series

1-32 مدل ها و الگوریتم های داده کاوی

1-33 شبکه های عصبی

1-34 Decision trees

1-35Multivariate Adaptive Regression Splines (MARS)

1-36Rule induction

1-37K-nearest neibour and memory-based neighbor (K-NN)

1-38 رگرسیون منطقی

1-39 تحلیل تفکیکی

1-40 مدل افزودنی کلی (GAM)

1-41Boosting

1-42 سلسله مراتب انتخابها

1-43 نتیجه گیری

فصل دوم : وب کاوی Web Mining

2-1مقدمه

2-2 Web Mining

2-3رده بندی web mining

2-4Web Usage Mining

2-5Web Structure Mining

2-6 انجام عمل پیش پردازش روی فایلهای log

2-7 انجام عمل پیش پردازش preprocessing

2-8 پاکسازی داده ها data cleaning))

2-9 تشخیص کاربران user identification) )

2-10Session identification

2-11 تشخیص الگوها

2-12 تکنیکهای آماری

2-13 قوانین ارتباطی

2-14 الگوهای ترتیبی

2-15 خوشه بندی

2-16 نتیجه گیری

فصل سوم : الگوریتم های ژنتیک

3-1 مقدمه

3-2 زمینه های بیولوژیکی

3-3 فضای جستجو

3-4 مسائل NP

3-5 مفاهیم اولیه در الگوریتم ژنتیک

3-5-1 اصول پایه

3-5-2 شمای کلی الگوریتم ژنتیک

3-5-3 ساختار متداول الگوریتم ژنتیک

3-6 کد کردن

3-6-1 انواع کدینگ

3-6-2 روشهای کدینگ

3-6-3 مسائل مربوط به کدینگ

3-7 مرحله ارزیابی (evaluation)

3-8 عملگر تقاطع و جهش

3-9 رمز گشایی

3-10 کروموزوم

3-11 جمعیت

3-12 مقدار برازندگی

3-13 تعریف دیگر عملگر تقاطعی

3-14 تعریف دیگر عملگر جهش

3-15 مراحل اجرای الگوریتم ژنتیک

3-16 حل یک مسئله نمونه توسط الگوریتم ژنتیک

3-17 همگرایی الگوریتم ژنتیک

3-18 نتیجه گیری

فصل چهارم : کاربرد الگوریتم ژنتیک در Web Mining

4-1 مقدمه

4-2 یک الگوریتم ژنتیک برای جستجوی وب

4-3 دورنما

4-4 جستجو ی وب به عنوان یک مساله بهینه سازی

4-5 الگوریتم ژنتیکی بر پایه ماشین جستجو

4-6 درخواست کاربر و ارزیابی تابع

4-7 عملگر های ژنتیک و مکانیزم های جستجو

4-8 مطالعه پارامترها

4-9 الگوهای کشف شده

4-10 قوانین نتیجه گیری

4-11 رده بندی نمونه های ناشناخته

4-12 ابعاد

4-13 چرا از الگوریتم ژنتیک استفاده می کنیم ؟

4-14 یک رهیافت پیوندی -GA ها و دسته بندی کننده نزدیکترین K – همسایه

4-15 جنبه های بهبود یافته الگوریتم ها

4-16 کاوش برای قارچ خوراکی

4-17 نتیجه الگوریتم

4-18 جستجوی وب به عنوان یک مساله بهینه سازی

4-19 GA پیشنهاد شده

4-20تابع ارزیابی مطابق با درخواست استفاده کننده

4-21 عملگرهای تقاطع و دیگر ماشین های جستجو

4-22 تنظیمات آزمایش

4-23 نتیجه گیری

مراجع

فهرست اشکال:

فصل اول : داده کاویData Mining

شکل 1-1 : داده کاوی به عنوان یک مرحله از فرآیند کشف دانش9

شکل 1-2 : سیر تکاملی صنعت پایگاه داده

شکل 1-3 : معماری یک نمونه سیستم داده کاوی

شکل 1-4 : داده ها از انباره داده استخراج می گردند .

