پایان نامه کامپیوتر - بهینه سازی الگوریتم ژنتیک برای اهداف چند منظوره

پایان نامه کامپیوتر بهینه سازی الگوریتم ژنتیک برای اهداف چند منظوره

پایان نامه کامپیوتر -80 صفحه

((فایل  Word و  قابل ویرایش می باشد.))

بعد از پرداخت به راحتی همان لحظه می توانید آن را دانلود کنید.

پایان نامه کامپیوتر-  بهینه سازی الگوریتم  ژنتیک برای اهداف چند منظوره

Optimization of genetic algorithm for multipurpose purposes

  قیمت انجام پایان نامه  از 100 هزار تومان تا 4 میلیون تومان متغیر است که پایان نامه های  آماده قیمت ناچیزی دارند.

پس منصف باشید و قیمت ها را با هم مقایسه کنید.

((((پایان نامه ها و تحقیق های تخصصی سایت حاصل زحمت محققین سایت می باشد و  اینترنتی نیست.))))

چکیده

الگوریتم‌ژنتیک بر خلاف دیگر روش‌های جستجو، که توسط طراحان نگاشته می‌شوند، در حقیقت به دست دستگاه آفرینش پدید آمده، و پس از شناخت نسبی دانشمندان از این روش به صورت مسأله‌ای ریاضی فرموله شده و وارد دانش مهندسی کامپیوتر و دیگر علوم مرتبط گردیده است. در یکی دو دهه گذشته که این الگوریتم در علوم مهندسی بکار گرفته شده، ناباورانه چنان دست‌آوردها و نتایج شگفت‌انگیزی داشته که نگاه بسیاری از دانش‌پژوهان علوم گوناگون فنی‌مهندسی را به خود جلب کرده است.

بهینه سازی این الگوریتم اساسی و پایه می تواند کمک شایانی به رشته های مرتبط با آن کند.

الگوریتم ژنتیک ابزاری می‌باشد که توسط آن ماشین می‌تواند مكانیزم انتخاب طبیعی را شبیه سازی نماید. این عمل با جستجو در فضای مسأله جهت یافتن جواب برتر و نه الزاماً بهینه صورت می‌پذیرد.الگوریتم ژنتیک را می‌توان یک روش جستجوی کلّی نامید که از قوانین تکامل بیولوژیک طبیعی تقلید می کند. در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند.

----  در این پایان نامه سعی شده است در نگاه کلی 30 مقاله را بطور اجمالی بررسی کرد و در فصل دوم 2 مقاله برگزیده را بررسی نمود.

فهرست مطالب:

چکیده

فصل اول-کارهای وابسته    

1-1-بهینه سازی كابرد زمینی چند منظوره 3 بعدی         

1-2-بهینه سازی چند منظوره آدرودینامیك با استفاده از الگوریتم ژنتیك موازی

1-3-الگوریتم های تكاملی چند منظوره : بررسی تكنولوژی جدید     

1-4-حل بهینه سازی چند منظوره محدود شده با الگوریتم های ژنتیك

1-5-سیستم ژنتیک فارسی برای بهینه سازی چند منظوره  

1-6-بررسی الگوریتم ژنتیک مختلف برای بهینه سازی چند منظوره 

1-7-استراتژی ژنتیکی فازی برای بهینه سازی چند منظوره           

1-8- مقایسه الگوریتم ژنتیکی تکاملی مشترک بهینه سازی چند منظوره         

1-9- بهینه سازی چند منظوره برای m=PDDTW          

1-10-GANETXL

1-11- بهینه سازی استفاده از زمین قابل نگهداری           

1-12-یک الگوریتم ژنتیکی چند منظوره معمولی غیر برگزیده برای بهینه سازی تکیه گاه کمپرسور محوره 

1-13- به چهار چوب اصولی برای حل مسائل بهینه سازی چند منظوره با استفاده از الگوریتم های ژنتیکی  

1-14-موازی ردن الگوریتم های ژنتیکی تکاملی چند منظوره        

1-15- بهینه سازی پارامتری چند منظوره براده برداری شار          

1-16- الگوریتم ژنتیکی چند منظوه با استفاده از رویکرد ممتاز مبتنی بر کلاس           

1-17-  بهینه سازی چند منظوره مجموعه های هم دسته (هم خوشه)

1-18- بهینه سازی چند منظوره با استفاده از الگوریتم های تکاملی برای کنترل کمی و کیفی جریان آب شهری          

1-19- بهینه سازی توپولوژی ساختار با استفاده از الگوریتم ژنتیکی چند منظوره با ارائه هندسی سه بعدی سازنده (مفید)          

1-20- یک الگریتم هیبرید. دسته بندی غیر غالب رای بهینه سازی چند منظوره مسائل مهندسی    

