دانلود رايگان

پايان نامه كاربردهاي الگوريتم ژنتيك

چكيده :

الگوريتم هاي ژنتيك يكي از الگوريتم هاي جستجوي تصادفي است كه ايده آن برگرفته از طبيعت مي باشد . نسل هاي موجودات قوي تر بيشتر زندگي مي كنند و نسل هاي بعدي نيز قوي تر مي شوند به عبارت ديگر طبيعت افراد قوي تر را براي زندگي بر مي گزيند. در طبيعت از تركيب كروموزوم هاي بهتر ، نسل هاي بهتري پديد مي آيند . در اين بين گاهي اوقات جهش هايي نيز در كروموزوم ها روي مي دهد كه ممكن است باعث بهتر شدن نسل بعدي شوند. الگوريتم ژنتيك نيز با استفاده از اين ايده اقدام به حل مسائل مي كند . الگوريتم هاي ژنتيك در حل مسائل بهينه سازي كاربرد فراواني دارند.

مسئله ي كاهش آلاينده هاي Cox ، NOx و Sox در كوره هاي صنعتي ، يكي از مسائل بهينه سازي مي باشد، كه هدف آن بهينه كردن عملكرد كوره هاي احتراقي بر حسب پارامترهاي درصد هواي اضافي (E) و دماي هواي خروجي از پيش گرمكن (T) ، به منظور كاهش ميزان آلاينده هاي توليد شده در اثر انجام عمليات احتراق است.

در اين پايان نامه ابتدا مروري بر مفاهيم مقدماتي الگوريتم هاي ژنتيك كرده سپس مشخصات كلي مسئله عنوان مي شود، در انتها مسئله ي مورد نظر توسط الگوريتم ژنتيك اجرا و نتايج آن با روش تابع پنالتي مقايسه مي شود.

تعداد صفحات 101 word

فهرست مطالب

فصل اول - مقدمه

1-1- مقدمه

فصل دوم - مقدمه اي بر الگوريتم ژنتيك

• مقدمه
• پيشينه
• اصطلاحات زيستي
• تشريح كلي الگوريتم ژنتيك
• حل مسأله با استفاده از الگوريتم ژنتيك
• اجزاي الگوريتم ژنتيك

2-6-1- جمعيت

2-6-2- كدگذاري

2-6-2-1- كدگذاري دودويي

2-6-2-2- كدگذاري مقادير

2-6-2-3- كدگذاري درختي

2-6-3- عملگرهاي الگوريتم ژنتيك

2-6-3-1- fitness (برازش)

2-6-3-2- selection (انتخاب)

2-6-3-3- crossover (تركيب)

2-6-3-4- mutation (جهش)

• مفاهيم تكميلي

2-7-1- برتري ها و ضعف هاي الگوريتم ژنتيك

2-7-2- نكات مهم در الگوريتم هاي ژنتيك

2-7-3- نتيجه گيري

فصل سوم - كاهش اثرات زيست محيطي آلاينده هاي Cox، NOx و SOx در كوره ها...........

• مقدمه
• احتراق
  • روش محاسبه تركيبات تعادلي با استفاده از ثابت تعادل
  • روش محاسبه دماي آدياباتيك شعله
  • انتخاب سيستم شيميايي
  • تأثير دماي هوا و ميزان هواي اضافي بر توليد محصولات
• بهينه سازي
  • روش هاي حل مسائل بهينه سازي
  • روش تابع پنالتي
  • الگوريتم حل تابع پنالتي

• برنامه ي كامپيوتري و مراحل آن
• تشكيل تابع هدف
• تشكيل مدل مسئله بهينه سازي
• روش حل

فصل چهارم - توضيحاتي در رابطه با gatool نرم افزار مطلب................

• gatool
• تنظيم گزينه ها براي الگوريتم ژنتيك
• Plot Options
• Population Options
• Fitness Scaling Options
• Selection Options
• Reproduction Options
• Mutation Options
• Crossover Options
• Migration Options
• Output Function Options
• Stopping Criteria Options
• Hybrid Function Options
• Vectorize Options

فصل پنجم – نتايج..................................

• نتايج حاصل از تابع پنالتي و الگوريتم ژنتيك
• نتيجه گيري

فهرست مراجع......................

