لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 28 اسلاید
قسمتی از متن powerpoint (..ppt) :
1 بنام خدا 2 طراحي الگوريتم ها 3 فصل هفت تکنیک عقبگرد در طراحی الگوریتم 4 Computer algorithms مساله n وزیر مساله حاصل جمع زیر مجموعه ها مساله رنگ آمیزی گراف مساله مدارهای همیلتونی مساله کوله پشتی 0-1 5 Backtracking فرض کنید شما میخواهید از میان تعدادی گزینه مجموعه ای از تصمیم ها را انتخاب کنید اما شما اطلاعات کافی برای نحوه انتخاب ندارید هر تصمیم خود منجر به مجموعه جدیدی از تصمیم ها می شود عقبگرد روشی برای تست دنباله های مختلف است تا به راه حل برسید
لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..pptx) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 54 اسلاید
قسمتی از متن powerpoint (..pptx) :
1 روشی جدید برای الگوریتم زمانبندی CPU با گردش به نوبت ژنتیکی 2 چکیده زمانبندی CPU باید بیطرف حفظ شود و از فرایند هایی که هرگز CPU حاصل نمیشود جلوگیری شود. سیستم عاملهای جدید دوره با عملکرد چند وظیفه ای در محیط عملیاتی کامپیوتر روبرو میشود. اگر زمانبندی CPU کارامد باشد, محاسبات زیادی میتوانست بدرستی انجام شود و سیستم میتواند پایداری را حفظ کند. یک معیار که باید بوسیله ی الگوریتم زمانبندی بدست آورده شود، بحداقل رساندن میانگین زمان انتظار برای مجموعه ای از فرایندها در بدست آوردن تخصیص CPU ست. 3 روشهای مختلفی برای زمانبندی CPU وجود دارد؛ یکی از آنها گردش بنوبت است. گردش بنوبت، کوانتوم را فراهم میکند که برای هر یک از فرایندها مشابه است. با این حال هیچ استاندارد مشخصی برای کوانتوم وجود ندارد. ناچارا اگر کوانتومی بسیار زیاد باشد ، پاسخ / زمان انتظاربرای هر فرایند میتواند زیاد باشد و در غیر اینصورت افزایش رو به به بالا CPU برای تعویض بستر وجود دارد. 4 این پژوهش به بهبود عملکرد الگوریتم گردش بنوبت مربوط است. روشمان اینست که گردش بنوبت را با الگوریتم ژنتیک ترکیب میکنیم. در این روش فردی, کوانتوم است که برای بدست آوردن بهترین کوانتوم تکرار میشود که حداقل میانگین زمان انتظار را تولید میکند.عدد صحیح را برای نشان دادن کروموزومی با طول سه بکار میبریم.علاوه بر این روش چرخ رولت را برای انتخاب والدین و روش جایگزینی حالت پایدار را برای انتخاب بقا استفاده میکنیم.با استفاده از یک نقطه ی متقاطع و جهش تلنگری ,این روش میتواند بهتر از میانگین زمان انتظار نسبت به آن که در منابع بکار رفته یافت میشود,نتیجه میدهد. 5
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 76 صفحه
قسمتی از متن word (..doc) :
1 الگوریتم بهینه سازی Bayesian مراجعرا میتوان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. دربین الگوریتمهای متنوعدانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است. بطور کلی EDAها یک تقریب تقسیمی را بکار میگیرند که تلاش میکند یک مجموعه از اطلاعاتچند بعدی را به تعدادیزیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است. مکانیزم آنها در زیر به صورت مختصر شرح داده شده است: الگوریتم K- means نمونههای داده را به K زیر مجموعه غیر تهی تقسیم میکند. مختصات میانگین حسابی گروههای رایج محاسبه میشود و هر نمونه به نزدیکترین تقسیمبندی اشاره میکند. پروسه ادامه مییابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونهاش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست میآید. توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده میشود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کاراییشان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئلهها انجام داده میشوند. 