مقایسه شتب الگوریتم های کرم شب تاب، ذراتف ماهی و خفاش با استفاده از چارچوب کودا

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

 مقایسه شتب الگوریتم های کرم شب تاب، ذراتف ماهی و خفاش با استفاده از چارچوب کودا دارای ۹ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقایسه شتب الگوریتم های کرم شب تاب، ذراتف ماهی و خفاش با استفاده از چارچوب کودا  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 مقایسه شتب الگوریتم های کرم شب تاب، ذراتف ماهی و خفاش با استفاده از چارچوب کودا،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقایسه شتب الگوریتم های کرم شب تاب، ذراتف ماهی و خفاش با استفاده از چارچوب کودا :

تعداد صفحات :۹

چکیده مقاله:

الگوریتم های تکاملی و هوش دسته جمعی کاربرد فراوانی در مسائل بهینه سازی دارند و به کمک الهام از فرآیندهای موجود در طبیعت و اصول تکاملی سعی می نمایند که بهترین راه حل های مسائل سخت و دشوار را که غالبا در چارچوب مسائل بهینه سازی مطرح می باشد را محاسبه نمایند. الگوریتم های تکاملی با فرآیندهای تکراری و جستجو در فضای مسئله راه حلهای نزدیک به راه حل بهینه را محاسبه می نمایند. با افزایش ابعاد و پیچیدگی تابع هدف مسائل بهینه سازی یافتن راه حل های بهینه با کندی و احتمال همگرایی بیشتر به بهینههای محلی مواجه می شود. افزایش اندازه جمعیت اولیه و تعداد تکرار الگوریتم تکاملی می – تواند یک راه کار مناسب برای همگرایی به بهینه های سراسری محسوب شود با این حال زمان اجرای الگوریتم تکاملی افزایش چشم گیری می یابد. الگوریتم تکاملی نظیر الگوریتم ذرات، کرم شب تاب، خفاش و ماهی به علت جستجوی مجزای اعضای جمعیت اولیه دارای ماهیتی موازی می باشد که در صورت فراهم بودن این شرایط، سرعت این الگوریتم ها را می توان افزایش داد و تأثیر افزایش اندازه جمعیت اولیه و تعداد تکرار را بر روی زمان اجرای آن ها کاهش داد. در این پژوهش جهت موازی سازی و افزایش سرعت الگوریتم های تکاملی ذرات، کرمشب تاب، خفاش و ماهی از فناوری جدید موازی سازی کارت گرافیک یا کودا استفاده شده است تا یک نسخه موازی و سریع از این الگوریتم ها برای حل مسائل بهینه سازی توسعه داده شود. نتایج آزمایش ها و شبیه سازی های مختلف نشان می دهد چارچوب کودا می تواند سرعت این الگوریتم ها را نسبت به نسخه سریال به مراتب افزایش دهد.