جستجو در تالارهای گفتگو

درود.... یکی از کاربردی ترین الگوریتم های بهینه سازی، الگوریتم ژنتیک است ولی آموزش های کمی برای این الگوریتم پیشرفته وجود داره..پس از تلاش فراوان بلاخره تونستم یک آموزش این نرم افزار رو پیدا کرده و تا حدودی با آن آشنا شوم....سعی میکنم آموخته های خودم را در اینجا برای شما نیز قرار دهم.

پيش‌بينی مشخصات هيدروليكی كانالهای پايدار شنی با شبكه عصبی مصنوعی چكيده در چند دهه اخير روابط و معيارهاي مختلفي جهت ايجاد رابطه‌اي مناسب در راستاي پيش‌بيني عرض و عمق رودخانه‌هاي با بسترهاي شني ارائه شده‌اند. در اين مقاله ضمن معرفي روش‌هاي سنتي فوق، روشي مبني بر طراحي عرض و عمق رودخانه‌هاي شني با استفاده از اطلاعات 280 رودخانه در نقاط مختلف جهان، با استفاده از روش بهينه‌شده شبكه عصبي توسط الگوريتم ژنتيك ارائه شده و در نهايت با سه روش مرسوم طراحي كانالهاي پايدار مقايسه مي‌شود. روش شبكه عصبي علاوه بر پارامترهاي دبي جريان، قطر ذرات رسوب، از پارامتر شيلدز استفاده مي‌كند در پايان با يك آناليز حساسيت تاثيرات اين پارامترها بر روي مدل نشان داده شده است. مقدمه طراحي كانالهاي پايدار بيش از آنكه يك مهم باشد بصورت يك هنر بيش از يكصد سال در مراجع و منابع هيدروليك مورد توجه قرار گرفته است. اگرچه نياز روزافزون به استفاده بهينه از منابع آب و توزيع مناسب آن بناگزير اين هنر را به سمت و سوي علوم رياضي و مهندسي كشانده است. چالش اصلي در زمينه پيش‌بيني مشخصات هيدروليكي مقطع پايدار مي‌باشد كه در آن ميزان فرسايش و انتقال رسوب در يك تعادل ديناميكي مي‌باشند. در اين راستا سه مكتب كلاسيك در طي يكصد سال گذشته توسط محققين ارائه و توسعه يافته‌اند: الف-مكتب تجربي كه صرفا از مباني آماري براي ارائه معادله‌هاي كانال پايدار استفاده مي‌كند بي‌آنكه توجيه فيزيكي براي آنها داشته باشد. ب-مكتب نيمه‌تجربي كه تلاش در انطباق قوانين مكانيك سيالات با مشخصات مقطع پايدار دارد. ج-مكتب تحليلي كه بر پايه نيروي مالشي و شرايط جريان توربلانس در كانالها توسعه يافته است كه كاربرد آن در كشورهاي در حال‌توسعه به سهولت امكان‌پذير نيست. هدف از اين مقالعه ارائه يك مدل مناسب براي تخمين پيش‌بيني عمق و عرض مقطع پايدار با استفاده از شبكه عصبي مي‌باشد كه پارامترهاي آن توسط يك فرايند بهينه‌ساز نظير الگوريتم ژنتيك بهينه‌ياببي شده و توسعه يافته است. همچنين مدل توسعه‌يافته با برخي روشهاي موجود مورد تجزيه و تحليل قرار خواهد گرفت. متن کامل مقاله را درفایل پیوستی مطالعه نمایید: 1.doc

درود...دوستان کسی با افزونه الگوریتم ژنتیک متلب کار کرده؟ در مورد نوشتن تابع در متلب و بهنیه سازی کلی سوال دارم.

( طراحی فیلتــــرهای موجبری صفحه E و صفحه H با استفاده از تطبیق مودها و الگوریتم ژنتیک ) علی اکبری خضری , امیررضا عطاری در روش متداول برای طراحی فیلتــــرهای موجبری، از مدل‌های مداری برای ناپیوستگی‌های موجبری استفاده می‌کنند. این مدلها عموماً با فرض باریک بودن پهنای باند فیلتــــر معتبر هستند. در این مقاله با استفاده از الگوریتم بهینه سازی GA و روش تطبیق‌مود، و بدون نیاز به مدل‌های مداری، دو نوع فیلتــــر موجبری میان‌گذر E-plane و H-plane در باند X طرح شده است. برای اطمینان از صحت پیاده سازی روش تطبیق مود، هر کدام از این دو فیلتــــر، با روش عددی FDTD و نیز با نرم افزار HFSS تحلیل شده است. در تحلیل FDTD از یک مش غیریکنواخت در داخل ناحیة حل و شرط مرزی PML در بیرون ناحیة حل استفاده شده است. انطباق بسیار خوب نتایج روش تطبیق مود با نتایج نرم افزار HFSS و روش FDTD، درستی ونیز دقت نتایج روش تطبیق مود را نشان می‌دهد. یکی از مشخصات مهم فیلتــــرهای مایکروویو حساسیت پاسخ فرکانسی آنها نسبت به دقت ساخت می‌باشد. در این مقاله با انجام شبیه سازی‌های متعدد و با یک رویکرد آماری حساسیت هر کدام از دو نوع فیلتــــرفوق نسبت به خطای ساخت بررسی شده و با یکدیگر مقایسه شده است. پسورد: [Hidden Content]

چكيده اين مقاله الگوريتم ژنتيك را براي بهينه‌سازي برنامه‌ريزي كنترل عيار در يك ذخيره بوكسيت مورد بررسي قرار مي‌دهد. هدف از تحقيق اين است كه انحراف از عيار مورد قبول ماهانه در كاراكتر خاص به نام‌هاي AL2O3% (آلومينيوم) و SiO2% (سيليس) نسبت به خصوصيات كيفي آنها روي دوره زماني 2 ساله را مينمم كند. براي همين منظور، يك ناحيه از ذخيره براي برنامه‌ريزي كنترل عيار انتخاب شد. مديريت معدن به‌ويژه مايل بود كه حد متوسط مخصوص آلومينيوم و سيليس را براي دوره زماني معين با استخراج مواد از ناحيه مورد مطالعه ذخيره به‌دست آورد. با استفاده از الگوريتم ژنتيك، يك برنامه كنترل عيار ايجاد شد كه مسائل مركب زيادي از الگوريتم‌هاي متداول مانند برنامه‌ريزي پويا را توجيه مي‌كند. بعلاوه، الگوريتم ژنتيك تعداد زيادي از برنامه‌هاي كنترل عيار نزديك بهينه را در يك دوره زماني سريع ايجاد مي‌كرد كه مورد پيش رو، از جمله مواردي است كه براي مديريت معدن در يك موقعيت كاربردي داده شده مي‌تواند مناسب باشد. با استفاده از اين روش، 5 مورد از بهترين برنامه‌هاي كنترل عيار ايجاد شد. واژه‌هاي كليدي: الگوريتم ژنتيك؛ كنترل عيار 1. مقدمه طراحي و زمان‌بندي عمليات معدن روباز يك چالش هميشگي براي صنعت معدن را مطرح مي‌كند. اجراي يك طراحي و زمان‌بندي توليد موثر معدن روباز، مهم‌ترين اهميت را در انجام عمليات معدنكاري سطحي دارد. اثر طراحي و زمان‌بندي توليد نتيجه عمده‌اي براي يك مديريت معدن در تصميمات سرمايه‌اي معدن، طراحي و برنامه‌ريزي توليد، عمليات معدني مانند يك كنترل عيار، اتوماسيون و توليد معدن دارد. زمان‌بندي توليد معدن روباز توسعه سكانس استخراجي بلوك‌هاي معدني است كه از شرايط اوليه ذخيره به محدوده پيت نهايي ختم مي‌شود. هدف اصلي برنامه‌ريزي يك سكانس استخراجي اين است كه چه بخش‌هايي از ذخيره و باطله و در چه دوره زماني معدنكاري شوند، چنان كه شرايط مختلف شامل كنترل عيار، به‌طور همزمان ارضاء شوند. سختي كار بيرون آوردن بهترين سكانس استخراجي است كه بتواند عوارض را براي تعداد خيلي بيشتري از شرايط مختلف بلوك‌هاي معدني كه ممكن است در طول يك دوره برنامه‌ريزي مشخص شوند، به‌وجود بياورد. تلاش‌هاي مختلفي براي نشان دادن مسائل زمان‌بندي به‌طور موثر ايجاد شده است. يك روش ساده كه براي ايجاد يك برنامه زمان‌بندي توليد مورد بررسي قرار گرفته بود، روش سعي و خطا با استفاده از گرافيك متقابل است (فرانكلين 1985، هلدينگ و استوكز 1990). اگر چه كه روش ساده و به‌طور كلي مقبول است، در هر صورت ممكن نيست كه همه تركيب‌ها را در يك زمان كوتاه رسيدگي و آناليز كرد، بنابراين، اغلب آنها به‌طور عملي بازنگري شدند تا با شرايط يك زمان‌بندي مطابقت كنند. در اين خصوص تكنيك تحقيق در عمليات (O.R.) براي مسائل زمان‌بندي توليد براي انتخاب سكانس استخراجي به كار برده شد. از بين تكنيك‌هاي مختلف O.R براي زمان‌بندي توليد معادن روباز، برنامه‌ريزي خطي، توجه تعداد زيادي از مهندسين معدن را به خود جلب كرده است. در اوايل سال 1967 يك