الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا دارای ۲۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن الگوریتم ژنتیک آشوب گونه مبتنی بر حافظه و خوشه بندی برای حل مسائل بهینه سازی پویا :

نام کنفرانس، همایش یا نشریه : مهندسی برق (دانشکده فنی دانشگاه تبریز)

تعداد صفحات :۲۶

اکثر مسائل موجود در دنیای واقعی یک مساله بهینه سازی با ماهیتی پویا هستند، به طوری که مقدار بهینه سراسری آن ها در طول زمان ممکن است تغییر کند، بنابراین برای حل این مسائل الگوریتم هایی نیاز داریم که بتوانند خود را با شرایط این مسائل به خوبی سازگار نموده و بهینه جدید را برای این مسائل ردیابی نمایند. در این مقاله، یک الگوریتم ژنتیک آشوب گونه مبتنی بر خوشه بندی و حافظه برای حل مسائل پویا ارائه شده است. یک سیستم آشوب گـونه پیش بینی دقیق تـری از آینده نسبت بـه یک سیستم تصادفی دارد و میزان همگرایی را در الگوریتم افزایش می دهد. به طور معمول استفاده از اطلاعات گذشته اجازه می دهد الگوریتم به سرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد، بنابراین ایده موردنظر در این زمینه، استفاده از یک حافظه است که با استراتژی مناسبی اطلاعات مفید گذشته را ذخیره نموده و برای استفاده مجدد آن ها را بازیابی می نماید. خوشه بندی در حافظه و جمعیت اصلی، تنوع را در حین اجرای الگوریتم با تبادل اطلاعات میان خوشه های متناظر (خوشه ها با برچسب شبیه به هم) در حافظه و جمعیت اصلی حفظ می نماید. به طورکلی در این روش پیشنهادی دو جنبه نوآوری اساسی پیشنهاد شده است. یکی روش خوشه بندی استفاده شده که هم جمعیت اصلی و هم جمعیت حافظه را خوشه بندی (خوشه بندی مبتنی بر میانگین) می کند و دیگری راهکار مناسبی است که برای به روزرسانی حافظه استفاده شده است. برای آزمایش کارایی روش پیشنهادی از مساله محک قله های متحرک استفاده شده که رفتاری شبیه به مسائل پویا در دنیای واقعی را شبیه سازی می کند. نتایج آزمایش ها کارایی مناسب روش پیشنهادی را در حل مسائل بهینه سازی پویا در مقایسه با دیگر روش ها نشان می دهد.

کلید واژه: بهینه سازی پویا، الگوریتم ژنتیک، حافظه صریح، آشوب، خوشه بندی