2 نتایج کارایی r BOA علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب میکند و BIC با Eq، (5،6) که پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین میکند. (یعنی جایگزینی نخبهها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1- را برای تعداد والدههای مجاز در نظر میگیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده میشود. همه نتایج بعد از 100 اجرا میانگین گرفته میشود. شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام میدهد تا بهینه RDP را با، نشان میدهد. همچنین این شکل نتیجه PSNR با را نشان میدهد. .5.7 نتایج آزمایشگاهی و مذاکره 5. بهینه سازی الگوریتم Bayesian اندازه مسئله n (a) نتایج برای RDP با 3 اندازه مسئله n (b) نتایج برای RNSP با شکل .5.7 موضوع قابل تجزیه درباره کارایی r BOA اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد. نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت و (جاسازی) تقریب زده شده است. بدینسان r BOA میتواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن. به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر میرسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت میشود. 5 MBOA شکل 5،8 مقایسه کارایی Rboa و مشکلات آنرا مطالعه میکند (MBOA، m IDEA و EGNA). مانند مراجع کاربردی و قابل تجزیه (RNSP و RDP). از اینرو مسئله قابل تجزیه عبارت است از زیر برنامه m، اشکال مسئله قابل اجرا نگهداری کردن همزمان m، اشکال مسئله قابل اجرا، مختصر N= r.m در برابر سادگی. شکل (a) 5،8 نسبت صحیح BBها را چنانچه به RDD اعمال میشوند با و تغییر m مقایسه میکند. ترکیب یک RBOA جزء، مختصر K=1 برای مدل گزینش بکار گرفته میشود. جمعیت تدارک دیده با N= 100m، نتیجه نشان داده شده برای یافتن راه حل rAOB و MBOA بهتر کردن محاسبه زیاد آنها بجز mI AED و ANGE. گرچه MBOA در برابر Rboa تا حدی بالاتر بنظر میآید، با مفهوم آماری آن مخالفت دارد. جدول 5،1 اثبات پشتیبانی آن هست. همچنین بزرگتر شدن اندازه مسئله خراب كردن EGNA و mIDEA کردن از لحاظ دست یافتن کارایی در صورتیکه وضعیت راه حل پایدار بسرعت و Rboa برای آنکه مشاهده گردد. از شکل (a) 5،7 و (a) 5،8 واضح است. افزایش رفتار MBOA و Sub- quadratic Rboa در برابر RDP در صورتیکه m IDEA و EGNA تشریحی مقیاس پذیری دارد. شکل (b) 5،8 نشان میدهد BB- wise مقادیر کار برگشت داده شده با الگوریتمها برای RNSP با مختلف m. ترکیب نمونه‌ها برای گزینش مدل جزء سه ترکیب (K=3) استفاده شده. یک مدل خطی، مختصر، N= 200m بکار رفته برای جمعیت تدارک دیدن. در نتیجه RDP، برای آنکه مشاهده کارایی MBOA و Rboa آثار یکسان صرف نظر از اندازه مسئله. میتوانیم در نظر بگیریم آنها یک Sub- quadratic مقیاس پذیر RNSP دارند. با وجود این نتایج نشان میدهد r BOA نسبتا بهتر از MBOA است با توجه به کیفیت مسئله. .5.7 نتایج آزمایشگاهی و مذاکره نتیجه آشکار مشاهده آماری آزمایش جدول 5،1. همچنین m IDEA و EGNA یافتن راه حل غیر قابل قبول وضعیت افزایش اندازه مسئله و مقیاس مشاهده خودشان پذیری بدیهی است تشریح مناسب بودن. از شکل 7، 5 و 8، 5 و جدول 1، 5 می
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 22 صفحه
قسمتی از متن word (..doc) :
مقدمه در سالهاي اخير آمارشناسان به طور زياد روش‌هاي الگوريتم مونت كارلوي زنجير ماركوفي (MCMC) را رسم كرده‌اند. الگوريتم نمونه‌گيري گيبر يكي از بهترين روش‌هاي شناخته شده است براي آشنايي با شرايط مسأله فرض كنيد در بردار تصادفي () براي محاسبه چگالي كناري x ، با مشكل روبرو هستيم اما چگالي‌هاي شرطي و و … در دسترس مي‌باشند. در روش نمونه‌گيري گيبس مشاهداتي به صورت غيرمستقيم ازx توليد ميشود و به كمك آنها چگالي كناري x را بررسي مي‌كنيم. حالا توجه قابل ملاحظه‌اي به الگوريتم متروپوليس- هستينگس Metropolis-Hastings تخصيص داده شده است كه توسط متروپوليس و روسنبلوس Rosenbluth ، تلر Teller (1953) گسترش و بعداً توسط هستينگس (1970) نظم داده شده است. الگوريتم M-H به طور زياد در فيزيك كاربرد دارد و هنوز با وجود مقاله‌اي كه توسط هستينگس ارائه شده است، به طور خيلي كم براي آمارشناسان شناخته شده است. به دليل سودمندي الگوريتم M-H ، كاربردهاي آن به طور مداوم ظاهر ميشود. براي مثال‌هاي جديد مولرMuller (1993)، چيب وگريبزگ chib