تخصیص بهینه منابع در آموزش عالی در کشورهای درحال توسته

اختصاصی از اس فایل تخصیص بهینه منابع در آموزش عالی در کشورهای درحال توسته دانلود با لینک مستقیم و پر سرعت .

بخشی از متن اصلی :

طرح نیازسنجی نیروی انسانی متخصص و سیاستگذاری توسعه منابع انسانی کشور از سوی مؤسسه پژوهش و برنامه‌ریزی آموزش عالی وزارت علوم، تحقیقات و فن‌آوری در سال 1380 به اجرا درآمده است. موضوع طرح <انجام مطالعات و پژوهش‌های مرتبط با تدوین برنامه جامع ده ساله تربیت نیروی انسانی متخصص کشور>، موضوع تبصره 36 قانون برنامه دوم توسعه منابع انسانی و ردیف اعتباری 503029 قانون بودجه سال 1378 کل کشور بوده است.

نکته مهم در اجرای این طرح، استفاده از حداکثر ظرفیت پژوهشی کشور بوده است، که این امر از طریق فراخوان عمومی برای تهیه پیشنهاد طرح‌های مربوط به هر یک از موضوع‌های پژوهشی به انجام رسیده است.

ضرورت انجام طرح حاضر، فزونی تقاضا برای آموزش عالی نسبت به عرضه محدود خدمات آن، به ویژه در بخش دولتی است. تداوم عوامل مؤثر بر رشد تقاضا برای آموزش عالی از جمله تغییرات جمعیتی و ترکیب سنی جوان آن، محدودیت اعزام به خارج برای ادامه تحصیل و عدم برنامه‌ریزی مناسب برای ایجاد فرصت‌های شغلی کافی، روند شهرنشینی و انتظارات جامعه در خصوص بهره‌مندی از حقوق اجتماعی‌-اقتصادی همه، حاکی از تداوم روند تقاضای آموزش عالی است.

این فایل به همراه چکیده ، متن اصلی تحقیق با فرمت word ( قابل ویرایش ) در اختیار شما قرار می‌گیرد.

تعداد صفحات :14

یونی شاپ

بررسی رابطه ی رضایت شغلی و استفاده بهینه از زمان در کارمندان

اختصاصی از اس فایل بررسی رابطه ی رضایت شغلی و استفاده بهینه از زمان در کارمندان دانلود با لینک مستقیم و پر سرعت .

بخشی از متن اصلی :

چکیده :

هدف این پژوهش بررسی عواملی بود که دانش آموزان را به سوی رشته های فنی و حرفه ای سوق می دهد تا با شناخت این عوامل و انگیزه ها را ه های تقویت آن را یافته وشوق و رغبت آنان را سوی این رشته ها بیشتر به وجود آورده باشد که با تربیت افراد متخصص در امور فنی و حر فه ای راه خود کفایی کشور سریع تر طی می شود.

برای این منظور تعدادی فرضیه تعیین شده و نتایجی نیز حاصل گردید که عبارت از : 1-بین نوع  شغل والدین و گرایش فرزندانشان به رشته های هنرستانی رابطه  وجود دارد؟

2- دانش آموزانی که در ترم اول  ودوم سال گذشته در کلاس اول از پیشرفت تحصیلی بر خوردار بوده اند کمتر از دانش آموزان دیگر به شاخه فنی گرایش دارند .

3- بین تحصیلات پدر و مادر و گرایش فرزندان به رشته های هنرستانی رابطه وجود دارد .

4- گرایش دانش آموزان به ادامه تحصیل در هنر ستان بستگی به علاقه شخصی آنها دارد .

5- گرایش دانش آموزان به ادامه تحصیل در هنر ستان ها بستگی به مهارت و استعداد فنی دارد .

6- تشویق افراد خانواده و دوستان در انتخاب رشته های  هنرستانی تاًثیر دارد .

7- عوامل اجرایی دوره راهنمایی و دبیر ستان در انتخاب رشته های هنر ستانی تاًثیر دارد .

8- بین امکان ورود به مقطع فوق دیپلم  (دیپلم )و گرایش نو جوانان به رشته های هنرستان رابطه وجود دارد .

