حل مسئاله 8 وزیر به روش الگوریتم ژنتیک

برنامه حل مسئله 8 وزیر به روش الگوریتم ژنتیک ، به زبان سی شارپ و به همراه توضیحات فارسی کد ها و قابلیت تنظیم مقادیر اندازه جمعیت ، تعداد نسل ها ، ضریب ترکیب و ضریب جهش و نمایش خروجی به صورت ویژوال

هوش جمعی و کاربردهای آن و الگوریتم بهینه سازی انبوه ذرات و الگوریتم مورچه و الگوریتم ژنتیک (96 صفحه فایل ورد و قابل ویرایش)

چکیده

موضوع اصلی این پروژه، معرفی و بررسی روش­هایی که با نام هوش جمعی از آن­ها یاد می­شوند. در روش­هایی که در گروه هوش جمعی جای می­گیرند، ارتباط مستقیم یا غیر مستقیم بین جواب­های مختلف الگوریتم وجود دارند. در واقع، در این روش­ها، جواب­ها که موجوداتی کم­هوش و ساده هستند، برای پیدا شدن و یا تبدیل شدن به جواب بهینه، همکاری می­کنند. این روش­ها از رفتار­های جمعی حیوانات و موجودات زنده در طبیعت الهام گرفته شده­اند. الگوریتم مورچه­ها یکی از بارزترین نمونه­ها برای هوش جمعی است که از رفتار جمعی مورچه ­ها الهام گرفته شده است. یکی دیگر از مهمترین الگوریتم­هایی که در گروه هوش جمعی جای می­گیرد، الگوریتم بهینه سازی انبوه ذرات است. در الگوریتم بهینه سازی انبوه ذرات، اعضای جامعه، که ماهی­ها یا پرندگان می­باشند، به صورت مستقیم با هم ارتباط دارند. و همچنین در این پروژه به الگوریتم ژنتیک و دیگر کاربرد­های هوش جمعی میپردازیم.  

مقدمه

ما در این پروژه به تعریف هوش جمعی می پردازیم که هوش جمعی یکی از شاخه­های هوش مصنوعی می­باشد.در واقع بیان می کنیم، هوش جمعی ویژگی از سیستم است که بر اساس آن رفتار گروهی عامل­های غیر پیچیده که به صورت محلی با محیطشان در ارتباط هستند منجر به وجود آمدن الگوهای یکپارچه و منسجم می­شود. همچنین کاربردهای مهم هوش جمعی را ذکر خواهیم کرد، و اینکه هر کاربرد بیشتردرکجاها استفاده خواهد شد. 

فهرست مطالب

عنوان                                                                                                         صفحه

1- فصل اول: هوش مصنوعی و ارتباط آن با هوش جمعی.......

1- 1 مقدمه....

1- 2 تاریخچه هوش مصنوعی.....

1- 3 هوش چیست؟.

1- 4 فلسفه هوش مصنوعی.....

1-5 مدیریت پیچیدگی...

1-6 عامل­های هوشمند..

1- 7 سیستم­های خبره

1- 8 رابطه هوش جمعی با هوش مصنوعی....

2- فصل دوم: تعریف هوش جمعی...

2- 1 مقدمه..

2- 2 تعریف هوش جمعی.

2- 3 خصوصیات هوش جمعی.....

2- 4 اصول هوش جمعی...

2- 5 طبقه بندی هوش جمعی..

2- 5 -1 طبیعی در مقابل مصنوعی...

2- 5 – 2 علمی در مقابل مهندسی....

2- 6 تعامل دو دسته طبیعی/ مصنوعی و علمی/ مهندسی.....

3- فصل سوم:‌ کاربردهای هوش جمعی....

3- 1 مقدمه.....

3- 2 تعریف بهینه سازی..

3- 3 الگوریتم بهینه سازی کلونی مورچه­ها.....

3- 3- 1 تعریف.

3- 3- 2 الگوریتم....

3- 3- 3 خواص عمومی کلونی مورجه­ها...

3- 3- 4 الگوریتم مورچه برای مسئله فروشنده دوره­گرد...

3- 3- 5 کاربردهای الگوریتم مورچه.....

3- 3- 5- 1 مسیریابی خودرو.....

3- 3- 5- 2 الگوریتم S_ANTNET...

3- 3- 5- 3 هزارتوی چند مسیره.....

