دانلود انواع مقاله
(پروژه، مقاله، پایان نامه، گزارش کارآموزی، سوالات استخدامی، طرح توجیهی و...)دانلود انواع مقاله
(پروژه، مقاله، پایان نامه، گزارش کارآموزی، سوالات استخدامی، طرح توجیهی و...)الگوریتم ژنتیک - 1…
Introduction to Genetic Algorithms - Springer
Genetic Algorithm Implementation Using Matlab. S.N. Sivanandam, S.N. Deepa. Look Inside Get Access. Book Chapter. Pages 263-316. Genetic Algorithm Optimization … […] — ادامه متنالگوریتم ژنتیک - Artificial Intelligence...
سلام به همه. من یه سوال راجع به الگوریتم ژنتیک دارم. یه سوال اینکه میخواهیم به کمک ا […] — ادامه متنالگوریتم ژنتیک چیست؟ - بیتوته...
الگوریتم ژنتیک چیست؟ الگوریتم ژنتیک - (Genetic Algorithm - GA) تکنیک جستجویی در علم رایانه برای یافتن […] — ادامه متنمقاله الگوریتم ژنتیک
عنوان مقاله: الگوریتمهای ژنتیک. قالب بندی: PDF. قیمت: رایگان. شرح مختصر: الگوریتم ژنتیک (Genetic […] — ادامه متنترکیب الگوریتم ژنتیک و الگوریتم بهینه سازی ازدحام ذرات (سیستم توزیع)
چکیده | منابع تولید پراکنده (Dg) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم های توزیع می گردند. مکان ها و توانمندی های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته اند. در این مقاله، یک ترکیب نوینی از الگوریتم ژنتیک (Ga) / بهینه سازی ازدحام ذرات (Pso) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم های توزیع معرفی می شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم های 33 و 39 باس انجام شده است تا کارائی روش ا […] — ادامه متنGenetic algorithms in classifier fusion - ScienceDirect
3. Genetic algorithm. The genetic algorithm was developed in 1970s by Holland as an effective evolutionary optimisation method. Since that time, intensive research […] — ادامه متنترجمه مقاله جایابی بهینه SVC و TCSC
دسته: برق | حجم فایل: 425 کیلوبایت | تعداد صفحه: 12 | جایابی بهینه Svc و Tcsc برای بهبود پایداری ولتاژ و کاهش تلفات سیستم قدرت با استفاده از ترکیب الگوریتم ژنتیک باینری و بهینهسازی ازدحام ذرات+ نسخه انگلیسی 2012 | Optimal Allocation Of Svc And Tcsc For Improving Voltage Stability And Reducing Power System Losses | Using Hybrid Binary Genetic Algorithm And Particle Swarm Optimization | چکیده- برخی کاربردهای ادوات Facts نشان دهنده آن است که آنها ابزارهایی مناسب و موثر برای کنترل پارامترهای فنی سیستم‌های قدرت هستند. با این حال، تعیین محل بهینۀ اندازه و نوع این تجهیزات مساله دشواری است. علاوه بر […] — ادامه متنهوش مصنوعی - الگوریتم ژنتیک
هوش مصنوعی - الگوریتم ژنتیک - این وبلاگ مرجعی در مورد هوش مصنوعی میباشد […] — ادامه متنترکیب الگوریتم ژنتیک و الگوریتم بهینهسازی ازدحام ذرات برای یافتن اندازه و مکان
چکیده | منابع تولید پراکنده (Dg) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم های توزیع می گردند. مکان ها و توانمندی های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته اند. در این مقاله، یک ترکیب نوینی از الگوریتم ژنتیک (Ga) / بهینه سازی ازدحام ذرات (Pso) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم های توزیع معرفی می شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم های ۳۳ و ۳۹ باس انجام شده است تا کارائی روش ا […] — ادامه متنA genetic algorithm for the vehicle routing problem
This study considers the application of a genetic algorithm (GA) to the basic vehicle routing problem (VRP), in which customers of known demand are supplied fro […] — ادامه متنترکیب الگوریتم ژنتیک و الگوریتم بهینه سازی ازدحام ذرات
- عنوان لاتین مقاله: A Combination Of Genetic Algorithm And Particle Swarm Optimization For Optimal Dg Location And Sizing In Distribution Systems
- عنوان فارسی مقاله: ترکیب الگوریتم ژنتیک و الگوریتم بهینه سازی ازدحام ذرات برای یافتن اندازه و مکان بهینۀ تولید پراکنده در سیستم های توزیع.
