دانلود تحقیق کاربردهای الگوریتم ژنتیک

دانلود تحقیق کاربردهای الگوریتم ژنتیک

11 مقدمه

 مقدمه ای بر الگوریتم ژنتیک
22 پیشینه
23 اصطلاحات زیستی
24 تشریح کلی الگوریتم ژنتیک
25 حل مسأله با استفاده از الگوریتم ژنتیک
26 اجزای الگوریتم ژنتیک
261 جمعیت
262 کدگذاری
2621 کدگذاری دودویی
2622کدگذاری مقادیر
2623کدگذاری درختی
263 عملگرهای الگوریتم ژنتیک
2631 fitness(برازش)
2632selection (انتخاب)
2633crossover (ترکیب)
2634 mutation (جهش)
27 مفاهیم تکمیلی
271 برتری ها و ضعف های الگوریتم ژنتیک
272 نکات مهم در الگوریتم های ژنتیک
273 نتیجه گیری

کاهش اثرات زیست محیطی آلاینده های Cox، NOxو SOxدر کوره ها
32 احتراق
321روش محاسبه ترکیبات تعادلی با استفاده از ثابت تعادل
322روش محاسبه دمای آدیاباتیک شعله
323انتخاب سیستم شیمیایی
24تأثیر دمای هوا و میزان هوای اضافی بر تولید محصولات
33 بهینه سازی
331روش های حل مسائل بهینه سازی
332روش تابع پنالتی
333الگوریتم حل تابع پنالتی
34 برنامه ی کامپیوتری و مراحل آن
35 تشکیل تابع هدف
36 تشکیل مدل مسئله بهینه سازی
37 روش حل

 توضیحاتی در رابطه با gatoolنرم افزار مطلب
41 gatool
42 تنظیم گزینه ها برای الگوریتم ژنتیک
43 Plot Options
44 Population Options
45 Fitness Scaling Options
46 Selection Options
47 Reproduction Options
48 Mutation Options
49 Crossover Options
410 Migration Options
411 Output Function Options
412 Stopping Criteria Options
413 Hybrid Function Options
414 Vectorize Options

نتایج
51 نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک
52 نتیجه گیری
فهرست مراجع

فهرست شکل
21 مراحل الگوریتم ژنتیک
22 مثالی از کروموزوم ها به روش کدگذاری دودویی
23 مثالی از کروموزوم ها با استفاده از روش کدگذاری مقادیر
24 انتخاب چرخ رولت
25 ترکیب تک نقطه ای
26 ترکیب دو نقطه ای
27 ترکیب یکنواخت
28 وارونه سازی بیت
29 تغییر ترتیب قرارگیری
210 تغییر مقدار
31 نمای برنامه ی کامپیوتری
32 عملیات برازش برای تولید NOدر مقایسه با نتایج اصلی در احتراق گازوئیل
41 نمای gatoolنرم افزار مطلب
51 نمای gatool، Coxبرای گاز طبیعی
52 نمودارهای Best fitnessو Best individualآلاینده ی Coxبرای گاز طبیعی
53 نمای gatool، NOxبرای گاز طبیعی
54 نمودارهای Best fitnessو Best individualآلاینده ی NOxبرای گاز طبیعی
55 نمای gatool، Cox + NOxبرای گاز طبیعی
56 نمودارهای Best fitnessو Best individualمجموع آلاینده های Coxو NOxبرای گاز طبیعی
57 نمای gatool، Coxبرای گازوئیل
58 نمودارهای Best fitnessو Best individualآلاینده ی Coxبرای گازوئیل
59 نمای gatool، NOxبرای گازوئیل
510 نمودارهای Best fitnessو Best individualآلاینده ی NOxبرای گازوئیل
511 نمای gatool، Soxبرای گازوئیل
512 نمودارهای Best fitnessو Best individualآلاینده ی Soxبرای گازوئیل
513 نمای gatool، Cox + NOxبرای گازوئیل
514 نمودارهای Best fitnessو Best individualمجموع آلاینده های Coxو NOxبرای گازوئیل
515 نمای gatool، Cox+NOx+Soxبرای گازوئیل
516 نمودارهای Best fitnessو Best individualمجموع آلاینده های Coxو NOxوSOxبرای گازوئیل
517 نمای gatool، Coxبرای نفت کوره
518 نمودارهای Best fitnessو Best individualآلاینده ی Coxبرای نفت کوره
519 نمای gatool، NOxبرای نفت کوره
520 نمودارهای Best fitnessو Best individualآلاینده ی NOxبرای نفت کوره
521 نمای gatool، Soxبرای نفت کوره
522 نمودارهای Best fitnessو Best individualآلاینده ی SOxبرای نفت کوره
523 نمای gatool، Cox + NOxبرای نفت کوره
524 نمودارهای Best fitnessو Best individualمجموع آلاینده های Coxو NOxبرای نفت کوره
525 نمای gatool، COx+NOx+SOxبرای نفت کوره
526 نمودارهای Best fitnessو Best individualمجموع آلاینده های COxو NOxو SOxبرای نفت کوره

فهرست جدول
31 تغییر نرخ تولید (mole/hr) NOدر اثر تغییر دمای هوا و درصد هوای اضافی
32 تشکیل تابع هدف برای گاز طبیعی
33 تشکیل تابع هدف برای گازوئیل
34 تشکیل تابع هدف برای نفت کوره
51 مقایسه نتایج تابع پنالتی و الگوریتم ژنتیک

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، NOxو Soxدر 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 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

 مقدمه 
به طور کلی انتخاب و طراحی بهینه در بسیاری از مسائل علمی و فنی باعث تولید بهترین محصول یا جواب ممکن در یک شرایط خاص می شود برای مثال تولید محصولات مناسب در حوزه های مختلف فنی و مهندسی وابسته به طراحی دقیق و بهینه ی شکل، اندازه و قطعات محصول است در نتیجه هر مسئله ی مهندسی ممکن است داری چندین جواب مختلف باشد که بعضی از آنها ممکن و بعضی غیر ممکن است وظیفه ی طراحان پیدا کردن بهترین جواب ممکن از میان جواب های مختلف است مجموعه ی جواب های ممکن فضای طراحی را شکل می دهند که باید در این فضا به جستجوی بهترین یا بهینه ترین جواب پرداخت