روشی جدید برای الگوریتم زمانبندی CPU با گردش بنوبت ژنتیکی (فرمت فایل Word و پاورپوینت)تعداد صفحات 114

 محدوده کاری الگوریتم ژنتیک  بسیار وسیع می باشد و هر روز با پیشرفت روزافزون علوم و تکنولوژی استفاده از این روش در بهینه سازی و حل مسائل بسیار گسترش یافته است. الگوریتم ژنتیک   یکی از زیر مجموعه های محاسبات تکامل یافته می باشد که رابطه مستقیمی با مبحث هوش مصنوعی دارد در واقع الگوریتم ژنتیک  یکی از زیر مجموعه های هوش مصنوعی می باشد.  الگوریتم ژنتیک را می­توان یک روش جستجوی کلی نامید که از قوانین تکامل بیولوژیک طبیعی تقلید می­کند .الگوریتم ژنتیک برروی یکسری از جواب­های مساله به امید بدست آوردن جوابهای بهتر قانون بقای بهترین را اعمال می کند. درهر نسل به کمک فرآیند انتخابی متناسب با ارزش جواب­ها و تولید مثل جواب-های انتخاب شده به کمک عملگرهایی که از ژنتیک طبیعی تقلید شده­اند ,تقریب­های بهتری از جواب نهایی بدست می­آید. این فرایند باعث می­شود که نسلهای جدید با شرایط مساله سازگارتر باشد.

فهرست مطالب
مقدمه
فصل اول
چکیده
تاریخچه الگوریتم ژنتیک
اهداف
ساختار الگوریتم‏های ژنتیکی

عملگرهای الگوریتم ژنتیک
روند کلی الگوریتم‏های ژنتیکی
روند کلی بهینه سازی و حل مسائل در الگوریتم ژنتیک
شرط پایان الگوریتم
فصل دوم
توضیح الگوریتم ژنتیک در ۱۲ قدم
قدم اول : بدست آوردن تابع هدف (Cost Function) با n متغیر

قدم دوم : تعیین طول کروموزوم

قدم سوم : تولید جمعیت اولیه
قدم چهارم: تبدیل هر ژن از کروموزوم به اعدادی در بازه دامنه همان متغیر
قدم پنجم
قدم ششم :
قدم هفتم : تعیین تعداد کروموزوم شرکت کننده در عمل پیوند
قدم هشتم : انتخاب کروموزومهایی که در عمل پیوند شرکت می کنند
قدم نهم : پیوند (crossover)
قدم دهم : جهش (mutation)
قدم یازدهم : حفظ بهترین کروموزوم
قدم دوازدهم

فصل سوم
روش پژوهش
نتایج و بحث
نتیجه گیری و کارهای آینده
نتیجه گیری‌ کلی
قدر دانی

منابع

فرمت فایل Word ورد doc

تعداد صفحات :114

همراه با پاورپوینت برای ارائه و کنفرانس : تعداد صفحات 53 اسلاید 

بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا

مقاله با عنوان بهبود سرعت یادگیری شبکه های عصبی چند لایه با الگوریتم پس انتشار خطا در فرمت ورد در 28 صفحه و شامل مطالب زیرمی باشد:
مقدمه
خلاصه ای از الگوریتم BP
فرمول بندی الگوریتم BP
معایب الگوریتم استاندارد پس انتشار خطا1 (SBP)
شکل (1). منحنی یادگیری شبکه برای نرخ های یادگیری مختلف در مسأله XOR
بهبود الگوریتم استاندارد پس انتشار خطا (SBP) - الگوریتم BP از نوع دسته ای1 (BBP)
شکل (2). رفتار شبکه با الگوریتم BBP در مسأله XOR ( ـــ )
رفتار شبکه با الگوریتم SBP (0ـــ)- روش ممنتم 1 برای الگوریتم BP (MBP)
شکل(3): رفتار شبکه با الگوریتم MBP درمسأله XOR (ــــ)- نرخ یادگیری متغیر1 (VLR)
شکل (4). – رفتار شبکه با الگوریتم VLR برای مسأله XOR ( ـــ )
رفتار شبکه با الگوریتم SBP (0 ـــ)
- تغییرات نرخ یادگیری (α) در کل فرآیند یادگیری برای مسأله XOR
- الگوریتم پس انتشار خطای تطبیقی1 (ABP)
شکل (5). منحنی یادگیری الگوریتم BP تطبیقی برای XOR- الگوریتم پس انتشار خطا با نرخ یادگیری و ضریب ممنتم تطبیقی1 (BPALM)
شکل(6). – منحنی یادگیری الگوریتم BPALM در مسأله XOR- تغییرات علامت1
شکل (7). منحنی یادگیری الگوریتم Delta Bar Delta Rule در مسأله XOR- الگوریتم یادگیری Super SAB
2- الگوریتم پس انتشار خطا با سه ترم
آنالیز همگرایی
شکل (10). منحنی یادگیری الگورتم GBP در مسأله XOR به ازای S=2 و S=1
- الگوریتم پس انتشار خطای بهبود پذیر1 (Rprop)
نتیجه گیری
مراجع

