مقاله بازآرائی بهینه شبکه های توزیع به روش الگوریتم ژنتیک جهت کاهش تلفات

اختصاصی از ژیکو مقاله بازآرائی بهینه شبکه های توزیع به روش الگوریتم ژنتیک جهت کاهش تلفات دانلود با لینک مستقیم و پر سرعت .

1. مقدمه

تغییر ساختار در شبکه‌های توزیع جهت کاهش تلفات در واقع حل یک مساله بهینه‌سازی می‌باشد. روش بکارگرفته شده در این مقاله جهت حل این مساله بهینه‌سازی استفاده از روش الگوریتم ژنتیک می‌باشد.

روش الگوریتم ژنتیک به دلیل اینکه کلیه جوابهای ممکن را تولید و سپس از میان آنها بهترین گزینه را انتخاب می‌کند. لذا از اطمینان بیشتری برای رسیدن به بهینه مطلق برخوردار می‌باشد.

در یک شبکه توزیع با گستردگی فراوان تنوع بار (اعم از صنعتی، خانگی یا تجاری) و همچنین تغییرات بار بدلیل تنوع فصول، ساعات کار و پیک مصرف و سایر عوامل دیگر و ثایت بودن ساختار شبکه، موجب افزایش تلفات در سیستم می‌شود. در چنین شرایطی لازم است با اعمال یک آرایش بهینه روی شبکه با باز و بسته کردن کلیدهای موجود به بهینه‌ساختن تلفات امیدوار بود.

به همراه فایل power point وpdf در20اسلاید و 20صفحه

و فایل word در10صفحه

مخصوص ارائه برای پروژه های درسی

بیوانفورماتیک , تعیین موتیف , جستجوی ژن در منابع اصلی اینترنتی

اختصاصی از ژیکو بیوانفورماتیک , تعیین موتیف , جستجوی ژن در منابع اصلی اینترنتی دانلود با لینک مستقیم و پر سرعت .

این فایل شامل توضیحات کامل جهت پیدا کردن اطلاعات امینو اسیدی یک پروتعین و بدست آوردن موتیف و پروتئین های درون غشایی به صورت جزئی میباشد.

در طراحی و ساخت یک پروتئین میتوان با اطلاعات این بانکهای اطلاعاتی پروتئین های مشابه را شناسایی کرده و به سادگی و با هزینه خیلی کمتر دست به طراحی یک محصول جدید نمود.

دانشجویان ، علاقه مندان و محققان علوم ژنتیکی با مطالعه این فایل قادر به بدست اوردن اطلاعات یک پروتئین بدون هیچ هزینه در کمترین زمان خواهند بود.

تمامی بانک های اطلاعاتی پروتئینی به صورت جزء به جزء در این فایل به صورت تصویری توضیح داده شده است که در دانشگاه به نام درس بیوانفورماتیک برای رشته های ژنتیک ، مهندسی ژنتیک ، بیوتکنولوژی و ... در 2 واحد تدریس میشود.

پاورپوینت الگوریتم های ژنتیک 63اسلاید

اختصاصی از ژیکو پاورپوینت الگوریتم های ژنتیک 63اسلاید دانلود با لینک مستقیم و پر سرعت .

پاورپوینت الگوریتم های ژنتیک 63اسلاید

•الگوریتم  ژنتیک  روش یادگیری بر پایه  تکامل  بیولوژیک است.

•این روش در سال 1970 توسط John

 

Holland معرفی گردید

 

•این روشها با نام Evolutionary Algorithms نیز خوانده میشوند.

 

ایده کلی

•یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن را تولید میکند.

•هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار میگیرد.

•آنگاه  تعدادی  از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند. که اینکار باعث تکامل راه حلها میگردد.

•بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب برسد

•در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل نماید.

 

فضای فرضیه

•الگوریتم  ژنتیک بجای جستجوی فرضیه های general-to specific  و یا  simple to complex  فرضیه ها ی جدید را با تغییر و ترکیب  متوالی اجزا بهترین فرضیه های موجود بدست میاورد.

•در هرمرحله  مجموعه ای از فرضیه ها که  جمعیت (population) نامیده میشوند از طریق جایگزینی بخشی از جمعیت فعلی با فرزندانی که از بهترین فرضیه های موجود حاصل شده اند بدست میآید.

تکنیک های ژنتیک

اختصاصی از ژیکو تکنیک های ژنتیک دانلود با لینک مستقیم و پر سرعت .

دسته بندی :  پزشکی

فرمت فایل:   doc 
حجم فایل:  (در قسمت پایین صفحه درج شده)
تعداد صفحات فایل:    65 ص

 فروشگاه کتاب : مرجع فایل

 قسمتی از محتوای متن Word 

بسمه تعالی:

مبنای  تکنیک های ژنتیک

تکنیکهای فنی ژنتیکی بعد از شناسایی کامل DNA از سال 1953 آغاز شد بعد با کشف حکم مرکزی در سال 1958 توسط فرانسیس کریک اتفاق اتفاد. ژنتیک وارد مسیری تازه شد که هدف آن درک پنج الگوی رفتاری سلولی رشد تقسیم تمایز، حرکت و میانکش است.

