بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک

اختصاصی از ژیکو بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 28

بهینه سازی منبع با استفاده از شبیه سازی ترکیب یافته و الگوریتم ژنتیک

خلاصه

این مقاله، توسط ترکیب کردن فلوچارت ( نمودار گردش کار) براساس ابراز شبیه سازی با یک روش بهینه سازی ژنتیک قدرتمند، یک روش را برای بهینه سازی منبع نشان می دهد.روش ارائه شده، کمترین هزینه،و بیشترین بازده را ارائه میدهد، وبالاترین نسبت سودمندی را در عملکردهای ساخت و تولید فراهم می آورد. به منظور یکپارچگی بیشتر بهینه سازی منبع در طرح ریزی های ساخت،مدلهای شبیه سازی بهینه یافته (GA) الگوریتم های ژنتیکی گوناگون،عموماً با نرم افزارهای مدیریت پروژه بکار رفته شده ادغام می شوند. بنابراین، این مدلها از طریق نرم افزار زمان بندی فعال می شوند و طرح را بهینه می سازند.نتیجه، یک ساختار کاری تقلیل یافته سلسله مراتبی در رابطه با مدلهای همانندی سازی بهینه یافته GA است. آزمایشات گوناگون بهینه سازی با یک سیستم در دو مورد مطالعه، توانایی آن را برای بهینه ساختن منابع در محدوده محدودیتهای واقعی مدلهای همانند سازی آشکار کرد. این الگو برای کاربرد بسیارآسان است و می تواند در پروژه های بزرگ بکار رود. براساس این تحقیق، همانندسازی کامپیوتر وا لگوریتمهای ژنتیک ،می توانند یک ترکیب موثر برای بهبود دادن بازده و صرفه جویی در زمان وساخت و هزینه ها باشند.

مقدمه

این امر کاملاً آشکار شده است که بازده کاری پایین ،عدم آموزش، و کاهش تعداد معاملات، چالشهای بحرانی هستند که صنعت ساختمان( ساخت) با آن روبرو خواهد شد.

بهره دهی یا قدرت تولید در رابطه با مطالعه ها، برای مثال،دلالت بر زمان بیکاری (بیهودة) کاربران در ساخت(تولید) دارد که این زمان از 20 تا 45% متغیر است. این اتلاف وقت ، که از طریق منابع ناکارآمد و طرح ریزیهای غیربسنده( نامناسب) ناشی می شود، تاثیر و پیامد فوق العاده ای در هزینه های ساخت دارد. همچنین، پیماناکاران که مهارتهای مدیریتی منابع کارآمد را ندارند، این رقابت کردن در بازارهای ساخت جهانی که آنها د ر آن فرصتها بسیاری را خواهند یافت، برای آنها کاری بس دشوار خواهد بود.

با ایجاد تجهیزات و نیروی کار برای امر ساخت و تولید، این امر آشکار است که تدبیرهای کاربرد نیروی کار متناوب و کاربرد بهتر از منابع کاری موجود، به منظور بهبود دادن،بهره دهی کاری و کاهش هزینه های ساخت، مورد نیاز است. استفاده کارآمد از منابع پروژه، هزینه های ساخت را برای مالکان و مصرف کنندگان کاهش می دهد، و در عین حال سودمندیهایی را برای پیمانکاران افزایش می دهد. با این وجود،برخی فاکتورها وجود دارند که ،مدیریت منبع را امر دشواری می سازند، این فاکتورها در مراحل زیر توضیح داده شده اند:

سیاست جداسازی مدیریت منبع:در ادبیات، محققان گوناگون، تعدادی تکنیکها را برای پرداختن به جنبه های فردی مدیریت منبع، همانند تخصیص منبع، سطح بندی منبع، مدیریت نقدینگی، و تجزیه و هزینه و زمان معاملات (TCT) ، ارائه داده اند. مطالعات تالبوت و پترسون(1979) و گاولیش و پیرکون (1991)، برای مثال، به تخصیص منابع مربوط بود ، در حالیکه بررسیهای Easa (1989) و Shah et al (1993) به سطح بندی و تراز کردن منابع می پرداخت روشهای دیگر ، تنها روی تجزیه TCT متمرکز شدند. همانطوریکه این بررسیها سودمند واقع شدند، آنها به ویژگیهای مجزایی پرداختند که یکی پس از دیگری برای پروژه ها بکار برده می شدند ( نه بطور همزمان) . بوسیله پیچیدگی اساسی پروژه ها و مشکلاتی در رابطه با الگوبرداری تمام ویژگیهای ترکیب یافته، تلاش بسیار کمی برای بهینه سازی منابع ترکیب شده به عمل آمد.