and Greenberg (1994) و فيليپس و اسميت Smith (1994) را ببينيد. ما مقدمه‌اي را از اين الگوريتم تهيه كرده‌ايم كه از اصول اوليه آن مشتق شده است اين مقاله به تنهايي مربوط به تئوري زنجير ماركوف است. مطالب مربوط به اين مقاله چنان كه در پايين مي‌آيد به بحث گذاشته ميشود. در بخش 2، ما به طور خلاصه مشابه روش‌پذيرش- رد كردني را مرور مي‌كنيم. اگر چه MCMC نيست ولي بعضي از تفسيرهايي كه در الگوريتم متروپوليس- هستينگس ظاهر ميشود را به كار مي‌برد و اين مقدمه اي خوب براي اين موضوع است. بخش 3 ارتباط تئوري زنجير ماركوف به فضاي وضعيت دائم را معرفي مي‌كند كه با فلسفه كلي كه در پشت روش MCMC است همراه ميشود. در بخش 4 الگوريتم M-H را نتيجه مي‌گيريم و بخش 5 شامل مقالاتي ميشود كه با انتخاب چگالي كانديدي- توليدي در ارتباط هستند. 2- نمونه‌گيري پذيرش- رد كردني بر خلاف روش‌هاي MCMC كه در پايين توضيح داده شده تكنيك‌هاي مشابه قديمي كه نمونه‌هاي ماركوفي را توليد نمي‌كند وجود دارد. روش مهم اين دسته روش A-R است كه به اين صورت است. روش A-R : روش A-R به طور علمي نمونه‌هايي را توليد مي‌كند كه از چگالي معين مي‌آيد كه يك چگالي غيرنرمالي و k يك ثابت نرماليز است كه ناشناخته است. فرض كنيد كه h(x) يك چگالي باشد كه با روش‌هايي معين مي‌تواند شبيه‌سازي شود و فرض كنيد كه يك ثابت شناخته شده C باشد طوري كه براي تمام x ها باشد. *يك مقدار Z از h(.) و يك مقدار U از (1/0)U (توزيع يكنواخت روي (اره)) بگيريد. اگر آنگاه z=y و به * برگرديد،در غير اين صورت باز هم به * برگرديد. به آساني نشان داده ميشود كه اين y يك متغير تصادفي از است. براي اينكه اين روش مفيد و سودمند باشدC بايد با دقت انتخاب شود. نظر به توليد چگالي همچنين در الگوريتم M-H ظاهر ميشود، اما قبل از در نظر گرفتن تفاوت‌ها و مشابهت‌ها، ما به منطق و فكري كه در پشت روش MCMC است توجه مي‌كنيم. 3- شبيه‌سازي مونت كارلوي زنجير ماركوفي روش معمول تئوري زنجير ماركوفي روي فضاي وضعيت اين است كه با يك انتقال كرنل براي و ، جايي كه B بورل سيگا ميدان روي است شروع ميشود. انتقال كرنل امكان حركت از x تا يك نقطه‌اي در دستگاه A را نمايش مي‌دهد و انتقال از x تا x كه با نمايش مي‌دهيم به طور فرضي صفر نيست. توجه اصلي روي تئوري زنجير ماركوفي اين است كه يك توزيع هدف وجود دارد كه تحت شرايطي معين انتقال كرنل به آن توزيع هدف همگرا ميشود. (1) تكرار n ام به وسيله جايي كه داده ميشود. تحت شرايطي كه در پايين بحث ميشود نشان داده ميشود كه تكرار n ام به سمت توزيع هدف همگرا ميشود. وقتي كه n به سمت بينهايت ميل مي‌كند. در واقع چگالي هدف همان است كه شناخته شده است و نمونه‌ها به سمت آن ميل مي‌كنند و انتقال كرنل ناشناخته است. براي اينكه نمونه‌هايي از توليد شود بايد يك انتقال كرنل مناسب پيدا كرد كه در تكرار n ام وقتي كه n بزرگ ميشود به سمت همگرا شود. اين فرآيند در يك x قراردادي آغاز شده و در مدت زمان زيادي تكرار ميشود، بعد از اين تعداد زياد، توزيع مشاهدات كه از شبيه‌سازي توليد ميشود تقريباً توزيع معيني است. پس مشكل اينجاست كه يك مناسب را پيدا كنيم، كه اين مثل ضرب‌المثل پيدا كردن سوزن در كومه‌ي علف خشك است. فرض كنيد انتقال كرنل به صورت زير باشد: (2)
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 31 صفحه
قسمتی از متن word (..doc) :
الگوریتم STR کلی (تعمیم یافته): داده ها: پارامتر d مرتبه رگولاتور یعنی درجه R* ، و درجه S* را بدانیم. چند مجموعه ای روبتگر Ao* به جای چند جمله ای C* که نامعلوم است (تقریب C*) چند جمله ایهای پایدار P* و Q* سیگنالهای فیلتر شده زیر بایستی معرفی شوند: گام 1 : تخمین ضرایب R* و S* بروش LS: ( C* : note) گام 2 : سیگنال کنترل را از روی محاسبه می کنیم تکرار گامهای فوق در هر پریود نمونه برداری در صورت همگرایی تخمین : S* و R* گام بعدی با قبلی برابر است) = ویا: فرم کلی در صورت عدم حذف همه صفرهای فرآیند اتحاد (2) به شکل زیر نوشته می شود: C*Q*=A*P*R'*+q-dB-*S* R'* از این رابطه