دانلود پاورپوینت الگوریتم ژنتیک

اختصاصی از اس فایل دانلود پاورپوینت الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

 دانلود پاور پوینت الگوریتم ژنتیک 

 شامل 50 اسلایدpower point 

 

استراتژیهای جستجو (مقدمه)

الگوریتمهای تکاملی (پیشینه‏ کاری)

الگوریتمهای ژنتیک

 چند اصطلاح

آشنایی با الگوریتم های ژنتیک

ساختار الگوریتم های ژنتیک

عملگر های الگوریتم ژنتیک

مزایای الگوریتم ژنتیک

معایب و اشکالات وارد به الگوریتم های ژنتیک

برنامه نویسی  ژنتیک

تاریخچه

قدم های اولیه برنامه نویسی ژنتیک

برنامه نویسی ژنتیک

مشکلات برنامه نویسی ژنتیک 

کاربرد ها

مراجع

 

الگوریتم های ژنتیک یکی از شاخه های پردازش تکاملی می باشند.

 

این الگوریتم ها با الهام از روند تکاملی  طبیعت مسائل را حل می نمایند .

 یعنی مانند طبیعت یک جمعیت از موجودات را تشکیل می دهند و با اعمالی بر روی  این مجموعه به یک مجموعه بهینه و یا موجود بهینه دست می یابند.

با توجه به خصوصیات خاص خودشان به خوبی از عهده حل مسائلی که نیاز به بهینه  سازی  دارند بر می آیند.

 

روش های انتخاب والدین

 

انتخاب تمام جمعیت بعنوان والدین:

در واقع هیچگونه انتخابی انجام نمی دهیم  (همه عناصر انتخاب می شوند) .

انتخاب تصادفی:

 بصورت تصادفی تعدادی از موجودات جمعیت را بعنوان والدین انتخاب می کنیم، این انتخاب می تواند با جایگذاری یا بدون جایگذاری باشد.

 در این روشها عناصر با شایستگی بیشتر شانس بیشتری برای انتخاب شدن بعنوان والدین را دارند.

سایر روشها:

 این روشها با استفاده از تکنیک هایی سعی می کنند که انتخاب هایی را ارائه دهند، که هم رسیدن به جواب نهایی را تسریع کنند و هم اینکه کمک می کنند که جواب بهینه تری پیدا شود.

معمول ترین  روش های انتخاب

 Elitist Selection

مناسب‌ترین عضو هر اجتماع انتخاب می‌شود.

Selection Roulette

یک روش انتخاب است که در آن عنصری که عدد پردازش (تناسب) بیشتری داشته باشد، انتخاب می‌شود.

ScalingSelection

به موازات افزایش متوسط عدد برازش جامعه، سنگینی انتخاب هم بیشتر می‌شود و جزئی‌تر. این روش وقتی کاربرد دارد که مجموعه دارای عناصری باشد که عدد برازش بزرگی دارند و فقط تفاوت‌های کوچکی آن‌ها را از هم تفکیک می‌کند.

Tournament Selection

یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیر‌گروه برای تولید انتخاب می‌شوند.

روش انجام عمل بازترکیبی

 

روش کار به صورت زیر است:

بصورت تصادفی یک نقطه از کروموزوم را انتخاب می کنیم

ژن های مابعد آن نقطه از کروموزوم ها را جابجا می کنیم

بازترکیبی تک نقطه ای (Single Point Crossover)

 اگر  عملیات بازترکیبی را در یک نقطه انجام دهیم به آن بازترکیبی تک نقطه ای می گویندو...

 برنامه نویسی ژنتیک به همراه یک مثال

روند اجرای الگوریتم های ژنتیک را بدین صورت در نظر گرفتیم :

1)  ایجاد یک جمعیت اولیه

2)  ارزیابی عناصر جمعیت

3)  بازترکیبی

4)  جهش

5)  تکرار موارد فوق تا زمانی که به نتیجه مورد نظر نرسیده ایم .

در رابطه با برنامه نویسی ژنتیک بازنمائی (ارئه مدل برای مساله) کروموزومها را بصورت درخت های تجزیه  درنظر می گیریم .

 

مثال) مساله یافتن برنامه ای برای محاسبه تابع XOR بااستفاده ازتوابع  AND،OR  وNOT را مطرح  و نشان می دهیم که الگوریتم به صورت نمادین، چگونه جواب مورد نیاز را پیدا خواهد کرد.