9- آسانی ورود به بازار کار در انتخاب رشته های هنر ستانی موًثر است

جامعه آماری عبارت از دانش آموزانن دختر هنر ستان حر فه ای ،که از این تعداد 120 نفر با استفاده از روش اندازه گیری تصادفی چند مر حله ای انتخاب شدند .

ابزار پژوهش را پرسشنامه ای که محقق ساخته ، تشکیل می داد. داده های به دست آمده با استفاده از روش آمار توصیفی مورد بررسی قرار گرفت  نتایج نشان داد که :

- اکثریت اولیای دانش آموزان این رشته ها از خانواده های کارگر و کشاورز و تعدادی نیز از خانو ده های فر هنگی و کار مندی می باشد .

             -  پیشرفت تحصیلی دانش آموزان در سطح پایین و متو سط قرار دارد .

-           میزان تحصیلات پدر و مادر در سطح پایین  می باشد و تعدادی نیز متوسط می باشند .

-           علاقه و رغبت شخصی این محصلین تاءثیر زیادی در انتخاب رشته مورد علاقه شان داشته است .

-           دانش آموزان فوق اکثراض دارای علاقه به کار های دستی بوده و در آنها مهارت و استعداد وجود دارد .

 - تشویق اطرافیان در انتخاب رشته تاًثیر ضعیفی داشته است .

تقلید در انتجاب رشته نقش داشته است .

-           آنان تصور می کنند ،که نسبت به رشته های نظری راحت تر می توانند وارد مقطع کاردانی شوند و این تصور در انتخاب آنان تاًثیر دا شته است .

به تصور آنان راحت تر می توانند جذب بازار کار شوند .

مقدمه:

بسیاری از جوانان و نو جوانان قادر به ادامه تحصیل نیستند و علاقه دارند که شغلی برای خود تعیین نموده و مستقلاًبه زندگی خود ادامه دهند و در این زمینه مدرسه می تواند با تهیه برنامه های حر فه ای و آماده کردن جوانان برای احراز مشاغلی که مورد نیاز جامعه است قدم های مو ثری برای ما در این  زمینه  بر دارد . وظیفه معلم و مدرسه این است که از طریق راهنمایی در انتخاب شغل و گذر اندن معیشت به شاگردان کمک کنند . هدف آموزش متوسطهبیشتر تربیت متخصص در حهت رفع نیاز مندی های جامعه خواهد بود ،به طوری که همه فارغ التحصیلان دوره متوسطه ، اعم از آنان که از رشته های نظری یا از رشته های فنی و حر فه ای فارغ  التحصیل شده باشند ، بتوانند بلافاصله به نیروی انسانی فعال بپیوندند . زیرا هدف از این دوره صرفاً آماده کردن همه افراد برای ورود به دانشگاه نخواهد بود . جوان حداکثر درصد از فارغ التحصیلان دوره متو سطه می توانند به دانشگاه ها راه یابند ،این گروه خود را در سطحی بالاتر برای خدمت آماده می کنند وبه خاطر تعمق بیشتر در تخصصی که به دست می آورند در خود کفایی کشور سهیم می شوند .

زیرا خود کفایی هر جامعه ای از جهات مختلف به کار آیی فارغ التحصیلان متوسطه عمومی و فنی و حرفه ای آن کشور بستگی دارد .

این فایل به همراه چکیده ، متن اصلی و منابع تحقیق با فرمت word ( قابل ویرایش ) در اختیار شما قرار می‌گیرد.

تعداد صفحات : 88

مقاله در مورد سنکرون سازی بهینه سیستم آشوبی راسلر با پارامترهای غیر قطعی توسط الگوریتم ژنتیک

اختصاصی از اس فایل مقاله در مورد سنکرون سازی بهینه سیستم آشوبی راسلر با پارامترهای غیر قطعی توسط الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه12

مقدمه:

از زمانیکه Pecora&Carroll روشی را برای همزمان­سازی دو سیستم آشوبگونه با شرایط اولیه مختلف معرفی کردند، همزمان­سازی آشوب به عنوان یک مسأله مهم در بحث سیستم­های غیر خطی به طور گسترده­ای وسعت یافت. همزمان سازی از مهمترین زیرشاخه­های آشوب می­باشد. در سال­های اخیر سنکرون کردن سیستم­های آشوب­گونه مورد توجه زیادی قرار گرفته است و روشهای گوناگونی هم برای سنکرون کردن آشوب پیشنهاد و ارائه شده است.

