الگوریتم Pso و کابردهای آن
|
||||||||||||||
فهرست مطالب : فصل اول مقدمه
فصل دوم: ۲-۱ الگوریتم pso ۲-۲ بهبود دهنده ی حرکت گروهی ذرات بر اساس یک بردار موازی ۲-۲-۱بهینه سازی حرکت گروهی ذرات ۲-۲-۲حدمطلوب جایگیری های چندگانه ۲-۲-۳۴ A بردار بر اساسPso ۲-۲-۴ A5 بردار موازی Pso ۲-۲-۵ نتایج آزمایشگاهی ۲-۲-۶ نتیجه
فصل سوم: ۳-۱ اسناد جمع آوری شده در مورد الگوریتم ابزار و هیبرید PSO + K ۳-۱-۱ توضیحات ۳-۱-۲ بحث ۳-۱-۳نتیجه ۳-۲ یک الگوریتم PSo / ACo هیبریدی برای طبقه بندی ۳-۲-۱ طبقه بندی ۳-۲-۲ الگوریتم شناخته شده ی PSo / ACo ۳-۲-۳ شیوه پوشش متوالی ۲PSo / ACo ۳-۲-۴ الگوریتم ۲PSo / ACo ۳-۲-۵ الگوریتم هیبریدی۲PSo / ACo ۳-۲-۶ مقایسه های کیفیت ۳-۲-۷ بحث و نتایج
فصل چهارم: الگوریتم دو رگه تکثیر برگشتی بهینه سازی حرکت اجزا برای آموزش تقویت شبکه عصبی ۴-۱ بهینه سازی تطابقی حرکت اجزا ۴-۲ الگوریتم دورگهPso-Bp و آموزش تقویت شبکه عصبی ۴-۲-۱ الگوریتم Pso-Bp ۴-۲-۲ فرآیند الگوریتم PSo-Bp ۴-۲-۳ الگوریتم PSo-Bpبرای آموزش تقویت شبکه عصبی ۴-۳ نتایج و شرح آزمایشات
فصل پنجم: ۵-۱ روش بهینه سازی حرکت اجزا برای دسته بندی تصاویر ۵-۱-۱ بهینه سازی حرکت اجزا ۵-۱-۲ دسته بندی تصاویر ۵-۱-۳ Gbest Psoدربرابر ابزار k ۵-۱-۴ Gbest Psoدربرابر Gcpso ۵-۱-۵ تاثیر پارامترهای Pso ۵-۱-۶ نتیجه گیری ۵-۲ الگوریتم (محاسبه ) کمیت یک تصویر رنگی بر اساس بهینه سازی حرکت اجزا ۵-۲-۱ بهینه سازی حرکت اجزا ۵-۲-۲ الگوریتم کمیت تصویر رنگی pso محورpso-ciq ۵-۲-۳ تاثیرپارامترهای pso-ciq ۵-۲-۴ تعداد تکرارهای ابزار k ۵-۲-۵ مقایسه gbest–Lbest-PSOو Lbest –to- gbest ۵-۲-۶ نتیجه گیری نتیجه گیری کلی فهرست منابع
چکیده : در این تحقیق روش دسته بندی یک تصویر بر اساس بهینه کردن حرکت اجزا مورد بررسی قرار گرفته است (pso ) . الگوریتم مراکز ویژه کاربر ،تعدادی از دسته هارا پیدا می کندو یابه عبارت دیگر الگوریتم های دسته بندی تجزیه ای از مجموعه اطلاعات را به تعداد مشخصی از طبقات تقسیم می کنند . این الگوریتم ها تلاش می کنند معیار ثابت را به حداقل برسانندشیوه جمع آوری تصویر بر اساس بهینه سازی گروهی ذرات (PSO) عمل می کند. این الگوریتم شمار ویژه ای از مجموعه ها را پیدا می کند که هر گروه با هم تصاویر مشابه دارنددراین مقاله ما نوعی ذره هیبریدی و بهینه سازی گروهی از آنها را بر اساس بهینه سازی جمعی (PSo / ACo ) معرفی می کنیم . برخلاف الگوریتم pso الگوریتم هیبریدی می تواند مستقیماً و بودن توجه به تعداد در مرحله پردازش قبلی اعمال کند . طرح این الگوریتم هیبریدی با کوچک سازی داده ها فعال می شود .در به هر یک از ذرات بهترین حالت اضافه شده و بهترین مجاور هم برای مؤلفه یادگیری تصادف به دست آمده در استاندارد و الگوریتم هیبریدی تا حد زیادی واژگان کلیدی : الگوریتم PSO، بهینه سازی PSO،کاربردهای الگوریتم PSO، الگوریتم هیبریدی PSO/ACO
الگوریتم pso: Function optimization, Finding optimal roots, scheduling, structural optimization, Image and data analysis کاربردهای زیادی از مطالعهی Swarmهای مختلف وجود دارد. از این دسته میتوان به کولونی مورچهها (Ant Colony) و دستهی پرندگان (Bird Flocks) اشاره نمود.