ناکارآمدی الگوریتم های بهنیه سازی سنتی: در چند دهه گذشته ، بهینه سازی منبع سنتی، براساس روشهای ریاضی یا براساس تکنیکهای ذهنی(غیرمستدل) بوده است. روشهای ریاضی ، همانند برنامه ریزیهای عدد صحیح ، خطی، یا برنامه ریزیهای دینامیکی ،برای مشکلات منبع فردی پیشنهاد شده بودند.با این وجود ، روشهای ریاضی از لحاظ محاسبه ای برای هر پروژه واقعی انعطاف ناپذیر بودند که این روش فقط برای سایزهایی از پروژه مناسب می باشد. همچنین ،روشهای ریاضی پیچیده ایشان دستخوش تغییر می شوند وممکن در مطلوبترین وبهینه ترین قرار بگیرند، روشهای ذهنی (غیرمستدل) ، ازسوی دیگر، تجربیات وقوانین thumb را بکار می برند، نه فرمولهای ریاضی سخت ودقیق را. محققان برای تخصیص منبع، مدلهای ذهنی گوناگونی را پیشنهاد نموده اندن،تراز بندی منبع ها،تجزیه TCT، علی رغم سهولتشان

دانلود پروژه سورس کد برنامه الگوریتم امید ریاضی بیشینه کردن Expectation Maximization Algorithm یادگیری ماشین به زبان متلب

اختصاصی از ژیکو دانلود پروژه سورس کد برنامه الگوریتم امید ریاضی بیشینه کردن Expectation Maximization Algorithm یادگیری ماشین به زبان متلب دانلود با لینک مستقیم و پر سرعت .

دانلود کد برنامه نویسی an expectation–maximization (EM) algorithm is an iterative method to find maximum likelihood or maximum a posteriori (MAP) estimates

موضوع پروژه: سورس کد برنامه الگوریتم امید ریاضی بیشینه کردن و زبان برنامه نویسی متلب

Expectation Maximization Algorithm for Gaussian Mixture Model

زبان برنامه نویسی: متلب MATLAB

محیط برنامه نویسی: Mathworks MATLAB

توضیحات از ویکی پدیا :

In statistics, an expectation–maximization (EM) algorithm is an iterative method to find maximum likelihood or maximum a posteriori (MAP) estimates of parameters in statistical models, where the model depends on unobserved latent variables. The EM iteration alternates between performing an expectation (E) step, which creates a function for the expectation of the log-likelihood evaluated using the current estimate for the parameters, and a maximization (M) step, which computes parameters maximizing the expected log-likelihood found on the E step. These parameter-estimates are then used to determine the distribution of the latent variables in the next E step.

 الگوریتم امید ریاضی-بیشینه‌سازی (EM) یک روش تکرارشونده (iterative) است که به دنبال یافتن برآوردی با بیشترین درست نمایی برای پارامترهای یک توزیع پارامتری است. این الگوریتم روش متداول برای زمانهایی است که برخی از متغیرهای تصادفی پنهان هستند.

نمونه تصاویر خروجی:

ویژگی های این برنامه:

1. نمایش خروجی های الگوریتم Expectation Maximization بر روی Fisher's Iris Data

2. نمایش زمان اجرا در محیط کنسول

3. توضیحات بلوکی کدها به زبان انگلیسی

راهنمای اجرا:

کافی است فایل main.m را در نرم افزار متلب اجرا نمایید.

آنچه تحویل داده می شود:

1. کد برنامه قابل اجرا در متلب  - خروجی طبق تصویر نمونه آورده شده (این برنامه درMatlab R2014a تست شده و 100 درصد به صورت تضمینی قابل اجرا می باشد)

2. فایل راهنمای اجرای برنامه

در صورتی که بخواهید می توانیم با قیمتی مناسب داکیومنت توضیحات این پروژه را تهیه کرده و تقدیم نماییم.