خصوصیت مشترک سیستم­های آشوب­گونه، داشتن رفتار غیر قابل پیش­بینی و حساسیت به شرایط اولیه است به طوریکه با کوچکترین تغییر در شرایط اولیه پاسخها بسیار متفاوت خواهند شد. رفتار آشوب­گونه را می­توان در بسیاری از سیستم­های فیزیکی مشاهده کرد.

همزمان­سازی سیستم­های آشوب­گونه کاربردهای زیادی در زمینه­های مختلف علوم مانند کاربرد در لیزر، راکتورهای شیمیایی، اقتصاد کلان، مخابرات ایمن و بیولوژی دارد. همچنین دینامیکهای نظیر سیستم تنفسی، فعالیت قلب، سیستمهای اکولوژی و ... خواص سنکرون از خود نشان می­دهند. به طور کلی مسأله همزمان­سازی سیستم­های آشوب­گونه به این معنی است که دو سیستم آشوب­گونه به طور یکسان و همزمان با یکدیگر نوسان کنند. شایان ذکر است که پدیده آشوب تنها در سیستم­های غیر خطی وجود دارد.

برای درک بهتر این مطلب در مورد سیستم زنده به ذکر مثالی می­پردازیم:

در سیستم زنده انسان موارد گوناگونی از سنکرون­سازی ذاتی سیستم­های مختلف وجود دارد، از جمله تأثیر ضربان قلب بر روی تنفس که با افزایش فعالیت و به دنبال آن افزایش ضربان قلب، افزایش میزان تنفس را خواهیم داشت که تحقیقات متعددی در همین زمینه صورت گرفته ­است.

همچنین به عنوان مثالی دیگر، اگر قلب را متشکل از دو اسیلاتور گره SA و گره AV در نظر بگیریم، که هر کدام از این اسیلاتورها با فرکانس ذاتی مختلفی نوسان می­کنند. بنابراین برای اینکه یک فرکانس خاص داشته باشیم این دو اسیلاتور با یکدیگر سنکرون می­شوند. به دنبال این مسأله چنانچه هرگونه آریتمی بوجود آید، دیگر همزمانی این دو اسیلاتور را نخواهیم داشت و عدم سنکرون بودن در نواحی قلب ایجاد بلوک­های دهلیزی-بطنی می­کند که از جمله بیماریهای بسیار خطرناک قلب به شمار می­آید.

در ادامه بحث به توصیف سنکرون­سازی و سیستم آشوب می­پردازیم:

در مسأله سنکرون­سازی، یک سیستم آشفته به عنوان سیستم راه­انداز و سیستم آشفته دیگر به عنوان سیستم پاسخ در نظر گرفته می­شود و فرض بر این است که دو سیستم کاملاً یکسان می­باشند. آنگاه یک سیگنال خروجی از سیستم راه­انداز جهت راه­اندازی سیستم پاسخ ارسال می­شود. حال باید با استفاده از این سیگنال و اعمال یک کنترل مناسب بر روی آنها، متغیر حالت سیستم پاسخ پس از یک زمان گذر، به متغیرهای حالت سیستم راه انداز همگرا شود.

مسأله سنکرون­سازی آشوبی مسأله پیچیده است . برای این کار از بین سیستم­های آشوبی زیادی که وجود دارد، سیستم راسلر را انتخاب نمودیم. در این تحقیق با استفاده از الگوریتم ژنتیک به سنکرون­سازی سیستم راسلر و یکسان شدن پارامترهای مجهول سیستم پاسخ با سیستم راه انداز و صفر شدن خطا می­پردازیم.

الگوریتم ژنتیک با قابلیت جستجوی سراسری، زمان سنکرون سازی را کاهش می­دهد.

دانلود تحقیق آشنایی با الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه ی Curve Fitting

اختصاصی از اس فایل دانلود تحقیق آشنایی با الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه ی Curve Fitting دانلود با لینک مستقیم و پر سرعت .

