الگوریتم و فلوچارت
مقدمه
در زندگی روزمره، انسان با مسائل مختلفی روبروست و برای هر کدام از این مسائل (حل مشکلات) راه حلی و روشی را بر می‌گزیند. مسائلی از قبیل راه رفتن، غذا خوردن، خوابیدن و غیره که بشر تقریباً هر روز آنها را پیش روی خود دارد.
همه این مسائل نیاز به روشی برای حل کردن دارند مثلا راه رفتن باید با ترتیب خاصی و مراحل معینی انجام شود. تا مسئله راه رفتن برای بشر حل شود. اصطلاحاً روش انجام کار یا حل مسئله را الگوریتم آن مسئله می‌نامند
در قالب پاورپوینت و در 63 اسلاید
تعداد مشاهده: 828 مشاهده
فرمت فایل دانلودی:
فرمت فایل اصلی: ppt
تعداد صفحات: 63
حجم فایل:235 کیلوبایت
-
محتوای فایل دانلودی:
حاوی فایل پاورپوینت و قابل ویرایش
بهینه سازی پروفیل ریل جلوی خودرو از نوع TMB به روش الگوریتم ژنتیک
در این مقاله، ابتدا استحکام پروفیلهای جدار نازک ساخته شده
از ورقهای ترکیبی 1 که امروزه در تولید برخی از قطعات سازهای
خودرو نظیر ریلجلو، ستونها و ... استفاده میشود، از دیدگاه تغییر
مکان محوری، خیزش و پیچش مورد بررسی قرار گرفته است. سپس
از آنجایی که برخورداری از یک قطعه با استحکام بالا و در عین حال
وزن کم در کاهش مصرف سوخت و افزایش قابلیت جذب انرژی در
تصادف نقش بسزایی را ایفا میکند، قطعه ریل جلوی 2 خودرو به
صورت یک پروفیل جدار نازک با سطح مقطع ثابت مربعی مورد بهینه
سازی قرار میگیرد. بدین منظور، پروفیل ریل از نوع ورقهای
چهار تکه و به صورت یک تیر یک سر گیردار در (TMB) ترکیبی
نظر گرفته میشود و در نهایت مقادیر ضخامت و طول مربوط به هر
بخش از بلانک اولیه به منظور داشتن بالاترین نسبت سختی به جرم
قطعه به عنوان تابع هدف توسط الگوریتم ژنتیک بهینه سازی شده و
بهترین مقادیر پیشنهاد و با چند پروفیل با ابعاد غیر بهینه به عنوان
نمونه مقایسه میگردد.
واژه های کلیدی
ورقهای ترکیبی، پروفیل جدار نازک، طراحی سبک، الگوریتم
ژنتیک
تعداد مشاهده: 369 مشاهده
فرمت فایل دانلودی:.pdf
حجم فایل:131 کیلوبایت
-
محتوای فایل دانلودی:
پروژه پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک
خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .
1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
تعداد مشاهده: 672 مشاهده
فرمت فایل دانلودی:
فرمت فایل اصلی: doc
تعداد صفحات: 22
حجم فایل:442 کیلوبایت
-
محتوای فایل دانلودی:
حاوی فایل ورد قابل ویرایش
استفاده از الگوریتم ژنتیکبرای کمینه سازی زبری سطح درماشینکاری آلتراسونیک
ماشینکاری آلتراسونیک یکی از روشهای پیشرفته برای ماشینکاری قطعات سخت با دقت تولیدی بالا میباشد. با توجه به شدت تأثیر- پذیری ماشینکاری آلتراسونیک از پارامترهای ورودی فرآیند، در اینمقاله با بهرهگیری از الگوریتم ژنتیک، اقدام به یافتن مقادیر ورودی بهینۀ فرآیند برای حصول به کمینۀ مقدار زبری سطح شده است. پس از انجام آزمایشات عملی بر روی قطعۀTi6Al4V گرید پنج،روابط حاکم بر پارامترهای ورودی و خروجی به صورت جداگانه مشخص گردید. سپس مقادیر مناسب برای پارامترهای ورودی شامل اندازه ذرات، جنس ذرات، دامنه و فرکانس ارتعاش ابزار جهترسیدن به کمترین مقدار زبری سطح توسط الگوریتم ژنتیک تعیین گردید. با توجه به مقادیر متغیرهای خروجی حاصل از الگوریتم ژنتیک، تحلیل انجام گرفته رشد مناسبی را در مقادیر کیفیت سطح قطعه کار در فرآیند آلتراسونیک نشان میدهد. ارزیابی نتایج این تحقیق نشان دهنده کارآیی بالای الگوریتم ژنتیک در انتخاب سریع و مناسب پارامترهای ورودی ماشینکاری آلتراسونیک میباشد.
تعداد مشاهده: 310 مشاهده
فرمت فایل دانلودی:.pdf
حجم فایل:112 کیلوبایت
-
محتوای فایل دانلودی:
ماشینکاری آلتراسونیک یکی از روشهای پیشرفته برای ماشینکاری قطعات سخت با دقت تولیدی بالا میباشد. با توجه به شدت تأثیر- پذیری ماشینکاری آلتراسونیک از پارامترهای ورودی فرآیند، در اینمقاله با بهرهگیری از الگوریتم ژنتیک، اقدام به یافتن مقادیر ورودی بهینۀ فرآیند برای حصول به کمینۀ مقدار زبری سطح شده است. پس از انجام آزمایشات عملی بر روی قطعۀTi6Al4V گرید پنج،روابط حاکم بر پارامترهای ورودی و خروجی به صورت جداگانه مشخص گردید. سپس مقادیر مناسب برای پارامترهای ورودی شامل اندازه ذرات، جنس ذرات، دامنه و فرکانس ارتعاش ابزار جهترسیدن به کمترین مقدار زبری سطح توسط الگوریتم ژنتیک تعیین گردید. با توجه به مقادیر متغیرهای خروجی حاصل از الگوریتم ژنتیک، تحلیل انجام گرفته رشد مناسبی را در مقادیر کیفیت سطح قطعه کار در فرآیند آلتراسونیک نشان میدهد. ارزیابی نتایج این تحقیق نشان دهنده کارآیی بالای الگوریتم ژنتیک در انتخاب سریع و مناسب پارامترهای ورودی ماشینکاری آلتراسونیک میباشد.
پاورپوینت خوشه بندی با استفاده الگوریتم DBSCAN
ایده اصلی مطرح در این نوع خوشه بند ی استفاده از مفهوم فیزیکی چگالی (تراکم) داده ها می باشد.
Density Based Spatial Clustering of Applications with Noise
(خوشه بندی مکانی مبتنی بر چگالی در کاربردهای دارای نویز)
در واقع در این روش، میزان تراکم اشیاء(داده ها) در یک محدوده فضایی خاص به عنوان معیاری برای تشخیص خوشه ها استفاده میشود.
تعداد مشاهده: 86 مشاهده
فرمت فایل دانلودی:.pptx
فرمت فایل اصلی: pptx
تعداد صفحات: 29
حجم فایل:3,086 کیلوبایت
-
محتوای فایل دانلودی: