پیشینه تحقیق مسائل بهینه سازی و بهینه سازی ترکیبی و روشهای حل مسائل آن دارای ۲۹ صفحه می باشد فایل پیشینه تحقیق به صورت ورد  word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود  آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.

فهرست مطالب

فصل اول: الگوریتم های فرا ابتکاری    ۴
۱-۱-  مقدمه    ۴
۱-۲-  مرور ادبیات الگوریتم های فرا ابتکاری    ۴
۱-۳-  جمع بندی    ۱۳
فصل دوم: مسائل بهینه سازی و بهینه سازی ترکیبی و روشهای حل مسائل آن    ۱۳
۲-۱-  مقدمه    ۱۳
۲-۲-  مسائل بهینه سازی    ۱۳
۲-۳-  بررسی روشهای جستجو و بهینه سازی    ۱۵
۲-۳-۱-   روشهای شمارشی    ۱۶
۲-۳-۲-  روشهای محاسباتی    ۱۶
۲-۳-۳-  روشهای ابتکاری و فرا ابتکاری (جستجوی تصادفی)    ۱۷
۲-۴-   مسائل بهینهسازی ترکیبی    ۱۸
۲-۵-  روشهای حل مسائل بهینه سازی ترکیبی    ۱۹
۲-۵-۱-  روش های ابتکاری    ۲۰
۲-۵-۱-۱-  آزادسازی    ۲۰
۲-۵-۱-۲-  تجزیه    ۲۱
۲-۵-۱-۳-  تکرار    ۲۱
۲-۵-۱-۴-  روش تولید ستون    ۲۲
۲-۵-۱-۵-  جستجوی سازنده     ۲۲
۲-۵-۱-۶-  جستجوی بهبود یافته    ۲۳
۲-۵-۱-۷-  روش جستجوی همسایه     ۲۳
۲-۵-۲-  روش‌های فرا ابتکاری  برگرفته از طبیعت    ۲۴
۲-۶-  جمع بندی    ۲۵
منابع    ۲۷

منابع

۱-Storn, R., & Price, K. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4), 341-359, 1997.

۲-Geem, Z. W., Kim, J. H., & Loganathan, G. V. A new heuristic optimization algorithm: harmony search. Simulation, 76(2), 60-68, 2001.

۳-Kirkpatrick, S., Jr., D. G., & Vecchi, M. P. Optimization by simulated annealing. science, 220(4598), 671-680, 1983.

۴-De Castro, L. N., & Timmis, J. I. Artificial immune systems as a novel soft computing paradigm. Soft computing, 7(8), 526-544, 2003.

۵-Glover, F., & Laguna, M. Tabu search (Vol. 22). Boston: Kluwer academic publishers, 1997.

۶-Kaveh, A., & Talatahari, S. Optimum design of skeletal structures using imperialist competitive algorithm. Computers & structures, 88(21), 1220-1229, 2010.

۷-Rajabioun, R. Cuckoo optimization algorithm. Applied Soft Computing, 11(8), 5508-5518, 2011.

۸-Atashpaz-Gargari, E., & Lucas, C. Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition. In Evolutionary Computation, 2007. CEC 2007. IEEE Congress on (pp. 4661-4667). IEEE, 2007.

۹-Talatahari, S., Farahmand Azar, B., Sheikholeslami, R., & Gandomi, A. H. Imperialist competitive algorithm combined with chaos for global optimization. Communications in Nonlinear Science and Numerical Simulation, 17(3), 1312-1319, 2012.

۱۰-Li, X. L. A new intelligent optimization-artificial fish swarm algorithm. Doctor thesis, Zhejiang University of Zhejiang, China, 2003.

۱۱-Molga, M., & Smutnicki, C. Test functions for optimization needs. Test functions for optimization needs, 2005.

۱۲-Dorigo, M., Caro, G. D., & Gambardella, L. M. Ant algorithms for discrete optimization. Artificial life, 5(2), 137-172, 1999.

۱۳-Kennedy, J., & Eberhart, R. Particle swarm optimization. In Neural Networks, 1995. Proceedings., IEEE International Conference on (Vol. 4, pp. 1942-1948). IEEE, 1995.