فهرست شكل

2-1- مراحل الگوريتم ژنتيك

2-2- مثالي از كروموزوم ها به روش كدگذاري دودويي

2-3- مثالي از كروموزوم ها با استفاده از روش كدگذاري مقادير

2-4- انتخاب چرخ رولت

2-5- تركيب تك نقطه اي

2-6- تركيب دو نقطه اي

2-7- تركيب يكنواخت

2-8- وارونه سازي بيت

2-9- تغيير ترتيب قرارگيري

2-10- تغيير مقدار

3-1- نماي برنامه ي كامپيوتري

3-2- عمليات برازش براي توليد NO در مقايسه با نتايج اصلي در احتراق گازوئيل

4-1- نماي gatool نرم افزار مطلب

5-1- نماي gatool ، Cox براي گاز طبيعي

5-2- نمودارهاي Best fitness و Best individual آلاينده ي Cox براي گاز طبيعي

5-3- نماي gatool ، NOx براي گاز طبيعي

5-4- نمودارهاي Best fitness و Best individual آلاينده ي NOx براي گاز طبيعي

5-5- نماي gatool ، Cox + NOx براي گاز طبيعي

5-6- نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOxبراي گاز طبيعي

5-7- نماي gatool ، Cox براي گازوئيل

5-8- نمودارهاي Best fitness و Best individual آلاينده ي Cox براي گازوئيل

5-9- نماي gatool ، NOx براي گازوئيل

5-10- نمودارهاي Best fitness و Best individual آلاينده ي NOx براي گازوئيل

5-11- نماي gatool ، Sox براي گازوئيل

5-12- نمودارهاي Best fitness و Best individual آلاينده ي Sox براي گازوئيل

5-13- نماي gatool ، Cox + NOx براي گازوئيل

5-14- نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOx براي گازوئيل

5-15- نماي gatool ، Cox+NOx+Sox براي گازوئيل

5-16- نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOx وSOx براي گازوئيل

5-17- نماي gatool ، Cox براي نفت كوره

5-18- نمودارهاي Best fitness و Best individual آلاينده ي Cox براي نفت كوره

5-19- نماي gatool ، NOx براي نفت كوره

5-20- نمودارهاي Best fitness و Best individual آلاينده ي NOx براي نفت كوره

5-21- نماي gatool ، Sox براي نفت كوره

5-22- نمودارهاي Best fitness و Best individual آلاينده ي SOx براي نفت كوره

5-23- نماي gatool ، Cox + NOx براي نفت كوره

5-24- نمودارهاي Best fitness و Best individual مجموع آلاينده هاي Cox و NOx براي نفت كوره

5-25- نماي gatool ، COx+NOx+SOx براي نفت كوره

5-26- نمودارهاي Best fitness و Best individual مجموع آلاينده هاي COx و NOx و SOx براي نفت كوره

فهرست جدول

3-1- تغيير نرخ توليد (mole/hr) NO در اثر تغيير دماي هوا و درصد هواي اضافي........

3-2- تشكيل تابع هدف براي گاز طبيعي....................

3-3- تشكيل تابع هدف براي گازوئيل...............................................

3-4- تشكيل تابع هدف براي نفت كوره..........................

5-1- مقايسه نتايج تابع پنالتي و الگوريتم ژنتيك................................

پايان نامه پيش بيني دما با استفاده از روش هاي هوشمند

مقدمه

تابش هاي مستقيم و غير مستقيم منشا اصلي انرژي حرارتي كره ي زمين است بازتاب آن ها توسط زمين موجب گرم شدن هوا مي گردد. اندازه گيري دما در محيط باز نشان دهنده ي دماي هوا ، دماي ناشي از تابش هاي اجسام مجاور و تابش هاي مستقيم خورشيد است به همين دليل دماسنج ها را در پناهگاههاي هواشناسي قرار مي دهند به طوريكه مخزن آن ها از سطح زمين در ارتفاع مشخصي در حدود 135 سانتي متري قرارداشته باشند. به اين ترتيب دماي هواي بدست آمده در نقاط مختلف با يكديگر قابل مقايسه هستند و تحت تاثير تابش هاي مستقيم يا غير مستقيم نمي باشند. از جمله عوامل موثر در دماي يك منطقه عرض جغرافيايي، ارتفاع، جريان هاي دريايي، فاصله از دريا، باد، جهت و پوشش ابري مي باشند.