 جدول درستی برای توابع AND، OR، NOT و XOR به صورت زیر است :

برای حل مساله با استفاده از برنامه نویسی ژنتیک به این صورت عمل می کنیم که مجموعه عملگرهای منطقی {AND, OR, NOT} را به عنوان توابع برنامه و مجموعه {A, B, True, False} را به عنوان عناصر پایانی مطرح می کنیم. دو نکته در اینجا مهم است ، که اولاً هر ترکیبی از توابع که در درخت تجزیه وارد شود قابل ارزیابی است و باعث بروز خطا نمی شود و دوم اینکه مساله با استفاده از توابع و پایانی هایی که ذکر شده است، قابل بازسازی است.و.....

دانلود تحقیق درباره ژنتیک مولکولی

اختصاصی از اس فایل دانلود تحقیق درباره ژنتیک مولکولی دانلود با لینک مستقیم و پر سرعت .

(رمز ژنتیکی، فرآیند ترجمه و کنترل تظاهر ژن)

رمز ژنتیکی عبارت است از تعداد، نوع و ترتیب نوکلئوتیدها در mRNA که طی فرآیند ترجمه ترتیب قرار گرفتن زیر واحدهای سازنده پروتئین یعنی اسید آمینه ها را در زنجیره پلی پپتید تعیین می کند. قبل از بررسی چگونگی ساخته شدن پروتئین ها لازم است اصول اساسی در ساختمان پروتئین یادآوری گردد.

1ـ ساختمان پروتئین ها

ابتدا لازم  است تفاوت بین پلی پپتید و پروتئین مشخص شود. هر دو این مولکول ها پلیمر هستند و از تعدادی مولکول مونومو تشکیل شده اند که اسید آمینه نامیده می شوند، ولی تفاوت می شوند، ولی تفاوت آنها در ساختار و توانائی مییزان فعالیتشان است. از نظر ساختاری، مولکولی که پس از فرآیند ترجمه تولید می شود پلی پپتید نام دارد و ساختمان اولیه پروتئین را تشکیل می دهد. پس از جدا شدن از ریبوزوم، پلی پپتید دچار پیچ و تاب و تاخوردگی می شود و ساختمان سه بعدی پیدا می کند و در بسیاری از موارد چندین پلی پپتید به هم پیوسته و مولکولی را به وجود می آورند که توانائی فعالیت داشته و پروتئین نامیده می شود. ساختار سه بعدی برای فعال بودن مولکول ضروری است.

زنجیره های پلی پپتیدی پروتئین ها، همانند اسید نوکلئیک ها، پلیمرهای خطی هستند. تعداد بیست اسید آمینه مختلف در ساختار مولکول های پروتئینی یافت می شوند. ساختمان هر یک از آنها شامل یک اتم از کربن مرکزی است که به آن چهار گروه زیر متصل شده اند:

1ـ یک اتم هیدروژن

2ـ یک گروه کربوکسیل (-COO-)

3ـ یک گروه آمینو (-NH2)

4ـ گروه R که در مورد هر اسید آمینه متفاوت است.

گروه R در اسیدهای آمینه مختلف از لحاظ ترکیب شیمیائی متفاوت است و هر گروه R دارای خصوصیت شیمیائی مخصوص به خود است. در شکل 14ـ1 بیست گروه مختلف R نشان داده شده است. اسید آمینه ها بر اساس خصوصیات گروه R خود به چهار گروه اصلی تقسیم می شوند که عبارتند از: 1ـ غیر قطبی، آب گریز، 2ـ قطبی، آب دوست، 3ـ دارای بار الکتریکی منفی و 4ـ دارای بار الکتریکی مثبت. پلی پپتیدها پلیمرهای طویلی هستند که معمولاً کمتر از هزار واحد طول دارند.

شامل 15 صفحه فایل word قابل ویرایش

مقاله کامل در مورد الگوریتم های ژنتیک

اختصاصی از اس فایل مقاله کامل در مورد الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 44

کار برد های GA

برخی از مهم تر ین کار بردهای GA در علوم مختلف عبارتند از:

زمینه

کاربرد

کنترل:

خطوط انتقال گاز – پرتاب موشک – سیستم های تعادلی – رهگیری و ...

طراحی :

طراحی هواپیما – طراحی مدارات VLSI – شبکه های ارتباطی و ...

مدیریت و برنامه ریزی :

برنامه ریزی تولید – زمان بندی – تخصیص منابع و ...