1-21- الگوریتم های ژنتیکی برای بهینه سازی چند منظوره : فرمول نویسی، بحث و تعمیم        

1-22- بهینه سازی چند منظوره با استفاده از الگوریتم های ژنتیکی  

1-23-مسائل آزمون چه خیره شده برای ارزیابی عملکرد الگوریتم بهینه سازی چند منظوره         

1-24- بهینه سازی چند منظورره مالی

1-25- الگوریتم ژنتیكی سلولی برای بهینه سازی چند منظوره        

1-26- بهینه سازی چند منظوره الگوریتم های ژنتیكی : یك  آزمایش

1-27- یك شیوه بهینه سازی چند منظوره برای مدیریت آب های زیر زمینی با استفاده از الگوریتم ‍ژنتیكی    

1-28- بهینه سازی چند منظوره خط سیرهای  با پیشرانه كم،‌ بااستفاده از یك هیتبرید الگوریتمی ‍ژنتیكی      

1-29- بهینه سازی شبیه سازی چند منظوره درر مدیریت پروژه نررم افزار    

فصل دوم-مقالات برگزیده    

2-1-مقدمه          

2-1-1- اساس بهینه سازی چند منظوره           

2-1-2- الگوریتم  

2-1-2-1– الگوریتم های ژنتیکی سلولی          

2-1-2-2- الگوریتم ژنتیکی سلولی چند منظوره :MOCell

2-1-3- نتایج محاسباتی      

2-1-4- مسائل تست          

2-1-5- سنجش عملکرد      

2-1-6-نتیجه گیری ها و کارهای آینده 

2-2-1- مقدمه      

2-2-2-اصلاح احتمال انتخاب برای منبع والدین 

2-2-3-آزمایشات محاسباتی  

2-2-4-نتیجه گیری           

فصل سوم-کاربردها           

3-1-طراحی خودرو          

3-2- طراحی مهندسی        

3-3- رباتیک       

3-4- سخت افزارهای قابل تکامل       

3-5-مسیریابی مخابرات تلفنی بهینه شده (مسیریابی مخابرات تلفنی و غیره از مسافت دور)          

3-6- طراحی مولکول ها به کمک کامپیوتر      

3-7- تعیین حالت ژن         

3-8-بهینه سازی تجزیه و تحلیل های جنبشی شیمیایی (کینتیک شیمیایی)       

3-9-امور مالی و استراتژی های سرمایه گذاری 

3-10-بازاریابی و تجارت    

منابع     

 

منابع

1.         Deb, K., Pratap, A., Agarwal, S., Meyarivan, T.: A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. on Evol. Computation 6(2), 182–197 (2002) CrossRef

2.         Knowles, J., Corne, D.: The pareto archived evolution strategy: A new baseline algorithm for multiobjective optimization. In: CEC 1999, pp. 9–105 (1999)

3.         Zitzler, E., Laumanns, M., Thiele, L.: SPEA2: Improving the strength pareto evolutionary algorithm. Technical Report 103, Computer Engineering and Networks Laboratory (TIK), Swiss Federal Institute of Technology (ETH) (2001)

4.         Jaeggi, D., Parks, G., Kipouros, T., Clarkson, J.: A multi-objective tabu search algorithm for constrained optimisation problems. In: Coello Coello, C.A., Hernández Aguirre, A., Zitzler, E. (eds.) EMO 2005. LNCS, vol. 3410, pp. 490–504. Springer, Heidelberg (2005)

5.         Nebro, A.J., Luna, F., Alba, E.: New ideas in applying scatter search to multiobjective optimization. In: Coello Coello, C.A., Hernández Aguirre, A., Zitzler, E. (eds.) EMO 2005. LNCS, vol. 3410, pp. 443–458. Springer, Heidelberg (2005)

6.         Alba, E., Tomassini, M.: Parallelism and Evolutionary Algorithms. IEEE Trans. on Evolutionary Computation 6(5), 443–462 (2002) CrossRef

7.         Cantú-Paz, E.: Efficient and Accurate Parallel Genetic Algorithms. Kluwer Academic Publishers, Dordrecht (2000)

8.         Manderick, B., Spiessens, P.: Fine-grained parallel genetic algorithm. In: Proc. of the Third Int. Conf. on Genetic Algorithms (ICGA), pp. 428–433 (1989)

9.         Whitley, D.: Cellular genetic algorithms. In: Forrest, S. (ed.) Proc. of the Fifth International Conference on Genetic Algorithms (ICGA), p. 658. Morgan Kaufmann, San Francisco (1993)

10.       Tomassini, M.: Spatially Structured Evolutionary Algorithms: Artificial Evolution in Space and Time. Natural Computing Series. Springer, Heidelberg (2005)

11.       Alba, E., Dorronsoro, B.: The exploration/exploitation tradeoff in dynamic cellular evolutionary algorithms. IEEE Trans. on Evol. Computation 9(2), 126–142 (2005) CrossRef

