این فایل حاوی مطالعه روش شناسی پژوهشهای کمی 3 - بیان مسئله می باشد که به صورت فرمت PowerPoint در 11 اسلاید در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.
فهرست
چرا به بیان مسئله نیاز داریم
آیا بیان مساله همان بررسی متون است؟
خصوصیات بیان مساله
تصویر محیط برنامه
نوع فایل: word
قابل ویرایش 117 صفحه
مقدمه:
اندیشه تکامل در رشته کامپیوتر و پردازش تکاملی در سال 1960 توسط J- Rechemberg در اثر خود به نام فنون تکاملی معرفی گشت . اندیشه او بعدها توسط محققان دیگری توسعه یافت . الگوریتمهای ژنتیک توسط شخصی بنام Joohn Holland بوجود آمد و بعد توسط خود او و شاگردانش توسعه پیدا کرد . این مراحل منتهی به یک کتاب به نام " سازش بین سیستمهای طبیعی و مصنوعی " از آقای Holland شد که در سال 1975 منتشر گشت در سال 1992 آقای John Koza ، الگوریتم ژنتیک را برای ایجاد برنامه هایی در جهت انجام وظایفی معین بکار برد . او روش خود را برنامه نویسی ژنتیک GP نامید اکثر برنامه ها برای این الگوریتمها با زبان LISP نوشته می شدند چون برنامه ها در این زبان می توانند به شکل یک درخت تجزیه بیان شوند چیزی که الگوریتمهای ژنتیک روی آن کار میکنند .
فهرست مطالب:
فصل اول
تشریح مسئله فروشنده دوره گرد
اندیشه تکاملی برای حل مسئله فروشنده دوره گرد
آشنایی با الگوریتم های ژنتیکی
زمینه زیست شناسی
فضای جستوجو
ساختار کلی الگوریتم های ژنتیکی
عملگرهای GA
فصل دوم
دو سناریوی رفتار جمعی
هوشمندی توده ای
بهینه سازی مسائل ریاضی به روش مورچه ها (ACO)
استفاده از بهینه سازی کولونی مورچه ها در حل مسئله TSP
بهینه سازی شبکه های کامپیوتری با الهام از کولونی مورچه ها
الگوریتم Ant Colony Optimization
تشریح مراحل حل مسئله با Ant Colony
فصل سوم
برنامه ای برای مقایسه الگوریتم های ژنتیک با الگوریتم ACO در حل TSP
توضیح پس زمینه برنامه الگورریتم ژنتیک
توضیح پس زمینه برنامه الگورریتم ACO
دستورالعمل سریع
فصل چهارم
طراحی و پیاده سازی
نمودار ساختاره کلاسی
دیاگرام توالی مابین کلاسهای Ant system و CGAsystem
دیاگرام توالی مابین کلاسهای CGA system وCG view
کارایی
پیوست
کدهای مربوط به پیاده سازی الگوریتم ژنتیک
کدهای مربوط به پیاده سازی الگوریتم ACO
منابع
منابع و مأخذ:
Buckland, M., 2002, AI Techniques for Game Developers, Premier Press, United States of America.
Dorigo ,M., & Gambardella, L. M (1997) Ant colonies for the traveling salesman problem. BioSystems, 43 ,73-81
Jearakul, C.,1999 2D and 3D Watefall Chart Control, [Online], Available: http:/www.codeguru.com.controls/Waterfall.shtml [Accessed 3/9/2003]
Jones, M., 2003, AI Application Programming, Publisher: David Pallali.
http://iridia.ulb.ac.be/~mdorigo/ACO/about.html (homepage)
http://iridia.ulb.ac.be/~mdorigo/ACO/publications.html#ACO-meta (references to ACO).
http://en.wikipedia.org/wiki/Ant_colony_optimization
http://astro2005.abstractsnet.com/pdfs/abstract_2443.pdf
نوع فایل: word
قابل ویرایش 91 صفحه
چکیده:
در حل مسائل همیشه دنبال راه حل هایی بوده ایم که بتوانند کارایی بهتری داشته باشد . یعنی راه حل بتواند در زمان کمتر پاسخ مناسب تری ارائه دهد . علت بیان کلمه ی مناسب تر اینست که در حل بعضی مسائل نیاز به پاسخ دقیق داریم که تعداد این مسائل نسبت به مسائلی که در آنها نیاز به مجموعه ی جوابها که می توان گفت پاسخ بهینه است ، کمتر است .