فصل اول: الگوریتم های فرا ابتکاری

۱-۱-  مقدمه

در سالهای دهه ۱۹۵۰ برنامه نویسی کامپیوترهای اولیه توسط تغییر سیم ها و تنظیم هزاران کلید و سوییچ انجام می شد. بعد از آن افراد به دنبال ابزارهای سریع تر و راحت تری برای برنامه نویسی بودند. در اواخر دهه ۱۹۵۰ مفسرهای زبان های طبیعی و کامپایلرهای پا به عرصه ظهور گذاشتند. در این سال ها بود که زبان های برنامه نویسی به منظور استفاده در دنیای نرم افزارهای تجاری عرضه شدند. این امر باعث شد تا آشنایی با زبان های برنامه نویسی به صورت عام در بین متخصصان رواج پیدا کند. بعد از این رویداد مهم  اکثر دانشمندان در زمینه های مختلف علمی سعی کردند از زبان برنامه نویسی استفاده کنند. یکی از موارد استفاده از زبان های برنامه نویسی، علم ریاضی و انجام محاسبات ریاضی بود. زمان حل بسیار کمتر این روش نسبت به حل دستی باعث شد تا سرعت استفاده از برنامه نویسی در شاخه های مختلف ریاضی  یه شدت رشد کند. در دهه ۱۹۷۰ برای اولین بار دانشمندان برای حل مسائل بهینه سازی ترکیبیاتی از الگوریتم های فرا ابتکاری استفاده کردند. آن ها برای پیاده سازی الگوریتم ها از زبان برنامه نویسی استفاده کردند. نتیجه این کار بدست آمدن جواب های مناسب در زمان مناسب برای مسائل بهینه سازی ترکیبیاتی با اندازه بزرگ بود. تا آن زمان برای این گونه مسائل به دلیل زمان حل بسیار زیاد جواب مناسبی یافت نشده بود.

۱-۲-  مرور ادبیات الگوریتم های فرا ابتکاری

در دهه هفتاد میلادی دانشمندی از دانشگاه میشیگان به نام جان هلند[۱] ایده استفاده از الگوریتم ژنتیک [۲]را در بهینه‌سازی‌های مهندسی مطرح کرد. ایده اساسی این الگوریتم انتقال خصوصیات موروثی توسط ژن‌هاست. الگوریتم ژنتیک نوع خاصی از الگوریتم های تکاملی است که از تکنیک های زیست‌شناسی فراگشتی مانند وراثت و جهش استفاده می‌کند. در واقع الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می کنند. الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. در طبیعت، فرایند تکامل هنگامی ایجاد می‌شود که چهار شرط زیر برقرار باشد:

الف) یک موجود توانایی تکثیر داشته باشد (قابلیت تولید مثل).

ب) جمعیتی از این موجودات قابل تکثیر وجود داشته باشد.

پ) چنین وضعیتی دارای تنوع باشد.

ت) این موجودات به وسیله قابلیت‌هایی در زندگی از هم جدا شوند.

در طبیعت، گونه‌های متفاوتی از یک موجود وجود دارند که این تفاوت‌ها در کروموزوم‌های این موجودات ظاهر می‌شود و باعث تنوع در ساختار و رفتار این موجودات می‌شود.

این تنوع ساختار و رفتار به نوبه خود بر زاد و ولد تأثیر می‌گذارد. موجوداتی که قابلیت‌ها و توانایی بیشتری برای انجام فعالیت‌ها در محیط دارند (موجودات متکامل‌تر)، دارای نرخ زاد و ولد بالاتری خواهند بود و طبعاً موجوداتی که سازگاری کمتری با محیط دارند، از نرخ زاد و ولد پایین‌تری برخوردار خواهند بود. بعد از چند دوره زمانی و گذشت چند نسل، جمعیت تمایل دارد که موجوداتی را بیشتر در خود داشته باشد که کروموزوم‌هایشان با محیط اطراف سازگاری بیشتری دارد. در طی زمان، ساختار افراد جامعه به علت انتخاب طبیعی تغییر می‌کند و این نشانه تکامل جمعیت است [۱,۲,۳] .

الگوریتم آنیلینگ شبیه‌سازی[۳] شده  توسط متروپولیس[۴] و همکاران در سال ۱۹۵۳ پیشنهاد شده و جهت بهینه‌سازی در سال ۱۹۸۳ مورد بازبینی قرار گرفته است. این روش در مسائل تاکسی تلفنی کاربرد دارد.

الگوریتم آنیلینگ شبیه‌سازی شده در شکل عمومی، بر اساس شباهت میان سرد شدن جامدات مذاب و حل مسائل بهینه‌سازی ترکیبی به وجود آمده است. در فیزیک مواد فشرده، گرم و سرد کردن فرایندی است فیزیکی که طی آن یک ماده جامد در ظرفی حرارت داده می‌شود تا مایع شود؛ سپس حرارت آن بتدریج کاهش می‌یابد. بدین ترتیب تمام ذرات فرصت می‌یابند تا خود را در پایین‌ترین سطح انرژی منظم کنند. چنین وضعی در شرایطی ایجاد می‌شود که گرمادهی کافی بوده و سرد کردن نیز به آهستگی صورت گیرد. جواب حاصل از الگوریتم گرم و سرد کردن شبیه‌سازی شده، به جواب اولیه وابسته نیست و می‌توان توسط آن جوابی نزدیک به جواب بهینه به دست آورد. حد بالایی زمان اجرای الگوریتم نیز قابل تعیین است. بنابراین الگوریتم گرم و سرد کردن شبیه‌سازی شده، الگوریتمی است تکراری که اشکالات روش‌های عمومی مبتنی بر تکرار را ندارد.

[۱] John Holland

[۲] Genetic Algorithm

[۳] Simulated Annealing

[۴] Metropolis

تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ  را پرداخت نمایید.