فصل اول

آشنایی با برخی از انواع الگوریتم¬های بهینه سازی

مقدمه ای بر بهینه سازی
بهینه سازی در ادبیات مهندسی به فرآیند بهتر کردن هر چیزی اطلاق می شود. یک مهندس و یا یک محقق ایده جدیدی خلق می کندو بهینه سازی به این ایده خلق شده کیفیت می بخشد در فرآیند بهینه سازی تغییراتی بر روی ایده اولیه انجام می شود و با نتایج حاصل از این تغییرات ایده اولیه بهبود می یابد. مادآمی که بتوان ایده مورد نظر را در غالب الکترونیکی نوشت کامپیوتر وسیله ای مناسب برای بهینه سازی خواهد بود. در زبان برنامه نویسی و ریاضیات بهینه سازی را فرآیند تعریف می کنند که در آن از طریق انتخاب و طراحی ساختارهای داده¬ای الگوریتم ها و دستورالعمل های مناسب به تولید برنامه های کار آمد(کوچکتر یا سریعتر)دست پیدا کرد. در تعاریف دیگر در بحث بهینه سازی در علوم مهندسی بهینه سازی به معنای رسیدن به وضعیتی بهینه در محاسبات مربوط میباشد که در آن کمترین محاسبه و بیشترین میزان بازدهی میسر می شود. در دهه های اخیر همزمان با مطرح شدن مسا ئل بهینه سازی جدید، روش های جدید بهینه سازی نیز ابداع شدند. مهمترین گروه از این روشهای بهینه سازی روش های تکاملی می باشند که توانایی حل مسائل با ابعاد بزرگ و تعداد متغیرهای زیاد را دارا هستند از سوی دیگر مسائل مورد توجه در علوم مهندسی ازجمله مسائلی هستند که غالبا دارای متغیرهای زیاد می باشند. در این بحث بهینه سازی توابع مطرح میباشد، از این رو استفاده از روشهای تکاملی چندگاه در این گونه مسائل در سال های اخیر مورد توجه قرار گرفته است به همین دلیل در حل مسائل تک هدف مهندسی از الگوریتم بهینه سازی ذرات استفاده بسیاری  شده است بهینه سازی توابع ریاضی و یافتن و رسم یک سری اطلاعات در برخی از اطلاعات و داده های غیر خطی از مسائلی  بوده که همواره این مسائل مد نظر می باشد .که الگوریتم ها شامل 1- الگوریتم فرا اکتشافی است که از حرکت گروهی از پرندگان یا ماهی ها می باشد 2- الگوریتم ژنتیک، الگوریتم ژنتیک تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این الگوریتم برای اولین بار توسط جان هلند معرفی شد. 3-الگوریتم تکاملی کاربرد این روش ها و بهینه سازی و یافت تابع مورد نظر توجه بسیاری از محققین قرار گرفته است.    