وقتی می خواهیم روی مجموعه ای بررسی انجام دهیم یا در سطوح بالای الگوریتم با مسائلی کار می کنیم که یک پاسخ قطعی ندارند ، برای همین همانند مسائل ریاضی نمی توان یک راه حل مطلق ارائه کرد . در اینگونه مسائل روبه مسائل بهینه سازی می آوریم ، تا بتوانیم راه حل مناسب و بهینه ارائه کنیم .
با نگاهی به طبیعت اطرافمان متوجه می شویم که روشهای استفاده شده در طبیعت بهینه ترین نوع راه حل هاست . بنابراین اگر از سیستم طبیعت بتوانیم در حل مسائل مشابه استفاده کنیم ، بهینه ترین راه حل را ارائه داده ایم .
الگوریتم ژنتیک با یک پشتوانه ی قوی که از ژنتیک طبیعی بدن تقلید شده اند می توانند در حل مسائلی که مجموعه هدف ما ، بسیار بزرگ است و همچنین حالت پراکندگی دارد ، بسیار مفید باشد . فرض کنید که در یک مجموعه هدف که اعضای آن را پستی و بلندی های یک رشته کوه تشکیل داده است می خواهیم نقطه مینیمم را بیابیم . در اینحالت به علت بزرگی مجموعه هدف و همچنین کم بودن سطح اختلاف بین مجموعه های متناظر و زیاد بودن تعداد این مجموعه ها ، اگر بخواهیم این عملیات را با روشهای رایج انجام دهیم ، مثلا بخواهیم بصورت ترتیبی آنها را مورد بررسی قرار دهیم ، ممکن است هزینه این کار آنقدر زیاد شود که از انجام آن منصرف شویم .
طبق نظریه ی تکاملی داروین و یا همان اصل بقا ء اصلح در بین ژنهای یک کروموزوم ، ژنی که برتری بیشتری نسبت به بقیه داشته باشد ، در چرخه تولید مثل حفظ شده و ژنی که ضعیف باشد از بین می رود . در اینحالت نسلهای جدید رفته رفته بهبود یافته و ایرادهای نسل های قبلی ، در نسل جدید دیده نمی شود .
در حل مسئله فوق بوسیله الگوریتم ژنتیک ، برتری ژن ، مینیمم بودن ارتفاع است و به علت اینکه در این مسئله ، مجموعه هدف بسیار بزرگ است و مطمئنا ، مقادیر نزدیک بهم است ، مطمئن هستیم که فرزند تولید شده در این مجموعه قرار دارد و همچنین طبق نظریه تکاملی داروین ، این مقدار جدید حتما به جواب نزدیکتر است و به احتمال زیاد مقادیر تولید شده در چرخه های تولید مثل در مجموعه جواب نخواهد بود و بین کل مجموعه پراکنده خواهد شد پس عملا داریم نقاطی از قسمتهای مختلف را انتخاب و با هم مقایسه می کنیم .
این الگوریتم ها در حل مسئله با در نظر داشتن اصل بقا اصلح و انتخاب تصادفی جهت دار به این صورت عمل می کنند که بجای خود پارامترها از شکل کد بندی شده مناسبی استفاده می کنند و همچنین همیشه برای یافتن پاسخ بهینه عملیات خود را روی مجموعه ای از فضای جستجو اعمال می کنند . یک عامل دیگر که به الگوریتم ژنتیک برتری می دهد و ناشی از سیستم ژنتیک است ، استفاده از قوانین احتمال بجای قوانین ریاضی است .