حال با توجه به عوامل ذكر شده براي پيش بيني دما روش هاي گوناگوني به كاربرده شده است طوري كه در پي ساليان متمادي تحقيق و پژوهش، روشهاي گوناگوني در زمينه پيش بيني پيشنهاد گرديدند كه مي‌توان آنها را در دو گروه روش هاي كلاسيك و اكتشافي مدرن طبقه بندي كرد روشهاي كلاسيك بر پايه ي احتمالات و مدل رياضي عمل مي‌كنند ولي روش هاي اكتشافي هوشمند، از سيستم هاي مبتني بر شبكه هاي عصبي، منطق فازي، الگوريتم هاي تكاملي و تركيبي از روشهاي هوش مصنوعي تشكيل شده است. مزيت اصلي روش هاي اكتشافي مدرن در اين است كه به طراح در دستيابي به سيستمي ديناميك و غير خطي كمك مي كنند، و همچون متد هاي كلاسيك نيازي به پيشنهاد يك الگو ندارند و هيچ فرضي درباره ماهيت توزيع داده هاي مشاهده شده در آنها به چشم نمي خورد. حتي در مواقعي كه با مشكل داده هاي مفقود شده مواجه مي شويم، بر خلاف روش هاي كلاسيك، در متد هاي اكتشافي مدرن مي توان اين نقيصه را تا حدودي برطرف نمود. اما شايد مهمترين برتري اكتشافي مدرن در اين باشد كه عناصر ذهني و انساني را در طراحي راه حل مسئله كنار مي گذارد، امري كه در روش هاي كلاسيك يكي از اركان اصلي در پياده سازي سيستم محسوب مي‌گردد. در حالي كه روش هاي اكتشافي مدرن بدون داشتن هيچ فرضي از مسئله، با كمك داده هاي مشاهده شده و ساختار هاي هوشمند نظير شبكه هاي عصبي، و يا بر اساس دانش انسان خبره در سيستم هاي مبتني بر منطق فازي سعي در مدل كردن مسئله در يك بلاك بسته دارند.

تعداد صفحات 110 word

فهرست مطالب

مقدمه 1
فصل يكم- منطق فازي و رياضيات فازي
1-1- منطق فازي 2
1-1-1- تاريخچه مختصري از منطق فازي 2
1-1-2- آشنايي با منطق فازي 4
1-1-3- سيستم هاي فازي 7
1-1-4- نتيجه گيري 10
1-2- رياضيات فازي 11
1-2-1- مجموعه هاي فازي 11
1-2-2- مفاهيم مجموعه هاي فازي 14
1-2-3- عمليات روي مجموعه هاي فازي 14
1-2-4- انطباق مجموعه هاي فازي 19
1-2-5- معيار هاي امكان و ضرورت 19
1-2-6- روابط فازي 21
1-2-6-1- رابطه ي هم ارزي فازي 23
1-2-6-2- تركيب روابط فازي 23
1-2-7- منطق فازي 24
1-2-7-1- عمليات منطقي و مقادير درستي فازي 25
1-2-7-2- كاربرد مقادير درستي فازي 27
1-2-8- نتيجه گيري 27

فصل دوم- الگوريتم ژنتيك
2-1- چكيده 28
2-2- مقدمه 29
2-3- الگوريتم ژنتيك چيست؟ 32
2-4- ايده اصلي الگوريتم ژنتيك 35
2-5- الگوريتم ژنتيك 37
2-6- سود و كد الگوريتم 38
2-7- روش هاي نمايش 39
2-8- روش هاي انتخاب 40
2-9- روش هاي تغيير 41
2-10- نقاط قوت الگوريتم هاي ژنتيك 42
2-11- محدوديت هاي GA ها 43
2-12- چند نمونه از كاربردهاي الگوريتم هاي ژنتيك 43
2-13- نسل اول 45
2-14- نسل بعدي 46
2-14-1- انتخاب 47
2-14-2- تغيير از يك نسل به نسل بعدي(crossover) 47
2-14-3- جهش (mutation) 48
2-15- هايپر هيوريستيك 48

فصل سوم- بررسي مقالات
3-1- يك روش رويه‌‌‌اي پيش بيني دماي هواي شبانه براي پيش بيني يخبندان
3-1-1- چكيده 51
3-1-2- مقدمه 51
3-1-3- روش شناسي 53
3-1-3-1- مجموعه اصطلاحات 53
3-1-3-2-نگاه كلي 53
3-1-3-3- يادگيري 54
3-1-3-4- توليد پارامتر هاي ساختاري 55
3-1-3-5- پيش بيني 57
3-1-3-6- متناسب سازي ضعيف، متوسط و دقيق 59
3-1-4- نتايج 60
3-1-4-1- واقعه ي يخبندان شپارتون 64
3-1-4-2- بحث 65
3-1-5- نتيجه گيري 66
3-2- پيش بيني دما و پيش گويي بازار بورس بر اساس روابط منطق فازي و الگوريتم ژنتيك
3-2-1- چكيده 67
3-2-2- مقدمه 67
3-2-3- سري هاي زماني فازي و روابط منطق فازي 69
3-2-4- مفاهيم اساسي و الگوريتم هاي ژنتيك 70
3-2-5- روش جديد پيش بيني دما و بازار بورس بر اساس روابط منطقي فازي و الگوريتم هاي ژنتيك 71
3-2-6- نتيجه گيري 93
3-3-پيش بيني روند دماي جهاني بر اساس فعاليت هاي خورشيدي پيشگويي شده در طول دهه هاي آينده
3-3-1- چكيده 94
3-3-2- مقدمه 94
3-3-3- داده و روش بررسي 96
3-3-4- نتايج 99
3-3-5- نتيجه گيري 100
منابع