روباتیک:

مسیر حرکت روبات ...

یادگیری ماشین :

طراحی شبکه های عصبی – الگوریتم های طبقه بندی و ...

پردازش سیگنال:

طراحی فیلتر و ...

سایر موارد:

هنر و موسیقی – حل مسئله فروشنده دوره گرد – مسیر یابی در شبکه ها و ...

طراحی آنتن

سیستم های ارتباط ماهواره ای از آنتنها برای دریافت سیگنال های ارسال شده از ماهواره استفاده می کنند . هر آنتن دارای یک Main  Beam  و تعدادی Sidelobe است .قسمت Main  beam که در جهت ماهواره قرار می گیرد دارای بهره (gain)  بالایی است تا بتواند سیگنال های ضعیف را تقویت کند . اما Sidelobe ها دارای بهر ه های پایینی هستند . بر خلاف Main  beamدر جهت های مختلفی قرار می گیرند . شکل زیر یک آنتن را با Sidelobe و Main  beam آن نشان می دهد .

مشکل این جا است که امکان ورود سیگنال ها ی ناخواسته قوی به داخل Sidelobe ها و یا ورود سیگنال های اصلی ضعیف به داخل Main  beam وجود دارد . فرض کنیم که  Main  beam یک آنتن ماهواره ای در راستا و جهت ماهواره قرار گرفته باشد .  سیگنال ها ی ماهواره بسیار ضعیف هستند زیرا از فاصله بسیار دور و با قدرت کمی ارسال می شوند اگر یک تلفن بی سیم نیز با همان فرکانس ماهواره در نزدیکی آن کار کند ممکن است سیگنال ها ی تلفن  وارد Side lobe آنتن شده و باعث تداخل با سیگنال های اصلی گردد . بنا بر این مهندسان افزایش بهره Main  beam و کاهش بهره Side lobe هستند .

یک نوع از آنتن ها (Antenna   array) است . ویژگی این آنتن ها توانایی آنها را در کاهش بهرة  Side lobeها است . در حقیقت این نوع آنتن یک گروه از آنتن های تکی هستند که سیگنال های آنها را با هم جمع کرده و یک خروجی را تولید می کند .

سیگنال های دریافتی در هر آنتن دارای یک دامنه و فاز است که یک تابعی از فرکانس، موقعیت آنتن و زاویه ارسال سیگنال ها است .

خروجی این آنتن یک تابعی از سیگنال های در یافتی در هر آنتن است . بنا بر این با توجه به مقدار دامنه های سیگنال برای آنتن ها ممکن است باعث کاهش یا حذف Side lobe شود. در این مثال نشان می دهیم که چگونه می توان با استفاده از GAبه طراحی شبکه آنتن با Side lobe کم پرداخت .

مدل این آرایه خطی در راستای محور X و به صورت زیر است :

فرمول ریاضی در این خصوص برای حالتی که Main  beamبه صورت 90 درجه باشد برابر است با :

AF (  ) =  ei(n-1)                                                                                    (8-1)

که در این معادله :

N :تعداد آنتن ها

an: دامنه وزن دهی شده برای am =an+ 1-m که m = 1,2 ,… , N/2

: طول موج

d: فاصله بین آنتن ها

   : زوایه موج میدان الکترو مغناطیس

    =Kdu = Kdcos 

K= 2

هدف در این مسئله پیدا کردن an به گونه ای است که حداقل سطحSide lobe در الگوی آنتن وجود داشته باشد .

یک راه برای مسئله تولید Side lobeهایی برابر-   و پایین پیک Main  beam است به عبارت دیگر هیچگونهSide lobe ای وجود نداشته باشد .

روش حل این مسئله را شبکه دو جمله ای و وزن های دامنه سیگنال را ضرایب دو جمله ای می گویند ، بنا بر این یک آرایه 5 عضوی با وزن هایی که به عنوان ضرایب چند جمله ای در نظر گرفته شده است ، با پنج ضریب در نظر می گیریم .

ضرایب یک معادله چند جمله ای ، از مرتبه (N-1)یا وزن های دو جمله ای یک آرایه N عنصری همان ضرایب چند جمله ایN-1 (Z+1)   مفروض برای N ردیف مثلث پاسکال هستند .                        1                     

                                                        1     1 

                                                    1      2       1

                                                1       3     3       1

                                            1        4      6       4     1

                                             .

                                             .

                                             .    

در اولین تلاش اقدام به حذف Side lobe های یک آرایه 42 تایی با d=0.5 می کنیم .

