لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت ارائه یک شبکه عصبی فازی ژنتيکی جديد برای حل مسأله فروشنده دوره گرد توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت ارائه یک شبکه عصبی فازی ژنتيکی جديد برای حل مسأله فروشنده دوره گرد قرار داده شده است 2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید 3-پس از پرداخت هزینه ، حداکثر طی 4 ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد 4-در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد 5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

شرح مسأله فروشنده دوره گرد

مساله فروشنده دوره‏گرد (Traveling Salesman Problem)

كاربردها

  • بسياري از مسايل بهينه‏سازي قابل تبديل به مساله فروشنده دوره‏گرد هستند.
  • بعلاوه TSP مساله‏اي كلاسيك براي مقايسه روشهاي مختلف بهينه‏سازي با يكديگر است.
  • تعيين مسير بهينه حركت مته براي سوراخ كردن صفحه‏هاي مدارچاپي،
    تعيين مسير بهينه انتقال داده در شبكه‏هاي كامپيوتري،
    پردازش تصوير و تشخيص الگو،
      از جمله زمينه‏هايي هستند كه حل TSP برايشان بسيار راه‏گشاست.

اسلاید ۲ :

روش های متداول برای حل TSP

  • الگوريتم های کلاسيک جستجوی محلی
  • بازپخت تطبيقی
  • شبکه های عصبی مصنوعی
  • الگوريتم های ژنتيکی
  • برنامه نويسی تکاملی
  • سيستم کولونی مورچه ها
  • روش های آموزش افزايشی مبتنی بر جمعيت
  • Fine-tuned learning

اسلاید ۳ :

شبکه عصبی CNN-TSP

  • يک شبکه عصبی چهار لايه
  • دارای دو بخش بهينه ساز و سازنده

اسلاید ۴ :

الگوريتم آموزش CNN-TSP

الگوريتم آموزش دارای دو فاز است:

  • فاز سازنده: در اين مرحله، شبکه با اضافه شدن شهرهای جديد به مسير توسعه می يابد.
  • فاز بهينه ساز: با جابجايی شهرهای موجود بر روی مسير، مسير فعلی بهبود می يابد.

    مزايای CNN-TSP در مقايسه با کوهونن:

    • .سرعت همگرايی CNN-TSP در حدود ۲۰ برابر کوهونن
    • طول پاسخ های CNN-TSP به طور متوسط (برای مسيرهای ۵۰ شهری) در مقايسه با
      کوهونن، ۲٫۵% کوتاهتر است.

اسلاید ۵ :

بهبود CNN-TSP با استفاده از منطق فازی

عامل مؤثر بر پاسخ های CNN-TSP

در هر مرحله از فاز سازنده کدام شهر در مسير قرار گيرد.

الگوريتم های ژنتيکی

تصميم گيرنده رقابتی

در نرون های لايه های سوم و چهارم تعيين می شود که کدام نرون بايد در کجای مسير قرار گيرد

عامل مؤثر بر اين انتخاب افزايش طول ايجاد شده، با اضافه شدن شهر جديد به مسير است.

اسلاید ۶ :

طراحی پايگاه قواعد با استفاده از الگوريتم های ژنتيکی

  • سيستم های فازی قادر به يادگيری نيستند، اما نيازمند به پايگاه دانشی هستند که بايد بر اساس تجربيات يک فرد خبره طراحی شود.

    طراحی سيستم های فازی با استفاده از الگوريتم ژنتيکی

  •  

    • روش ميشيگان
    • روش پيتزبرگ
    • روش آموزش قواعد با تکرار

    روش پيتزبرگ در طراحی پايگاه قواعد

    • در اين شيوه کل پايگاه قواعد به عنوان يک کروموزوم در نظر گرفته می شود.

اسلاید ۷ :

طراحی پايگاه قواعد با استفاده از الگوريتم های ژنتيکی

شکل کلی يک قانون در پايگاه داده

اگر عضو mf(i) و (يا) عضو mf(j) باشد، آنگاه خروجی عضو mf(k) شود و ارزش اين قانون w است.

ساختار کلی يک کروموزوم

  • هر کروموزوم دارای ۲۷ ژن است.
  • هر ژن بيانگر يک قانون است.
  • هر ژن، برداری به شکل (i j k w c) است.
  • cمی تواند يکی از دو مقدار يک يا دو باشد. يک يعنی ترکيب دو بخش مقدم قانون با يک t-norm و دو يعنی ترکيب دو بخش مقدم قانون با يک s-norm.
  • هر کروموزوم ماتريسی ۵*۲۷ است که سطر آن بيانگر يک قانون فازی می باشد.
  • به منظور کاهش حجم محاسبات از سيستم فازی ممدانی با موتور استنتاج ضرب، فازی‏ساز منفرد، غير فازی‏ساز ميانگين مراکز، t-norm ضرب و s-norm جمع جبری استفاده گرديد.

اسلاید ۸ :

عملگر برش

  • عددی تصادفی n بين ۱ و ۲۷ انتخاب می شود.
  • n ژن از هر يک از والدين انتخاب و جای آنها با يکديگر عوض می شود.
  • قبل از جابجايی ژن ها بين دو ولی بر روی عناصر چهارم ژن های متناظر عملگر برش يک نقطه ای حقيقی اعمال می شود.

    عملگر جهش

    چنانچه عدد تصادفی توليد شده برای هر ژن کمتر از احتمال جهش باشد، ژن مذکور با ژنی که به صورت تصادفی ايجاد شده عوض می شود.

    عملگر انتخاب والدين:  Tournament

    توليد نسل جديد

    توليد نسل جديد مشابه با Genitor با جايگذاری يکی از فرزندان بجای بدترين کروموزوم جمعيت قبلی و جايگذاری ديگری بجای بدترين کروموزوم جمعيت مسابقه انجام می شود.

اسلاید ۹ :

تابع هزينه

  • U تابع پله واحد
  • برای ارزيابی کيفيت پايگاه قواعد از ۲۰ توزيع ۱۰۰ شهری استفاده گرديد.
  • جمله اول سبب کاهش طول متوسط پاسخ های FNN-TSP نسبت به CNN-TSP می شود.
  • جمله دوم سبب می شود، الگوريتم ژنتيکی به ازای هر پاسخ بدتر FNN-TSP نسبت به CNN-TSP جريمه شود.
  • انتخاب تابع هزينه فوق به منظور افزايش کيفيت پايگاه قواعد در تعميم نتايج بوده است.
  • مشاهدات تجربی نشان داد که نرون برنده معمولا يکی از ۲۰ شهری است که کمترينرا دارا هستند. بنابراين جهت کاهش حجم محاسبات و همچنين افزايش کارايی الگوريتم ژنتيکی تنها اين نرونها جهت تصميم‏گيری وارد سيستم فازی شدند.
  • جهت حفظ پراکندگی جمعيت تنها کروموزوم های فرزندی وارد جمعيت می شوند که پاسخ تابع هزينه به آنها با پاسخ ديگر کروموزوم های جمعيت متفاوت باشد.

اسلاید ۱۰ :

شبيه سازی

  • اندازه جمعيت: ۵۰
  • اندازه جمعيت مسابقه: ۷
  • احتمال جهش: ۰۱/۰
  • خطای متوسط پايگاه قواعد نهايی به نمونه های آموزشی: ۷۰/۱%-