تحقیق و اموزش کامل در مورد رنگ آمیزی گراف با الگوریتم ژنتیک تعداد صفحات 53)
مساله بهینه سازی رنگ آمیزی گراف تعیین حداقل تعداد رنگهای مورد نظر برای رنگ آمیزی گرافی معین است به گونه ای که هیچ دو راس مجاور هم رنگ نباشند و این عدد مورد نظر را عدد کروماتیک گراف می گوئیم . مساله تصمیم گیری رنگ آمیزی گراف ان است که برای یک عدد صحیح m تعیین کنیم که آیا رنگ آمیزی وجود دارد که حداکثر از این m رنگ استفاده کرده و هیچ دو راس مجاوری هم رنگ نباشند. تا امروز برای حالتهای تصمیم گیری و بهینه سازی فوق الگوریتمی از مرتبه چند جمله ای پیدا نشده است . در اینجا سعی شده با استفاده از الگوریتم ژنتیک راه حل های بهینه ای را برای این مسئله ارائه دهیم.
فهرست :
الگوریتم ژنتیک و الگوریتم هیورستیک
مقدمه ای بر بهینه سازی
الگوریتم های مینیمم یابنده
هیورستیک
انواع الگوریتم های هیورستیک
الگوریتم ژنتیک
فضای جستجو
مفاهیم پایه ای در الگوریتم ژنتیک
کد گذاری دودویی
کدگذاری جهشی
کدگذاری ارزشی
کدگذاری درختی
جمعیت ژنتیکی
تاریع برازندگی
عملگر ترکیب یا جابجایی
ترکیب چند نقطه ای
ترکیب یکنواخت
ترکیب نگاشت جزئی
ترکیب مرتب شده
ترکیب چرخشی
عملگر جهش
روش وارون سازی
روش ژن جزئی
روش درجی
روش درهم آمیخته
روش چرخ رولت
روش رتبه بندی
عملگر ترمیم
نخبه کشی
مراحل اجرای الگوریتم ژنتیک
همگرایی در الگوریتم ژنتیک
روش برش کروموزوم
نحوه جهش ژنتیک
دانلود شبیه سازی تنظیم بهینه پارامترهای کنترل کننده PID به الگوریتم ژنتیک برای یک سیستم نمونه هیدرو توربین گاورنر
شبیه سازی تنظیم بهینه پارامترهای کنترل کننده PID به الگوریتم ژنتیک برای یک سیستم نمونه هیدرو توربین گاورنرفایل زیر شبیه سازی کامل در مورد تنظیم پارامترهای کنترل کننده PID به کمک الگوریتم ژنتیک می باشد. که بر روی یک سیستم نمونه هیدرو توربین گاورنر است. شبیه سازی اجرا شده و نتیجه گرفته شده است.
...دریافت فایل
کاربرد الگوریتم ژنتیک برای حل مساله پوشش حداکثر
مسایل پوشش حداکثر یکی از مهمترین مسایل مکانیابی هستند. از آنجایکه زمان حل آنها از یک تابع غیرچند جملهای تبعیت
میکنند لذا بزرگی ابعاد مسأله باعث افزایش زمان حل آنها میشود به این گونه مسایل، مسایل Complete_Np گفته مـی شـود .
روشهای ابتکاری گوناگونی مانند الگوریتم لاگرانژ و گردیادینگ برای حل آنها ارائه شده است. در چند سـال اخیـر الگوریتمهـای
ژنتیک کاربرد وسیعی در حل مسایل بهینهیابی پیدا نمودهاند.
در این مقاله یک الگوریتم ژنتیک مناسب برای حل مدلهای Covering Maximal ارائه شده است. این الگوریتم را بر روی 75
مسأله متفاوت اجرا نموده و نتایج آنرا با نتایج حاصل از دو الگوریتم لاگرانژ و گردیادینگ بر روی همان مسایل مقایسه نمـوده ایـم .
