بخشی از متن:
دانلود پاورپوینت بهینه سازی مصرف انرژی ۱۹ اسلاید
فهرست مطالب
مصرف سرانه سوخت در چندین دوره زمانی
انرژى را بهتر مصرف کنیم
انرژی هاى نو (قابل تجدید)
استفاده از انرژی های نو در ایران
انرژى هسته اى (اتمى)
ساختار دولتی و مردمی اصلاح الگوی مصرف
ساختار دولتی
ابعاد نرم افزاری و سخت افزاری الگوی مصرف
فرهنگ سازی پایدار جهت اصلاح الگوی مصرف
زمینه های معیار مصرف انرژی
ضرورت هدفمند کردن یارانه ها
نتیجه گیری
بخشی از متن:
فهرست کلی
مسائل مینیمسازی بدون قید
روش گرادیان نزولی
حل مساله بهینهسازی با تابع و قیود غیرخطی به روش گرادیان
روش های کلی بهینه سازی
روند کلی بهینه سازی گرادیانی
روش های غیر مبتنی بر محاسبه گرادیان ها
روش هایی که بر مبنای محاسبه گرادیان ها
روش های جستجوی خطی
...گرادیان های تابع هزینه نسبت به متغیرهای طراحی نقشی اساسی را در فرآیند بهینه سازی
روش های تفاضل محدود و بسط سری تیلور مختلط
الگوریتم های مرتبه اول: تنها مشتق اول تابع هزینه نسبت به متغیرهای طراحی لازم است. مثال الگوریتم سریع ترین شیب که جستجو در جهت منفی بردار گرادیان انجام می شود...
بخشی از متن:
مراجعرا میتوان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. دربین الگوریتمهای متنوعدانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است.
بطور کلی EDAها یک تقریب تقسیمی را بکار میگیرند که تلاش میکند یک مجموعه از اطلاعاتچند بعدی را به تعدادیزیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.
مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:
الگوریتم K- means نمونههای داده را به K زیر مجموعه غیر تهی تقسیم میکند. مختصات میانگین حسابی گروههای رایج محاسبه میشود و هر نمونه به نزدیکترین تقسیمبندی اشاره میکند. پروسه ادامه مییابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونهاش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست میآید.
توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده میشود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کاراییشان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئلهها انجام داده میشوند.
نتایج کارایی r BOA
علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب میکند و BIC با Eq، (5،6) که پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین میکند. (یعنی جایگزینی نخبهها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1- را برای تعداد والدههای مجاز در نظر میگیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده میشود. همه نتایج بعد از 100 اجرا میانگین گرفته میشود.
شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام میدهد تا بهینه RDP را با ، نشان میدهد. همچنین این شکل نتیجه PSNR با را نشان میدهد.
بخشی از متن:
الگوریتم GWO توسط آقای سید علی میرجلیلی و همکاران در سال 2013 ارائه شده است. الگوریتم بهینه سازی گرگ خاکستری، از سلسله مراتب رهبری و مکانیزم شکار طبیعی گرگ ها تبعیت می کند. 1 مدل گرگ خاکستری آلفا،بتا،دلتا و امگا برای شبیه سازی سلسله مراتب رهبری مورد استفاده قرار گرفته است. همچنین در این الگوریتم 3 مرحله اصلی شکار یعنی، جستجو برای طعمه، احاطه کردن طعمه و حمله به طعمه استفاده شده است. این روش جزو دسته ای از روش های فراکاوشی است که از رفتار اجتماعی جمعیت تبعیت می کند.
در این برنامه با استفاده از مفاهیم روش و یک تابع ریاضی (Camel)، صحت سنجی عملکرد کد نوشته شده اثبات شده است. همچنین مقاله اصلی و ترجمه بخش اصلی ان پیوست شده است.