۲-۱الگوریتم PSO که مخفف کلمات Particle swarm Optimitation Algorithm است، یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دستههای پرندگان مدل شده است. این الگوریتم برای اولین بار در سال ۱۹۹۸ ارائه شد. در مسائل بهینه سازی به ویژه در پارامترهای مهندسی برق – قدرت کاربردهای متعددی داشته است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینهی دسته به کار گرفته شد. در PSO، particleها در فضای جستجو جاری میشوند. تغییر مکان particleها در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر particleهای Swarm روی چگونگی جستجوی یک particle اثر میگذارد. نتیجهی مدلسازی این رفتار اجتماعی فرایند جستجویی است که particleها به سمت نواحی موفق میل میکنند. Particleها در Swarm از یکدیگر میآموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود میروند. حرکت دسته جمعی ذرات[۱] یک تکنیک کارا برای حل مسایل بهینه سازی است که بر مبنای قوانین احتمال و بر اساس جمعیت کار میکند. در این روش هر یک از اعضای جمعیت که ذره نام دارند سعی میکنند با تنظیم مسیر خود و حرکت به سمت بهترین تجربه شخصی و بهترین تجربه جمعی گروه، به سوی راه حل نهایی حرکت کنند. از آنجا که در این الگوریتم ذرات به تدریج به سمت بهترین راه حل پیدا شده میل میکنند اگر این راه حل، یک بهینه محلی باشد ذرات همگی به سمت آن میروند و الگوریتم استاندارد PSO راهکاری برای خروج از این بهینه محلی ارائه نمیدهد. این بزرگترین مشکل PSO استاندارد است که سبب میشود در حل مسایل چند قله ای مخصوصا با فضای حالت بزرگ ناتوان باشد. در الگوریتم حرکت دسته جمعی ذرات استاندارد، در محاسبه سرعت ذره در گام بعد، کل سرعت فعلی ذره محاسبه میشود. در واقع سرعت ذره در هر گام از دو قسمت تشکیل میشود که قسمت اول سرعت فعلی ذره و قسمت دوم مربوط به دنبال کردن بهترین تجربه شخصی و بهترین تجربه گروه است. بدون قسمت دوم الگوریتم حالت یک جستجوی سراسری کورکورانه را خواهد داشت و بدون قسمت اول، الگوریتم به جستجویی محلی در نزدیکی بهترین ذره تبدیل خواهد شد که در رسیدن به قسمتهای زیادی از فضای جستجو ناتوان خواهد بود. الگوریتم حرکت دسته جمعی ذرات با ترکیب این دو قسمت، سعی میکند که به نوعی تعادل را بین جستجوی سراسری و محلی ایجاد نماید. برخی از محققان سعی کرده اند تا با افزودن نویز به حرکات ذرات در الگوریتم استاندارد PSO، باعث حرکات متنوع تری شوند و بدین صورت مشکل بهینه های محلی را حل کنند. از برخی دیگر از نمونه های تلاش برای حل مشکل بهینه های محلی الگوریتم PSO نیز میتوان به ترکیب PSO با سایر الگوریتمها اشاره نمود. اساس کار PSO بر این اصل استوار است که در هر لحظه هر particle مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگیاش وجود