همچنین نتایج حاصل ازاین الگوریتم را با نتایج حاصل از نرمافزار لینگو مقایسه کرده و از نظر میزان دقت و کارایی مورد بررسـی و
مطالعه قرار دادهایم. با توجه به بررسیهای انجام داده شده میتوان گفت که الگوریتم طراحی شده دارای دقت و کارایی خوب و قابل
قبولی میباشد
مقاله برنامه‌ریزی توسعه‌ی سیستم توزیع چندمرحله‌ای ترکیب شده با DG
این فایل ترجمه فارسی مقاله زیر می باشد:
DG integrated multistage distribution system expansion planning
دانلود رایگان مقاله انگلیسی
چکیده
در این مقاله برای حل مساله‌‌ی برنامه‌ریزی توسعه‌ی سیستم توزیع چندمرحله‌ای چارچوبی ارائه میشود که در آن نصب و/ یا تقویت پست‌ها، فیدرها و واحدهای تولید پراکنده به عنوان راهکارهای ممکن برای افزایش ظرفیت سیستم در نظر گرفته شده‌اند. فرمول ارائه شده هزینه‌های سرمایه‌گذاری، عملیات و قطعی سیستم را شامل میشود. این روش توسعه مبتنی بر رویه‌ی شبه‌دینامیکی است. از ترکیب الگوریتم ژنتیک (GA) و پخش بار بهینه (OPF) به عنوان یک ابزار بهینه‌سازی برای حل این مساله استفاده میشود. علمکرد روش ارائه شده توسط مطالعات عددی بر روی یک سیستم توزیع مرسوم ارزیابی و تشریح میشود.
توضیحات: فایل ترجمه به صورت word می باشد و دارای 25 صفحه است.
کد کامل(MATLAB) برنامه نرم افزار بهینه سازی با روشهای الگوریتم ژنتیک (GA) و الگوریتم تجمع ذرات(PSO) باضافه رابط گرافیکی GUI
این نرم افزار در محیط GUI متلب برای درس بهینه سازی غیرخطی درس دوره کارشناسی ارشد یا دکتری زلزله نوشته شده است.
از قابلیتهای این نرم افزار می توان به موارد زیر اشاره کرد.
1- داشتن دو روش حل : روشهای الگوریتم ژنتیک (GA) و الگوریتم تجمع ذرات(PSO) که می توان به مقایسه نتایج اطلاعات و همچنین سرعت همگرایی دو روش پرداخت
2- داشتن 13 مثال از توابع غیرخطی مقید و نامقید آماده که می تواند برای یادگیری نحوه ورود توابع و همچنین قیدهای مربوط به توابع مقید مورد استفاده قرار گیرد.
3-ترسیم مراحل بهینه سازی بهمراه نتایج عددی هر مرحله
4- محیط زیبا و دسترسی تاحد امکان ساده به اطلاعات مختلف
در زیر 2 عکس از محیط بهینه سازی روشهای الگوریتم ژنتیک (GA) و الگوریتم تجمع ذرات(PSO) را می توانید ملاحظه بفرمایید.
بهمراه فایل اجرایی این نرم افزار راهنمای نرم افزار نیز بصورت زیر ارائه می شود.
لازم بذکر است همانطوریکه اشاره شد این نرم افزار در محیط MATLAB R2010a تهیه شده که برای اجرای آن بایستی حتما کمپایلر متلب(MCRInstaller) ابتدا نصب گردد. اگر نرم افزار متلب (همین ورژن یا بالاتر) را دارید می توانید این فایل را از این مسیر \MATLAB\R2010a\toolbox\compiler\deploy\win32 پیدا کنید در غیر اینصورت می توانید از لینک زیر آنرا دانلود بفرمایید.
دانلود کمپایلر نرم افزار متلب (MCRInstaller) به حجم 167 مگابایت
در صورتیکه برنامه متلب را در رایانه تان نصب شده دارید، نیازی به نصب کمپایلر نبوده و می توانید کد متلب برنامه و یا رابط GUI را در محیط متلب باز کرده و اجرا نمایید.