خانه » پروژه » فناوری اطلاعات » دانلود پروژه کاربردهای الگوریتم ژنتیک
دانلود پروژه کاربردهای الگوریتم ژنتیک

دانلود پروژه کاربردهای الگوریتم ژنتیک

کاربردهای الگوریتم ژنتیک

فهرست مطالب
 فصل اول -مقدمه
۱-۱- مقدمه
 فصل دوم -مقدمه ای بر الگوریتم ژنتیک
۲-۱-مقدمه
۲-۲-پیشینه
۲-۳-اصطلاحات زیستی
۲-۴-تشریح کلی الگوریتم ژنتیک
۲-۵-حل مسأله با استفاده از الگوریتم ژنتیک
۲-۶-اجزای الگوریتم ژنتیک
۲-۶-۱- جمعیت
۲-۶-۲- کدگذاری
۲-۶-۲-۱-کدگذاری دودویی
۲-۶-۲-۲-کدگذاری مقادیر
۲-۶-۲-۳-کدگذاری درختی
۲-۶-۳- عملگرهای الگوریتم ژنتیک
۲-۶-۳-۱- fitness (برازش)
۲-۶-۳-۲-selection(انتخاب)
۲-۶-۳-۳-crossover (ترکیب)
۲-۶-۳-۴-mutation(جهش)
۲-۷-مفاهیم تکمیلی
۲-۷-۱- برتری ها و ضعف های الگوریتم ژنتیک
۲-۷-۲- نکات مهم در الگوریتم های ژنتیک
۲-۷-۳- نتیجه گیری
 فصل سوم – کاهش اثرات زیست محیطی آلاینده های Cox، NOx و SOx در کوره ها
۳-۱-مقدمه
۳-۲-احتراق
۳-۲-۱-روش محاسبه ترکیبات تعادلی با استفاده از ثابت تعادل
۳-۲-۲-روش محاسبه دمای آدیاباتیک شعله
۳-۲-۳-انتخاب سیستم شیمیایی
۳-۲-۴-تأثیر دمای هوا و میزان هوای اضافی بر تولید محصولات
۳-۳-بهینه سازی
۳-۳-۱-روش های حل مسائل بهینه سازی
۳-۳-۲-روش تابع پنالتی
۳-۳-۳-الگوریتم حل تابع پنالتی
۳-۴-برنامه ی کامپیوتری و مراحل آن
۳-۵-تشکیل تابع هدف
۳-۶-تشکیل مدل مسئله بهینه سازی
۳-۷-روش حل
فصل چهارم – توضیحاتی در رابطه با gatool نرم افزار مطلب
۴-۱-gatool
۴-۲-تنظیم گزینه ها برای الگوریتم ژنتیک
۴-۳-Plot Options
۴-۴-Population Options
۴-۵-Fitness Scaling Options
۴-۶-Selection Options
۴-۷-Reproduction Options
۴-۸-Mutation Options
۴-۹-Crossover Options
۴-۱۰-Migration Options
۴-۱۱-Output Function Options
۴-۱۲-Stopping Criteria Options
۴-۱۳-Hybrid Function Options
۴-۱۴-Vectorize Options
فصل پنجم – نتایج
۵-۱-نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک
۵-۲-نتیجه گیری
فهرست مراجع
 فهرست شکل
۲-۱- مراحل الگوریتم ژنتیک
۲-۲- مثالی از کروموزوم ها به روش کدگذاری دودویی
۲-۳- مثالی از کروموزوم ها با استفاده از روش کدگذاری مقادیر
۲-۴-انتخاب چرخ رولت
۲-۵-ترکیب تک نقطه ای
۲-۶-ترکیب دو نقطه ای
۲-۷-ترکیب یکنواخت
۲-۸-وارونه سازی بیت
۲-۹-تغییر ترتیب قرارگیری
۲-۱۰-تغییر مقدار
۳-۱- نمای برنامه ی کامپیوتری
۳-۲- عملیات برازش برای تولید NO در مقایسه با نتایج اصلی در احتراق گازوئیل
۴-۱-نمای gatool نرم افزار مطلب
۵-۱- نمای gatool ، Cox برای گاز طبیعی
۵-۲- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گاز طبیعی
۵-۳- نمای gatool ، NOx برای گاز طبیعی
۵-۴- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گاز طبیعی
۵-۵- نمای gatool ، Cox + NOx برای گاز طبیعی
۵-۶- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOxبرای گاز طبیعی
۵-۷- نمای gatool ، Cox برای گازوئیل
۵-۸- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گازوئیل
۵-۹- نمای gatool ، NOx برای گازوئیل
۵-۱۰- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گازوئیل
۵-۱۱- نمای gatool ، Sox برای گازوئیل
۵-۱۲- نمودارهای Best fitness و Best individual آلاینده ی Sox برای گازوئیل
۵-۱۳-نمای gatool ، Cox + NOx برای گازوئیل
۵-۱۴- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای گازوئیل
۵-۱۵- نمای gatool ، Cox+NOx+Sox برای گازوئیل
۵-۱۶- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx وSOx برای گازوئیل
۵-۱۷- نمای gatool ، Cox برای نفت کوره
۵-۱۸- نمودارهای Best fitness و Best individual آلاینده ی Cox برای نفت کوره
۵-۱۹- نمای gatool ، NOx برای نفت کوره
۵-۲۰- نمودارهای Best fitness و Best individual آلاینده ی NOx برای نفت کوره
۵-۲۱- نمای gatool ، Sox برای نفت کوره
۵-۲۲- نمودارهای Best fitness و Best individual آلاینده ی SOx برای نفت کوره
۵-۲۳- نمای gatool ، Cox + NOx برای نفت کوره
۵-۲۴- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای نفت کوره
۵-۲۵- نمای gatool ، COx+NOx+SOx برای نفت کوره
۵-۲۶- نمودارهای Best fitness و Best individual مجموع آلاینده های COx و NOx و SOx برای نفت کوره
 فهرست جدول
۳-۱- تغییر نرخ تولید (mole/hr) NO در اثر تغییر دمای هوا و درصد هوای اضافی
۳-۲- تشکیل تابع هدف برای گاز طبیعی
۳-۳- تشکیل تابع هدف برای گازوئیل
۳-۴- تشکیل تابع هدف برای نفت کوره
۵-۱- مقایسه نتایج تابع پنالتی و الگوریتم ژنتیک

