پاورپوینت بررسی الگوریتم های ژنتیک

پاورپوینت بررسی الگوریتم های ژنتیک

دسته بندی پزشکی
فرمت فایل pptx
حجم فایل 537 کیلو بایت
تعداد صفحات 54
برای دانلود فایل بر روی دکمه زیر کلیک کنید

دریافت فایل

پاورپوینت بررسی الگوریتم های ژنتیك در 54اسلاید زیبا و قابل ویرایش با فرمت pptx

مروری بر مطالب

مقدمه و تاریخچه

روند الگوریتم‌های ژنتیك

مزایا و معایب الگوریتم‌های ژنتیك

پارامتر‌های كنترل

حل TSP با استفاده از

GAجمع‌بندی

مقدمه و تاریخچه

GA بعنوان دسته‌ای از الگوریتم‌های تكاملی

ابداع توسط آقای John Holland در سال 1975 در میشیگان

شبیه‌سازی روند GA بر اساس روند تكاملی طبیعت

پایه‌گذاری بر اساس نظریه آقای چارلز داروین

روشی برای جستجو در فضاهای بزرگ

كاربرد در مسائل بهینه‌سازی

مقدمه:

الگوریتم ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کند.

الگوریتم ژنتیک یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند.

الگوریتم ژنتیک برای مسائل جستجو و بهینه سازی بکار برده می شود.

هنگامی كه لغت تنازع بقا به كار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید همزمان قانون جنگل به ذهن برسد و حكم بقای قوی‌تر!

طبیعت مناسب ترین‌ها (Fittest) را انتخاب می ‌كند نه بهترین‌ها.

برای دانلود فایل بر روی دکمه زیر کلیک کنید

دریافت فایل

تحقیق پیاده سازی VLSI یك شبكه عصبی آنالوگ مناسب برای الگوریتم های ژنتیك

دسته بندی ژنتیک
فرمت فایل zip
حجم فایل 541 کیلو بایت
تعداد صفحات 39
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود

1- مقدمه

شبكه های عصبی مصنوعی به صورت عمومی بعنوان یك راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یك دلیل برای این مسئله مشكلات موجود در تعیین وزنها برای سیناپسها در یك شبكه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یك سیستم متقابل است كه مقادیر صحیح را از خطای خروجی شبكه محاسبه می كند .

یك شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیكه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میكروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشكل روبرو می شویم .

دلیل این مشكل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد كه آنها با دما نیز تغییر كنند .

ساختن مدارات آنالوگی كه بتوانند همه این اثرات را جبران سازی كنند امكان پذیر است ولی این مدارات در مقایسه با مدارهایی كه جبران سازی نشده اند دارای حجم بزرگتر و سرعت كمتر هستند .

برای كسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبكه های عصبی آنالوگ نباید سعی كنند كه مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امكان به فیزیك قطعات متكی باشند تا امكان استخراج یك موازی سازی گسترده در تكنولوژی VLSI مدرن بدست آید .

شبكه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود