دانلود رایگان کتاب الگوریتم فاخته بهینه سازی پروژه اماده در متلب

کد متلب الگوریتم فاخته,فلوچارت تنصیف,آموزش متلب در شاخه کدینگ,http://matlabhome.ir/,دانلود رایگان آموزش الگوریتم ازدحام ذرات pso,بهینه سازی الگورینم پنهان نگاری,نرم افزار برای حل مسائل بهینه سازی,دانلود پروژه اماده در متلب براي مبتديان,دانلود help متلب+سيمولينك,سفارش پایان نامه مدیریت رسانه,برنامه تولید جایگشت,کتاب منطق فازی در متلب استاد دانشگاه شريف,دانلود الگوریتم tlbo,روش پاسخ سطحی,بررسی نظریه فازی در بهینه سازی,الگوریتم استعماری در c#,دانلود رایگان پایان نامه الگوریتم های فرا ابتکاری,کد برنامه متلب de,فازی.

,پیش پردازش-استخرج ویژگی-تطابق,یک سری تصاویر از دست های مختلف هست که روی اونها باید تشخیص هویت صورت بگیره.بخش پیش پردازش رو که شامل حذف نویز و لبه یابی تصویر هست رو انجام دادم.,بخش استخراج ویژگی شامل ویژگی هایی نظیر طول انگشتان ،عرض انگشتان(ازهر کدام سه سنجش) و عرض کف دست باید ازشون استخراج بشه.تا در عمل تطابق مورد استفاده قرار بگیره.در بخش تطابق هم میتونه از تطبق بند KNN یا هر طبقه بندی که نرخ بازشناسی بهتری دارد استفاده شود.در خواست بنده بخش استخراج ویژگی است به طوری که خروجی های آن در دسترس باشد.,تدریس خصوصی,تدریس خصوصی و نیمه خصوصی نرم افزار متلب (),در سطوح مقدماتی و پیشرفته توسط دانش آموختگان دانشگاه های تهران.

در این بخش با انتخاب مسائل ۲۰ فعالیتی سعی در تنظیم پارامتر های الگوریتم ژنتیک کردیم. برای این مسائل زمان تحویل را مضاربی از زود ترین زمان اتمام در نظر گرفتیم و با توجه به ترکیبات مختلف پارامتر ها ۵۷۶۰ مسئله در نظر گرفته شد. ابتدا جواب بهینه تمامی مسائل فوق با استفاده از هر مسئله برای حالتهای ممکن ظرفیت منابع چه برای RIP و چه برای RIPT بدست آمد. از بین ترکیب های آزمایش شده بهترین ترکیب پارامتر ها برای POP ، ، و برای هر دو مسئله RIP و RIPT انتخاب شد. سپس با استفاده از مقدار انتخاب شده برای این پارامتر ها حالتهای مختلف انتخاب فعالیتها از EAS و انواع تقاطع ها به تعداد ۲۸۸۰ آزمایش دیگر برای هر یک از دو دسته مسائل RIP و RIPT انجام شد. به این ترتیب اولا نشان داده شد که اصولا SSS نسبت به PSS بهتر عمل می کند و ثانیا ارجحیت روشهای مختلف انتخاب فعالیتها از EAS و انواع تقاطع ها نسبت به یکدیگر مشخص شد. با توجه به تنظیم پارامتر ها روی مسائل ۲۰ فعالیتی از هر یک از مسائل ۱۰ و ۱۴ فعالیتی با ۴ منبع، ۲۰ مسئله تولید شد و و روی هریک از مسائل فوق الگوریتم ژنتیک آزمایش گردید. نکته جالب توجه در اینجا کارائی نسبتا بهتر این الگوریتم روی مسائل RIP می باشد طوری که برای مسائل ۱۰ فعالیتی ظرف مدت کمتر از ۴ر۰ ثانیه جوابهای بهینه برای تمام مسائل فوق بدست آمد. همچنین آزمایش روی مسائل موهرینگ نیز صورت گرفت. این آزمایش با پارامتر های تنظیم شده برای مسائل با ۲۰ فعالیتی انجام گردید. نتیجه آزمایش نشان داد که مسائل موهرینگ در واقع بسیار ساده می باشند. برای مسائل ۳۰ فعالیتی الگوریتم ژنتیک روی این ۲۲۸۰ مسئله بکار گرفته شد و نتایج بدست آمده در جدول ۱۳ برتری واضح الگوریتم ژنتیک را نسبت به روشهای ایجاد ستون و ساده سازی لاگرانژ نشان می دهد، طوری که در تمامی حالتهای مختلف الگوریتم ژنتیک ارجحیت دارد. جالب اینجاست که برای الگوریتم ژنتیک با افزایش زمان تحویل در صد بهبود افزایش می یابد در صورتی که برای الگوریتم های درکسل و کیمز این خاصیت وجود ندارد.