مناسب برای دانشجویان کارشناسی (لیسانس) و کاردانی و کارشناسی ارشد

 می توان به عنوان پروژه دروس کارشناسی یا کاردانی یا کارشناسی ارشد، دروسی مانند هوش مصنوعی، طراحی الگوریتم ها ، ژنتیک ، الگوریتم های پیشرفته ، هوش مصنوعی پیشرفته، یادگیری ماشین

 پس از خرید از درگاه امن بانکی، لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده می شود. تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه و یا انجام پروژه های برنامه نویسی و حل تمرینات با آدرس ایمیل:

[e-mail]

یا شناسه تلگرام (آی دی تلگرام ما): @ebarkat

توجه: اگر کارت بانکی شما رمز دوم ندارد و یا در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

توجه توجه توجه: هرگونه کپی برداری و فروش فایل های فروشگاه برکت الکترونیک (به آدرس ebarkat.ir یا codes.sellfile.ir) در فروشگاه های دیگر شرعاً حرام است، تمامی فایل ها و پروژه های موجود در فروشگاه، توسط ما اجرا و پیاده سازی و یا از منابع معتبر زبان اصلی جمع آوری شده اند و دارای حق کپی رایت اسلامی می باشند.

از پایین همین صفحه (بخش پرداخت و دانلود) می توانید این پروژه را خریداری و دانلود نمایید.

کد محصول 303303

پروژه الگوریتم های فشرده سازی صدا و تصویر. doc

اختصاصی از ژیکو پروژه الگوریتم های فشرده سازی صدا و تصویر. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 130 صفحه

چکیده:

چند رسانه ای ترکیبی از متن، گرافیک، صوت، انیمیشن و ویدئو است. چند رسانه ای در تجارت، در مدرسه، در خانه و در مکانهای عمومی مورد استفاده قرار می گیرد.

تمام سیستم های فشرده سازی به دو الگوریتم نیاز دارد: یکی برای فشرده ساز ی داده ها در منبع و یکی برای تجزیه آنها در مقصد. این الگوریتم ها را الگوریتم های رمزگذاری و رمز گشایی می نامند. الگوریتم های رمز گذاری به دو دسته تقسیم می شوند: رمز گذاری آنتروپی و رمز گذاری منبع. رمزگذاری آنتروپی، رمزگذاری طول دنباله است و رمزگذاری منبع با استفاده از امتیازات خواص داده ها، فشرده سازی بیشتری را تولید می کند.

MIDI به معنای رابط دیجیتال تجهیزات موسیقی، استاندارد ارتباطات است که در اوایل دهه 1680 برای تجهیزات موسیقی الکترونیکی و کامپیوترها ارائه شد. سه فرکانس نمونه برداری که معمولا در سیستم های چند رسانه ای به کار می روند: KHz 4401 ، KHz 22 ، KHz 11025 با کیفیت.CD – quality اندازه نمونه ها نیز 8 بیتی یا 16 بیتی است.

ساختن فایلهای صوتی دیجیتال نسبتا ساده است. اطلاعات صوتی دیجیتال با کیفیت بالا فضای زیادی را روی دیسک اشغال می کنند.

Bitmap ماتریس ساده ای از اطلاعات است که نقاطی منحصر به فرد را تسریع می کند. تصاویر (JPEG، اتصال گروه تخصصی عکاسی) برای فشرده سازی تصاویر ساکن یکنواخت ( مثل عکس ) توسط متخصصین عکس برداری که تحت حمایت آی تی یو، آی اس آ، آی ئی سی کار می کردند توسعه یافت.

در جهان امروزی از سه استاندارد ویدئویی استفاده می شود NTSC، PAL،SECAM این قابها و استاندارد ها به آسانی قابل تبدیل به یکدیگر نیستند.

MPEG توسط Moving Picture experts Group ایجاد شد. اینها الگوریتم های مهمی هستند که برای فشرده سازی تصویر به کار می روند و از سال 1993 به عنوان استاندارد بین المللی اند. ام پی ئی جی می تواند صوت و تصویر را فشرده کند.

DVI تکنولوژی فشرده سازی قابل برنامه ریزی است.

Quick Time طرحهای فشرده سازی دیگری از جمله Kodak photo CD، Super Mac Codec Compact Disc Vidio , Codec را شامل می شود.

مقدمه:

چند رسانه ای، ستاره درخشنده ای در افلاک است. صوت و تصویر با استفاده از آن دیجیتال شده و به طور الکترونیکی منتقل می شوند تا نمایش داده شوند. اغلب پروژه های چند رسانه ای از استانداردهای ام پی ئی جی استفاده می کنند و داده ها را از طریق اتصال های ای تی ام عبور می دهند. ام بون، خدمات رادیو، تلویزیون دیجیتال جهانی تجربی در اینترنت است.