شکل 1-5 : داده ها از چند پایگاه داده استخراج شده اند .

شکل 1-6 : انبار داده

شکل 1-7 : شبکه عصبی با یک لایه نهان

شکل 1-8 : Wx,y

شکل 1-9 : درخت تصمیم گیری

شکل 1-10 : محدود همسایگی

فصل دوم : وب کاوی Web Mining

شکل 2-1 : نمونه ای از فرمت log file که از فرمت عمومی پیروی می کند

فصل سوم : الگوریتم های ژنتیک

شکل 3-1 : نمونه ای از فضای جواب

شکل 3-2 : کدینگ باینری

شکل 3-3 : کدینگ جهشی

شکل 3-4 : کدینگ ارزشی

شکل 3-5 : کدینگ درختی

شکل 3-6 :فضای کدینگ و فضای جواب

شکل 3-7: رابطه بین کروموزوم ها و جوابها

شکل 3-8 : انواع روابط بین فضای جواب و فضای کدینگ

شکل3-9 :مثال رمز گشایی

شکل 3-10 : مثال جهش

شکل 3-11 : نمایش یک کروموزوم n بیتی در پایه عددی m

شکل 3-12 : مثالی از عمل جابجایی تک نقطه ای

شکل 3-13 : تقاطع در کروموزوم های کد شده چهاربیتی

شکل 3-14 : تقاطعی دو نقطه ای

شکل 3-15 : عمل تقاطعی یکنواخت

شکل 3-16 : نمونه ای از عمل جهش

شکل 3-17 : مراحل اجرای الگوریتم ژنتیک

شکل 3-18 : چرخ رولت

شکل 3-19 : نمایش کروموزوم معادل زوج (X,Y)

فصل چهارم : کاربرد الگوریتم ژنتیک در Web Mining

شکل 4-1 : ارزیابی جمعیت به معنی کیفیت برای مقادیر مختلف Pmut

شکل 4-2 : تاثیر انتقال KNN

شکل 4-3 : جمعیت متوسط به معنی کیفیتی برای مقادیر مختلف 3000 مقدار اولیه

شکل 4-4 : جمعیت متوسط به معنی کیفیتی برای مقادیر مختلف 20 صفحه ابتدایی

شکل 4-5 : جمعیت متوسط به معنی کیفیتی برای مقادیر مختلف 120 صفحه ابتدایی

شکل 4-6 : جمعیت متوسط به معنی کیفیتی برای مقادیر مختلف 250 صفحه ابتدایی

شکل 4-7 : اختلاف زمانی با 250 صفحه استفاده شده اولیه

فهرست جداول:

فصل سوم : الگوریتم های ژنتیک

جدول 3-1 : مثالهای تقاطع تک نقطه ای

جدول 3-2 : مثالهای تقاطع دو نقطه ای

جدول 3-3 : نمونه ای از عمل جهش

جدول 3-4 :انتخاب کروموزوم ها با استفاده از مدل چرخ رولت

جدول 3-5 : نمایش جمعت اولیه

جدول 3-6 : نتایج عمل تقاطع

جدول 3-7 : نتایج عمل جهش با Pm=0.2

جدول 3-8 : کروموزوم با بیشترین مقدار برازندگی

فصل چهارم : کاربرد الگوریتم ژنتیک در Web Mining

جدول 4-1 : سوالات مورد استفاده در آزمونها

جدول 4-2 : نتایج مقایسه برای تابع f1

جدول 4-3 : نتایج مقایسه برای تابع f2

جدول 4-4 : مدلسازی مساله جستجوی اطلاعات به عنوان یک مساله بهینه سازی

جدول 4-5 : آخرین جمعیت به معنی کیفیت برا مقادیر مختلف Popmax

جدول 4-6 :پارامتر های GA برای مجموعه داده ای قارچ

جدول 4-7 : نتایج مجموعه داده ، قارچ برای دسته بندی KNN

جدول 4-8 :مقیاسی برای دیگر دسته بندی ها

جدول 4-9 :نتایج مقایسه برای Mq

منابع و مأخذ:

1- احسان زنجانی / مقدمه ای بر داده کاوی

2- کامیار کیمیا بیگی / مقدمه ای بر انبار داده ها (Data Warehouse). 1386

3- مستوره حسن نژاد- سیما سلطانی / متدی برای بهبود بخشیدن ساختار وب . (web usage mining)

4- یوحنا قدیمی – علی عباسی – کاوه پاشایی / کنکاو وب .(web mining)

5- رضا قنبری / آشنایی با الگوریتم ژنتیک / دانشگاه صنعتی شریف ( دانشکده ریاضی ) / 1381

6- پیام خان تیموری / الگوریتم ژنتیک و حل مساله TSP

7- F.Picarougne , N.Monmarche , A.Oliver , G.Venturini \ Web Mining With a Genetic Algorithm \ Laboratory Of Information , University Of Tours , 64.

8- F.Picarougne , N.Monmarche , A.Oliver , G.Venturini / GENIMINER Web Mining With a Genetic-Based Algorithm .

9- Robert E.Marmelstein \ Application Of Genetic Algorithm To Data Mining \ Department Of Electrical And Computer Engineering Air Force Institue Of Technology Wright-Patterson AFB .

10- M.H.Marghny And A.F.Ali \ Web Mining Based On Genetic Algorithm \ Dept. Of Computer Science , Faculty Of Computers And Information , Assuit University , Egypt , ( WWW. Icgst . com )

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

پروژه الگوریتم های ژنتیک و حل مسائل((NP_HARD)). doc

اختصاصی از فی موو پروژه الگوریتم های ژنتیک و حل مسائل((NP_HARD)). doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 78 صفحه

مقدمه:

در بسیاری از مقالات مسائلی به چشم می خورند که جزو مسائلNP-Hard یا NP-Complete عنوان شده اند. مسائلی همچون: مسئله فروشنده دوره گرد - مسئله N وزیر- مسئله کوله پشتی - مسئله سیکل هامیلتونی - مسئله ضایعات برش دوبعدی و مسئله رنگ آمیزی گراف از این جمله اند. خصوصیت مشترک این مسائل آن است که الگوریتم شناخته شده ای با مرتبه زمانی چند جمله ای برای حل آنها هنوز پیدا نشده است. زمان اجرای الگوریتم های با مرتبه زمانی غیر چند جمله ای به سرعت و حتی با افزایش کم اندازه مسئله زیاد می شود و این یعنی سریعترین کامپیوترهای ترتیبی هر زمان فقط قادر به حل مسائلی کوچک از این رده خواهند بود. هدف این نوشتار آشنایی با مفاهیم NP-Hard و NP-Complete می باشد.

فهرست مطالب:

فصل اول: آشنایی با مسائل NP-Hard, NP-Complete

1- مقدمه

2- الگوریتمهای غیر قطعی

3- آشنایی با مسائلNP

4- مسائل NP-Complete

فصل دوم : مفهوم پردازش تکاملی( ( Evolution computing

1- جایگاهEC(مفهوم اصلی پردازش تکاملی و جایگاه آن در طبیعت)

2- تاریخچه مختصر

3- الهام از بیولوژی

1. 1 - تئوری تکامل داروین (به صورت ساده)
2. 2- ژنتیک (به صورت ساده)

4- انگیزه برای مطالعه EC

فصل سوم: الگوریتمهای تکاملی( Evolution ALGORITM )

1-شمای کلی یک الگوریتم تکاملی

2-مولفه های اصلی الگوریتم تکاملی

-نحوه بازنمایی ( تعریف جمعیت اولیه )