بدست می آید. و سیگنال کنترل می شود: کنترل فید فوردوارد (پیشخور) – STR (دانستن دینامیک فرایند لازم است)کنترل پیشخور برای کاهش یا حذف اغتشاش معلوم بکار می رود. خود سیگنال فرمان می تواند برای STR ، یک اغتشاش معلوم فرض شود مثالهایی از اغتشاش قابل اندازه گیری (معلوم): درجه حرارت و غلظت در فرایندهای شیمیایی درجه حرارت خارجی در کنترل آب و هوا – ضخامت کاغذ در سیستمهای milling machinc مدل فرضی : چند جمله ایهای ، S* و T* بایستی تخمین زده شوند و آنگاه: مثال : تاثیر فیلتر کردن (همان فرایند مثالهای قبل را در نظر بگیرید) {رفتار الگوریتم تصمیم یافته توضیح داده می شود} Y(t)+ay(t-1)=bu(t-1)+e(t)+ce(t-1) مقادیر واقعی پارامتر : a = -0.9 ,b=3 , c=-0.3 فیلترها را بصورت زیر در نظر بگیرید اتحاد: C * Q*=A*P*R'*+q-dB-*S* در این مثال : از مدل فرآیند داریم اتحاد قانون کنترل: R*P*=R'*P*B+* فیلتر باید پیش فاز باشد که در نتیجه سیستم حلقه بسته بصورت پایین گذر فیلتر خواهد شد. سئوال P1 و q1 را چگونه انتخاب کنیم؟ جواب: یک روش انتخاب بررسی اثر آنها بر روی واریانس y و u است. فرض کنید e(t) دارای واریانس 1 است. حالت (a): no filtering P"q1=0 این حالت همان وضعیت کنترل حداقل واریانس است بدون هیچگونه فیلتر کردن . حالت q1=-0.3 p1=0(b) سه مبدا الگوریتم STR کلی( تعمیم یافته): داده ها: پارامترd، مرتبه رگولاتور یعنی درجه و درجه را بدانیم. چند جمله ای رویتگر ( بجای چند جمله ای که نامعلق است
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 31 صفحه
قسمتی از متن word (..doc) :
الگوریتم STR کلی (تعمیم یافته): داده ها: پارامتر d مرتبه رگولاتور یعنی درجه R* ، و درجه S* را بدانیم. چند مجموعه ای روبتگر Ao* به جای چند جمله ای C* که نامعلوم است (تقریب C*) چند جمله ایهای پایدار P* و Q* سیگنالهای فیلتر شده زیر بایستی معرفی شوند: گام 1 : تخمین ضرایب R* و S* بروش LS: ( C* : note) گام 2 : سیگنال کنترل را از روی محاسبه می کنیم تکرار گامهای فوق در هر پریود نمونه برداری در صورت همگرایی تخمین : S* و R* گام بعدی با قبلی برابر است) = ویا: فرم کلی در صورت عدم حذف همه صفرهای فرآیند اتحاد (2) به شکل زیر نوشته می شود: C*Q*=A*P*R'*+q-dB-*S* R'* از این رابطه بدست می آید. و سیگنال کنترل می شود: کنترل فید فوردوارد (پیشخور) – STR (دانستن دینامیک فرایند لازم است)کنترل پیشخور برای کاهش یا حذف اغتشاش معلوم بکار می رود. خود سیگنال فرمان می تواند برای STR ، یک اغتشاش معلوم فرض شود مثالهایی از اغتشاش قابل اندازه گیری (معلوم): درجه حرارت و غلظت در فرایندهای شیمیایی درجه حرارت خارجی در کنترل آب و هوا – ضخامت کاغذ در سیستمهای milling machinc مدل فرضی : چند جمله ایهای ، S* و T* بایستی تخمین زده شوند و آنگاه: مثال : تاثیر فیلتر کردن (همان فرایند مثالهای قبل را در نظر بگیرید) {رفتار الگوریتم تصمیم یافته توضیح داده می شود} Y(t)+ay(t-1)=bu(t-1)+e(t)+ce(t-1) مقادیر واقعی پارامتر : a = -0.9 ,b=3 , c=-0.3 فیلترها را بصورت زیر در نظر بگیرید اتحاد: C * Q*=A*P*R'*+q-dB-*S* در این مثال : از مدل فرآیند داریم اتحاد قانون کنترل: R*P*=R'*P*B+* فیلتر باید پیش فاز باشد که در نتیجه سیستم حلقه بسته بصورت پایین گذر فیلتر خواهد شد. سئوال P1 و q1 را چگونه انتخاب کنیم؟ جواب: یک روش انتخاب بررسی اثر آنها بر روی واریانس y و u است. فرض کنید e(t) دارای واریانس 1 است. حالت (a): no filtering P"q1=0 این حالت همان وضعیت کنترل حداقل واریانس است بدون هیچگونه فیلتر کردن . حالت q1=-0.3 p1=0(b) سه مبدا الگوریتم STR کلی( تعمیم یافته): داده ها: پارامترd، مرتبه رگولاتور یعنی درجه و درجه را بدانیم. چند جمله ای رویتگر ( بجای چند جمله ای که نامعلق است
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 30 صفحه
قسمتی از متن word (..doc) :
1 الگوریتم یادگیری ماشین چکیده در مورد الگوریتم ماشین حساب ما استفاده از یک بافر برای گرفتن عبارت بطور کامل و سپس تجزیه کردن اجزای (Parse) آن از لحاظ فنی غیر ممکن نیست و تنها بدلیل صورت مسئله قادر به انجام آن نیستیم. اما تصور کنید که اگر قرار بود مرورگرهای وب (Web Browsers) ابتدا تمام محتوای یک صفحه را بخواندند و سپس آن را تجزیه کرده و نمایش دهند چه مقدار زمان کاربر و سرویس دهنده وب به هدر می‌رفت و ترافیک بیهوده‌ای برروی خطوط ارتباطی حاصل می‌شد (در اکثر موارد ما با دیدن تنها چند خط از یک صفحه به صفحه دیگری می‌رویم(. مقدمه یک الگوریتم مجوعه‌ی متناهی از دستورالعمل های خوش تعریف برای انجام یک عمل است که با داشتن یک حالت اولیه به حالت پایانی مشخص و متناظری خواهد رسید. (با استدلالی ( heuristic )مقایسه شود( مفهوم یک الگوریتم معمولاً با مثال دستور اشپزی توضیح داده می شود. هر چند بعضی الگوریتم ها خیلی پیچیده تر هستند. الگوریتم ها معمولاً دارای مراحلی است که تکرار می شود تکرار و یا تا زمان پایان برنامه نیازمند 2 decision هایی (مانند منطق بولی یا نابرابری است. اگر الگوریتم مناسب و نا معیوب نباشد حتی با اجرای درست آن هم مسئله حل نمی شود. برای مثال اجرای الگوریتم سالاد سیب زمینی در صورتی که سیب زمینی در کار نباشد حتی اگر تمام حرکات تهیه سالاد طوری انجام شود مثل اینکه سیب زمینی وجود دارد نا فرجام خواهد ماند.الگوریتم های مختلف ممکن است یک عمل را با دستورات مختلف در مدت زمان، جا، وبا تلاش کمتر یا بیشتری نسبت به بقیه انجام دهد. برای مثال با داشتن دو دستور تهیه ی سالاد سیب زمینی، یکی ممکن است قبل از جوشاندن اول سیب زمینی را پوست بکند در حالی که دیگری این دو مرحله را برعکس انجام دهد، و هر دو این مراحل را برای تمام سیب زمینی ها تکرار می کنند تا وقتی که سالاد سیب زمینی آماده طبخ شود.(مثال ضعیف... چه کسی سیب زمینی ها را جدا جدا می جوشاند؟ و معمولاً تهیه ی سالاد نیازی به پخت و پز ندارد...( در بعضی کشورها، مثل امریکا، اگر تعبیه فیزیکی الگوریتم ها ممکن باشد ممکن است آن ها به شدت انحصاری شود (برای مثال، یک الگوریتم ضرب ممکن است در واحد محاسبه ی یک ریز پردازنده تعبیه شود ( الگوریتم های رسمی شده(formalized algorithms ) الگوریتم ها به خاطر روش پردازش اطلاعات توسط کامپیوتر اساسی و حیاتی هستند، چون یک برنامه کامپیوتری اساساً یک الگوریتم است که به کامپیوتر می گوید برای انجام یک عمل خاص مثل محاسبه حقوق کارمندان و یا چاپ ورقه 4 گزارش دانش آموزان،چه مراحل خاصی را (با چه نظم خاصی) اجرا کند،.به این صورت، یک الگوریتم را می توان هر دنباله از دستوراتی که قابل اجرا توسط یک Turing complete باشد به حساب آورد.به طور نمونه ای هنگامی که الگوریتم کار پرازش اطلاعات را انجام می دهد، داده از طریق یک وسیله یا منبع ورودی گرفته، به یک وسیله خروجی یاsink نوشته و / یا برای استفاده در زمانی دیگر ذخیره می شود. داده ذخیره شده به عنوان بخشی از حالت درونی(internal state) نهاد مجری الگوریتم تلقی می گردد.برای اعمال محاسباتی از این قبیل، الگوریتم باید به دقت تعریف شود :یعنی طوری مشخص شود که برای حالت مختلف محتمل معتبر باشد. یعنی تمام مراحل شرطی باید به طور سیستماتیک بررسی شود ; حالت به حالت.ضابطه مربوط به هر حالت باید واضح (و محاسبه پذیر باشد(.چون الگوریتم ها لیست دقیقی از گام های دقیق است، نظم محاسبه تقریباً همیشه برای کار کرد الگوریتم اساسی می باشد. همواره فرض می شود دستور ها روشن هستند، و گفته می شود از" بالا آغاز" و"تا پایین کشیده می شوند"، اندیشه ای که به طور رسمی تر توسط جریان کنترل توصیف می شود.تا اینجا ی بحث، رسمی سازی قواعد و قوانین برنامه نویسی امری(imperative programming) را به خود گرفت. این عام ترین مفهوم است، و تلاش دارد با وسایل "مکانیکی" مجزا کاری را توصیف کند؛ عملیات تخصیص، تعیین مقدار یک متغیر، برای این مفهوم از الگوریتم رسمی شده یکتا می باشد .در زیر مثالی از این تخصیص آمده است.برای مفاهیم فرعی ) (alternative تشکیل دهنده یک الگوریتم 4 برنامه نویسی تابعی و برنامه نویسی منطقی را ببینید. ماشین حساب (آشنایی با Syntax Diagram( الگوریتم ماشین حسابی با تعریف زیر را بنویسید: انجام چهار عمل اصلی با اولویت محاسباتی عملگرها طبق آنچه در زیر مشخص شده است: کد: + - عملگر یگانی (Unary) * / + - عملگر دودویی (Binary) عبارات داخل پرانتز از اولویت بالاتری برخوردارند. اعداد می‌توانند صحیح یا اعشاری باشند. پایان هر عبارت با علامت سوال (=) مشخص میشود. خروج از ماشین حساب با ورود حرف ایکس (X) مشخص میشود. مثال: کد: 2 * 3 + 4 * 5 = 26