میزان پیشرفت در این زمینه باعث بهت و حیرت و حتی خوپش بین ترین دانشمندان باشد بطور روزانه کشفیات بدست آمده از آزمایشگاههای تحقیقاتی خبر از شناسایی ژن های جدید عامل بیماری ها یا محصولات بیوتکنولوژی نوید بخش می دهند اکثر کشفیات مهم ژنتیکی با استفاده از ساده ترین موجودات ( ویرو ها ، باکتری ها) بدست آمده اند اگر چه امروزه یافته های جدید در مورد گیاهان و پستانداران نیز ارائه شده است. اگر چه باکتری ها و باکتریوفاژ ها هنوز هم پیچیده هستند اما نسبت به سلولهای جانوری و گیاهی سیستم ساده تری دارند، با استفاده از این سیستم های ساده بود که دانشمندان توانستند DNA را بعنوان مولکول حاوی اطلاعات ژنتیکی یک سلول معرفی کنند.

DNA در سال 1869 توسط میکشن در اسپرم ماهی شناسایی شد ولی عملکرد و اهمیت آن در سلول به عنوان مسئول صفات توارثتا قرن اخیر نا شناخته ماند ساختار فیزیکوشیمیایی DNA توسط واتسون و کریک بدست آمد .

با فاصله زمانی کوتاه بعد ازشناسایی DNA ساختار DNA شناخته شد که به عنوان ماکرو مولکول حد واسط مهم در نستز آنزیمها و سایر پروتئین ها عمل می کند.

بدنبال این کشفیات شاخه جدید بنام ژنتیک مولکولی در اواخر دهه 1950 و اوایل دهه 1960 بوجود آمد که مفاهیم جدید را معرفی کرد موفقیت های اولیه و تجمع مقدار انبوه اطلاعات دانشمندان را قادر ساخت تا تکنیک های قوی و روش های منطقی را برای موضوعات گوناگون ژنتیک مولکولی و عملکرد عصب، عضله- عملکرد آنتی بیوتیک... ) ارائه دهند.

اعتقاد به یک شکل ذاتی فرآیند های زیستی یک فاکتور مهم در زمینه رشد سریع شاخه ژنتیک مولکولی بر دانشمندان معتقد هستند که ساختار اصول بیولوژیکی که فعالیت ارگانیسم های ساده را هدایت می کند در مورد سلول های پیچیده نیز صادق هستند و فقط در یک سری جزئیات تفاوت دارند که این نظریه با یک سری نتایج آزمایشگاهی بدست آمده نیز مورد تائید قرار گرفت.

ساختار DNA:

(توضیحات کامل در داخل فایل)

 

متن کامل را می توانید دانلود نمائید چون فقط تکه هایی از متن در این صفحه درج شده به صورت نمونه

ولی در فایل دانلودی بعد پرداخت، آنی فایل را دانلود نمایید

تحقیق در مورد آشنائی با الگوریتم های ژنتیک

اختصاصی از ژیکو تحقیق در مورد آشنائی با الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه16

بخشی از فهرست مطالب آشنائی با الگوریتم­های ژنتیک تشریح ساختار الگوریتم­های ژنتیک مدلسازی مساله یا بازنمائی تشکیل جمعیت اولیه ارزیابی جمعیت انتخاب والدین باز ترکیبی (Recombination)

نحوه انجام عملیات بازترکیبی

همانطور که گفتیم یکی از شاخه­های پردازش تکاملی، الگوریتم­های ژنتیک می­باشد. این الگوریتم­ها با الهام از روند تکاملی طبیعت، مسائل را حل می­کنند. به این معنی که مانند طبیعت یک جمعیت از موجودات تشکیل می­دهند و درون این موجودات اقدام به انجام اعمالی چون انتخاب والدین، تولید مثل، جهش و ... می­کنند و این اعمال را آنقدر تکرار می­کنند تا به مجموعه بهینه و یا موجود بهینه برسند.

این الگوریتم­ها با توجه به خصوصیات خاصی که دارند، به خوبی از عهده حل مسائلی که نیاز به بهینه­سازی دارند و یا پارامترهای زیادی در آنها دخیل است، برمی­آیند. در این قسمت به معرفی این الگوریتم­ها می­پردازیم.

بر خلاف بسیاری از روشهای حل مساله که از همان فرم کلی مساله برای حل مساله استفاده می­کنند، برای اینکه بتوانیم یک مساله را بوسیله الگوریتم­های ژنتیک حل کنیم، بایستی آنرا به فرم مخصوص مورد نیاز این الگوریتم­ها تبدیل کنیم.

در این روند ما بایستی راه حل مورد نیاز مساله را به گونه­ای تعریف کنیم که قابل نمایش بوسیله یک کروموزوم باشد. این کروموزوم می­تواند یک آرایه از اعداد، رشته­ها و یا بیتها باشد، یا اینکه یک عدد طبیعی، یا حقیقی و ... باشد. اما به طور کلی بایستی به گونه­ای تعریف شود که بتوانیم عملگرهای خاص الگوریتم­های ژنتیک که بازترکیبی، جهش و ارزیابی هستند را برروی کروموزوم­ها تعریف و اعمال کنیم.

به عنوان مثال در یک مساله مرتب سازی، کروموزوم را می­توانیم به این شکل تعریف کنیم که بعنوان مثال از چپ به راست، اندیس عناصر از کوچک به بزرگ را نگهداری کند. که در این حالت سمت چپ­ترین عنصر، اندیس کوچک­ترین و سمت ­راست­ترین عنصر، اندیس  بزرگترین عنصر آرایه باشد.