3- 3- 5- 4 مسیریابی در شبکه­های مخابراتی.....

3- 4 الگوریتم بهینه سازی زنبور

3- 4- 1 تعریف...

3- 4- 2 جستجوی غذا در طبیعت....

3- 4- 3 الگوریتم زنبور..

3- 4- 4 بهینه سازی کلونی زنبورها....

3- 4- 5 سیستم فازی زنبورها.

3- 4- 6 کاربردهای الگوریتم بهینه سازی زنبورها....

3- 4- 6- 1 مسئلهRide_matching.

3- 4- 6- 2 حل مسئله RS بوسیله سیستم فازی زنبورها....

3- 4- 6- 3 کاربردهای الگوریتم زنبور در مهندسی

3- 5 الگوریتم بهینه سازی انبوه ذرات.

3- 5- 1 تعریف...

3- 5- 2 الگوریتم...

3- 5- 3 کاربردهای الگوریتم بهینه سازی انبوه ذرات.....

3- 6 الگوریتم ‍ژنتیک.....

3- 6- 1 تعریف...

3- 6- 2 عملگرهای یک الگوریتم ژنتیک.....

3- 6- 3 عملکرد کلی الگوریتم ژنتیک....

3- 6- 4 مقایسه الگوریتم ژنتیک و دیگر شیوه­های مرسوم بهینه سازی

3- 6- 5 الگوریتم ژنتیک و سیستم­های مهندسی...

3- 6- 6 کاربردهای الگوریتم ژنتیک.....

3- 7 شبکه­های عصبی.....

3- 7- 1 تعریف..

3- 7- 2 تازیخچه شبکه­های عصبی....

3- 7- 3 چرا از شبکه­های عصبی استفاده می­کنیم؟...

3- 7- 4 شبکه­های عصبی در مقابل کامپیوترهای معمولی....

3- 7- 5 چگونه مغز انسان می­آموزد؟...

3- 7- 6 از سلول­های عصبی انسانی تا سلول­های عصبی مصنوعی..

3- 7- 7 کاربردهای شبکه­های عصبی....

3- 8 کاربردهای دیگر هوش جمعی.

3- 8- 1 تعریف.

3- 8- 2 اقتصاد.

3- 8- 3 شبکه­های ادهاک.....

3- 8- 4 سیستم­های خودسازمانده....

4- فصل چهارم: نتیجه گیری.

بکارگیری تکنیک های خوشه بندی و الگوریتم ژنتیک در ساخت درختان تصمیم گیری برای طبقه بندی بهینه مشتریان بانک ها

بانک ها به منظور تعیین ریسک اعتباری و ارائه خدمات مالی به مشتریان خود نیازمند شتاسایی دقیق آنها هستند.مدل های اعتبار سنجی میتوانند در این زمینه به پشتیبانی از بانک ها بپردازند. درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی کاربرد زیادی در اعتبار سنجی مشتریان بانک ها و اعطای تسهیلات اعتباری به آنها دارند. مسئله اصلی .....

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 و پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

چکیده

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.

داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.

در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.

کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

فرمت فایل: ورد (قابل ویرایش)

تعداد صفحات: 217

توضیح کامل الگوریتم ژنتیک (تاریخچه، اجرای الگوریتم ژنتیک، نقاط قوت و محدودیت الگوریتم ژنتیک و غیره)

مقدمه

محاسبه راه حل های بهینه برای اکثر مسائل بهینه سازی که در خیلی از زمینه های کاربردی و عملی مشاهده میگردند، کاری دشوار و سخت است.در عمل، معمولا به راه حل های "خوب" که از الگوریتم های فرا ابتکاری( heuristic ) به دست می آید، اکتفا می گردد. روش های فرا ابتکاری راه حل های "قابل قبول" در زمان معقول را برای مسائل پیچیده و سخت، در زمینه های مهندسی و علوم ارایه مینمایند. بر خلاف بهینه سازی دقیق، الگوریتم های فراابتکاری بهینه بودن جواب های به دست آمده را ضمانت نمی نمایند.

این محصول توضیح کامل الگوریتم ژنتیک (تاریخچه، اجرای الگوریتم ژنتیک، نقاط قوت و محدودیت الگوریتم ژنتیک و مثال و حل به دوصورت دستی و با نرم افزار و غیره).

فرمت فایل: ورد (قابل ویرایش)

تعداد صفحات: 13