هر دو روش الگوریتم ژنتیک پیوسته و باینری در پیدا کردن یک محدود کننده دامنه نوسان که حداکثر سطح Side lobeآن کمتر از 4db- و پایین پیک ، Main  beam باشد ناکار آمد هستند و این موضوع ناامید کننده است . مشکل احتمالا" به خاطر تابع هزینه است . تابع هزینه ما برابر با ماکزیمم سطح Side lobeمعادله (8-1) با پارامتر anاست . پیاده کردن این فرمول مشکل و همراه با جواب های نا خواسته ای خواهد بود که منجر به منحرف شدن GA می گردد .

 اما تابع هزینه دیگری وجود دارد که عملکرد بهتری دارد .

این روش همان تبدیل  zبرای معادله 8-1 است . بنا بر این با جایگذاری مقدار            

در معادله فوق خواهیم داشت :

AF

تابع هزینه حداکثر سطح Side lobe معادله فوق است که  به عنوان پارامتر آن در نظر گرفته می شود . شکل 50 همگرایی GAپیوسته را با تعداد 21 متغیر و تعداد 8 کروموزوم در Mating  pool  و  نشان می دهد .

و برای این روش GAباینری نیز جواب به صورت شکل 51 در می آید :

 هر الگوریتم پس از 10 بار تکرار و با تولید مقادیر به صورت تصادفی اجرا می شود . شکل زیر نتیجه میانگین هزینه را پس از 75 نسل برای این دو الگوریتم نشان می دهد :

همان طور که در شکل مشخص است ، روش باینری از این روش پیوسته جلو افتاده است. اما چرا ؟ شاید یک دلیل آن اندازه فضای جستجو باشد.

مسئله فروشنده دوره گرد TSP  

این مسئله یکی از مسائل مشهور در بهینه سازی و در بسیاری از رشته های مهندسی است که در طی چندین سال یک راه حل جامعی با استفاده از روش های کلاسیک بهینه سازی برای حل آن وجود نداشته است . هدف در این مسئله پیدا کردن کوتاه ترین مسیر برای فروشنده دوره گرد است که باید از N شهر بگذرد . این نوع مسئله در بسیاری از کاربرد های مهندسی مثل لوله کشی خطوط گاز ، طراحی آنتن ها، نحوه قرار گیری ترانزیستورها در مدارات VLSI و یا مرتب کردن اشیاء برای یک پیکره بندی خاص کاربرد دارد . اویلر در سال 1759 یک فرمی از این مسئله را ارائه کرد که در سال 1948 توسط شرکت Rand معرفی شد . مقدار تابع هزینه به فرم ساده برای این مسئله با توجه به مسافتی که فروشنده طی می کند با:

فرض موقعیت (  Xn ,yn  ) و N و ...وn=1 برابر است با :

که در این فرمول (  Xn ,yn ) مختصات و موقعیت n امین شهر است .

برای مثال ، فرض کنیم نقطه ابتدا و انتها برابر با :

 باشد از آنجایی که مسیر های محتمل بهینه بسیار زیادی با افزایش تعداد شهر ها به وجود می آید ، امکان حل این مسئله با استفاده از روش های بهینه سازی کلاسیک وجود ندارد . حتی در مقایسه با شبکه های عصبی الگوریتم ژنتیک نشان داده اند که در حل این مسئله بهتر عمل می کنند ! برای عملگر ادغام در حل این مسئله از روش جایگشتی (Permutation ) استفاده شده است و عملگر جهش ( موتاسیون ) به صورت تصادفی یک رشته را انتخاب کرده و بر روی آن عمل می کند .

برای مثال تعداد شهر ها را برابر با N =13 در نظر می گیریم که تعداد ترکیب های نقاطی که باید چک شود برابر است با :                            13!/2 = 3.1135* 109

برای شروع فرض می کنیم شهرها به صورت مستطیلی شکل و مطابق شکل زیر قرار گرفته باشند .

تعداد 200 کروموزوم و نرخ جهشی برابر با 04/0 پس از 35 نسل به صورت شکل می گردد :

حال فرم پیچیده تری را در نظر می گیریم . فرض کنیم 25 شهر به صورت تصادفی در یک مستطیلی با ابعاد 1*1 قرار گرفته اند . در این حالت برای 50 کروموزوم و با نرخ موتاسیون 04/0 پس از 130 نسل مقدار مینیمم به دست می آید . شکل زیر نحوه همگرایی الگوریتم را نشان می دهد :

و شکل نیز جواب بهینه ( بهترین مسیر) را نشان می دهد :  

یک نتیجه مهم : جمعیت های کوچک با نرخ موتاسیون بالا برابر حل مسائل جایگشتی

( Permutation )مناسب نیست .

