چکیده :

 الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.

مسئله ی کاهش آلاینده های Cox ، NOx و Sox در کوره های صنعتی ، یکی از مسائل بهینه سازی می باشد، که هدف آن بهینه کردن عملکرد کوره های احتراقی بر حسب پارامترهای درصد هوای اضافی (E) و دمای هوای خروجی از پیش گرمکن (T) ، به منظور کاهش میزان آلاینده های تولید شده در اثر انجام عملیات احتراق است.

در این پایان نامه ابتدا مروری بر مفاهیم مقدماتی الگوریتم های ژنتیک کرده سپس مشخصات کلی مسئله عنوان می شود، در انتها مسئله ی مورد نظر توسط الگوریتم ژنتیک اجرا و نتایج آن با روش تابع پنالتی مقایسه می شود.

فهرست مطالب

عنوان                                                                                                                          صفحه

فصل اول -  مقدمه ……………………………………………..

1-1-    مقدمه  

فصل دوم -  مقدمه ای بر الگوریتم ژنتیک………………………………………..

2-1-          مقدمه

2-2-          پیشینه

2-3-          اصطلاحات زیستی

2-4-          تشریح کلی الگوریتم ژنتیک

2-5-          حل مسأله با استفاده از الگوریتم ژنتیک

2-6-          اجزای الگوریتم ژنتیک

2-6-1- جمعیت

2-6-2- کدگذاری

              2-6-2-1-     کدگذاری دودویی

              2-6-2-2-      کدگذاری مقادیر

              2-6-2-3-      کدگذاری درختی

2-6-3- عملگرهای الگوریتم ژنتیک

             2-6-3-1-       fitness (برازش)

         2-6-3-2-      selection  (انتخاب)

            2-6-3-3-   crossover    (ترکیب)

           2-6-3-4-  mutation     (جهش)

2-7-          مفاهیم تکمیلی

         2-7-1- برتری ها و ضعف های الگوریتم ژنتیک

         2-7-2- نکات مهم در الگوریتم های ژنتیک

         2-7-3- نتیجه گیری

فصل سوم – کاهش اثرات زیست محیطی آلاینده های Cox، NOx و SOx در کوره ها………..

3-1-          مقدمه

3-2-          احتراق

3-2-1-   روش محاسبه ترکیبات تعادلی با استفاده از ثابت تعادل

3-2-2-   روش محاسبه دمای آدیاباتیک شعله

3-2-3-   انتخاب سیستم شیمیایی

3-2-4-   تأثیر دمای هوا و میزان هوای اضافی بر تولید محصولات

3-3-          بهینه سازی

3-3-1-   روش های حل مسائل بهینه سازی

3-3-2-   روش تابع پنالتی

3-3-3-   الگوریتم حل تابع پنالتی

3-4-          برنامه ی کامپیوتری و مراحل آن

3-5-          تشکیل تابع هدف

3-6-          تشکیل مدل مسئله بهینه سازی

3-7-          روش حل

فصل چهارم – توضیحاتی در رابطه با gatool نرم افزار مطلب…………….

4-1-          gatool

4-2-          تنظیم گزینه ها برای الگوریتم ژنتیک

4-3-          Plot Options

4-4-          Population Options

4-5-          Fitness Scaling Options

4-6-          Selection Options

4-7-          Reproduction Options

4-8-          Mutation Options

4-9-          Crossover Options

4-10-       Migration Options

4-11-       Output Function Options

4-12-       Stopping Criteria Options

4-13-       Hybrid Function Options

4-14-       Vectorize Options

فصل پنجم – نتایج…………………………….

5-1-          نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک

5-2-        نتیجه گیری

فهرست مراجع………………….

فهرست شکل

 2-1- مراحل الگوریتم ژنتیک

2-2- مثالی از کروموزوم ها به روش کدگذاری دودویی

2-3- مثالی از کروموزوم ها با استفاده از روش کدگذاری مقادیر

2-4-  انتخاب چرخ رولت

2-5-  ترکیب تک نقطه ای

2-6-  ترکیب دو نقطه ای

2-7-  ترکیب یکنواخت

2-8-  وارونه سازی بیت

2-9-  تغییر ترتیب قرارگیری

2-10-  تغییر مقدار

3-1- نمای برنامه ی کامپیوتری

3-2- عملیات برازش برای تولید NO در مقایسه با نتایج اصلی در احتراق گازوئیل

4-1-  نمای gatool نرم افزار مطلب

5-1- نمای gatool ، Cox برای گاز طبیعی

5-2- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گاز طبیعی

5-3- نمای gatool ، NOx برای گاز طبیعی

5-4- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گاز طبیعی

5-5- نمای gatool ، Cox + NOx برای گاز طبیعی

5-6- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOxبرای گاز طبیعی

5-7- نمای gatool ، Cox برای گازوئیل

5-8- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گازوئیل

5-9- نمای gatool ، NOx برای گازوئیل

5-10- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گازوئیل

5-11- نمای gatool ، Sox برای گازوئیل

5-12- نمودارهای Best fitness و Best individual آلاینده ی Sox برای گازوئیل

5-13-  نمای gatool ، Cox + NOx برای گازوئیل

5-14- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای گازوئیل

5-15- نمای gatool ، Cox+NOx+Sox برای گازوئیل

5-16- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx وSOx برای گازوئیل

5-17- نمای gatool ، Cox برای نفت کوره

5-18- نمودارهای Best fitness و Best individual آلاینده ی Cox برای نفت کوره

5-19- نمای gatool ، NOx برای نفت کوره

5-20- نمودارهای Best fitness و Best individual آلاینده ی NOx برای نفت کوره

5-21- نمای gatool ، Sox برای نفت کوره

5-22- نمودارهای Best fitness و Best individual آلاینده ی SOx برای نفت کوره

5-23- نمای gatool ، Cox + NOx برای نفت کوره

5-24- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای نفت کوره

5-25- نمای gatool ، COx+NOx+SOx برای نفت کوره

5-26- نمودارهای Best fitness و Best individual مجموع آلاینده های COx و NOx و SOx برای نفت کوره

 فهرست جدول

 3-1- تغییر نرخ تولید (mole/hr) NO در اثر تغییر دمای هوا و درصد هوای اضافی……..

3-2- تشکیل تابع هدف برای گاز طبیعی………………..

3-3- تشکیل تابع هدف برای گازوئیل………………………………………..

3-4- تشکیل تابع هدف برای نفت کوره……………………..

5-1- مقایسه نتایج تابع پنالتی و الگوریتم ژنتیک…………………………..

فهرست مراجع

1-   پایان نامه ی کارشناسی ارشد خانم عطیه پریشان نداف

2-   وبلاگ سیاوش محمودیان

3-   وبلاگ ایمان اشکاوند

4-   علیرضا، مهدی، الگوریتم های ژنتیک و کاربردهای آن، ناقوس اندیشه، 1386، 13و14?

5-   Jelsoft Enterprises Ltd

 5- Jelsoft Enterprises Ltd

6- Genetic Algorithm and Direct Search Toolbox

دانلود فایل

چکیده :

 الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.

مسئله ی کاهش آلاینده های Cox ، NOx و Sox در کوره های صنعتی ، یکی از مسائل بهینه سازی می باشد، که هدف آن بهینه کردن عملکرد کوره های احتراقی بر حسب پارامترهای درصد هوای اضافی (E) و دمای هوای خروجی از پیش گرمکن (T) ، به منظور کاهش میزان آلاینده های تولید شده در اثر انجام عملیات احتراق است.

در این پایان نامه ابتدا مروری بر مفاهیم مقدماتی الگوریتم های ژنتیک کرده سپس مشخصات کلی مسئله عنوان می شود، در انتها مسئله ی مورد نظر توسط الگوریتم ژنتیک اجرا و نتایج آن با روش تابع پنالتی مقایسه می شود.

فهرست مطالب

عنوان                                                                                                                          صفحه

فصل اول -  مقدمه ……………………………………………..

1-1-    مقدمه  

فصل دوم -  مقدمه ای بر الگوریتم ژنتیک………………………………………..

2-1-          مقدمه

2-2-          پیشینه

2-3-          اصطلاحات زیستی

2-4-          تشریح کلی الگوریتم ژنتیک

2-5-          حل مسأله با استفاده از الگوریتم ژنتیک

2-6-          اجزای الگوریتم ژنتیک

2-6-1- جمعیت

2-6-2- کدگذاری

              2-6-2-1-     کدگذاری دودویی

              2-6-2-2-      کدگذاری مقادیر

              2-6-2-3-      کدگذاری درختی

2-6-3- عملگرهای الگوریتم ژنتیک

             2-6-3-1-       fitness (برازش)

         2-6-3-2-      selection  (انتخاب)

            2-6-3-3-   crossover    (ترکیب)

           2-6-3-4-  mutation     (جهش)

2-7-          مفاهیم تکمیلی

         2-7-1- برتری ها و ضعف های الگوریتم ژنتیک

         2-7-2- نکات مهم در الگوریتم های ژنتیک

         2-7-3- نتیجه گیری

فصل سوم – کاهش اثرات زیست محیطی آلاینده های Cox، NOx و SOx در کوره ها………..

3-1-          مقدمه

3-2-          احتراق

3-2-1-   روش محاسبه ترکیبات تعادلی با استفاده از ثابت تعادل

3-2-2-   روش محاسبه دمای آدیاباتیک شعله

3-2-3-   انتخاب سیستم شیمیایی

3-2-4-   تأثیر دمای هوا و میزان هوای اضافی بر تولید محصولات

3-3-          بهینه سازی

3-3-1-   روش های حل مسائل بهینه سازی

3-3-2-   روش تابع پنالتی

3-3-3-   الگوریتم حل تابع پنالتی

3-4-          برنامه ی کامپیوتری و مراحل آن

3-5-          تشکیل تابع هدف

3-6-          تشکیل مدل مسئله بهینه سازی

3-7-          روش حل

فصل چهارم – توضیحاتی در رابطه با gatool نرم افزار مطلب…………….

4-1-          gatool

4-2-          تنظیم گزینه ها برای الگوریتم ژنتیک

4-3-          Plot Options

4-4-          Population Options

4-5-          Fitness Scaling Options

4-6-          Selection Options

4-7-          Reproduction Options

4-8-          Mutation Options

4-9-          Crossover Options

4-10-       Migration Options

4-11-       Output Function Options

4-12-       Stopping Criteria Options

4-13-       Hybrid Function Options

4-14-       Vectorize Options

فصل پنجم – نتایج…………………………….

5-1-          نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک

5-2-        نتیجه گیری

فهرست مراجع………………….

فهرست شکل

 2-1- مراحل الگوریتم ژنتیک

2-2- مثالی از کروموزوم ها به روش کدگذاری دودویی

2-3- مثالی از کروموزوم ها با استفاده از روش کدگذاری مقادیر

2-4-  انتخاب چرخ رولت

2-5-  ترکیب تک نقطه ای

2-6-  ترکیب دو نقطه ای

2-7-  ترکیب یکنواخت

2-8-  وارونه سازی بیت

2-9-  تغییر ترتیب قرارگیری

2-10-  تغییر مقدار

3-1- نمای برنامه ی کامپیوتری

3-2- عملیات برازش برای تولید NO در مقایسه با نتایج اصلی در احتراق گازوئیل

4-1-  نمای gatool نرم افزار مطلب

5-1- نمای gatool ، Cox برای گاز طبیعی

5-2- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گاز طبیعی

5-3- نمای gatool ، NOx برای گاز طبیعی

5-4- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گاز طبیعی

5-5- نمای gatool ، Cox + NOx برای گاز طبیعی

5-6- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOxبرای گاز طبیعی

5-7- نمای gatool ، Cox برای گازوئیل

5-8- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گازوئیل

5-9- نمای gatool ، NOx برای گازوئیل

5-10- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گازوئیل

5-11- نمای gatool ، Sox برای گازوئیل

5-12- نمودارهای Best fitness و Best individual آلاینده ی Sox برای گازوئیل

5-13-  نمای gatool ، Cox + NOx برای گازوئیل

5-14- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای گازوئیل

5-15- نمای gatool ، Cox+NOx+Sox برای گازوئیل

5-16- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx وSOx برای گازوئیل

5-17- نمای gatool ، Cox برای نفت کوره

5-18- نمودارهای Best fitness و Best individual آلاینده ی Cox برای نفت کوره

5-19- نمای gatool ، NOx برای نفت کوره

5-20- نمودارهای Best fitness و Best individual آلاینده ی NOx برای نفت کوره

5-21- نمای gatool ، Sox برای نفت کوره

5-22- نمودارهای Best fitness و Best individual آلاینده ی SOx برای نفت کوره

5-23- نمای gatool ، Cox + NOx برای نفت کوره

5-24- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای نفت کوره

5-25- نمای gatool ، COx+NOx+SOx برای نفت کوره

5-26- نمودارهای Best fitness و Best individual مجموع آلاینده های COx و NOx و SOx برای نفت کوره

 فهرست جدول

 3-1- تغییر نرخ تولید (mole/hr) NO در اثر تغییر دمای هوا و درصد هوای اضافی……..

3-2- تشکیل تابع هدف برای گاز طبیعی………………..

3-3- تشکیل تابع هدف برای گازوئیل………………………………………..

3-4- تشکیل تابع هدف برای نفت کوره……………………..

5-1- مقایسه نتایج تابع پنالتی و الگوریتم ژنتیک…………………………..