بخشی از متن:
استفاده از الگوریتم بهینه سازی مبتنی بر آموزش- یادگیری برای حل مسئله زمانبندی پروژه ها با منابع محدود
تعداد صفحات :110
چکیده
مسئله زمانبندی پروژه با منابع محدود، در سالهای اخیر مورد تحقیق بسیاری از محققان در رشته های مختلف بوده است. در این مسئله هدف زمانبندی فعالیتهای پروژه با توجه به روابط پیشنیازی و محدودیت منابع در کمترین زمان میباشد. در این مسئله فضای جستجوی بسیار بزرگی جهت دستیابی به جواب بهینه وجود دارد و نیازمند انجام محاسبات طولانی بخصوص برای ابعاد بزرگ مسئله با محدودیتهای زیاد میشود و الگوریتمهای دقیق برای آن موثر نیستند. الگوریتم های فراابتکاری بعنوان جایگزین روشهای دقیق برای حل آن، پیشنهاد شدهاست. در این پایان نامه الگوریتم فراابتکاری مبتنی بر آموزش- یادگیری برای حل این مسئله استفاده شدهاست. این الگوریتم مبتنی بر جمعیت است که اخیرا معرفی شده است و فرایند آموزش و یادگیری در کلاس درس را شبیه سازی میکند. همچنین برای جلوگیری از محلی شدن پاسخها از رویکرد نخبهگرایی در این الگوریتم استفاده شدهاست. از ویژگیهای این الگوریتم این است که نیازی به پارامترهای کنترلی اختصاصی الگوریتم، ندارد و فقط پارامترهای کنترلی عمومی مانند اندازه جمعیت و تعداد نسلها را شامل میگردد. الگوریتم داری دو فاز، فاز معلم و فاز فراگیر است. ابتدا تعدادی زمانبندی را بطور تصادفی بر اساس جمعیت اولیه الگوریتم ها تولید میکنیم، سپس فازهای الگوریتم را روی زمانبندی ها اعمال میکنیم بطوریکه جمعیت اولیه به طور تکراری بهبود مییابد تا به شرط توقف برسیم. همچنین تاثیر عواملی مانند اندازه جمعیت و اندازه نخبه و تعداد زمانبندیها بر الگوریتم، بررسی شده است. کارایی الگوریتم ارائه شده با دیگر الگوریتم های بکار گرفته شده در حل این مسئله، مقایسه شده است و نتایج موثر با قابلیت رقابت بالا با دیگر الگوریتم ها حاصل شده است.
فصل 1: مقدمه
1-1 مقدمه
1-2 اهداف پژوهش
1-3 ساختار پژوهش
فصل 2: مروری بر ادبیات تحقیق و تعریف مسئله
2-1 مقدمه
2- 2 زمانبندی پروژه
2-3 زمان بندی پروژه با منابع محدود
2-4 معیارهای مدل کردن مسئله زمان بندی پروژه با منابع محدود
2-4-1 ماهیت فعالیتها
2-4-2 نوع منبع
2-4-3 نوع روابط پیش نیازی
2-4-4 نوع تابع هدف
2-4-5 تعداد تابع هدف
2-4-6 تعداد پروژهها
2-5 مدل پریتسکر
2-6 مدل کلین
2-7 مدل آلوارز و تاماریت
فصل سوم: الگوریتم بهینهسازی مبتنی بر آموزش یادگیری
3-1 مقدمه
3-2 الگوریتمهای فراابتکاری
3-3 الگوریتم مبتنی بر آموزش- یادگیری
3-3-1 فاز معلم
3-3-2 فاز فراگیر
3-3-3 الگوریتم TLBO نخبه سالارانه
فصل چهارم: حل مسئله
4-1 مقدمه
4-2 سوابق اخیر حل مسئله زمانبندی پروژه با منابع محدود
4-3 حل مسئله زمانبندی با الگوریتمهای فراابتکاری سازنده
4-3-1 روش تولید زمانبندی سری
4-3-2 روش تولید زمانبندی موازی
4-3-3 روش زمانبندی پسرو و پیشرو
4-4 حل مسأله زمانبندی پروژه با منابع محدود به وسیله الگوریتم فراابتکاری بهبود
دهنده مبتنی بر آموزش- یادگیری
4-4-1 ایجاد جمعیت اولیه
4-4-2 زمانبندی اولیه با الگوریتمهای سازنده
4-4-3 زمانبندی با الگوریتم TLBOنخبه گرایانه
فصل پنجم: نتایج عددی و نتیجهگیری
5-1 مقدمه
5-2 کتابخانه PSPLIB
5-3 نتایج آزمایش اجرای الگوریتم با پیکربندیهای مختلف
5-3-1 تاثیر اندازه جمعیت با تعداد تکرار ثابت
5-3-2 تاثیر اندازه جمعیت با تعداد تکرار متغیر
5-3-3 تاثیر اندازه نخبه
5-3-4 تاثیر تاثیر روش زمانبدی سریال و موازی بر الگوریتم TLBO
5-4 مقایسه نتایج با دیگر الگوریتمهای فراابتکاری در حل مسئله RCPSP
5-5 نتیجه گیری
فهرست منابع
استفاده از الگوریتم بهینه سازی مبتنی بر آموزش- یادگیری برای حل مسئله زمانبندی پروژه ها با منابع محدود
تعداد صفحات :110