12.       Alba, E., Dorronsoro, B., Giacobini, M., Tomasini, M.: Decentralized Cellular Evolutionary Algorithms. In: Olariu, S., Zomaya, A.Y. (eds.) Handbook of Bioinspired Algorithms and Applications, pp. 103–120. CRC Press, Boca Raton (2006)

13.       Laumanns, M., Rudolph, G., Schwefel, H.P.: A Spatial Predator-Prey Approach to Multi-Objective Optimization: A Preliminary Study. In: Eiben, A.E., Bäck, T., Schoenauer, M., Schwefel, H.-P. (eds.) Parallel Problem Solving from Nature - PPSN V. LNCS, vol. 1498, pp. 241–249. Springer, Heidelberg (1998) CrossRef

14.       Murata, T., Gen, M.: Cellular Genetic Algorithm for Multi-Objective Optimization. In: Proc. of the 4th Asian Fuzzy System Symposium, pp. 538–542 (2002)

15.       Kirley, M.: MEA: A metapopulation evolutionary algorithm for multi-objective optimisation problems. In: CEC 2001, pp. 949–956. IEEE Computer Society Press, Los Alamitos (2001)

16.       Alba, E., Dorronsoro, B., Luna, F., Nebro, A.J., Bouvry, P., Hogie, L.: A Cellular Multi-Objective Genetic Algorithm for Optimal Broadcasting Strategy in Metropolitan MANETs. Computer Communications (To appear, 2006)

17.       Grimme, C., Schmitt, K.: Inside a predator-prey model for multi-objective optimization: A second study. In: Cattolico, M. (ed.) GECCO-2006, Seattle, Washington, USA, July 8–12 2006, pp. 707–714. ACM Press, New York (2006) CrossRef

18.       Nebro, A.J., Durillo, J.J., Luna, F., Dorronsoro, B., Alba, E.: A cellular genetic algorithm for multiobjective optimization. In: Pelta, D.A., Krasnogor, N. (eds.) NICSO 2006, pp. 25–36 (2006)

19.       Zitzler, E., Deb, K., Thiele, L.: Comparison of multiobjective evolutionary algorithms: Empirical results. IEEE Trans. on Evol. Computation 8(2), 173–195 (2000) CrossRef

20.       Huband, S., Barone, L., While, R.L., Hingston, P.: A scalable multi-objective test problem toolkit. In: Coello Coello, C.A., Hernández Aguirre, A., Zitzler, E. (eds.) EMO 2005. LNCS, vol. 3410, pp. 280–295. Springer, Heidelberg (2005)

21.       Durillo, J.J., Nebro, A.J., Luna, F., Dorronsoro, B., Alba, E.: jMetal: A java framework for developing multiobjective optimization metaheuristics. Technical Report ITI-2006.10, Dpto. de Lenguajes y Ciencias de la Computación (2006)

22.       Deb, K., Agrawal, R.B.: Simulated Binary Crossover for Continuous Search Space. Complex Systems 9, 115–148 (1995)

23.       Demšar, J.: Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research 7, 1–30 (2006)

24.       Deb, K.: Multi-Objective Optimization Using Evolutionary Algorithms. John Wiley & Sons, Chichester (2001)

25.       Van Veldhuizen, D.A., Lamont, G.B.: Multiobjective Evolutionary Algorithm Research: A History and Analysis. Technical Report TR-98-03, Dept. Elec. Comput. Eng., Air Force Inst. Technol. (1998)

26.       Zitzler, E., Thiele, L.: Multiobjective Evolutionary Algorithms: A Comparative Case Study and the Strength Pareto Approach. IEEE Trans. on Evol. Computation 3(4), 257–271 (1999) CrossRef

27.       Evolution of neighborly relations in a spatial IPD game with cooperative players and hostile players (Citations: 5)

28.       Hisao Ishibuchi, Tatsuo Nakari, Tomoharu Nakashima

29.       Conference: IEEE Congress on Evolutionary Computation - CEC , 1999

30.       Genetic algorithm in search (Citations: 3727)

31.       D. E. Goldberg

32.       Published in 1989.

33.       A Niched Pareto Genetic Algorithm for Multiobjective Optimization (Citations: 631)

34.       Jeffrey Horn, Nicholas Nafpliotis, David E. Goldberg

35.       Conference: International Conference on Evolutionary Computation , pp. 82-87, 1994

36.       Multiple Objective Optimization with Vector Evaluated Genetic Algorithms (Citations: 853)

37.       J. David Schaffer

38.       Conference: International Conference on Genetic Algorithms - ICGA , pp. 93-100, 1985

39.       Optimal two- and three-stage production schedules with setup times included (Citations: 841)

40.       S. M. Johnson

41.       Journal: Naval Research Logistics Quarterly , vol. 1, no. 1, pp. 61-68, 1954