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..DOC) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 8 صفحه
قسمتی از متن word (..DOC) :
الگوریتم فلوید برای یافتن کوتاه ترین مسیر یک مشکل متداول در سفره های هوایی هنگامی که پرواز مستقیم وجود نداشته باشد تعیین کوتاه ترین مسیر پرواز از شهری به شهر دیگر است . حال الگوریتمی طراحی می کنیم که این مسئله و مسائل مشابه را حل کند . نخست لازم است نظریه گراف ها را مرور کنیم . شکل یک گراف جهت دار و موضون را نشان می دهد به خاطر دارید که در نمایش تصویری گراف ها دایره نشان گر راس ها و خط میان دو دایره نشان دهنده یال ها هستند . اگر هر یال دارای جهت باشد گراف را گراف جهت دار یا دیاگراف می گویند . هنگام رسم یال ها در این گونه گراف ها از پیکان برای نشان دادن جهت استفاده می کنیم در یک دیاگراف بین دو راس امکان وجود دو یال است که جهت آنها مخالف هم هست. برای مثال درشکل یک یال از v1 به v2 و یکی از v2 به v1 وجود دارد.اگر این یال ها با مقادیری همراه باشند این مقادیر را وزن و گراف حاصل را موزون می خوانند. در این جا فرض می کنیم که این مقادیر غیر منفی است.گرچه این مقادیر را معولاً وزن می نامند در بسیاری از از کابردها نشانگر فاصله است.بنابراین مسیر را به عنوان فاصله میان راسی تا راس دیگر در نظر می گیرند.در یک گراف جهت دار مسیر مجموعه ای از راس هاست به طوری که از یک راس تا راس دیگر یک یال وجود دارد. مسیری از یک راس به خود آن راس را چرخه می گویند. اگر مسیری هیچگاه دوبار از یک راس نگذرد مسیر ساده نامیده می شود.توجه کنید که یک مسیر ساده هرگز حاوی زیر مسیری که چرخه ای باشد نیست.طول یک مسیر در گراف موزون حاصل جمع اوزان مسیر است. در یک گراف ناموزون طول مسیر صرفاً عبارت است از تعداد رئوس موجود در آن است. مسئله ای که کاربردهای فراوان دارد یافتن کوتاهترین مسیر از راسی به رئوس دیگر است. واضح است کوتاهترین مسیر باید مسیری ساده باشد. در شکل سه مسیر ساده از v1 به v2 وجود دارد یعنی [v1,v2,v3] [v1,v4,v3] [v1,v2,v4,v3] .چون Length[v1,v2,v3]=1+3=4 Length[v1,v4,v3]=1+2=3 Length[v1,v2,v4,v3]=1+2+2=5 [v1,v4,v3]کوتاهترین مسیر ازv1 به v3 است.همانطور که پیش از این گفته شد یک کاربرد متداول کوتاهترین مسیر تعیین کوتاهترین مسیر میان دو شهر است. مسئله کوتاهترین یک مسئله بهینه سازی است. برای هر نمونه از مسئله بهینه سازی ممکن است بیش از یک راه حل وجود داشته باشد.هریک از راه حل های پیشنهادی دارای مقداری مرتبط با آن است و حل نمونه آن حلی است که دارای مقدار بهینه است.مقدار بهینه حداقل است یا حد اکثر در مورد مسئله کوتاهترین مسیر یک حل پیشنهادی مسیری از یک راس به راس دیگر بود .مقدار آن طول مسیر و مقدار بهینه حداقل طول است. چون ممکن است بیش از یک کوتاهترین مسیر از راسی به راس دیگر وجود داشته باشد مسئله ما یافتن هر یک از این کوتاهترین مسیر هاست.یک الگوریتم واضح برای این مسئله تعیین طول همه مسیرها برای هر راس از ان راس به هریک از رئوس دیگر است.اما زمان این الگوریتم بدتر از زمان نمایی است. برای مثال فرض کنید از هر راس به همه رئوس دیگر یک یال وجود دارد .در این صورت زیر مجموعه ای از همه مسیر ها عبارت است از مجموعه ای خواهد بود که از راس نخست شروع می شود و به راسی دیگر ختم می شود و از همه رئوس دیگر عبور می کنند.چون راس دوم در چنین مسیری می تواند هریک از n-2 راس باشد راس سوم در چنین مسیری می تواند هر یک از n-3 راس باشد... و راس دومی به آخری روی چنین مسیری فقط می تواند یک راس باشد.