توضیح کامل و کابردی همراه با مثال و کد، چکیده: یکی از انواع مسائل مطرح شده در ارتباط با جستجو در میان همسایگی‌های نزدیک، مسیریابی بهینه در میان نقاط مکانی با ترتیب مشخص یا همان (OSR) Optical Sequenced Route است. درخواست برای یافتن مسیر بهینه با توالی نقاط مشخص (OSR) در واقع جستجو برای یافتن ...

دسته بندی: فنی و مهندسی » کامپیوتر و IT

تعداد مشاهده: 1127 مشاهده

فرمت فایل دانلودی:.docx

فرمت فایل اصلی: docx

تعداد صفحات: 67

حجم فایل:1,873 کیلوبایت

چکیده:
یکی از انواع مسائل مطرح شده در ارتباط با جستجو در میان همسایگی‌های نزدیک، مسیریابی بهینه در میان نقاط مکانی با ترتیب مشخص یا همان (OSR)  Optical Sequenced Route است. درخواست برای یافتن مسیر بهینه با توالی نقاط مشخص (OSR) در واقع جستجو برای یافتن مسیری است که دارای کمترین طول بوده و از یک مبدأ مکانی معلوم آغاز شده و از نقاط مکانی مشخصی با ترتیب خاص بسته به نوع مکان‌ها عبور کرده باشد. ترتیب این نقاط مکانی با توجه به مشخصه‌های از پیش تعیین شده مسأله بوده و قابل تغییر نمی‌باشد. مسأله OSR قابل تبدیل به مسأله یافتن کوتاه‌ترین مسیر در یک گراف مسطح بزرگ است. یافتن کوتاه‌ترین مسیر از طریق الگوریتم‌های کلاسیک مانند Dijkstra برای بسیاری از مسائل موجود در دنیای واقعی عملی نیست. مسیریابی OSR در مقاله مطرح گردیده و دو روش در فضای برداری و متریک برای آن پیشنهاد شده است. در این مقاله پیاده‌سازی این مسیریابی توسط الگوریتم ژنتیک انجام شده است.

چکیده: پردازش‌های ابری و محیط ابر و پایگاه داده‌های ابری محل ذخیره‌سازی اطلاعات روی وب می‌باشد و برای دسترسی به آن‌ها باید بهینه‌ترین مسیر را پیدا نمود، بنابراین انتخاب بهترین مسیر برای پایگاه داده بسیار مهم می‌باشد که برای پیدا کردن مسیر بهینه می‌توان از الگوریتم‌های بهینه‌سازی استفاده کرد. مسئله..

دسته بندی: فنی و مهندسی » کامپیوتر و IT

تعداد مشاهده: 1347 مشاهده

فرمت فایل دانلودی:.docx

فرمت فایل اصلی: docx

تعداد صفحات: 59

حجم فایل:1,395 کیلوبایت

چکیده:
پردازش‌های ابری و محیط ابر و پایگاه داده‌های ابری محل ذخیره‌سازی اطلاعات روی وب می‌باشد و برای دسترسی به آن‌ها باید بهینه‌ترین مسیر را پیدا نمود، بنابراین انتخاب بهترین مسیر برای پایگاه داده بسیار مهم می‌باشد که برای پیدا کردن مسیر بهینه می‌توان از الگوریتم‌های بهینه‌سازی استفاده کرد. مسئله موردبررسی در اینجا زمان‌بندی می‌باشد که مسیری را انتخاب می‌کنیم که حداقل زمان را داشته باشد، برای این کار سرعت و دقت بسیار مهم می‌باشد. الگوریتم جدید رقابت استعماری از یک پدیده اجتماعی- انسانی الهام گرفته است.   
رویکرد پیشنهاد شده بر مبنای  الگوریتم بهینه‌سازی رقابت استعماری است. این رویکرد توانسته است با سرعت و دقت بیشتر و تعداد دفعات اجرای کمتر در حداقل زمان نسبت به الگوریتم‌های ژنتیک، ازدحام ذرات و الگوریتم ترکیبی کلونی- ژنتیک، بهینه‌ترین مسیر پایگاه داده موردنظر را پیدا کند و کارایی زمان‌بندی محاسبات ابری را بهبود ¬بخشد. بدین‌صورت که چند شبکه را در نظر گرفته‌ایم و در هر شبکه نودهایی از گراف قرارداده ایم که هر نود گراف را یک پایگاه داده ابری فرض کرده‌ایم. ما باید از نود مبدأ به نود مقصد با کمترین هزینه حرکت کنیم، کمترین هزینه، بهینه‌ترین مسیر ما می‌باشد.
واژه‌های کلیدی: پردازش ابری، پایگاه داده ابر، الگوریتم‌های بهینه‌سازی، الگوریتم رقابت استعماری، الگوریتم کلونی مورچه، الگوریتم ژنتیک، الگوریتم ذرات

این پروژه شامل توضیح کامل و کابردی همراه با مثال و کد الگوریتم ژنتیک است، چکیده: الگوریتم ژنتیک (Genetic Algorithm- GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌ حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی ...

دسته بندی: فنی و مهندسی » کامپیوتر و IT

تعداد مشاهده: 1387 مشاهده

فرمت فایل دانلودی:.docx

فرمت فایل اصلی: docx

تعداد صفحات: 153

حجم فایل:963 کیلوبایت

چکیده:
الگوریتم ژنتیک (Genetic Algorithm- GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌ حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی 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 می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای تصادف هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسأله‌ای که باید حل شود ورودی است و راه‌حل‌ها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند. کلاً این الگوریتم‌ها از بخش های  تابع برازش، نمایش، انتخاب، تغییر تشکیل می شوند.