ابزارهای اصلی ساخت پروژه های چند رسانه ای، شامل یک یا چند نرم افزار تألیف در برنامه های ویراستار تصویر، صوت و فیلم است. علاوه بر این، تعدادی برنامه کاربردی دیگر نیز وجود دارند. که جهت capture کردن صفحه، تبدیل فرمت های مختلف فایل و انتقال فایل ها بین کامپیوتر های مختلف مورد استفاده قرار می گیرند. آنچه که در یک سیستم چند رسانه ای مشاهده می شود ترکیبی از متن، Icon و bitmap های شبکه، عکس، گرافیک های ترسیم شده برداری، نمایش های سه بعدی و پنجره های مربوط به تصاویر اشیاء متحرک می باشد.

عناصر گرافیکی در اندازه های مختلفی وجود دارند. رنگ یا طرح خاصی می پذیرند. مرئی یا نامرئی می شوند و.... چگونگی ترکیب این عناصر با یکدیگر، انتخاب رنگها و فونت ها، روشهای به کار گرفته شده برای جلب توجه بیننده،...... دانش و خلاقیت طراح بستگی دارد در طول حیات بشر، از زمانی که اولین فیلم ثابت به وجود آمد. مردم شیفته ی تصاویر متحرک شدند. اکنون فیلم ویدئویی جزئی از سیستم های چند رسانه ای است در مجموع ویدئویی دیجیتال از مهمترین اجزای چند رسانه ای و ابزار نیرومندی در جهت نزدیکتر کردن کاربران کامپیوتر به جهان واقعی محسوب می شود. از میان اجزای چند رسانه ای، ویدئو بیشترین حجم حافظه را اشغال می کند. تصاویر رنگی، حافظه زیادی در حد مگا بایت اشغال می نمایند. هنگامی که در تصاویر ویدئویی، حرکت ایجاد می شود، چند بار در ثانیه ( در حدود 30 بار ) جایگزین هم می شوند و بدین منظور 30 برابر حافظه مورد نیاز است.

( 1/8 گیگا بایت در دقیقه یا 108 گیگا بایت در ساعت ). امروزه تبدیل داده ویدئویی دیجیتال به جریان اطلاعات مغناطیسی، از مهمترین تکنولوژی ها و تحقیقات چند رسانه ای است. با بکارگیری برد فشرده ساز تصاویر ویدئویی، می توان از صدای quality - CD استفاده کرد. همچنین می توان با نصب تعدادی دیسک سریع، نرخ انتقال داده را افزایش داد و با استفاده از دستورات سیستم تألیف، داده های ویدئویی را سریعتر به RAM منتقل نمود.

CD – ROM ها وسیله توزیع بسیار خوبی، برای تصاویر ویدئویی کامپیوتری فراهم می کنند هر چند هزینه زیاد است اما دارای ظرفیت بالایی هستند.

فهرست مطالب:

مقدمه

فصل اول: چند رسانه ای چیست ؟

چند رسانه ای چیست

تعاریف

موارد استفاده چند رسانه ای

چند رسانه ای در تجارت

چند رسانه ای در مدرسه

چند رسانه ای در خانه

چند رسانه ای در مکانهای عمومی

فشرده سازی چیست ؟

الگوریتمهای فشرده سازی

رمز گذاری آنتروپی

رمز گذاری منبع

خلاصه فصل اول

فصل دوم: صوت

صوت

قدرت صوت

صوت در سیستم چند رسانه ای

صداهای MIDI در مقایسه با صداهای دیجیتال

صوت دیجیتال

ساختن فایل های صوتی دیجیتال

ویرایش اصوات ضبط شده دیجیتال

اندازه فایل در برابر کیفیت

فضای ذخیره سازی

خلاصه فصل دوم

فصل سوم: تصویر

تصویر

ساختن تصاویر ثابت

مدلهای رنگ کامپیوتر

تصاویر Bitmap

تصاویر جی پی ئی جی

JPEG

سیستمهای دیجیتال

خلاصه فصل سوم

فصل چهارم: فیلم

استاندارد های موجود در پخش تصاویر ویدئویی

استاندارد NTSC

استاندارد PAL

استاندارد SECAM

استاندارد HDTV

انیمیشن ، ویدئو و تصاویر متحرک دیجیتال

فشرده سازی تصاویر ویدئویی

MPEG

استاندارد MPEG

DVI – Indeo

سایر روشهای فشرده سازی

بهینه کردن فایلهای ویدئویی برای CD – ROM

ارسال و دریافت فیلم در شبکه

فیلمهای ویدئویی در خواستی

کارگزارهای فیلم ویدئویی

شبکه توزیعی

ست تاپ باکس

استانداردها

ستون فقرات چند بخشی

ساختار Quick Time

روشهای فشرده سازی Quick Time

فرمت فایل فیلم Quick Time

روشهای دیگر فشرده سازی

خلاصه فصل چهارم

نتیجه مطالب

خلاصه کل مطالب

پیشنهادات

پیوستها

فهرست منابع

فهرست شکلها:

