عیدی ویژه سال نو مهندس یار: یک محصول رایگان برای شما !! (فقط تا ساعت 24 امروز وقت دارید عیدی خود را بگیرید) کلیک کنید
عیدی ویژه سال نو مهندس یار: یک محصول رایگان برای شما !! (فقط تا ساعت 24 امروز وقت دارید عیدی خود را بگیرید)
کلیک کنید
0
0

دانلود مقاله الگوریتم های ژنتیک موازی

2565 بازدید

مهندس یار

الگوریتم ژنتیک Genetic Algorithm 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.

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. مختصراً 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.

تکنیک‌های محاسبات نرم، به هدف حل مسائل پیچیده با استفاده از روش‌های غیردقیق برای ارائه‌ی پاسخ‌های مفید اما غیردقیق ارائه شده‌اند. برخلاف طرح‌های محاسبات سخت که پاسخ دقیق و کامل را جست‌وجو می‌کنند، تکنیک‌های محاسبه‌ی نرم با راه‌دادن به روش‌های نادقیق، از پاسخ‌هایی نیمه‌درست و غیرقطعی برای مسائل خاص سود می‌جوید. الگوریتم‌های ژنتیک که یکی از تکنیک‌های محاسبه‌ی نرم هستند، در این سال‌ها به ابزارهای محبوبی برای مسائل بهینه‌سازی تبدیل شده‌اند.

با این حال زمان زیادی که این الگوریتم‌ها برای یافتن پاسخ نزدیک‌ به‌ بهینه صرف می‌کنند، همواره استفاده از آن‌ها را برای حل مسائل بهینه‌سازی دشوار می‌سازد. بر خلاف روش‌های دقیق، که در آن‌ها کارائی زمانی الگوریتم اصلی‌ترین معیار اندازه‌گیری میزان موفقیت آن است، در الگوریتم ژنتیک و سایر محاسبات نرم دو موضوع اصلی، در ارزیابی مورد توجه قرار می‌گیرند: اینکه پاسخ چه‌قدر سریع پیدا می‌شود؟ و اینکه از بهینه‌ی اصلی چه‌قدر فاصله دارد؟ موازی‌سازی الگوریتم‌های ژنتیک، یکی از اساسی‌ترین و بهترین راه‌هایی است که می‌تواند زمان بسیار زیاد مورد نیاز برای انجام گرفتن محاسبات ژنتیکی و رسیدن به نتیجه‌ی مطلوب برای حل مسئله توسط آن‌ها را به حد قابل قبولی برساند و امکان استفاده از این الگوریتم‌ها‌ را، در زمان قابل قبول، فراهم کند. الگوریتم‌های ژنتیک موازی چه به لحاظ دست‌یابی به برازندگی بهتر برای کروموزوم‌ها (نتیجه‌ی مطلوب‌تر) و چه به لحاظ دسترسی به تسریع بالاتر و مقیاس‌پذیری بیشتر، بهتر از الگوریتم‌های ژنتیک ترتیبی و تک‌جمعیتی عمل می‌کنند.

در همین رابطه بخوانید »   دانلود کتاب استاندارد برق ایران

 

 

مقاله الگوریتم های ژنتیک موازی

 

 

این مقاله نوشته جناب آقای مهندس پیمان پورامینی می باشد که در 26 صفحه نگارش شده است و مباحث زیر را پوشش می دهد:

  • مقدمه
  • پیدایش الگوریتم ژنتیک و روند اجرای آن
  • نحوه ی نمایش
  • گام ارزیابی و گام انتخاب
  • عملگرهای ژنتیک
  • سایز جمعیت
  • پارامترهای crossover 11
  • Exploration & Exploitation 13
  • چالشهایی که GA با آن رودررو است
  • فاکتورهای موثر در PGA 11
  • یادداشت های تاریخی روی PGA 11
  • نحوه ی کنترل در سیستمهای موازی
  • چگونه GA را موازی کنیم
  • طبقه بندی PGA 16
  • معیار ارزیابی کارآیی در الگوریتم ژنتیک موازی
  • نتیجه گیری
  • منابع و مراجع

 

محصول مرتبط: آموزش الگوریتم ژنتیک در Matlab

برچسب ها:

باکس دانلود

نظرات

8 نظر در مورد دانلود مقاله الگوریتم های ژنتیک موازی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

  1. سلام من دانشجو ارشد الگوریتم هستم در مورد الگوریتم پیشرفته مقاله یا پروژه بزارین ممنون میشم تسکر از سایت خوبتون ضمنا فایل دانلود نیست از کجا دانلود کنیم

  2. تا حالا هر چی از سایتتون دانلود کردماز آخر هیچی.هیچکدوم از لینک هاتون درست نیست لطفا اصلاح کنید.

    1. کدوم لینکمون درست نیست ؟ همه لینک ها رو ما مرتب تست می کنیم . اگر موردی هست اطلاع بدید پیگیری میکنیم .

  3. با سلام و تشکر
    مقاله الگوریتم ÷نتیک برای من خیلی ضروری و مفید است ..میشه منبع مقاله را برایم ذکر کنید

    1. سلام . هرچی رو در مورد مقاله میدونستیم توی توضیحات نوشتیم . در مورد منبعش اطلاعی نداریم . فایل در ارشیومون بود .

  4. سایتتون فوق العاده هست.واقعا ممنون.من دانشجوی رشته مهندسی عمران هستم واز مطالب فوق العاده خوبتون تشکر میکنم.