پایان نامه الگوریتم ژنتیک و بهینه سازی چندین مسئله به آن

پایان نامه الگوریتم ژنتیک و بهینه سازی چندین مسئله به آن چکیده: در عصر حاضر در بسیاری از موارد ماشین ها جایگزین انسانها شده اند و بسیاری از کارهای فیزیکی که در گذشته توسط انسانها انجام می گرفت امروزه توسط ماشین ها صورت می گیرد. اگرچه قدرت کامپیوترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری، ... غیر قابل انکار است، اما همچنان مواردی وجود دارد که انسان ناچار است خودش کارها را انجام دهد. اما به طور کلی، موارد مرتبط با ماشین شامل سیستم هایی است که در آن به علت ارتباطات پیچیده بین اجزا، مغز انسان از درک ریاضی این ارتباطات قاصر است. مغز انسان به مرور زمان با مشاهده توالی رفتارهای سیستم و گاه آزمایش نتیجه ای که بر اثر دستکاری یکی از اجزای سیستم به دست می آید تا حدی می تواند  عادتهای سیستم را شناسایی کند. این روند یادگیری بر اثر مشاهده مثالهای متنوع از سیستم، به کسب تجربه منجر می شود. در چنین سیستم هایی مغز قادر به تجزیه و تحلیل داخلی سیستم نیست و تنها با توجه به رفتارهای خارجی، عملکرد داخلی سیستم را تخمین می زند و عکس العملهای آن را پیش بینی می کند.     مقدمه : توجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. این پروژه شواهدی را مبتنی بر امکان استفاده اخلاقی از شبکه های عصبی و الگوریتم های ژنتیک که به منجر به تصمیم گیری های موفقیت آمیز در ارتباط با مسائل مرتبط با کسب و کار می شود ارائه می کند. برای این منظور لازم است که بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد. به همین دلیل، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه های عصبی و الگوریتم های ژنتیک تاکید شده است.       فهرست مطالب   فصل اول- کلیات پروژه کلیات پروژه         1 1-2 مقدمه         2 فصل دوم- الگوریتم ژنتیک 2-1 فناوری شبکه عصبی  5 2-2 فناوری الگوریتم ژنتیک  9 2-3 مروری بر کاربردهای تجاری       10 2-4 بازاریابی       10 2-5 بانکداری و حوزه های مالی       13 2-6  پیش بینی   14 2-7 سایر حوزه های تجاری 15 2-8. الگوریتم ژنتیک          15 2-8-1. عملگرهای ژنتیک    17 2-8-1-1. عملگر تولید مثل 17 2-8-2. مولفه های ژنتیک   18 2-9. الگوریتم نلدر- مید     19 2-9-1. مرور اجمالی بر روش عملکرد الگوریتم نلدر- مید           21 2-10. ترکیب ژنتیک و نلدر- مید        21 2-11. جامعه آماری           22 2-12. نمونه آماری            22 2-13. داده ها و اطلاعات     23 2-14. ابزار جمع آوری داده   23 2-15. داده های خام          24 فصل سوم- بررسی چندین مسئله در الگوریتم ژنتیک 3-1 طراحی آزمایشات و ارائه مدلی از متغیرهای مستقل        26 3-2 معرفی عوامل موثر      26 3-3 رطوبت تفاله  26 3-4 دمای خشک کن         27 3-5  درصد آهک اضافه شده            27 3-6 معرفی متغیر پاسخ     27 3-7 الگوریتم های پیشنهادی          27 3-8 الگوریتم ترکیبی شبیه سازی تبرید و ژنتیک (GA-SA)         28 3-9 الگوریتم شبیه سازی تبرید( SA):          30 3-10 جزئیات ساختار الگوریتم های پیشنهادی          30 نمایش حل ها     30 3-11 دمای اولیه  31 3-12 جستجوی همسایگی           31 فصل چهارم- بهینه سازی مسائل مختلف 4-1. مرور ادبیات مسئله:   33 4-2. شرح مسئله تسطیح منابع در حالت چند پروژه ای            37 4-3. مدلسازی مسئله      39 4-4. مدلسازی مسئله در حالت تک پروژه ای: 39 4-5  مدلسازی مسئله در حالت چند پروژه ای، هنگامی که چند نوع منبع داریم    41 4-6  بیان روش حل به کمک الگوریتم ژنتیک    42 4-7  کد کردن مسئله        43 4-8 تولید جامعه اولیه       43 4-9  تعیین مکانیسم نمونه گیری:    44 4-10. انتخاب عملگر ژنتیکی مناسب           46 4-11 تعیین معیار توقف      48 4-12  بررسی نتایج حاصل از مسئله           48 4-14  بررسی نتایج حاصل از حل مسئله در حالت چند پروژه ای و چند منبعی      51 4-15. بیان مسئله و شرح اهمیت پژوهش    52 4-16 بهینه سازی 53 4-17. انواع روش های بهینه سازی    54 4-17-1. کلاسیک ها           54 4-17-2. روش های ابتکاری 54 4-17-3. روش تحقیق        55 فصل پنجم- نتیجه گیری 5-1  نتیجه گیری   57 منابع     60         فهرست اشکال شکل 2-1 مدل پایه ای نورون           6 شکل2-2 ساختمان یک شبکه عصبی مصنوعی         7 شکل 2-3: فلوچارت الگوریتم ژنتیک  20 شکل 2-4: فلوچارت الگوریتم نلدر- مید (منبع: اقتباس مولف ها از الگوریتم نلدر- مید)        23 جدول 4-1. مقایسه حل توسط نرم افزار Lingo و الگوریتم ژنتیک در حالت سه پروژه ای         49 جدول 4-2           50 جدول 4-3. مقایسه حل توسط نرم افزار Lingo و الگوریتم ژنتیک در حالت پنج پروژه ای         51 جدول4-4. مقایسه نتایج حاصل از حل مسئله در حالت چند پروژه ای و چند منبعی            52       فهرست جداول جدول 4-1. مقایسه حل توسط نرم افزار Lingo و الگوریتم ژنتیک در حالت سه پروژه ای         49 جدول 4-2           50 جدول 4-3. مقایسه حل توسط نرم افزار Lingo و الگوریتم ژنتیک در حالت پنج پروژه ای         51 جدول4-4. مقایسه نتایج حاصل از حل مسئله در حالت چند پروژه ای و چند منبعی            52     منابع   پارکر جونز، چارلز(1380)، مدیریت سبد سهام(مدیریت سبد سرمایه گذاری)، ترجمه محمد شاه علیزاده، چ1، تهران: انتشارات جامعه دانشگاهی. تلنگی، احمد(1377)، طراحی مدل ریاضی برای انتخاب پرتفولیوی بهینه با استفاده از منطق برنامه ریزی فازی، تهران: پایان نامه کارشناسی ارشد، دانشگاه تهران.  و...