فصل اول:

شکل 1-1: (b ) مقادیر پیسکل مربوط به بخشی از تصویر

شکل 2-1: مثالی از کمی کردن بردار

فصل دوم:

شکل 1-2: (a ) موج سینوسی. (b ) نمونه سازی موج سینوسی. (c ) کمی کردن 3 بیتی نمونه ها

شکا 2-2: Cntrol panel های در مکینتاش و ویندوز

جدول 3-2: سطوح صوتی رایج در مقیاس دسی بل (dB ) و وات

شکل 4-2: اگر فرکانس نمونه برداری خیلی پایین باشد ، باز سازی شکل موج اصلی امکان پذیر است

شکل 5-2: نمونه های از نحوه پله ای کردن ( quantizing ) و برش دادن

شکل 6-2: ابزارهای ویرایش صوت در نرم افزار Alchemy

شکل 7-2: منوی افکتهای صوتی در نرم افزار soundEdit 36

فصل سوم:

شکل 1-3: هر bitmap شامل ماتریسی است مشخصات پیکسلهای تصاویر را شرح می دهد

شکل 2-3: عملکرد جی پی ئی جی در حالت ترتیبی پر تلفات

شکل 3-3: (a ) داده ورودی آر جی بی. (b ) پس از آماده سازی بلاک

شکل 4-3: (a ) بلاکی از ماتریس Y. (b ) ضرایب دی تی سی

شکل 5-3: محاسبه ضرایب دی تی سی کمی شده

شکل 6-3: ترتیب انتقال مقادیر کمی شده

شکل 7-3: الگوی پیمایشی که برای ویدئو و تلویزیون ان تی اس سی به کار می رود

فصل چهارم:

شکل 1-4: تفاوت بین نسبت تصاویر VGA و HDTV

شکل 2-4: همزمان سازی رشته های صوت و تصویر در ام پی ئی جی –1.

شکل 3-4: سه غالب متوالی

شکل 4-4: تسهیم سازی دو رشته در ام پی ئی جی – 2

شکل 5-4: مروری بر سیستم فیلمهای ویدئویی درخواستی

شکل 6-4: سلسله مراتب حافظه کارگزار فیلم ویدئویی

شکل 7-4: معماری سخت افزار نوعی کارگزار فیلمهای ویدئویی

شکل 8-4: ذخیره کردن دیسک در کارگزار

شکل 9-4: ای دی اس ال به عنوان شبکه توزیع محلی

شکل 10-4: معماری سخت افزاری ست تاپ باکس ساده

شکل 11-4: مواردی که باید استاندارد شود

شکل 12-4: ام بون متشکل از جزیره های چند بخشی است که با تونل به هم متصل اند

منابع ومأخذ:

سیستم های چند رسانه ای، تألیف مهندس حسین کی نژاد، چاپ دوم، تهران: موسسه فرهنگی هنری دیباگران،1378

شبکه های کامپیوتری، نوشته آندوراس تنیناوم، ترجمه مهندس عین الله جعفر نژاد قمی، چاپ چهارم، تهران، انتشارات علوم پایه، 1385

فن آوری شبکه، نوشته آندرس تنیناوم، ترجمه دکتر الهی

شبکه در یک نگاه، تألیف مجید غیوری ثالث و سید حاتم مهدی نور

سایت های اینترنتی مختلف و مجله های کامپیوتری

تحقیق درباره الگوریتم فلوید

اختصاصی از ژیکو تحقیق درباره الگوریتم فلوید دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 6

الگوریتم فلوید برای یافتن کوتاه ترین مسیر

یک مشکل متداول در سفره های هوایی هنگامی که پرواز مستقیم وجود نداشته باشد تعیین کوتاه ترین مسیر پرواز از شهری به شهر دیگر است . حال الگوریتمی طراحی می کنیم که این مسئله و مسائل مشابه را حل کند . نخست لازم است نظریه گراف ها را مرور کنیم . شکل یک گراف جهت دار و موضون را نشان می دهد به خاطر دارید که در نمایش تصویری گراف ها دایره نشان گر راس ها و خط میان دو دایره نشان دهنده یال ها هستند . اگر هر یال دارای جهت باشد گراف را گراف جهت دار یا دیاگراف می گویند . هنگام رسم یال ها در این گونه گراف ها از پیکان برای نشان دادن جهت استفاده می کنیم در یک دیاگراف بین دو راس امکان وجود دو یال است که جهت آنها مخالف هم هست. برای مثال درشکل یک یال از v1 به v2 و یکی از v2 به v1 وجود دارد.اگر این یال ها با مقادیری همراه باشند این مقادیر را وزن و گراف حاصل را موزون می خوانند.