فهرست مراجع

1-   پایان نامه ی کارشناسی ارشد خانم عطیه پریشان نداف

2-   وبلاگ سیاوش محمودیان

3-   وبلاگ ایمان اشکاوند

4-   علیرضا، مهدی، الگوریتم های ژنتیک و کاربردهای آن، ناقوس اندیشه، 1386، 13و14?

5-   Jelsoft Enterprises Ltd

 5- Jelsoft Enterprises Ltd

6- Genetic Algorithm and Direct Search Toolbox

دانلود فایل

فهرست مطالب

عنوان    صفحه
چکیده    1
مقدمه    2
الگوریتم ژنتیک    5
تعریف خروجی(نمایش)    8
عملگرهای مجموعه ژن    10
شئ جمعیت    13
توابع شئ و مقیاس گذاری مناسب    14
نمایش الگوریتم ژنتیک درc++     15
توانایی عملگرها     17
چگونگی تعریف عملگرها    18
چگونگی تعریف کلاس مجموعه ژن    22
سلسله مراتب کلاس ها     23
1? سلسله مراتب کلاس GALib – گرافیکی    23
2? سلسله مراتب کلاس GALib – مراتب     24
رابط برنامه نویسی    25
نام پارامترها و گزینه های خط فرمان     26
رفع خطا      28
توابع اعداد تصادفی    29
GAGeneticAlgorithm    31
GADemeGA    42
GAIncrementalGA    44
GASimpleGA    47
GASteadyStateGA    50
Terminators    52
Replacement Schemes    54
GAGenome    55
GA1DArrayGenome    62
GA1DArrayAlleleGenome    65
GA2DArrayGenome    67
GA2DArrayAlleleGenome    70
GA3DArrayGenome    72
GA3DArrayAlleleGenome    76
GA1DBinaryStringGenome    78
GA2DBinaryStringGenome    81
GA3DBinaryStringGenome    85
GABin2DecGenome    88
GAListGenome    91
GARealGenome    92
GAStringGenome    94
GATreeGenome    96
GAEvalData    97
GABin2DecPhenotype    98
GAAlleleSet    100
GAAlleleSetArray    103
GAParameter and GAParameterList    104
GAStatistics    108
GAPopulation    113
GAScalingScheme    123
GASelectionScheme    127
GAArray    130
GABinaryString    132
نتیجه گیری    135
مراجع    136

چکیده

علم ژنتیک، علمی است که به تازگی وارد علوم کامپیوتر شده و با استفاده از اجزا مورد نیاز ژنتیک و شبیه سازی آن در کامپیوتر، انسان را قادر می سازد تا بعضی از مسائل مختلف و پیچیده ای که در اوایل حل نشدنی بودند، را حل کند.

این مستند، یک کتابخانه از اشیا الگوریتم ژنتیک به زبان c++ می باشد. این کتابخانه شامل ابزاریست که برای بهبود هر برنامه ای به زبان c++ و هر خروجی و هر عملگر ژنتیکی، استفاده می شوند. در اینجا، با پیاده سازی الگوریتم ژنتیک، رابط برنامه نویسی آن و اشکالی برای راهنمایی، آشنا خواهید شد.

مقدمه

این مستند محتویات کتابخانه الگوریتم  ژنتیک را رمز بندی می کند و بعضی از فلسفه های طراحی را که در پشت پیاده سازی هستند، نمایش می دهد. بعضی از مثال های کد منبع در آخر صفحه مشخص شده تا ساختار اصلی برنامه، توانایی های عملگرها، تطابق عملگرها با نیاز کاربر و مشتقاتی از کلاس های جدید مجموعه ژن را نمایش بدهند. وقتی که شما از یک کتابخانه استفاده می کنید به صورت ابتدایی با دو نوع کلاس کار می کنید الگوریتم مجموعه ژن و الگوریتم ژنتیک. هر نمونه ای از مجموعه ژن یک راه حل برای مسئله شما نشان می دهد. شی الگوریتم ژنتیک توضیح می دهد که چگونه سیر تکامل باید طی شود. الگوریتم ژنتیک از یک تابع عضو شی ای که توسط شما تعریف شده است استفاده می کند تا معین کند چگونه هر مجموعه ژن برای زنده ماندن مناسب است؟

الگوریتم ژنتیک از عملگر های مجموعه ژن ( که در داخل مجموعه هستند) و استراتژی های انتخاب/ جایگزینی ( که در داخل الگوریتم ساخته می شود ) برای تولید یک مجموعه ژن جدید مجزا ، استفاده می کند.

دانلود فایل

فایل بصورت ورد 140 صفحه قابل ویرایش می باشد