                                                                                      
1- 1 الگوریتم اجتماع پرندگان  
 الگوریتم بهینه سازی ذرات ،یک الگوریتم بهینه سازی فرا اکتشافی است که از حرکات گروهی از پرندگان یا دسته ای از ماهیان که به شکل گروهی زندگی می کنند، الگوبرداری شده است. این الگوریتم از مفهوم اثر متقابل اجتماعی برای حل کردن مسئله استفاده می کند. در واقع این الگوریتم رفتار گروهی از پرندگان را شبیه سازی می کند به سنا ریو زیر توجه کنید:                                            
   یک گروه از پرندگان بطور تصادفی در حال جستجوی غذا دریک ناحیه می باشند و تنها یک قطعه غذا در ناحیه مورد جستجو قرار دارد و هیچ یک از پرندگان اطلاعی از مکان غذا ندارند اما می دانند که در هر مرحله چه فاصله ای از غذا دارند. در واقع مسئله در اینجا یافتن بهترین راه برای پیدا کردن غذا می باشد. یک روش موثر دنبال کردن پرندگانی می باشد که کمترین فاصله را با غذا دارند pso  مانند همه ی الگوریتم های تکاملی دیگر، با ایجاد یک جمعیت تصادفی از افراد شروع می شود که در اینجا با عنوان یک گروه از ذره ها خوانده می شوند. مشخصات هر ذره در گروه براساس مجموعه ای از پارامتر ها تعیین می شود. در این روش هر ذره یک نقطه از فضای جواب مسئله را نشان می دهد .هر کدام از ذرات دارای حافظه هستند یعنی بهترین موقعیتی که در فضای جستجو به آن می رسند را بخاطر می سپارند. به طور کلی این الگوریتم از یک مجموعه از نقاط(ذره)به مجموعه ای دیگر از نقاط در یک تکرار واحد، حرکت می کند که به طور احتمال با استفاده از ترکیب قوانین بهبودهایی حاصل می دهد.
در واقع یک الگوریتم رایانه‌ای مبتنی بر جمعیت برای حل مسئله ‌است. این تکنیک ها بسیار رشد کرده‌اند و نسخه اصلی این الگوریتم به طور واضحی در نسخه ‌های امروزی قابل شناخت است. تاثیر گذاری اجتماعی و یاد گیری اجتماعی یک شخص را قادر میسازد تا ثبات دانستنی‌هایش را برقرار سازد. انسانها مسائل شان را به کمک صحبت با دیگران و نیز به کمک برهم کنش با باورهای شان، گرایش هایشان و تغییر رفتارشان حل می کنند؛ این تغییرات را می توان به طور نمونه به شکل حرکت افراد به سوی یکدیگر در فضای آگاهی اجتماعی مجسم کرد. ساختار ارتباطی یا شبکه اجتماعی برای واگذار کردن هر همسایگی به یک فرد تعریف شده تا آن فرد با آن همسایگی بر هم کنش داشته باشد. سپس گروه کارگزاران به عنوان مهمان های سر زده برای راه حل‌های مسئله تعریف میشوند که آنها را به نام "ذرات" نیز می شناسیم؛ از این رو آنها را "ذرات دسته جمعی" نام نهاده ایم. یک فرآیند تکراری برای بهبود کاندیداها در طی حرکت ذرات در نظر گرفته شده ‌است. ذرات مکررا شایستگی راه حلهای کاندیدا را ارزیابی میکنند و موقعیتی را که در آن بهترین موفقیت را داشته‌اند، به خاطر می سپارند. بهره راه حل کارگزاران "بهترین ذره" یا "بهترین محل" نامیده میشود. هر ذره این اطلاعات را برای دیگر ذرات موجود در همسایگی قابل دسترسی میکند.
همچنین آنها نیز میتوانند ببینند که دیگر ذرات موجود در همسایگی در کجا بهترین موفقیت را داشته‌اند.
PSO تحت نامهای مختلفی همچون الگوریتم انبوه ذرات، الگوریتم ازدحام ذرات و الگوریتم پرندگان درایران شناخته شده است.عبارت Swarm در زبان انگلیسی به اجتماع دسته انبوهی از جانوران و حشرات اشاره می کند. در زیر یک swarm از زنبور ها را می بینید.
 