در این جا فرض می کنیم که این مقادیر غیر منفی است.گرچه این مقادیر را معولاً وزن می نامند در بسیاری از از کابردها نشانگر فاصله است.بنابراین مسیر را به عنوان فاصله میان راسی تا راس دیگر در نظر می گیرند.در یک گراف جهت دار مسیر مجموعه ای از راس هاست به طوری که از یک راس تا راس دیگر یک یال وجود دارد. مسیری از یک راس به خود آن راس را چرخه می گویند.

اگر مسیری هیچگاه دوبار از یک راس نگذرد مسیر ساده نامیده می شود.توجه کنید که یک مسیر ساده هرگز حاوی زیر مسیری که چرخه ای باشد نیست.طول یک مسیر در گراف موزون حاصل جمع اوزان مسیر است. در یک گراف ناموزون طول مسیر صرفاً عبارت است از تعداد رئوس موجود در آن است.

مسئله ای که کاربردهای فراوان دارد یافتن کوتاهترین مسیر از راسی به رئوس دیگر است. واضح است کوتاهترین مسیر باید مسیری ساده باشد. در شکل سه مسیر ساده از v1 به v2 وجود دارد یعنی [v1,v2,v3] [v1,v4,v3] [v1,v2,v4,v3] .چون

Length[v1,v2,v3]=1+3=4

Length[v1,v4,v3]=1+2=3

Length[v1,v2,v4,v3]=1+2+2=5

[v1,v4,v3]کوتاهترین مسیر ازv1 به v3 است.همانطور که پیش از این گفته شد یک کاربرد متداول کوتاهترین مسیر تعیین کوتاهترین مسیر میان دو شهر است.

مسئله کوتاهترین یک مسئله بهینه سازی است. برای هر نمونه از مسئله بهینه سازی ممکن است بیش از یک راه حل وجود داشته باشد.هریک از راه حل های پیشنهادی دارای مقداری مرتبط با آن است و حل نمونه آن حلی است که دارای مقدار بهینه است.مقدار بهینه حداقل است یا حد اکثر در مورد مسئله کوتاهترین مسیر یک حل پیشنهادی مسیری از یک راس به راس دیگر بود .مقدار آن طول مسیر و مقدار بهینه حداقل طول است.

چون ممکن است بیش از یک کوتاهترین مسیر از راسی به راس دیگر وجود داشته باشد مسئله ما یافتن هر یک از این کوتاهترین مسیر هاست.یک الگوریتم واضح برای این مسئله تعیین طول همه مسیرها برای هر راس از ان راس به هریک از رئوس دیگر است.اما زمان این الگوریتم بدتر از زمان نمایی است. برای مثال فرض کنید از هر راس به همه رئوس دیگر یک یال وجود دارد .در این صورت زیر مجموعه ای از همه مسیر ها عبارت است از مجموعه ای خواهد بود که از راس نخست شروع می شود و به راسی دیگر ختم می شود و از همه رئوس دیگر عبور می کنند.چون راس دوم در چنین مسیری می تواند هریک از n-2 راس باشد راس سوم در چنین مسیری می تواند هر یک از n-3 راس باشد...

و راس دومی به آخری روی چنین مسیری فقط می تواند یک راس باشد.تعداد کل مسیرها از یک راس که از همه رئوس دیگر بگذرد عبارت است از :

(n-2)(n-3)…1=(n-2)!

که بد تر از حالت نمایی است. در بسیاری از مسائل بهینه سازی با همین وضعیت مواجه هستیم . یعنی الگوریتمی که همه حالت های ممکن را در نظر بگیرد زمان آن نمایی یا بدتر است.