تعداد کل مسیرها از یک راس که از همه رئوس دیگر بگذرد عبارت است از : (n-2)(n-3)…1=(n-2)! که بد تر از حالت نمایی است. در بسیاری از مسائل بهینه سازی با همین وضعیت مواجه هستیم . یعنی الگوریتمی که همه حالت های ممکن را در نظر بگیرد زمان آن نمایی یا بدتر است. با استفاده از برنامه نویسی پویا یک الگوریتم زمانی درجه سوم برای مسئله کوتاهترین مسیر ایجاد می کنیم. نخست الگوریتمی طرح می کنیم که فقط طول کوتاهترین مسیرها را تعیین کند. سپس آن را طوری اصلاح می کنیم که کوتاهترین مسیر را نیز ایجاد کند .یک گراف موزون حاوی n راس را با یک آرایه w نشان می دهند که در آن اگر یالی بین , باشد وزن یال اگر یالی بین , نباشد w[i][j]= اگر i=j باشد 0 چون راس vj وقتی مجاور راس vi خوانده می شود که یالی بین vj و vi باشد به این آرایه نمایش ماتریس همجواری یک گراف می گویند .اگر بتوانیم راهی برای محاسبه مقادیر d از مقادیر w بیابیم الگوریتمی برای مسئله کوتاهترین مسیر خواهیم داشت این هدف با ایجاد n+1 آرایه قابل حصول است که وداریم : =طول کوتاهترین مسیر از VI به VJ فقط با استفاده از رئوس موجود در مجموعه {V1,V2,….VK} به عنوان رئوس واسطه پیش از انکه نشان دهیم چرا به این ترتیب قادر به محاسبه D از روی W هستیم معنی عناصر این آرایه ها را توضیح می دهیم .
لینک دانلود و خرید پایین توضیحات دسته بندی : وورد نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت ) تعداد صفحه : 12 صفحه
قسمتی از متن word (..doc) :
الگوریتم اجتماع مورچه (Ant Colony Algorithm) 1- معرفی یکی از مسائلی که به وسیله ی زیست شنا سان مورد مطالعه قرار گرفته است درك این موضوع است که چگونه موجودات تقریبا کور مانند مورچه ها کوتاه ترین مسیر را از لانه ی خود تا منبع غذا و بر عکس پیدا می کنند.آن ها پی بردند که یک رسانه براي ابلاغ اطلاعات بین تک تک مورچه ها مورد استفاده قرار می گیرد و براي تصمیم گیري درمورد این که کدام مسیر را انتخاب کنند به کار می رود که آن رسانه عبارت است از بو(اثر) ماده اي به نام فرومون. الگوریتم های لانه ی مورچه از جمله روش های فرامکاشفه ای هستند که برای حل مسایل بهینه سازی سخت پیشنهاد شده اند. این الگوریتم ها در آغاز از رفتارهای اجتماعی پشت سرهم قرار گرفتن و تعقیب کردن الهام گرفته شد، که در جامعه ی مورچگان مشاهده گردید. یک اجتماع از عامل های ساده (مورچه ها) به طور غیر مستقیم از طریق تغییرات پویای (دینامیکی) محیط ارتباط برقرار می کنند (رد پاهایی از فرومون) و بنابراین بر اساس تجربه ی اجتماعی آن ها، یک راه حل برای یک مسئله ارائه می دهند. در اين مطالعه مدل کاوش مورچه ها Meta-Heurestic انتخاب شده است و درابتدا الگوريتمهای ساده شرح داده می شود و سپس به مطالعه سيستم AS (ant system) و سيستمACS (ant colony system) وMMAS(max-min ant system) و..... شرح داده می شود. -2- رفتار طبیعی مورچه یک مورچه در حال حرکت مقداري فرومون دراندازه هاي گوناگون از خود بر روي زمین باقی می گذارد و بدین ترتیب مسیر را به وسیله ی بوي این ماده مشخص می سازد. هنگامی که یک مورچه به طور تصادفی و تنها حرکت می کند با روبه رو شدن با مسیري که توسط مورچه یا مورچه هاي قبلی انتخاب شده و داراي بوي فرومون است به احتمال زیاد آن را انتخاب می کند و با فرومونی که خود بر جاي می گذارد بوي آن را در مسیر مذکور تقویت می نماید. وقتی رفتار جمعی پدید می آید، گونه ای از رفتار خود تقویتی است، یعنی هرچه مورچه ها بو(اثر) ماده ی مذکور را دنبال کنند آن بو براي مورچه هاي پیرو آنها جذاب تر خواهد بود. فرایند گفته شده به وسیله ی یک حلقه توصیف می شود، یعنی احتمال این که یک مورچه یک مسیر را انتخاب کند متناسب باتعداد مورچه ها یی که قبلا آن مسیر را انتخاب کرده اند افزایش می یابد. ایده این است که اگر در یک نقطه معین یک مورچه مجبور است از بین مسیرهاي مختلف یکی را انتخاب کند ، مسیرهایی را که توسط مورچه هاي قبلی بیش تر انتخاب شده اند، به عبارت دیگر سطح بوی آن ها بالاتر است، با احتمال بیش تري انتخاب خواهد کرد. به علاوه سطح فرمون بالاتر معادل مسیر هاي کوتاه تر خواهد بود. الگوريتم هاي ACO بر پايه مدل احتمال پارامتري(مدل فرومون) قرار دارند. مورچه هاي مصنوعي به طور افزايشي با اضافه کردن به جا و مناسب مولفه هاي راه حل تعريف شده به راه حل جزئي مورد نظر راه حلهايي را مي سازند. A B در تصوير بالا مسيرهای متفاوت برای غذايابی ديده می شود.