شکل(1)_تصویر یک swarm  از زنبورها
چون منبع این الگوریتم  از رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهی‌ها بود، از این رو PSO نیز با یک ماتریس جمعیت تصادفی اولیه، شروع میشود. برخلاف الگوریتم ژنتیک ، PSO هیچ عملگر تکاملی همانند جهش و تزویج ندارد. در واقع الگوریتم PSO از تعداد مشخصی از ذرات تشکیل می شود که به طور تصادفی، مقدار اولیه می گیرند. برای هر ذره دو مقدار وضعیت و سرعت، تعریف می شود که به ترتیب با یک بردار مکان و یک بردار سرعت، مدل می‌شوند. این ذرات، بصورت تکرارشونده ای در فضای  n ‌بعدی مسئله حرکت می کنند تا با محاسبة مقدار بهینگی به عنوان یک ملاک سنجش، گزینه‌های ممکن جدید را جستجو کنند. بُعد فضای مسئله، برابر تعداد پارامترهای موجود در تابع مورد نظر برای بهینه سازی می باشد. یک حافظه به ذخیرة بهترین موقعیت هر ذره در گذشته و یک حافظه به ذخیرة بهترین موقعیت پیش آمده در میان همة ذرات، اختصاص می‌یابد. با تجربة حاصل از این حافظه ها, ذرات تصمیم می گیرند که در نوبت بعدی، چگونه حرکت کنند. در هر بار تکرار، همة ذرات در فضای n  بعدی مسئله حرکت می کنند تا بالاخره نقطة بهینة عام، پیدا شود. ذرات، سرعت‌هایشان و موقعیت‌شان را بر حسب بهترین جواب‌های سراسری و محلی به‌روز می‌کنند. الگوریتم PSO، بردار سرعت هر ذره را به‌روز کرده و سپس مقدار سرعت جدید را به موقعیت و یا مقدار ذره می‌افزاید. به‌روز کردن‌های سرعت، تحت تأثیر هر دو مقدار بهترین جواب محلی و بهترین جواب مطلق قرار می‌گیرند. بهترین جواب محلی و بهترین جواب مطلق، بهترین جوابهایی هستند که تا لحظه‌ی جاری اجرای الگوریتم، به ترتیب توسط یک ذره و در کل جمعیت به دست آمده‌اند. مزیت اصلی PSO این است که پیاده‌سازی این الگوریتم ساده بوده و نیاز به تعیین پارامتر‌های کمی دارد. همچنین PSO قادر به بهینه‌سازی توابع هزینه‌ی پیچیده با تعداد زیاد مینیمم محلی است.]1[
1-2 الگوریتم ژنتیک
الگوریتم ژنتیک تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی  مانند وراثت و جهش استفاده می‌کند.
 در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.  مختصرا گفته می‌شود که الگوریتم ژنتیک یا GA یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.
اخیرا الگوریتم های ژنتیک توجهات زیادی را به خود معطوف کرده اند. در حال حاضر آنها کاربردهای موفق بسیاری دارند. الگوریتم های ژنتیک، گونه ای از الگوریتم های جستجو هستند که برخی از فرآیندهای تکامل طبیعی را به شکل اولیه نشان می دهند. الگوریتم های ژنتیک معمولاً مکانیسم های جستجوی مؤثری را بدست می آورند که می توانند برای بهینه سازی و طبقه بندی کار کردها بکار گرفته شوند. الگوریتم های ژنتیک به جای یک تک نقطه با مجموعه ای از نقاط کار می کنند که هر نقطه در حقیقت برداری در فضا است که نشانگر یک راه کار بالقوه یا گزینشی برای مسئله‏ی بهینه سازی می باشد.
یک مجموعه، تنها دسته، یا گروهی از بردار ها در فضا است. هر بردار در مجموعه یک فرد و گاهی یک کروموزوم نامیده می شود. از آنجا که اعداد حقیقی در الگوریتم های ژنتیک با استفاده از اعداد باینری، رمز گذاری میشوند، چند بعدی بودن بردار مسئله می تواند متفاوت از چند بُعدی بودن یک رشته بیت کروموزوم باشد. تعداد عناصر (اجزاء) در هر بردار (فرد) برابر است با تعداد پارامترهای حقیقی در مسئله ی بهینه سازی.
هر یک عنصر از بردار، عموماً با یک پارامتر یا بُعد از بردار عددی متناظر است. هر عنصری می تواند با هر تعداد از بیت ها (bits) رمز گذاری شود که این بستگی به نمایش هر پارامتر دارد. تعداد کلّی بیت ها می تواند بُعد ابر فضای مورد جستجو را تعریف کند.
سری عملیاتی که در زمان اجرای یک الگوی الگوریتم ژنتیک انجام می شود، بدین صورت است:
1- تعیین مجموعه
2- محاسبه‏ی تناسب (fitness) برای هر فرد در مجموعه
3- بازسازی افراد منتخب برای تشکیل یک مجموعه ی جدید
4- ایجاد دوگانگی و جهش در مجموعه
5- بازگشت به مرحله ی دوم تا زمانی که شرایط خاص برقرار شود.
دو مرحله ی اصلی برای تبدیل یک مسئله بهینه سازی تکاملی عبارتست از نمایش کروموزوم و ارزیابی کروموزوم.
در مرحله اول که مختص مسئله است هر راه حل مسئله ی بهینه سازی به شکل یک رشته ی باینری (یعنی یک کروموزوم) ارائه می گردد.
در مرحله دوم یک تابع ارزیابی که بصورت تابع تناسب عمل می کند، به منظور مقایسه ی کروموزوم ها در فرآیند تکامل ارائه می شود. رمز گذاری مسئله و انتخاب تابع صحیح تناسب دارای تأثیرات مهمی بر موفقیت روش الگوریتم ژنتیک هستند.]2[
1-3 الگوریتم کلونی مورچه ها
این روش از توانائی مورچه‏ها در پیدا کردن کوتاه ترین مسیر بین لانه و یک منبع غذایی الهام گرفته است. وقتی مورچه‏ها در محیط اطراف حرکت می‏نمایند، اثری شیمیایی به نام فرومون از خود به جای می‏گذارند. وقتی جمعیتی از مورچه‏ها از چند مسیر بین لانه و یک منبع غذایی حرکت می‏کنند، پس از مدت زمانی معینی مشاهده می‏شود که در مسیر‏های متفاوت مقدار فرومون‏های بر جای گذاشته شده، متفاوت می‏باشد. این امر ناشی از این واقعیت است که مورچه‏هایی که در مسیر کوتاه‏تر حرکت می‏کنند، به علت کوتاه تر بودن مسیر دریک مدت زمان معین تردد بیشتری داشته‏اند.چون مورچه‏ها ذاتاً مسیری را انتخاب می‏کنند که دارای فرومون بیشتری است، پس مدت زمانی معین مشاهده می شود که مورچه‎ها، مسیر کوتاه تر را انتخاب کرده‎اند. با استفاده از روش مورچه‎ها، روش جستجوئی پیاده سازی می‎شود که هر مرحله‏ای از اطلاعات مراحل قبلی برای رسیدن به هدف استفاده می نماید. برای فهم بهتر الگوریتم بهتراست به طراحی مسئله فروشنده دوره گرد بوسیله کلونی مورچگان مراجعه کنید.مسئله فروشنده دورگرد عبارت است از یافتن مسیری شامل تمام شهرها به طوری که مسیر حاصل دارای کمترین طول باشد. به این منظور هر مورچه در شهری که به طور تصادفی انتخاب شده است قرار داده می‏شود. در این سیستم بسته هر مورچه حافظه‏ای دارد که اطلاعات را در مورد تور خود ذخیره می‏نماید. این شهرها نقاط شروع هستند. مورچه‏ها به صورت احتمالی شهرهای بعدی را انتخاب می‏نمایند تا جائی که هر مورچه تمام شهرها را ملاقات نماید.
همانطور که می¬ دانیم مسئله یافتن کوتاهترین مسیر، یک مسئله بهینه سازی است که گاه حل آن بسیار دشوار است و گاه نیز بسیار زمان براست. برای مثال مسئله فروشنده دوره گرد را نیز میتوان مطرح کرد. در این روش(ACO)، مورچه های مصنوعی به وسیله‌ حرکت بر روی نمودار مساله و با باقی گذاشتن نشانه‌هایی بر روی نمودار، همچون مورچه های واقعی که در مسیر حرکت خود نشانه‌های باقی میگذارند، باعث میشوند که مورچه های مصنوعی بعدی بتوانند راه‌حل‌های بهتری را برای مساله فراهم نمایند. همچنین در این روش میتوان توسط مسائل محاسباتی-عددی بر مبنای علم احتمالات بهترین مسیر را در یک نمودار یافت.