در بخش بعدی نیز یک الگوریتم تکرارشونده مبتنی بر اتوماتاهای یادگیر برای حل مساله کوله پشتی مطرح می شود. که در این الگوریتم، مساله کوله پشتی با یک گراف کامل مدل می شود که هر گره از گراف متناظر با یکی از کالاهاست. هر گره از گراف به یک اتوماتای یادگیر مجهز است که انتخاب یا عدم انتخاب کالای متناظر با گره برای قرار گرفتن در کوله پشتی را مشخص می کند. نتایج شبیه سازی ها نشان داده است که این الگوریتم در مقایسه با الگوریتم های موجود از کارایی بالاتری برخوردار است. نتایج شبیه سازی ها همچنین نشان داده است که این الگوریتم برای مسائل با اندازهای بزرگ دارای سرعت همگرایی بالایی می باشد.
مقدمه:
همیشه در برخورد با مسائل مختلف برای حل آنها شروع به طرح روشهای مختلف کرده ایم . از میان راه حلهای طرح شده اکثرا بهترین و قابل اطمینان ترین پاسخها را الگوریتم هایی تولید می کردند که براساس قوانین ریاضی پی ریزی شده بودند . امروزه با توجه به پیشرفتهای حاصله محدوده ی مطالعات بزرگتر و جزئیات پیچیده تر شده اند یا به عبارتی خواستار سرعت و دقت زیاد و در عین حال محدوده ی بزرگتر هستیم . طبیعی است که استفاده از قوانین محض ریاضی در حل چنین مسائل نیاز به محاسبات پیچیده ای دارد که شاید در بعضی موارد مقرون به صرفه نباشد . از این رو بدنبال روشهای دیگری هستیم که بتوانیم این نیاز را مرتفع سازیم با نگاهی به اطرافمان متوجه می شویم که در فرایندهای طبیعی مسایل قابل توجهی وجود دارد که شاید شبیه سازی فرایندها بتوانند تاثیر شایان ذکری را به همراه داشته باشد .
فهرست مطالب:
چکیده مطالب
فصل اول : مقدمه
مقدمه
1-1بهینه سازی
1-2پیدا کردن بهترین راه حل
1-3تعریف مسئله کوله پشتی
1-3-1 مسئله کوله پشتی کسری
1-3-2 مسئله کوله پشتی صفر و یک
1-3-3 مسئله کوله پشتی چند بعدی
فصل دوم : حل مسئله کوله پشتی با استفاده از برنامه نویسی پویا ، روش حریصانه ، عقبگرد و شاخه و حد
2-1روش حریصانه در مقابل برنامه نویسی پویا : مسئله کوله پشتی
2-1-1روش حریصانه در حل مسئله کوله پشتی صفرویک
2-1-2یک روش حریصانه برای مسئله کوله پشتی کسری
2-1-3روش برنامه نویسی پویا برای مسئله کوله پشتی صفرویک
2-1-4شکل بهتر الگوریتم برنامه نویسی پویا برای مسئله کوله پشتی صفرویک
2-2حل مسئله کوله پشتی با استفاده از روش عقبگرد
2-2-1یک الگوریتم عقبگرد برای مسئله کوله پشتی صفرویک
2-2-2مقایسه الگوریتم برنامه نویسی پویا و الگوریتم عقبگرد برای مسئله کوله پشتی صفرویک
2-3 راهبرد شاخه و حد
2-3-1تشریح روش شاخه و حد با مسئله کوله پشتی صفرویک
2-3-1-1جست وجوی عرضی با هرس کردن شاخه و حد
2-3-1-2 بهترین جست وجو با هرس کردن شاخه و حد
فصل سوم : تکنیک حل مسئله کوله پشتی با استفاده از الگوریتم ژنتیک
3-1 الگوریتم ژنتیک
3-1-1 مفاهیم اولیه ژنتیک
3-1-2 ایده ی اصلی
3-1-3 الگوریتم ژنتیک (Genetic Algorithm_ GA) چیست؟
3-1-4 ویژگی های الگوریتم ژنتیک
3-1-5 اصول اساسی الگوریتم ژنتیک
3-1-5-1 تعیین عدد برازندگی برای هر کروموزوم (دنباله ها)
3-1-5-2 مکانیزم انتخاب کروموزوم ها
3-1-5-3 عملگرهای ژنتیکی که بر روی هر کروموزوم اعمال می شود
3-1-6 روند کلی اجرای الگوریتم ژنتیک
3-1-7 روشهای نمایش یا کد کردن مقادیر
3-1-7-1 روش کدگذاری مبنای دو (Binary Encoding)
3-1-7-2 روش کدگذاری جایگشتی (Permutation Encoding)
3-1-7-3 روش کدگذاری مقدار (Value Encoding)