-تابع برازندگی ( تابع ارزیابی )

-جمعیت

-مکانیزم انتخاب والد

-عملگرهای ژنتیکی (برش و جهش )

-مکانیزم انتخاب بازمانده

-شرایط توقف

3- انواع مختلف الگوریتمهای تکاملی( GA – EP – GP – ES)

4-الگوریتمهای ژنتیک

مقدمه ای بر ژنتیک

راحل الگوریتمهای ژنتیک

را از الگوریتم ژنتیک استفاده می کنیم ؟

عریف

ازنمایی

ملگر برش ( Crossover ) تک نقطه ای

ملگر جهش (Mutation)

 لگر انتخاب SGA

روشهای بازنمایی – رشته های باینری (کدگری)

1. بازنمایی اعداد صحیح
2. بازنمایی جایگشتی

ملگرهای جهش برای بازنمایی جایگشتی

هش درجی

هش تعویضی

هش وارونه سازی

جهش Scramble

عملگرهای crossover برای بازنمایی جایگشتی

Order 1 crossover

 PM x crossover

Cycle crossover

 Edge crossover

 عملگرهای crossover برای بازنمایی باینری

Crossover تک نقطه ای

N-Point Crossover

 Uniform Crossover

انواع روشهای انتخاب برای الگوریتم های ژنتیک

Roulette Wheel Selection -1

Rank Selection-2

State Selection -3

Tournament Selection-4

فصل چهارم: طراحی الگوریتمهای ژنتیک برای مسائل کوله پشتی و nوزیر

1- مسئله n وزیر

نحوه بازنمایی

عملگرهای ژنتیکی (جهش – برش)

عملگرهای انتخاب ( انتخاب والد – انتخاب بازمانده)

ایجاد جمعیت اولیه و شرایط توقف

تابع برازندگی

2-آشنایی با مسائل کوله پشتی و حل آن با استفاده از لگوریتمهای ژنتیک

نحوه بازنمایی

عملگرهای ژنتیکی (جهش – برش)

عملگرهای انتخاب (انتخاب والد – انتخاب بازمانده)

ایجاد جمعیت اولیه و شرایط توقف

تابع برازندگی

فصل پنجم: کد های مربوط به پیاده سازی الگوریتم Nوزیر با الگوریتم های ژنتیک ..52

کد های مربوط به پیاده سازی الگوریتم Nوزیر با دلفی

 کد های مربوط به پیاده سازی الگوریتم Nوزیر با C++z

منابع و مراجع

فصل اول: آشنایی با مسائل NP-Hard, NP-Complete

1- مقدمه

2- الگوریتمهای غیر قطعی

3- آشنایی با مسائلNP

4- مسائل NP-Complete

منابع و مأخذ:

- طراحی الگوریتم . جعفرنژاد قمی.فصل مربوط به مسائل NP_HARD

2-I.RECHENBERG.EVOLUTIONSTRATEGIE:OPTIMIERUNG TECHNISHER SYSTEM NATCH PRINZIPIEN DES BIOLOGISCHEN EVOLUTION.

3-H._P.SCHWEFEL.EVOLUTION AND OPTIMNM SEEKING.WILEY,NEW YOURK.1995

4-L.J.FOGEL, A.J.OWENS,M.J.WALSH.ARTIFICIAL INTELLIGENCE THROUGH A IMULATION OF EVOLUTION.

5-.T.E.DAVIS,J.C.PRINCIPE.A MARKOV CHAIN FRAMEWORK FOR THE SIMPLE GENETIC ALGORITM.EVOLUTIONARY COMPUTATION

6-J.H.HOLLAND.ADAPTION IN NATURAL AND ARTIFICIAL SYSTEMS.MIT PRESS,CAMBRIDGE,MA,1992.

7-W.BANZHAF,P.NORDIN,R.E.KELLER,F.D.FRANCONE.GENETIC PROGRAMMING:AN INTRODUCTION.MORGAN KAUFMANN,SAN FRANCISCO,1998.