با استفاده از برنامه نویسی پویا یک الگوریتم زمانی درجه سوم برای مسئله کوتاهترین مسیر ایجاد می کنیم. نخست الگوریتمی طرح می کنیم که فقط طول کوتاهترین مسیرها را تعیین کند. سپس آن را طوری اصلاح می کنیم که کوتاهترین مسیر را نیز ایجاد کند .یک گراف موزون حاوی n راس را با یک آرایه w نشان می دهند که در آن

اگر یالی بین , باشد وزن یال

اگر یالی بین , نباشد w[i][j]=

اگر i=j باشد 0

چون راس vj وقتی مجاور راس vi خوانده می شود که یالی بین vj و vi باشد به این آرایه نمایش ماتریس همجواری یک گراف می گویند .اگر بتوانیم راهی برای محاسبه مقادیر d از مقادیر w بیابیم الگوریتمی برای مسئله کوتاهترین مسیر خواهیم داشت این هدف با ایجاد n+1 آرایه قابل حصول است که وداریم : =طول کوتاهترین مسیر از VI به VJ فقط با استفاده از رئوس موجود در مجموعه {V1,V2,….VK} به عنوان رئوس واسطه پیش از انکه نشان دهیم چرا به این ترتیب قادر به محاسبه D از روی W هستیم معنی عناصر این آرایه ها را توضیح می دهیم .

مثال چند مقدار از را به عنوان مثال برای گراف شکل حل می کنیم.

برای هر گراف اینها مساویند زیرا کوتاهترین مسیری که از v2 آغاز می شود نمی تواند از v2 بگذرد

برای این گراف ها اینها مساویند زیرا با گنجاندن v3 مسیر جدیدی از v2 به v5 بدست نمی آید

.

برای هر گراف اینها مساویند زیرا کوتاهترین مسیری به v5 منتهی می شود نمی تواند از v5 بگذرد.

آخرین مقدار محاسبه شده طول کوتاهترین مسیر از V2 به V5 است که مجاز به عبور از هر یک از رئوس دیگر است .یعنی طول کوتاهترین مسیر است.

بنابراین برای تعیین D از روی W فقط باید راهی برای بدست آوردن از روی بیابیم.

مراحل استفاده از برنام نویسی پویا برای رسیدن به این هدف عبارت است از :

ارائه یک ویژگی (فرایند بازگشتی که با آن بتوان را از روی محاسبه کرد.

دانلود تحقیق کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی 18 ص

اختصاصی از ژیکو دانلود تحقیق کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی 18 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 22

کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی

چکیده

در این مقاله، کاربرد الگوریتم ژنتیک در بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی بررسی شده است. بهینه‌سازی پارامترهای سیاست بهره‌برداری در این روش، صرفاً با استفاده از نتایج شبیه‌سازی سیستم انجام می‌شود. بنابراین می‌توان انواع مختلفی از مسائل بهره‌برداری را مستقل از نوع تابع هدف و قیدهای آن و نیز ساختار سیاست بهره‌برداری، بهینه‌سازی نمود. در این مقاله پس از بررسی اجمالی روش الگوریتم ژنتیک پیشنهادی، عملکرد‌ آن در بهینه‌سازی یک سیستم پویای استوکستیک و برنامه‌ریزی پویا با رگرسیون مقایسه شده است. نتایج حاصل، نشانگر برتری الگوریتم ژنتیک هم به لحاظ سرعت و محاسیبات و هم مقدار تابع هدف در مقایسه با دو روش دیگر بوده است. با این حال به منظور افزایش کارایی این روش، اصلاحاتی در آن صورت گرفته است. بهبود کارایی عملگرهای الگوریتم ژنتیک به ویژه استفاده از قانون به هنگام‌سازی قدرت جهش و محاسبه برازندگی کروموزوم‌ها بوسیله شبیه‌سازی سیستم با دوره‌های متغیر، دو نمونه از این اصلاحات را تشکیل داده‌اند.

در بررسی‌های انجام شده اثر این اصلاحات کاملاً مفید ارزیابی شده است، به گونه‌ای که روش اصلاح شده قادر خواهد بود در مدت زمانی کمتر به نتایجی بهتر از روش معمولی دست یابد. ارزیابی مدل نهایی الگوریتم ژنتیک نشان می‌دهد که روش پیشنهادی، روشی بسیار کارآمد در حل مسائل سیستم‌های بزرگ است که حل آنها با روش‌های رایج غالباً غیرممکن است. به عبارتی، ارزش و کارامدی عملگرهای پیشنهادی از نقطه‌ای شروع می‌شود که عملگرهای رایج الگوریتم ژنتیک در آن نقطه متوقف شده و قادر به پیشروی نیستند.