- دسته: برق و الکترونیک
- تعداد صفحات فایل ترجمه شده: 21
- جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
- نسخه فارسی مقاله برای خرید آماده است.
A genetic algorithm tutorial - Springer
This tutorial covers the canonical genetic algorithm as well as more experimental forms of genetic algorithms, including parallel island models and parallel cellular […] — ادامه متنTheory of genetic algorithms - ScienceDirect.com | …
Abstract (i) We investigate spectral and geometric properties of the mutation-crossover operator in a genetic algorithm with general-size alphabet. […] — ادامه متنپایان نامه کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر (CAPP)
- پایان نامه جهت اخذ درجه کارشناسی
- عنوان کامل: کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر (Capp) در محیطهای صنعتی مختلف
- دسته: کامپیوتر (گرایش نرم افزار)
- فرمت فایل: Word (قابل ویرایش)
- تعداد صفحات: 96
- جهت مشاهده فهرست مطالب این پایان نامه اینجا کلیک نمایید
کاربرد الگوریتم ژنتیک
پروژه مهندسی برق با موضوع جایابی بهینه منابع تولید پراکنده با الگوریتم ژنتیک و شبیه سازی آن […] — ادامه متنGenetic Algorithms — A Survey of Models and …
This chapter first reviews the simple genetic algorithm. Mathematical models of the genetic algorithm are also reviewed, including the schema theorem, exact infinite […] — ادامه متنGenetic Algorithm - Springer -
Genetic algorithm is a probabilistic search method founded on the principle of natural selection and genetic recombination. Genetic algorithm represents a powerful […] — ادامه متنEvaluation of crossover techniques in genetic algorithm ...
Crossover is one of the three basic operators in any genetic algorithm (GA). Several crossover techniques have been proposed and their relative merits are curre […] — ادامه متنUsing genetic algorithms to find technical trading rules
We use a genetic algorithm to learn technical trading rules for the S&P 500 index using daily prices from 1928 to 1995. After transaction costs, the rules do no […] — ادامه متنA new genetic algorithm for the asymmetric traveling ...
This paper presents a genetic algorithm for solving the asymmetric traveling salesman problem. Experimental results demonstrate that the proposed GA […] — ادامه متناسلاید سیستم های خبره…
دسته: هوش مصنوعی
حجم فایل: 478 کیلوبایت
تعداد صفحه: 29
سیستم های خبره
Expert Systems
مقدمه
هوش مصنوعی
سیستم های خبره
اجزای سیستم های خبره
ویژگی های سیستم های خبره
انواع مسائل قابل حل با سیستم های خبره
مزایای سیستم های خبره
کاربرد سیستم های خبره در قلمرو امور مالی
کاربرد سیستم های خبره در قلمرو حسابداری
مشکلات و محدودیت های سیستم های خبره
مقدمه
امروزه توسعه و رشد سریع فناوری اطلاعات تمام جنبه های زندگی بشر را تحت تأثیر قرار داده و شاید بتوان گفت انقلابی بزرگ در زندگی بشر ایجاد شده است. علوم دیگری از جمله علوم انسانی و به طور مشخص تر حسابداری و علوم مالی نیز از تأثیرات این توسعه بی نصیب نمانده اند.