دارد، تنظیم میکند. فرض کنید میخواهیم زوج مرتب [x,y] را طوری بدست آوریم که تابع F(x,y)=x2+y2، مینیمم شود. ابتدا نقاطی را به صورت تصادفی در فضای جستجو، روی صفحهی x-y انتخاب میکنیم. فرض کنید این Swarm را به ۳ همسایگی تقسیم کنیم که در هر همسایگی نقاط موجود با یکدیگر تعامل دارند. در هر همسایگی هر یک از نقاط به سمت بهترین نقطه در آن همسایگی و بهترین مکانی که آن نقطه تاکنون در آن قرار داشته است، حرکت میکند. برای حل یک مسئله چند متغیر بهینهسازی میتوان از چند Swarm استفاده کرد که هر یک از Swarmها کار مخصوصی را انجام میدهند. این همان ایدهای است که Ant colony از آن ریشه میگیرد. از آنجا که دانش Swarm intelligence بسیار جدید است در حال حاضر کاربردهای کمی از آن شناخته شده است. ولی صاحبنظران معتقدند با این رشد روزافزون، Swarm intelligence میتواند نقش مهمی را در علوم مختلف از جمله مهندسی نفت ایفا کند. در الگوریتم PSO، هر راه حل که به آن یک ذره گفته میشود، معادل یک پرنده در الگوی حرکت جمعی پرندگان میباشد. هر ذره یک مقدار شایستگی دارد که توسط یک تابع شایستگی محاسبه میشود. هر چه ذره در فضای جستجو به هدف- غذا در مدل حرکت پرندگان- نزدکتر باشد، شایستگی بیشتری دارد. همچنین هر ذره دارای یک سرعت است که هدایت حرکت ذره را بر عهده دارد. هر ذره با دنبال کردن ذرات بهینه در حالت فعلی، به حرکت خود در فضای مساله ادامه میدهد. آغاز کار PSO به این شکل است که گروهی از ذرات(راه حلها) به صورت تصادفی به وجود می آیند و با به روز کردن نسلها سعی در یافتن راه حل بهینه مینمایند. در هر گام، هر ذره با استفاده از دوعدد از بهترین مقادیر به روز میشود. اولین مورد، بهترین موقعیتی است که تا کنون ذره موفق به رسیدن به آن شده است. موقعیت مذکور با نام pbest شناخته و نگهداری میشود. بهترین مقدار دیگری که توسط الگوریتم مورد استفاده قرار میگیرد، بهترین موقعیتی است که تا کنون توسط جمعیت ذرات بدست آمده است. این موقعیت با gbest نمایش داده میشود. در برخی ویرایشهای PSO، ذره، قسمتهایی از جمعیت را که همسایگان توپولوژیکی اش هستند، انتخاب میکند و تنها آنها را در اعمال خود دخیل میکند که در این حالت به بهترین راه حل محلی که با lbest نشان داده میشود، به جای gbest مورد استفاده قرار میگیرد. |
الگوریتم Pso و کابردهای آن
در تمامی ساعات شبانه روز >> پرداخت آنلاین و دانلود آنی فایل پس از پرداخت.
تعداد صفحات این پروژه ۱۴۵ (یکصد و چهل و پنج) صفحه می باشد.
توجه مهم :
*دوست عزیز در صورت نداشتن رمز پویا یا قطع بودن درگاه بانکی ، لطفا نام پروژه درخواستی خود را جهت هماهنگی برای دریافت شماره کارت واریزی و دریافت لینک دانلود، به واتساپ پشتیبانی سایت ۰۹۳۹۲۷۶۱۶۳۰ ارسال کنید *(از ساعت ۸ الی ۲۳)
دیدگاهتان را بنویسید