1- مقدمه

بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی و تدوین قوانین و سیاست‌های کارآمد بهره‌برداری از آنها از چندین دهه پیش یکی از موضوعات اصلی در مطالعات منابع آب بوده و تحقیقات گسترده‌ای بر آن انجام شده است. در این راه پیشرفت‌های فراوانی چه به لحاظ استراتژی‌های جدید و کارآمد حل مساله و چه از نظر افزایش توانمندی و سرعت کامپیوترهای شخصی به عنوان ابزارهای محاسباتی بوجود آمده است. اما به رغم این پیشرفت‌ها، بهینه‌سازی بهره‌برداری از یک سیستم چندمخزنی بزرگ به صورت یکپارچه به ویژه هنگامی که عدم قطعیت‌های هیدرولوژیکی سیستم به صورت واقع‌بینانه در نظر گرفته می‌شوند، همچنان کاری چالش‌دار باقی مانده است.

لادبادیه در مروری بر استراتژی‌های حل مساله بهینه‌سازی بهره‌برداری از سیستم مخازن، این استراتژی‌ها را در چهار دسته بهینه‌سازی استوکستیک ضمنی، بهینه‌سازی استوکستیک صریح، کنترل بهینه زمان واقعی و روش‌های برنامه‌ریزی کاوشی مورد بررسی قرار داده است. روش الگوریتم ژنتیک در این بررسی به عنوان یک روش برنامه‌ریزی کاوشی در نظر گرفته شده است و دارای این مزیت ویژه می‌باشد که می‌دانید تمامی جزئیات مدل‌های شبیه‌سازی درنظر بگیرید،‌ بدون آنکه به فرضیاتی برای ساده‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی مساله یا محاسبه مشتقات تابع هدف نیاز داشته باشد. از این رو می‌توان روش GA را استراتژی امیدوارکننده‌ای در حل مساله بهره‌برداری بهینه از سیستم مخازن، به ویژه در سیستم‌های واقعی بزرگ با توابع هدف و قیدهای پیچیده غیرخطی و تفکیک‌ناپذیر دانست.

الگوریتم ژنتیک از طریق فرآیندی شبیه به روش‌های انتخاب طبیعی در علوم زیست‌شناسی به بهینه‌سازی مسائل می‌پردازد. این الگوریتم‌ها در طول دهه گذشته به طور گسترده به عنوان ابزارهای جستجو و بهینه‌سازی در رشته‌های مختلف از جمله بازرگانی، علوم و مهندسی بکار گرفته شده‌اند.

اگرچه استفاده از GA در مستئل بهره‌برداری از سیستم‌های منابع آب روش نسبتاً جدید محسوب می‌شود، اما کاربردهای موفقی از آن گزارش رشده است. ایسات و هال کاربرد GA را در یک سیستم چهارمخزنی معروف بررسی کردند. آنها مدل GA را با برنامه‌ریزی پویا، مقایسه و آن را به لحاظ نیازهای محاسباتی کاملاً برتری گزارش نمودند. واردلا و شریف نیز از GA برای بهینه‌سازی همان سیستم چهارمخزنی استفاده کرده و نشان دادند که این روش می‌تواند جواب‌های توانمند و قابل قبولی ارائه دهد. یک سال بعد این کار توسط شریف و واردلا توسعه بیشتری یافت. اولیویرا و لاکس از GA برای بهینه‌سازی منحنی‌های فرمان در سیستم‌های چندمخزنی سیاست‌های بهره‌برداری از سیستم‌های مخازن پیچیده ارزیابی نمودند. کای و همکاران، GA را برنامه‌های خطی با موفقیت مورد استفاده قرار دادند.

چن از این الگوریتم در به دست آوردن منحنی‌های فرمان یک سیستم تک‌مخزنی استفاده کرد و آن را برای بهینه‌سازی سیستم‌های کاملاً غیرخطی، بسیار موثر ارزیابی نمود. تونگ و همکاران از GA برای تعیین مقدار بهینه پارامترهای نوعی از منحنی‌های بهره‌برداری مخازن استفاده کرده و آن را ابزار قدرتمندی برای یافتن استراتژی‌های مدیریت منابع آب بهینه ارزیابی نمودند. ممتحن و همکارانریال از GA در بهینه‌سازی ساختارهای مختلفی از سیاست‌های بهره‌برداری برای یک سیستم تک‌مخزنی استفاده کردند و عملکرد آن را با روش‌های برنامه‌ریزی پویای استوکستیک و برنامه‌ریزی پویا رگرسیون به عنوان دو روش مرسوم بهینه‌سازی مقایسه نمودند. آنها سیاست‌های با ساختار خطی و خطی قطعه‌ای به دست آمده