رمز گشایی یک پیام سری :

در این مثال ، از روش GA پیوسته برای شکستن یک رمز استفاده می کنیم . یک پیام رمز شامل یکسری حروف جا به جا شده است که به صورت تصادفی و یا بر اساس یک متد خاص قرار گرفته اند . برای مثال :فرض کنیم تمام حروف dرا با حرف cو فضاهای خالی را با  qنشان دهیم . اگر پیام از همه حروف الفبا به علاوه فضای خالی استفاده کند . تعداد !27 ( فاکتوریل ) کد ممکن وجود دارد که فقط یکی از آنها درست است و اگر پیام از s سمبل استفاده کند تعداد !s - !27 کد ممکن وجود خواهد داشت .

بنابراین یک کروموزوم شامل 27 ژن با مقادیر واحدی از 1 تا 27 متناظر با حروف الفبا در نظر گرفته می شود . مثلا" 1 برای فضای خالی (space) 2 برای a و ...

مقدار تابع هزینه (Cost   function)مطابق فرمول زیر از تفاضل حدس (guess) از پیام (message) و جمع این مقادیر به دست می آید .

اگر مقدار Costصفر باشد ، یعنی پیام کشف شده است .

برای مثال فرض کنیم بخواهیم ببینیم GA برای رمز گشایی پیام :

"bonny and amy are our children"                                          

چگونه عمل می کند .

این پیام در مجموعه شامل 30 سمبل است .

 GAدر این مسئله با فرض جمعیت کروموزوم در mating  pool  برابر با 40 و نرخ جهشی برابر با 20/0پس از 68 نسل مطابق شکل زیر رمز به دست می آورد :

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

کتاب Genetics in Medicine زبان اصلی

اختصاصی از اس فایل کتاب Genetics in Medicine زبان اصلی دانلود با لینک مستقیم و پر سرعت .

Thompson & Thompson

Genetics in Medicine
سال انتشار:2016
چاپ هشتم 

Updated to reflect the newest changes in genetics, Thompson & Thompson's Genetics in Medicinereturns as one of the most favored texts in this fascinating and rapidly evolving field. By integrating theclassic principles of human genetics with modern molecular genetics, this medical reference book utilizes a variety of learning tools to help you understand a wide range of genetic disorders

حجم فایل: 33 مگابایت

مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی

اختصاصی از اس فایل مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی دانلود با لینک مستقیم و پر سرعت .

19 صفحه pdf

مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی مطالعه موردی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

چکیده مقاله:

پیش بینی ورشکستگی مدت هاست که به عنوان یکی از مهمترین موضوعات مهم در حوزه مدیریت مالی و شناخت فرصت های مطلوب سرمایه گذاری از فرصت های نامطلوب و جلوگیری از به هدر رفتن منابع مطرح است. لذا در این پژوهش سعی شده است تا با بهره گیری از مدل شبکه های عصبی و الگوریتم ژنتیک به مقایسه نتایج حاصل از پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته و همچنین از سوی دیگر با بکارگیری الگوریتم ژنتیک در توسعه تئوری ورشکستگی، راه های غلبه بر ضعف های روش های معمول پیش بینی ورشکستگی مورد بحث و بررسی قرار گیرد. نمونه مورد مطالعه در این پژوهش شامل 70 جفت شرکت ورشکسته و غیر ورشکسته طی بازه زمانی 1390-1380 است. با بررسی های انجام شده بروی اطلاعات مستخرج از صورت های مالی شرکتهای مورد نظر در نهایت 5 متغیر مالی بعنوان متغیرهای مستفل جهت استفاده در هر دو مدل شناسایی گردید. نتایج این پژوهش نشان داد که استفاده از الگوریتم ژنتیک در مقایسه با مدل شبکه های عصبی در پیش بینی ورشکستگی مالی بسیار موثر است بطوریکه این مدل توانست جهت پیش بینی صحیح ورشکستگی مالی شرکتها به ترتیب در دوسال قبل از سال مبنا، یکسال قبل از سال مبنا و سال مبنا به دقتی معادل 96/44 و 97/94 و 95/53 درصد دست یابد.