3-1-7-4 روش کدگذاری درختی (Tree Encoding)
3-1-8 شبه کد
3-1-9 روشهای انتخاب در الگوریتم ژنتیک
3-1-9-1 انتخاب Elitist
3-1-9-2 انتخاب Roulette
3-1-9-3 انتخاب Scaling
3-1-9-4 انتخاب Tournament
3-2 حل مسئله کوله پشتی با استفاده از الگوریتم ژنتیک
3-2-1 رویکرد نمایش دودویی
3-2-1-1 متد جریمه
3-2-1-2 متد رمز گشایی
3-2-2 رویکرد نمایش ترتیبی
3-2-3 رویکرد نمایش با طول متغییر
فصل چهارم : تکنیک حل مسئله کوله پشتی با استفاده از آتوماتای یادگیرنده
4-1 آتوماتای یادگیرنده
4-1-1 آتوماتای یادگیر با ساختار ثابت (FSLA)
4-1-1-1 آتوماتا با دو حالت (L2,2)
4-1-1-2 آتوماتای Tsetline (L2N,2)
4-1-1-3 آتوماتای G2N,2
4-1-1-4 آتوماتای Krinsky
4-1-1-5 آتوماتای Krylov
4-1-2 آتوماتای یادگیر با ساختار متغییر (VSLA)
4-1-3 آتوماتای یادگیر توزیع شده (DLA)
4-2 حل مسئله کوله پشتی با استفاده از آتوماتای یادگیرنده
4-2-1 نتایج شبیه سازی های انجام شده
نتیجه گیری
دیکشنری
مراجع و منابع
منابع و مأخذ:
[1] Fraser, Alex S. (1957). "Simulation of Genetic Systems by Automatic Digital Computers. I. Introduction". Australian Journal of Biological Sciences 10: 484–491.
[2] Goldberg, David E (1989), Genetic Algorithms in Search, Optimization and Machine Learning, Kluwer Academic Publishers, Boston, MA.
[3] Goldberg, David E (2002), The Design of Innovation: Lessons from and for Competent Genetic Algorithms, Addison-Wesley, Reading, MA.
[4] Fogel, David B (2006), Evolutionary Computation: Toward a New Philosophy of Machine Intelligence, IEEE Press, Piscataway, NJ. Third Edition
[5] Schmitt, Lothar M (2004), Theory of Genetic Algorithms II: models for genetic operators over the string-tensor representation of populations and convergence to global optima for arbitrary fitness function under scaling, Theoretical Computer Science (310), pp. 181-231
[6] Sutton, R. S., and Barto, A. G., Reinforcement learning: An introduction. MA: MIT Press, Cambridge, 1998.
[7] Thathachar, M. A. L., Sastry, P. S., Varieties of learning automata: An overview. IEEE Transactions on Systems, Man and Cybernetics – Part B: Cybernetics, 32, 6, 2002.
[8] Alaya, I., Solnon, Ch., and Ghedira, K., Ant algorithm for the multidimensional knapsack problem. Dans Proceedings of Iinternational Conference on Bioinspired Methods and their Applications, Slovenia, 2004.
[8] Beigy, H., Meybodi, M. R., "Utilizing Distributed Learning Automata to Solve Stochastic Shortest Path Problem" International Journal of Uncertainty, Fuzziness and Knowledge-based Systems, vol. 14, pp. 591-615, 2006.
[9] Beigy, H.,Meybodi, M. R., "A New Distributed Learning Automata for Solving Stochastic Shortest Path Problem," in International Joint Conference on Information Science, Durham, USA, 2002, pp. 339-343.
[10] H. Beigy, “Intelligent Channel Assignment in Cellular Networks: A Learning Automata Approach”, PhD Thesis, Computer Engineering Department, Amir Kabir University of Technology, Tehran, Iran, 2006.