فهرست مطالب:
چکیده
فصل اول    
1-1- مقدمه    
1-2- به دنبال تکامل
1-3- ایدۀ اصلی استفاده از الگوریتم ژنتیک    
1-4- درباره علم ژنتیک    
1-5- تاریخچۀ علم ژنتیک    
1-6- تکامل طبیعی (قانون انتخاب طبیعی داروین)    
1-7- رابطه تکامل طبیعی با روش‌های هوش مصنوعی     
1-8- الگوریتم    
1-8-1- الگوریتم‌های جستجوی ناآگاهانه    
1-8-1-الف- جستجوی لیست    
1-8-1-ب- جستجوی درختی    
1-8-1-پ- جستجوی گراف    
1-8-2- الگوریتم‌های جستجوی آگاهانه    
1-8-2-الف- جستجوی خصمانه    
1-9- مسائل NP-Hard    
1-10- هیوریستیک    
1-10-1- انواع الگوریتم‌های هيوریستیک    
فصل دوم    
2-1- مقدمه    
2-2- الگوریتم ژنتیک    
2-3- مكانيزم الگوريتم ژنتيك    
2-4- عملگرهاي الگوريتم ژنتيك    
2-4-1- کدگذاری    
2-4-2- ارزیابی    
2-4-3- ترکیب    
2-4-4- جهش    
2-4-5- رمزگشايي    
2-5- چارت الگوريتم به همراه شبه كد آن    
2-5-1- شبه كد و توضيح آن    
2-5-2- چارت الگوریتم ژنتیک    
2-6- تابع هدف    
2-7- روش‌های کد کردن    
2-7-1- کدینگ باینری    
2-7-2- کدینگ جایگشتی    
2-7-3- کد گذاری مقدار    
2-7-4- کدینگ درخت    
2-8- نمایش رشته‌ها    
2-9- انواع روش‌های تشکیل رشته    
2-10- باز گرداندن رشته‌ها به مجموعه متغيرها    

گزارش کاملی از انواع تکنیک های داده کاوی و تشخیص چهره، چکیده: تشخیص چهره همواره بعنوان یکی از مقبول‌ترین روشهای بیومتریک شناخته شده است. اما علیرغم اهمیت مبحث تشخیص هویت مبتنی بر چهره، بسیاری از روش‌ها و الگوریتم‌های موجود، تنها تحت شرایط کنترل شده و با وجود تصاویر نرمال، قادر به کسب نتایج مناسب ..

دسته بندی: فنی و مهندسی » کامپیوتر و IT

تعداد مشاهده: 996 مشاهده

فرمت فایل دانلودی:.doc

فرمت فایل اصلی: doc

تعداد صفحات: 70

حجم فایل:4,657 کیلوبایت

چکیده:
تشخیص چهره همواره بعنوان یکی از مقبول‌ترین روشهای بیومتریک شناخته شده است. اما علیرغم اهمیت مبحث تشخیص هویت مبتنی بر چهره، بسیاری از روش‌ها و الگوریتم‌های موجود، تنها تحت شرایط کنترل شده و با وجود تصاویر نرمال، قادر به کسب نتایج مناسب می‌باشند. درحالی که در کاربرد‌های واقعی، همواره با تغییرات چهره و چالش‌ها و پوشیدگی‌های موضعی در تصویر مواجه‌ هستیم.
در تشخیص چهره مشکلاتی وجود دارد که موجب انتخاب کاندیدهای اشتباه بعنوان چهره می‌شود و یا اینکه ناحیه‌ای از تصویر که شامل چهره است را نادیده می‌گیرد. از جمله مشکلات تشخیص چهره چالش پوشیدگی موضعی است که سه مورد آن عبارتند از: پوشیدگی موضعی بوسیله عینک، ریش، سبیل و موی سر و همچنین سایز بزرگ تصایر ورودی موجب کاهش سرعت پردازش و عدم اجرای بسیاری از الگوریتم‌ها روی تصاویر با سایز بزرگ می‌شود، مشکل دیگر چرخش سر در تصویر می‌باشد. با توجه به اهمیت چالش پوشیدگی موضعی در تشخیص چهره و عدم موفقیت رویکر‌های کلی نگر در حل آن و چرخش سر و سایز بزرگ تصویر، در این تحقیق به منظور حل این معضلات، از سه الگوریتم که در این زمینه دارای دقت بسیار بالایی در رفع چالشهای فوق می‌باشند استفاده شده است که عبارتند از: الگوریتم داده کاوی مافیا که ویژگی‌های اصلی چهره را بطور بسیار دقیق مشخص می‌کند و الگوریتم ژنتیک که مشکلات پوشیدگی موضعی را مرتفع می‌سازد و الگوریتم ماشین پشتیبانی بردار بر اساس درخت جستجوی دودویی که الگوریتم معروف و دقیق و سریعی می‌باشد.
 به منظور ارزیابی کارایی روش فوق، مجموعه آزمایشاتی به‌کمک پایگاه داده ای از تصاویر انجام گرفته است. ارائه نتایج امیدبخش در حضور شش چالش فوق، در مقایسه با موفق‌ترین روش‌های موجود، نشان دهنده بهبود چشمگیری در نرخ تشخیص چهره می‌باشد.
 کلمات کلیدی: شناسایی چهره، ویژگی‌های الگو، ویژگی‌های الگو با ماکزیمم تکرار، داده کاوی، ماشین پشتیبانی بردار

فهرست مطالب:
1- مقدمه
2- اصول و روش­های تشخیص چهره
2-1- روش‌های بر اساس دانش و ویژگی‌های ثابت
2-1-1- روش‌ بالا به پایین بر اساس دانش
۲-1-1-1- دیدگاه یانگ و هانگ