و تعداد مورچه ها و A و B مسيرهای در زمان t جستجو برای يافتن مسير آغاز و در زمان t+1 مسير پيدا شده و فرمول مورد استفاده : C کميتی غير اکتشافی برای مقدار جذب فرمون است و تحت تاثير فرمون ذخيره شده در فرآيند است.و باتعداد مورچه ها نسبت مستقيم دارد.در اثر تجربه مقدار برای =2 و c=20 است. اگر پس مسير A بهتر از B است. اگر دو مسير يکسان باشند مسير بصورت تصادفی و تعداد مورچه ها يکسان باشد در بيشتر موارد مسير کوتاهتر بعد از مدتی پيدا می شودو مقدار فرمون مسير کوتاهتر بيشتر از مسير ديگر است. و شاخه قويتر مورد استفاده قرار ميگيرد.الگوريتم زير برای ايجاد مسير کوتاهتر است: Let r~U(0,1) For each potential path A do Calculate Pa using ,e.g.,equation (1.1) If r Follow path A; Breack ; End End -3بهينه سازی کلونی مورچه ساده(SACO) : براي انجام اين کار، مورچه هاي مصنوعي يک گام برداري تصادفي را روي گراف همبند کامل G=(C,L) انجام مي دهند، که راسهاي آن مولفه هاي راه حل C و مجموعهء L ، اتصالات است.اين گراف، گراف ساخت Construction graph نام دارد. وقتي يک مسئله CO داراي محدوديت را در نظر مي گيريم، محدوديتهاي مسئله در رويه سازندهء مورچه ها ساخته مي شوند به نحوي که در هر مرحله از فرايند ساخت فقط مولفه هايي از راه حل که عملي هستند مي توانند به راه حل جزئي فعلي اضافه شوند. مولفه هاي ci ЄC با پارامتر رديابي فرومون Ti متناظر مي شوند و اتصالات Lij ЄL مي توانند با پارامتر رديابي فرومون Tij متناظر گردند. مجموعهء کل اين پارامترها با T نشان داده مي شود. مقادير اين پارامترها ( مقادير فرومون) به ترتيب با نشان داده مي شوند. به علاوه مولفه ها و اتصالات به ترتيب مي توانند با مقدار اکتشافي متناظر گردند. مجموعهء همه مقادير را با H نشان مي دهيم. . اين مقادير براي تصميمات احتمالي مورچه ها در مورد چگونگي حرکت در گراف ساخت استفاده مي گردند.احتمالات مربوط به گراف ساخت، احتمالات انتقال ناميده مي شود. بعد از مقدار دهي اوليه به مقادير فرومون ، در هر مرحله ، هر مورچه يک راه حل را مي سازد. سپس اين راه حلها براي به روزرساني مقادير فرومون استفاده مي گردند در ابتدا، کليهء مقادير فرومون با يک مقدار کوچک مشابه ph>0 مقداردهي مي شوند. در فاز ساخت، يک مورچه با افزودن مولفه هايي به راه حل جزئي فعلي ، به تدريج يک راه حل را ايجاد مي کند.اگر هيچ نودی وجود نداشته باشد =0 و در غير اينصورت فرآيند انجام و به می رسد.ودر صورت افتادن در حلقه بايد ان مسير حذف و دوباره عمليات انجام گردد. در مقادير بالا برای مقدار فرمون را تقويت میکندو دراین حال گره های اصلی بدست آمده وحلقه ها از بين می روند.وبرای فرمون اضافه شده استفاده می گردد.
لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : powerpoint (..ppt) ( قابل ويرايش و آماده پرينت ) تعداد اسلاید : 32 اسلاید
قسمتی از متن powerpoint (..ppt) :
1 بسم الله الرحمن الرحیم 2 تئوری وتحلیل همگرایی الگوریتم بهینه سازی گروهی ذرات 3 رئوس مطالب مقدمه بر الگوریتم بهینه سازی گروهی ذرات بررسی معادلات الگوریتم از دیدگاه جبری همگرایی الگوریتم در حالت تصادفی بودن آنالیز همگرایی امید ریاضی و واریانس مسیر حرکت ذره شرایط همگرایی مسیر حرکت ذره ارائه الگوریتم توسعه یافته بررسی الگوریتم ارائه شده قضایا و نتایج همگرایی 4 مقدمه الگوریتم بهینه سازی گروهی ذرات( pso ) بر مبنای فعل و انفعالات بین اعضای گروه اولین بار توسط کندی و ابرهارت (1995) الگوریتمی برای پیدا کردن بهینه مساله تعدادی از نقاط فضای شدنی را بعنوان جواب بالقوه در نظر گرفته 5 مدل حرکت ذره
لینک دانلود و خرید پایین توضیحات