فهرست مطالب
فصل اول: "آشنایی با برخی ازانواع  الگوریتم های بهینه سازی "   
مقدمه ای بر بهینه سازی  
1- 1 الگوریتم اجتماع پرندگان(particle swarm optimization Algorithm - pso)  ..............3                                
1-2 الگوریتم ژنتیک(Genetic Algorithm - GA)...................................................6
1-3 الگوریتم کلونی مورچه ها(Aco- Ant colony optimization Algorithm )..................7
1-4 الگوریتم کلونی زنبور عسل(Abc-Artificial bee colony algorithm)........................11
1-5 الگوریتم چکه های آب هوشمند یا چکاه(Intelligent water Drops Algorithm -Iwd)........13
فصل دوم : " الگوریتم(particle swarm optimization - pso) و  
           "  Cooperative Particle swarm optimization – cpso) (
مقدمه
2-1 ماهیت الگوریتم..................................................................................................17
2-2 مفاهیم اولیه.....................................................................................................19
2-3 فلو چارت.........................................................................................................20
2-4 اطلاعات فنی.....................................................................................................21
2-5 ساختار کلی .....................................................................................................22
2-6 قاعده کلی توپولوژی همسایگی................................................................................23
2-7 نکات کلیدی .....................................................................................................26
2-7-1 خاصیت هوش جمعی........................................................................................26
2-7-2  هوش ذرات.................................................................................................26
2-7-3 کنترل الگو ریتم.............................................................................................26
2-7-4 تعداد ذرات.................................................................................................27
2-7-5 محدوده ی ذرات...........................................................................................27
2-7-6 شرایط توقف.................................................................................................27
2- 8 مزایا و کاربردهای الگو ریتم..................................................................................27
2-9 ذرات swarm در تعدادی فضای واقعی.......................................................................28
2-10مثال هایی از حرکت ذرات....................................................................................37

