خرید و دانلود نسخه کامل سمینار الگوریتم ژنتیک

سمینار الگوریتم ژنتیک

M.Sc” سمینار برای دریافت درجه کارشناسی ارشد
مهندسی عمران – سازه های هیدرولیکی
عنوان :
الگوریتم ژنتیک

فهرست مطالب
عنوان صفحه
چکیده …………………………………………………………………………………………………………………………………………………………… 1
مقدمه ……………………………………………………………………………………………………………………………………………………………. 2
فصل اول : تعریف مسئله
-1 تعریف مدل و مدلسازی……………………………………………………………………………………………………………………………………………. 3 -1
-2 مقدمه ای بر مدل های بهینه سازی . ……………………………………………………………………………………………………………………….. 4 -1
-3 روش های بهینه سازی . ……………………………………………………………………………………………………………………………………………. 6 -1
-1 برنامه ریزی خطی . …………………………………………………………………………………………………………………………………………… 10 -3 -1
-2 برنامه ریزی غیر خطی …………………………………………………………………………………………………………………………………….. 11 -3 -1
فصل دوم : مروری بر مطالعات گذشته
-1 افرادی که از مدل الگوریتم ژنتیک در مدیریت و بهره برداری از مخزن استفاده کرده اند ……………………………… ١٢ -2
-2 افرادی که از مدل الگوریتم ژنتیک در بهینه سازی بهره برداری از سیستم چند مخزنه استفاده کرده اند ……………… ١٢ -2
-3 افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی قوانین بهره برداری از مخازن چند منظوره استفاده کرده اند ……. ١٣ -2
-4 افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی منحنی فرمان در سیستم چند مخزنه و مخازن چند منظوره استفاده کرده -2
اند …………………………………………………………………………………………………………………… ١٣
-5 افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی قوانین بهره برداری از سیستم آبهای زیرزمینی استفاده کرده اند … ١۴ -2
-6 افرادی که از مدل الگوریتم ژنتیک برای بهینه سازی قوانین بهره برداری تولید نیروی برقابی استفاده کرده اند ……….. ١۴ -2
فصل سوم : الگوریتم ژنتیک
-1 معرفی الگوریتم ژنتیک ………………………………………………………………………………………………………………………………………… 15 -3
-2 تفاوت الگوریتم ژنتیک با روش های قدیمی بهینه سازی ……………………………………………………… ١٧ -3
-3 ویژگی های الگوریتم ژنتیک …………………………………………………………………………………… ١٨ -3
-4 مزایای الگوریتم ژنتیک ………………………………………………………………………………………… ١٩ -3
-5 اصطلاح شناسی الگوریتم ژنتیک ……………………………………………………………………………… ٢٠ -3
-6 ساختار کلی روند محاسبات در الگوریتم ژنتیک …………………………………………………………………………………………………… 21 -3
-7 روش های کدگذاری در الگوریتم ژنتیک ………………………………………………………………………. ٢٢ -3
-1-7 روش کدگذاری باینری ………………………………………………………………………………… ٢٣ -3
-2-7 روش کدگذاری گری …………………………………………………………………………………… ٢۴ -3
-3-7 روش کدگذاری واقعی ………………………………………………………………………………….. ٢۴ -3
-8 ارزیابی و انتخاب نسل نمونه ………………………………………………………………………………….. ٢۴ -3
-1-8 روش های نمونه برداری تصادفی ………………………………………………………………………. ٢۶ -3
-4-8 روش نمونه برداری مختلط …………………………………………………………………………….. ٢٨ -3
-9 تولید نسل بعد ………………………………………………………………………………………………… ٢٨ -3
-1-9 عملگر ادغام ………………………………………………………………………………………….. ٢٩ -3
-2-9 عملگرجهش ………………………………………………………………………………………….. ٣٠ -3
-10 شرط توقف الگوریتم ………………………………………………………………………………………… ٣١ -3
فهرست منابع
منابع فارسی …………………………………………………………………………………………………………. ٣٣
منابع لاتین ………………………………………………………………………………………………………….. ٣۴
چکیده لاتین ………………………………………………………………………………………………………. ٣۶

فهرست اشکال
عنوان صفحه
1) طبقه بندی کلی روش های بهینه سازی ………………………………………………………………………………………….. 9 – شکل( 2
2) طبقه بندی روش های نوین بهینه سازی ………………………………………………………………………………………. 10 – شکل ( 2

چکیده
مدل سازی به معنای استخراج روابط بین پدیده های مرتبط با هم و ارایه یک سیستم پویا است، تا
امکان پیشگویی تغییرات پدیده یا پدیده ها نسبت به زمان، مکان و غیره به وجود آید. ساخت مدل بر
پایه کشف روابط منطقی و شناخت و تفسیر این روابط امکان پذیر می گردد.
بهینه سازی عبارت است از جستجو برای یک سیاست بهره برداری انعطاف پذیر که مقدار تابع هدف
را مینیمم یا ماکزیمم می کند. این واژه دارای یک مفهوم ریاضی است. به طور ساده م یتوان گفت در
شرایط بهینه، سود خالص حاصل از عملکرد سیستم حداکثر خواهد بود به عبارت دیگر حالتی از
عملکرد سیستم مورد جستجو قرار م یگیرد که در آن محصول تولید شده حداکثر سود خالص را
U تضمین نماید. به تعبیر ریاضی بهین هسازی سیستم به دنبال حداکثر نمودن یک تابع ضمنی مانند
وجود دارد. F است که در آن شرایط و محدودیت هایی مانند
الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیس تشناسی مانند وراثت و
جهش استفاده می کند.
الگوریتمهای ژنتیک معمولاً به عنوان یک شبیه ساز کامپیوتر که در آن جمعیت یک نمونهٔ انتزاعی
(کروموزوم ها) از نامزدهای راه حل یک مسأله بهینه سازی به راه حل بهتری منجر شود، پیاده سازی
می شوند.همانطور که قبلا گفتیم، به طور سنتی راه حل ها به شکل رشته هایی از 0 و 1 بودند، اما
امروزه به گونه های دیگری هم پیاده سازی شده اند. فرضیه با جمعیتی کاملاً تصادفی منحصر بفرد آغاز
می شود و در نسل ها ادامه می یابد. در هر نسل گنجایش تمام جمعیت ارزیابی می شود، چندین فرد
منحصر در فرایندی تصادفی از نسل جاری انتخاب می شوند (بر اساس شایستگی ها) و برای شکل
دادن نسل جدید، اصلاح می شوند (کسر یا دوباره ترکیب می شوند) و در تکرار بعدی الگوریتم به
نسل جاری تبدیل می شود.
کلمات کلیدی: مدل سازی، بهینه سازی، شبیه سازی، الگوریتم ژنتیک

مقدمه

سمینار الگوریتم ژنتیک