[11] M. A. L. Thathachar and B. R. Harita, "Learning Automata with Changing Number of Actions", IEEE Transactions on Systems, Man, and Cybernetics, vol. SMG17, pp. 1095-1100, Nov. 1987.
مدیریت بحران در سالهای اخیر اهمیت بسیاری پیدا کرده است . علت این امر گسترش محیط های شهری و کمبود واحدهای خدمات اورژانسی به نسبت سطح حادثه است . در حوادثی مانند سیل و زلزله همه شهر درگیر حادثه می شود . در چنین شرایطی با واحدهای اورژانسی محدود نمی توان به همه محلهای حادثه دیده نیرو اعزام کرد . در اینجا مسئله مدیریت منابع جهت تخصیص منابع اورژانسی به حوادث براساس اولویت مطرح می شود. هوش ازدحامی روشهای بهینه ای برای مدیریت منابع در بحران ارائه می دهد . امروزه سیستمهای مدیریت اورژانسی به طور قابل توجهی از این روشهای جدید استفاده می کنند . جهت آزمایش این روشها محیط عملیات نجات روبوکاپ شبیه سازی شده است . در این محیط برای مدیریت بحران با بکارگیری عاملهای مختلف برنامه ریزی می شود .
واژهای کلیدی
مدیریت بحران ، هوش ازدحامی ، عملیات نجات روبوکاپ
مسئله مدیریت بحران در سالهای اخیر اهمیت شایانی یافته است . با توسعه محیطهای شهری ،هنگام وقوع یک بحران خطرات جانی و مالی زیادی افراد شهر را تهدید می کند .به این دلیل ایجاد سیستم مدیریت بحران مؤثر و سازمان یافته بسیار ضروری است. هر بحران شامل چندین حادثه با درخواست تعداد معینی واحد اورژانسی است .وضعیت نابهنجار زمانی به وجود می آید که مسئله کمبود منابع و رقابت برای منابع مطرح می شود.با اینکه هر بحران درجه شدت متفاوتی دارد، اما واکنش مناسب به درخواست هر بحران بسیار ضروری است. با تخصیص واحدهای اورژانسی به حوادث به طور خودکار ، گام بلندی در جهت حذف خطاهای بشری برداشته شده است .
در این پروژه روشهای هوش ازدحامی برای تخصیص تعداد بهینه از منابع در محیطی با چند بحران پیشنهاد شده است. این روشها تکنیکهای جدیدی در مدل کردن روند بحرانی با جمعیتی از عاملها و تخصیص منابع است به طوری که همه بحرانها بتوانند از منابع موردنظرشان استفاده کنند. هوش ازدحامی سیستمی است متشکل از تعداد زیادی افراد که با یک کنترل نا متمرکز و خودسامانده متعادل و هماهنگ می شوند . هوش ازدحامی ، منبع الهامی جهت توسعه سیاست های تخصیص گردش کار است. الگوریتم هایی که از این رفتار الهام میگیرند به طور موفقیت آمیزی جهت کاهش زمان های تنظیم شده و زمان های عملکرد در تولید زمان بندی صنعتی به کار میرود .
در این پروژه روشهایی برای بهینه سازی تخصیص منابع به وقایع بحرانی مختلف با توجه به محدودیتهایی همچون دسترس پذیری منابع ، وضعیت بحرانی وقایع، تعداد منابع خواسته شده و غیره ارائه شده است. روش پیشنهادی به سمت مدیریت رخداد وقایع بحرانی به طور همزمان در یک محیط از پیش تعریف شده خاص با مراکز تخصیص منبع تعیین شده در همان محل پیش می رود. هدف افزایش بهره وری واحدهای واکنش اضطراری به همراه کاهش زمانهای واکنش است. هدف اصلی از تخصیص خدمات اورژانسی ، بیشینه سازی کارایی واحدهای واکنش اضطراری در دسترس و موجود و کمینه سازی زمان واکنش برای کاهش آثار یک یا چند واقعه است.