2-10  مثالی از پرواز پرندگان برای یافتن غذا......................................................................38
2-11 الگوریتم   Cooperative Particle swarm optimization ................................................42
2-12 معرفی نرم افزار بکار رفته در شبیه سازی پروسه............................................................45
فصل سوم: به " بکار گیری   cpsoو pso در پروسه ی Curve Fitting"
مقدمه
3-1 ماهیت کار.......................................................................................................47
3-2 مراحل انجام کار به کمک الگوریتمpso.......................................................................48
3-2-1 بدست آوردن تابع برازندگی...............................................................................52
3-2-2 مشخص کردن اندازه جمعیت اولیه و ابعاد آن............................................................53
3-2-3 بررسی خروجی های بدست آمده از تابع Fitnessدر تکرار اول........................................53
3-2-4 ایجاد لیست اول جهت نگهداری خروجی های بدست آمده.............................................54
3-2-5 پیدا کردن بهترین خروجی تابع Fitness و یافتن مکان آن در لیست اول...............................54
3-2-6 آبدیت کردن سرعت و مکان ذرات با توجه به اینکه  سرعت اولیه ذرات قبلا تعریف ....................55
3-2-7 ایجاد لیست دوم جهت نگهداری خروجی های تابع Fitness در تکرار دوم.............................56
3-2-8 پیدا کردن مکان بهترین ذره در جمعیت دوم.............................................................56
3-2-9 مقایسه خروجی های تابع Fitness در دو تکرار اول.....................................................56
3-2-10 پیدا کردن بهترین ذرات در دو جمعیت اول و دوم و تولید جمعیت سوم...............................56
3-2-11 محاسبه تابع Fitness برای جمعیت سوم.................................................................57
3-2-12 تکرار از مرحله پنجم الی یازدهم تا رسیدن به نقاط بهینه..............................................57
3-3 مراحل انجام کار برای الگوریتمcpso........................................................................57
فصل چهارم : نتایج
4-1 انجام پروسه توسط الگوریتم  pso............................................................................60
4-2 انجام پروسه توسط الگوریتم cpso..........................................................68
4-3 بررسی تفاوت بین   psoوcpso..............................................................71
فصل پنجم: نتیجه گیری و پیشنهاد
5-1 نتیجه گیری...................................................................................73
5-2 پیشنهاد.......................................................................................76
مراجع.........................................................................................79
پیوست..................................................................................................81

شامل 93 صفحه Word

مقایسه روش های سنتی و برنامه ریزی ریاضی در طراحی بهینه سیستم تونل انحراف سدها

اختصاصی از اس فایل مقایسه روش های سنتی و برنامه ریزی ریاضی در طراحی بهینه سیستم تونل انحراف سدها دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله :مقایسه روش های سنتی و برنامه ریزی ریاضی در طراحی بهینه سیستم تونل انحراف سدها 

محل انتشار: دهمین کنگره بین المللی مهندسی عمران تبریز

تعداد صفحات:8

نوع فایل :  pdf