مدل زمان‌بندي معدن روباز كوتاه‌مدت با استفاده از اصول روش برنامه‌ريزي خطي به وسيله كيم (1967) فرموله و حل شد. در هر صورت يك محدوديت اصلي استفاده از اين تكنيك‌ها اين است كه بايد تعداد محدوديت‌ها كم باشد. پيچيدگي استخراج معدن روباز چند پله‌اي مخصوصا شرايط اولويت‌بندي ممكن است به يك مدل برنامه‌ريزي خطي خيلي بزرگ منتهي شود كه مي‌تواند براي حل در بهترين حالت عملي پرخرج باشد. برنامه‌ريزي هدف يكي ديگر از تكنيك‌هاي تحقيق در عمليات است كه براي جمع‌آوري معيارهاي هدف چند منظوره در زمان‌بندي توليد گسترش يافته است (كاندا 1990، اسميت و توي 1994). از برنامه‌ريزي عدد صحيح نيز براي برنامه‌ريزي توليد استفاده شده است. در هر صورت به پيچيدگي الگوريتم‌هاي حل، اين تكنيك كمتر در زمان‌بندي معدن روباز استفاده مي‌شود. يك شاخه از مدل برنامه‌ريزي عدد صحيح برنامه‌ريزي عدد صحيح 1 ـ 0 است كه در آن هر متغير فقط ارزش صفر و يا يك دارد. زمان حل مدل برنامه‌ريزي عدد صحيح 1 ـ 0 با افزايش تعداد متغيرها به‌طور نمايي افزايش پيدا مي‌كند. (فاتاس و ‌همكاران 1993). در هر صورت تكنيك‌هاي تحقيق در عمليات بالا اغلب براي برنامه‌ريزي توليد كوتاه‌مدت به كار برده مي‌شوند تا مساله زمان‌بندي را در وجود محدوديت‌هاي استخراج مختلف نشان دهند. متعاقبا محققان مختلفي تلاش كرده‌اند تا الگوريتم‌هاي زمان‌بندي بهينه در زمان‌بندي توليد بلندمدت معدن را بر مبناي برنامه‌ريزي پويا، تئوري گراف و مفهوم وزن دهي موقعيت درخواست شده (گارسون 1987) گسترش دهند. هر تلاش براي ايجاد زمان‌بندي توليد با استفاده برنامه‌ريزي پويا به يك تحقيق جامع و نتايج در يك تعداد زيادي از گزينه‌هاي مركب نياز دارد. به‌عنوان مثال در يك مدل بلوكي كوچك شامل آرايه 20*20*20 (800) بلوك براي اين‌كه در دوره زماني بالاي 10 بار زمان‌بندي شود، به ميليارد تبديل نياز است. حتي بعد از يك چنان محاسبه بزرگي ممكن است به‌دست آوردن جواب به‌خاطر محدوديت‌هاي استخراجي قابل استفاده نباشد. تعداد بلوك‌ها در يك ذخيره واقعي مي‌تواند چنان زياد باشد كه ممكن است يك فضاي جست‌وجوي بزرگ ايجاد كند كه با تكنولوژي كامپيوتري فعلي مقدور به حل آن نباشيم. اين مقاله براي حل زمان‌بندي توليد در يك زمان تقريبا عملي با ارجاع ويژه به كنترل عيار، الگوريتم ژنتيك را مورد بررسي قرار مي‌دهد. هدف از استفاده الگوريتم ژنتيك اين است كه با استفاده از اين روش يك مرتب‌سازي بلوك‌ها به صورت بهينه بسرعت و فقط بعد از امتحان يك بخش كوچكي از فضاي جست‌وجو ايجاد مي‌شود، بنابراين اين روش مي‌تواند مشكل مساله تركيبي بزرگي را كه از روش برنامه‌ريزي پويا به وجود آمد بر طرف كند.

در این مقاله سیستمی برای تشخیص نوع مدولاسیون پیشنهاد میشود که قادر است بدون شناخت اولیه از پارامترهای سیگنال ارسالی، 9 مدولاسیون از خانواده مدولاسیونهای فاز، دامنه و فاز-دامنه را شناسایی کند. سعید شعرباف تبریزی , مرتضی خادمی درح , محمد مولوی کاخکی , امیدوارم مفید باشه

الگوریتم ژنتیک و کاربرد آن در حل مسایل MILP