در سال های اخیر، تلفیق علم حسابداری و نوآوری های عرصه فناوری اطلاعات و ارتباطات سبب شده تا با استفاده از ابزارها و روش های نوین شاهد سرعت و دقت روزافزون درسیستم های مالی باشیم.
یکی ازاین نوآوری ها، استقرار سیستم خبره درقلمرو مالی و حسابداری است که هزینه های عملیاتی را کاهش داده و ارائه خدمات مالی را بسیار سودآور کرده است.
قیمت: 3,000 تومان
استخراج قوانین وابستگی برای بهبود کیفیت فرایند تولید (ترجمه)…
چکیده
افراد تحصیل کرده و شاغل معمولاً علاقه دارند توسعه روش ها و برنامه های کامپیوتری را که با کارهای مهندسی و دانش سر و کار دارند دنبال کنند. مدیریتاشتباه عملیات و زمان های تولید از دست رفته، مشکلات و مسائل بزرگی هستند که بهره وری و کیفیت سیستم های صنعتی و هزینه تولید را تحت تأثیر قرار می دهد. استخراج قوانین وابستگی، یک تکنیک داده کاوی است که برای پیدا کردن اطلاعات مفید و ارزشمند از پایگاه های داده بزرگ استفاده می شود. این مقاله، پایه مفهومی بهتری را برای توسعه برنامه های استخراج قوانین وابستگی ارائه می دهد تا دانش را از عملیات و مدیریت اطلاعات به راحتی استخراج کند. تأکید این مقاله روی بهبود فرایندهای عملیاتی است. یک مثال کاربردی، تجربه صنعتی که استخراج قوانین وابستگی در آن برای تحلیل فرایند تولید استفاده می شود را شرح می دهد. این مقاله برخی نتایج جدید و جالب در رابطه با تکنیک های داده کاوی و کشف دانش که روی فرایند تولید نقش دارد را گزارش می دهد. نتایج تجربی روی داده هایی که در زندگی واقعی نقش دارند نشان می دهد که روش پیشنهادی برای یافتن دانش مرتبط با عملیات نادرست مفید واقع می شود.
مقدمه
کاربردهای مهندسی هوش مصنوعی نظرات محققین و شاغلین حوزه صنعت را به دلیل توانایی آن در یادگیری و درک اصول و حقایق به منظور کسب دانش و به کارگیری آن در عمل به خود جلب کرده است. پیشرفت های مداوم، اشاره به پیشرفت های رو به جلو و غیر منتظره در زمینه عملکرد سازمانی دارد (Linderman, Schroeder, Zaheer, Liedtke, & Choo, 2004). پیشرفت در مسائلی مانند افزایش ارزش مشتری، کاهش خطاها و عیوب، بهره وری بهبود یافته، امنیت عملکرد چرخه زمانی و انگیزش (Evans & Lindsay, 2001). این مورد معمولاً در روش حل تدریجی مسئله رخ می دهد که شامل مراحل ضمنی سازی مسئله، تحلیل مسئله، تعمیم راه حل و یادگیری دروس است (Kamsu-Foguem, Coudert, Geneste, & Beler, 2008). روش حل مسئله، روی توصیف فرایند شناختی در کارهای عقلانی و ملاحظات شناختی که با سرمایه گذاری دانش روی ساختارهای خاص و قدرت بخشی به تعمیم سر و کار دارد تمرکز می کند (Patel, Arocha, &Kaufman, 2001). روش های حل مسئله نقش مهمی را در اکتساب دانش و مهندسی بازی می کند زیرا سطح دانش انتزاعی برای نیل به اهداف با اعمال دانش توسط فرایند تدریجی جستجوی مسیر راه حل بسیار ارزشمند است. از این روش ها می توان برای توصیف فرایند استدلال به صورت ساختاری برای هدایت روند کسب دانش و راحت کردن تقسیم دانش و استفاده مجدد بهره جست (Benjamins & Fensel, 1998).