مقدمه ای بر طراحی و تحلیل الگوریتم ها

---

کامپیوتر 12. الگوریتم مسیریابی خود تطبیقی مبتنی بر مکان برای شبکه های حسگر بی سیم در اتوماسیون خانگی

الگوریتم مسیریابی خود تطبیقی مبتنی بر مکان برای شبکه های حسگر بی سیم در اتوماسیون خانگی
چکیدهاستفاده از شبکه های گیرنده بی سیم در اتوماسیون داخلی (WSNHA) به دلیل خصوصیات خود سازماندهی ، دقت دریافت بالا، هزینه پایین، و پتانسیل هایی برای گسترش سریع جالب توجه می باشند. اگرچه الگوریتم مسیریابی در IEEE 802.15.4/ZigBee  و الگوریتم های مسیریابی دیگر برای شبکه های گیرنده بی سیم طراحی شده است، تمام آن ها برای WSNHA مناسب نمی باشد. در این مقاله، ما یک الگوریتم مسیریابی منطقی بر مبنای موقعیت برای شبکه های گیرنده بی سیم را برای WSNHA به نام WSNHA-LBAR مطرح می کنیم. آن مجموعه ای از مسیرهای اکتشافی را برای نواحی درخواستی استوانه ای محدود کرده، که مسیرهای بالاسری را کاهش داده و مشکلات مربوط به طوفانی از موارد منتشر شده را کمتر می کند. آن همچنین به صورت اتوماتیک اندازه نواحی درخواستی را با استفاده از الگوریتم خود انطباقی بر اساس قضیه بیزی تطبیق می دهد. این موارد WSNHA-LBAR را نسبت به تغییرات وضعیت شبکه سازگارتر کرده و برای اجرا آسان تر می کند. نتایج شبیه سازی بهبودی را در اعتبار شبکه ایجاد کرده و همچنین مسیربابی بالاسری را کاهش می دهد. 

جزوه درس طراحی الگوریتم استاد تناوش

جزوه درس طراحی الگوریتم استاد تناوش
------------------------------------------------------
نوع: جزوهدرس: طراحی الگوریتم هامقطع: کارشناسی
فرمت: PDFحجم: 3.08 MBتعداد صفحه: 173
دانشگاه: آزاد تهران مرکزاستاد: مهرداد تناوش
------------------------------------------------------
چکیده و خلاصه:
فهرست:فصل اول : الگوریتمها و تحلیل زمانی و فضاییفصل دوم : روش تقسیم و حل یا D&C (Divide & Conquer)فصل سوم: روش برنامه نویسی پویا یا DP (Dynamic Programming)فصل چهارم: روش حریصانه یا Greedyفصل پنجم : روش جستجوی گرافهافصل ششم : شبکه های مرتب ساز
اهداف کلی: تحلیل و تجزیه زمانی و فضایی الگوریتمها آشنایی با روشهای طراحی الگوریتممبحث مهمی که در این درس مورد بررسی قرار میگیرد بحث الگوریتمهای بازگشتی است که لازم است تا تسلط کامل در این زمینه کسب شود
------------------------------------------------------
اساس برنامه نویسی کامپیوتر بر پایه ی الگوریتم ها کار می کند. از این رو آشنایی با نحوه ی کارکرد آن ها بسیار مهم و ضروری است. این کتاب توسط مهندس مهرداد تناوش (استاد دانشگاه و عضو هیئت علمی) تالیف شده و کتاب مرجع درس طراحی الگوریتم ها در دوره ی کارشناسی مهدسی کامپیوتر می باشد.در فصل اول این کتاب به معرفی الگوریتم ها و مبحث مهم آنالیز زمانی پرداخته می شود. در فصل های بعدی نیز مهم ترین روش های حل مسئله بررسی می شوند. این روش ها عبارتند از: Devide & Conquer - Dynamic Programming - Greedy - Graph Searchمطالعه ی این کتاب به کلیه ی دانشجویان مهندسی کامپیوتر و همچنین تمامی علاقه مندان به برنامه نویسی استاندارد توصیه می شوند. با توجه به متن روان، مثال های متعدد و سورس برنامه ها، در پایان مطالعه ی این کتاب، نگرش شما به الگوریتم ها به کلی دگرگون خواهد شد.