8- J.H.HOLLAND. ADAPTION IN :ROSEN,SNELL,EDS.,PROGRESS IN THEORETICAL BIOLOGY:4.PLENUM,1976

9-T.BACK,D.B.FOGEL,Z.MICHALEWICZ,EDSEVOLUTIONARY COMPUTATIO 1:BASIC ALGORITHMS AND OPERATORS.INSTITUTE OF PHYSICS PUBULISHING,BRISTOL,2000.

10-Z.MICHALEWICZ.GENETIC ALGORITM+DATA STRUCTURES=EVOLUTIONPROGRAMS.SPRINGER,BERLIN,HEIDELBERG,NEW YORK,3RD EDN.,1996

11-A.E.EIBEN,Z.MICHALEWICZ,EDS.EVOLUTIONARY COMPUTATION.IOS PRESS,1998

12-C.DARWIN.THE ORIGIN OF SPECIES.JOHN MURRAY,1859

13- A.E.EIBEN,E.H.L.Aarts,K.M.VAN HEE. GLOBAL CONVERGENCE OF GENETIC ALGORITM :A MARKOV CHAIN ANALYSIS .

14- A.E.EIBEN.MULTIPARENT RECOMBINATION .

15-2000 CONGRESS ON EVOLUTIONARY COMPUTATION (CEC'2000).IEEE PRESS,PISCATAWAY,NJ,1999

16--J.H.HOLLAND.ADAPTION IN NATURAL AND ARTIFICIAL SYSTEMS.MIT PRESS,CAMBRIDGE,MA,1992.

17-L.DAVIS,ED.HANDBOOK OF GENETIC ALGORITMS.VAN NOSTRAND REINHOLD,1991

18-I.M.OLIVER,D.J.SMITH,J.HOLLAND.A STUDY OF PERMUTATION CROSSOVER OPERATORS ON THE TRAVELLING SALESMAN PROBLEM.

19-D.WHITLEY.PERMUTATIONS

20-G.SYSWERDA.SCHEDULE OPTIMISATION USING GENETIC ALGORITHMS

تحقیق در مورد شبکه های عصبی , الگوریتم ژنتیک و الگوریتم مورچگان

اختصاصی از فی موو تحقیق در مورد شبکه های عصبی , الگوریتم ژنتیک و الگوریتم مورچگان دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه10

بخشی از فهرست مطالب

شبکه عصبی چیست؟

سابقه تاریخی

شبکه های عصبی در مقابل کامپیوتر های معمولی

چرا از شبکه های عصبی استفاده می کنیم؟

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد. می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستند که روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی بر می‌آید. تصور عموم کارشناسان IT بر آن است که مدل‌های جدید محاسباتی که بر اساس شبکه‌های عصبی بنا می‌شوند، جهش بعدی صنعت IT را شکل می‌دهند. تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو‌ها (pattern) ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگو و تجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی را تشکیل می‌دهند. این حوزه از دانش محاسباتی (computation) به هیچ وجه از روش‌های برنامه‌نویسی سنتی استفاده نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می‌جوید.

یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN))  ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده(neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه ای مشخص  ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی  یاد گیری  با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این  روش ANN ها هم می باشد.

سمینار کارشناسی ارشد عمران الگوریتم ژنتیک

اختصاصی از فی موو سمینار کارشناسی ارشد عمران الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب پی دی اف و 50 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد عمران-سازه های هیدرولیکی طراحی و تدوین گردیده است. و شامل کلیه موارد مورد نیاز سمینار ارشد این رشته می باشد. نمونه های مشابه این عنوان با قیمت بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیز جهت استفاده دانشجویان عزیز در رابطه به منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده از منابع اطلاعاتی و بالا بردن سطح علمی شما در این سایت قرار گرفته است.