همچنین برای مسائلی که در آنها جواب بهینه محاسبه شده است یکی از شاخص های کارایی، میانگین انحراف از جواب بهینه است. به عبارت دیگر متوسط درصد نسبت اختلاف جواب به دست آمده از الگوریتم ژنتیک و جواب بهینه به جواب بهینه تحت عنوان متوسط درصد انحراف از جواب بهینه آزمایش شد. جداول ۲و ۴ مقدار متوسط انحراف از جواب بهینه را برای زمان های ۴ر۰، ۸ر۰، ۲ر۱، ۲، ۴ و ۱۰ ثانیه به ترتیب برای مسائل RIPT و RIP نشان می دهند. همانطور که مشاهده می شود، متوسط تعداد نسل های مورد بررسی برای RIPT کمتر از RIP است. این به این دلیل است که حجم محاسبات برای RIPT بیشتر است. با این وجود متوسط در صد انحراف از جواب بهینه برای RIPT از RIP کمتر است. دلیل این امر این است که در RIP چون هزینه تاخیر عددی بزرگ است، کلیه کروموزوم هایی که تبدیل به جواب غیر موجه می شوند از نسل مورد نظر حذف می گردند در صورتی که ممکن است ویژگی های مناسبی داشته باشند. به هر جهت همنطور که از جداول فوق مشخص است میانگین درصد انحراف برای مسائل ۲۰ فعالیتی چه برای RIPT و چه برای RIP عدد کوچکی است (کمتر از ۱% انحراف) که خود نشان دهنده کارایی الگوریتم ژنتیک است. برای مسائل ۱۰ و ۱۴ فعالیتی علاوه بر میانگین درصد انحراف از جواب بهینه ماکزیمم درصد انحراف از جواب بهینه نیز محاسبه شده است که این مقدار ماکزیمم درصد نسبت اختلاف جواب به دست آمده از الگوریتم ژنتیک و جواب بهینه به جواب بهینه است. جداول ۶ و ۷ نتایج محاسبات برای مسائل ۱۰، ۱۴ و ۲۰ فعالیتی را نشان می دهد. در اینجا دیده می شود که برای مسائل با ۱۰ فعالیت و حتی ۱۴ فعالیت متوسط درصد انحراف برای RIP کمتر است که این بر خلاف نتایج به دست آمده از مسائل ۲۰ فعالیتی است. علت این امر کوچکتر بودن فضای جواب برای این دسته از مسائل است و چون برای RIP محاسبات کمتر است فرصت بیشتری برای جستجو در فضای جواب وجود دارد. ستون آخر جداول فوق نشان دهنده درصد مسائلی است که توسط الگوریتم ژنتیک به جواب بهینه رسیده اند. همانطور که ملاحظه می شود برای RIP این درصد به مراتب بیشتر از RIPT است حتی برای مسائل ۲۰ فعالیتی. به این ترتیب با استفاده از الگوریتم ژنتیک با وجود اینکه در درصد موارد کمتری به جواب بهینه می رسیم ولی جواب ها نزدیک بهینه هستند ولی برای RIP در مواردی که به جواب بهینه نمی رسیم از جواب بهینه فاصله نسبتا بیشتری داریم.