استخراج قوانین وابستگی برای بهبود کیفیت فرایند تولید…
- عنوان لاتین مقاله: Mining association rules for the quality improvement of the production process
- عنوان فارسی مقاله: استخراج قوانین وابستگی برای بهبود کیفیت فرایند تولید.
- دسته: مدیریت - اقتصاد
- تعداد صفحات فایل ترجمه شده: 25
- جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
- نسخه فارسی مقاله برای خرید آماده است.
خلاصه
افراد تحصیل کرده و شاغل معمولاً علاقه دارند توسعۀ روش ها و برنامه های کامپیوتری را که با کارهای مهندسی و دانش سر و کار دارند دنبال کنند. مدیریت اشتباه عملیات و زمان های تولید از دست رفته، مشکلات و مسائل بزرگی هستند که بهره وری و کیفیت سیستم های صنعتی و هزینۀ تولید را تحت تأثیر قرار می دهد. استخراج قوانین وابستگی، یک تکنیک داده کاوی است که برای پیدا کردن اطلاعات مفید و ارزشمند از پایگاه های داده بزرگ استفاده می شود. این مقاله، پایۀ مفهومی بهتری را برای توسعۀ برنامه های استخراج قوانین وابستگی ارائه می دهد تا دانش را از عملیات و مدیریت اطلاعات به راحتی استخراج کند. تأکید این مقاله روی بهبود فرایندهای عملیاتی است. یک مثال کاربردی، تجربۀ صنعتی که استخراج قوانین وابستگی در آن برای تحلیل فرایند تولید استفاده می شود را شرح می دهد. این مقاله برخی نتایج جدید و جالب در رابطه با تکنیک های داده کاوی و کشف دانش که روی فرایند تولید نقش دارد را گزارش می دهد. نتایج تجربی روی داده هایی که در زندگی واقعی نقش دارند نشان می دهد که روش پیشنهادی برای یافتن دانش مرتبط با عملیات نادرست مفید واقع می شود.
مقدمه
کاربردهای مهندسی هوش مصنوعی نظرات محققین و شاغلین حوزۀ صنعت را به دلیل توانایی آن در یادگیری و درک اصول و حقایق به منظور کسب دانش و به کارگیری آن در عمل به خود جلب کرده است. پیشرفت های مداوم، اشاره به پیشرفت های رو به جلو و غیر منتظره در زمینۀ عملکرد سازمانی دارد (Linderman, Schroeder, Zaheer, Liedtke, Choo, 2004). پیشرفت در مسائلی مانند افزایش ارزش مشتری، کاهش خطاها و عیوب، بهره وری بهبود یافته، امنیت عملکرد چرخۀ زمانی و انگیزش Evans Lindsay, 2001)). این مورد معمولاً در روش حل تدریجی مسئله رخ می دهد که شامل مراحل ضمنی سازی مسئله، تحلیل مسئله، تعمیم راه حل و یادگیری دروس است (Kamsu-Foguem, Coudert, Geneste, Beler, 2008). روش حل مسئله، روی توصیف فرایند شناختی در کارهای عقلانی و ملاحظات شناختی که با سرمایه گذاری دانش روی ساختارهای خاص و قدرت بخشی به تعمیم سر و کار دارد تمرکز می کند (Patel, Arocha, Kaufman, 2001). روش های حل مسئله نقش مهمی را در اکتساب دانش و مهندسی بازی می کند زیرا سطح دانش انتزاعی برای نیل به اهداف با
اعمال دانش توسط فرایند تدریجی جستجوی مسیر راه حل بسیار ارزشمند است. از این روش ها می توان برای توصیف فرایند استدلال به صورت ساختاری برای هدایت روند کسب دانش و راحت کردن تقسیم دانش و استفادۀ مجدد بهره جست (Benjamins Fensel, 1998).
- فرمت: zip
- حجم: 1.95 مگابایت
- شماره ثبت: 411