آژانس های مختلفی در این زمینه تاسیس شده است از آن جمله آژانس مدیریت اورژانسی فدرال(FEMA)[1] است. همچنین سیستمهایی برای نظارت و تخفیف آثار حوادث طراحی شده است مانند سیستم دریافت و پاسخ (اینفوسفر)[2] و سیستم مدیریت بحران (CMS)[3].
الگوریتم های زیادی به همراه تعمیمشان برای رسیدن به راه حل های بهینه مسئله تخصیص منبع پیشنهاد شده است. الگوریتم ژنتیک ، تئوری بازیها ، الگوریتم های پویا و... از آن دسته اند.
عملیات نجات روبوکاپ موضوع تعدادی از پیاده سازی های عملی و سودمند است. عملیات نجات روبوکاپ یک محیط شبیه سازی شده برای برنامه ریزی حادثه شامل عاملهای متعدد است.در فصل های بعد به مسائل گفته شده پرداخته می شود.
فصل اول – مقدمه ................................. 1
فصل دوم-مدیریت بحران............................. 4
2-1-مقدمه ....................................... 4
2-2-مدیریت بحران................................. 5
2-3-آژانسهای مدیریت بحران........................ 8
2-3-1- آژانس مدیریت اضطراری فدرال (FEMA)........
2-3-2-اینفوسفر- سیستم دریافت و پاسخ................ 11
2-3-3-سیستم مدیریت بحرانCMS .................
2-4-انواع روشهای الگوریتمی تخصیص منابع........... 14
2-4-1-برنامه نویسی پویا.......................... 14
2-4-2-برنامه نویسی عدد صحیح ..................... 15
2-4-3-روش ضرب کننده لاگرانژ ...................... 16
2-4-4-باز پخت شبیه سازی شده ..................... 18
2-4-5-الگوریتم ژنتیک .............................. 19
2-4-6- انشعاب و کران .............................. 21
2-4-7- الگوریتم حریص ............................ 21
2-4-8- جستجوی تابو ................................ 22
2-4-9- تئوری بازیها ............................... 23
2-5-عملیات نجات روبوکاپ.......................... 23
2-5-1-ساختار سیستم.................................. 25
2-5-2-ساختار عاملها................................. 25
2-5-3-تشکیل تیم.................................... 27
فصل3 -هوش ازدحامی................................ 29
3-1- مقدمه......................................... 29
3-2-الگوریتم بهینه سازی کلونی مورچه ها(ACO) .... 31
3-2-1-مورچه ها چگونه می توانند کوتاهترین مسیر را پیدا کنند؟ 32
3-2-2-کاربردهای ACO............................. 34
3-3- الگوریتم بهینه سازی انبوه ذرات (PSO) ....... 34
3-3-1-الگوریتم pso ............................. 35
3-3-2 کاربردهای pso ............................. 37
3-4-الگوریتم ژنتیکGA ........................... 37
3-4-1- الگوریتم GA............................. 38
3-4-2-کاربردهای GA.............................. 39
فصل چهارم - استفاده از هوش ازدحامی در مدیریت بحران 40
4-1-مقدمه........................................... 40
4-2-هوش ازدحامی ................................. 42
4-3-حوزه مدیریت اورژانسی......................... 44
4-4-روش شناسی.................................... 46
4-5-مکانیزم های تخصیص کار مرسوم.................. 46
4-6-روند واکنش اورژانسی ......................... 48
4-7-ساخت و ارزیابی مدل........................... 49
4-8-روش شبیه سازی................................... 51
4-9-طراحی آزمایشات............................... 53
4-10-روش مقایسه مکانیزم.......................... 54
4-11-رتبه بندی................................... 55
فصل پنجم-نتیجه گیری و پیشنهادات ................. 58
منابع ومراجع .................................... 61
شامل 61 صفحه فایل word قابل ویرایش
کد متلب حل مسئله فروشنده دوره گرد با استفاده از الگوریتم نزدیکترین همسایه
خط های کد برنامه حاوی توضیحات لازم به صورت کامنت هستند.
فایل PDF کتاب با بهترین کیفیت و قابلیت جستجو در متن و کپی برداری از متن است.