فهرست شكلها

شكل 1-1-1- طرز كار سيستم فازي 7
شكل 1-2-1- نمودار توابع فازي s، ذوزنقهاي و گاما 13
شكل 1-2-2- مثال هايي از اجتماع، اشتراك و متمم دو تابع عضويت 16
شكل 1-2-3- برخي از عملگر هاي پيشنهاد شده براي اشتراك 17
شكل1-2-4- برخي از عملگر هاي پيشنهاد شده براي اجتماع 18
شكل 1-2-5- انطباق دو مجموعه فازي 19
شكل 1-2-6- نمايش معيار هاي امكان و ضرورت 20
شكل 1-2-7- مقادير درستي فازي 25
شكل 2-1- منحني 32
شكل 2-2- تاثير الگوريتم ژنتيك بر كروموزوم هاي 8 بيتي 41
شكل3-1-1-تفاوت هاي توليد شده ي بين مشاهدات مرجع و مشاهداتي كه زودتر در صف مي آيند 54
شكل 3-1-2- مشاهدات هواشناسي به صف شده 55
شكل 3-1-3- دياگرام درختي 58
شكل 3-1-4- توابع گاوس براي متناسب سازي ضعيف، متوسط و دقيق دماي هوا 59
شكل 3-1-5- هيستوگرام خطا هاي پيش بيني 61
شكل3-1-6- خطاي ميانه ماهيانه 61
شكل 3-1-7-خطاي درصدي ميانه ماهيانه 62
شكل 3-1-8-تراكم پيش بيني 63
شكل 3-1-9- ترسيم توزيعي دماي هواي مشاهده شده در مقابل 1 ساعت پيش بيني دماي هوا 64
شكل3-1-10- واقعه ي شپارتون، مشاهده و پيش بيني دماهاي هوا 65
شكل 3-2-1- يك كروموزوم 74
شكل 3-2-2- توابع عضويت متناظر رن هايx كروموزوم هاي نشان داده شده در شكل3-2-1 76
شكل 3-2-3- توابع عضويت متناظر ژن هايy كروموزوم هاي نشان داده شده در شكل3-2-1 77
شكل 3-2-4- عملياتcrossover دو كروموزوم 82
شكل3-2-5- عمليات جهش يك كروموزوم 84
شكل 3-2-6- بهترين كروموزوم براي پيش بيني ميانگين دماي روزانه در ژوئن 1996 84
شكل 3-2-7- ميانگين خطاي پيش بيني روشهاي پيشنهادي بر اساس سري هاي زماني فازي مرتبه سوم 86
شكل 3-2-8- خطاي مربع حسابي بر اساس سري هاي زماني فازي مرتبه هفتم 91
شكل 3-3-1-پيكر بندي شبكه هاي عصبي منطقي فازي 96
شكل 3-3-2- مقادير مشاهده و پيش بيني شده ي ولف نو 98
شكل 3-3-3- مقادير مشاهده و پيش بيني شده ي دماي غير عادي جهان 98

فهرست جدولها

جدول1-2-1- برخي از مفاهيم پايه ي مجموعه هاي فازي 14
جدول3-1-1- تاريخ اولين پيش بيني و خطاي پيش بيني مربوطه 63
جدول3-2-1- داده هاي پيشين ميانگين دماي روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تايوان 72
جدول3-2-2- داده هاي قديمي تراكم ابر هاي روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تايوان 74
جدول3-2-3- جمعيت ابتدايي 78
جدول3-2-4- ميانگين دماي روزانه ي فازي شده و تراكم ابرهاي روزانه فازي شده از 1 ام ژوئن تا30ام سپتامبر در تايوان بر اساس نخستين كروموزوم 79
جدول3-2-5- دو فاكتور مرتبه سوم روابط گروهي منطق فازي 80
جدول3-2-6- دماي پيش بيني شده و ميانگين خطاي پيش بيني بر اساس سريهاي زماني فازي مرتبه سوم 85
جدول3-2-7- درصد ميانگين خطاي پيش بيني براي مراتب مختلف بر اساس روشهاي پيشنهادي 86
جدول3-2-8- درصد ميانگين خطاهاي پيش بيني براي پنجره هاي متفاوت بر اساس روشهاي پيشنهادي 87
جدول3-2-9- داده هاي قديميTAIFEXو TAIEX 89
جدول3-2-10- خطاي مربع حسابي براي مراتب مختلف روش پيشنهادي 89
جدول3-2-11- مقايسه مقادير پيشبينيTAIFEXوخطاهاي مربع حسابي براي روشهاي مختلف پيش بيني 90