چکیده :

 الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.

 مسئله ی کاهش آلاینده های Cox ، NOx و Sox در کوره های صنعتی ، یکی از مسائل بهینه سازی می باشد، که هدف آن بهینه کردن عملکرد کوره های احتراقی بر حسب پارامترهای درصد هوای اضافی (E) و دمای هوای خروجی از پیش گرمکن (T) ، به منظور کاهش میزان آلاینده های تولید شده در اثر انجام عملیات احتراق است.

 در این پایان نامه ابتدا مروری بر مفاهیم مقدماتی الگوریتم های ژنتیک کرده سپس مشخصات کلی مسئله عنوان می شود، در انتها مسئله ی مورد نظر توسط الگوریتم ژنتیک اجرا و نتایج آن با روش تابع پنالتی مقایسه می شود.

برای خرید اطلاعات خود را وارد کنید
  • کلیه پرداخت های سایت از طریق درگاه بانک سامان انجام می گیرد.هر مرحله از خرید می توانید مشکل خود را با پشتیبان و فرم تماس با ما در جریان بگذارید در سریعترین زمان ممکن مشکل برطرف خواهد شد
  • پس از پرداخت وجه ، فایل محصول هم قابل دانلود می باشد و هم به ایمیل شما ارسال می گردد .
  • آدرس ایمیل را بدون www وارد نمایید و در صورت نداشتن ایمیل فایل به تلگرام شما ارسال خواهد شد .
  • در صورت داشتن هرگونه سوال و مشکل در پروسه خرید می توانید با پشتیبانی سایت تماس بگیرید.
  • پشتیبان سایت با شماره 09383646575 در هر لحظه همراه و پاسخگوی شماست
  • اشتراک گذاری مطلب

    راهنما

    » فراموش نکنید! بخش پشتیبانی مقاله آنلاین ، در همه ساعات همراه شماست

    اطلاعات ارتباطی ما پست الکترونیکی: Article.university@gmail.com

    تماس با پشتیبانی+ ایدی تلگرام 09383646575

    برای سفارشتان از سایت ما کمال تشکر را داریم.

    از اینکه ما را انتخاب نمودید متشکریم.

    معادله فوق را حل نمایید *

    تمام حقوق مادی , معنوی , مطالب و طرح قالب برای این سایت محفوظ است