کتاب محاسبات نرم در MATLAB نوشته سید مصطفی کیا

  • چهارشنبه ۲۶ آذر ۱۳۹۹
  • بازدید ۱,۸۵۰ نفر

تصویر soft-computing-matlab-book_4238_1 کتاب محاسبات نرم در MATLAB نوشته سید مصطفی کیا

موجود نیست

کتاب محاسبات نرم در MATLAB نوشته سید مصطفی کیا

نویسنده:سید مصطفی کیا

ناشر:نشر کیان

سال انتشار:۱۳۹۷

نوبت چاپ:پنجم

تعداد صفحات:۶۲۴

شابک:۹۷۸-۶۰۰-۵۲۳۷-۸۱-۸

زبان:فارسی

وزن:۱۰۵۰ گرم

توضیحات:کتاب دارای DVD می باشد

محاسبات نرم چیست ؟

محاسبات نرم (Soft Computing) به دسته ای از روش های محاسباتی اطلاق می گردد که در آنها از شیوه های ابداعی ذهن انسان برای حل مسائل پیچیده استفاده می شود. خواستگاه این روش های محاسباتی را می توان در علوم رایانه ای و هوش مصنوعی جستجو نمود. پیشگامان این علم اغلب با الهام از پدیده های طبیعی و برقراری نوعی ارتباط ریاضی بین علوم مختلف و علوم رایانه ای سعی در مدلسازی پدیده ها و حل مسائل دشوار داشته اند. منظور از مسائل دشوار مسائلی است که حل آنها به شیوه های تحلیلی و معمول غیر ممکن و یا بسیار پیچیده می نماید.

معرفی کتاب آموزش محاسبات نرم در MATLAB

در این کتاب به سه شاخه مختلف از محاسبات نرم پرداخته می شود: شبکه های عصبی، منطق فازی و الگوریتم های ژنتیک. شبکه های عصبی یکی از پرکابرد ترین ساختارهای الهام گرفته شده از طبیعت برای شبیه سازی، تخمین توابع و طبقه بندی الگوها می باشند. منطق فازی، یک منطق نوپا در مقابل منطق دودویی است که عملکرد سیستم ها را به درک انسان از محیط اطراف نزدیک تر می کند. در نهایت الگوریتم های ژنتیک روشی غیر تحلیلی و باز هم الهام گرفته شده از طبیعت در راستای بهینه سازی فرآیندها می باشد. البته توجه به این نکته حایز اهمیت است که در این کتاب به کلیه مفاهیم یاد شده در قالب نرم افزار MATLAB پرداخته می شود.

تصویر soft-computing-matlab-book_4238_2 کتاب محاسبات نرم در MATLAB نوشته سید مصطفی کیا

معرفی نرم افزار متلب

نرم افزار MATLAB یک نرم افزار کاربردی مهندسی با قابلیت های بالای محاسباتی و برنامه نویسی می باشد. این نرم افزار دارای جعبه ابزار یا تولباکس های متعددی است که سه جعبه ابزار شبکه های عصبی، منطق فازی و الگوریتم های ژنتیک موضوع این کتاب می باشند. به همین دلیل در بخش ابتدایی این کتاب سعی شده تا خواننده با مفاهیم اولیه و پایه برنامه متلب آشنا شود. به این ترتیب با مطالعه فصول بعدی خواننده مشکلی در فهم دقیق مطالب نخواهد داشت. این کتاب یک منبع مکمل است زیرا عمده مطالب این کتاب برگرفته از راهنمای نرم افزار MATLAB بوده و به طبع بسیار خلاصه و مفید می باشد. بنابراین به خوانندگان توصیه می شود در راستای فراگیری بهتر از یک مرجع علمی مناسب در کنار این کتاب استفاده نمایند. در واقع شما با مطالعه این کتاب و فراگیری نحوه استفاده از متلب دانش خود را تکمیل خواهید کرد.

تصویر soft-computing-matlab-book_4238_3 کتاب محاسبات نرم در MATLAB نوشته سید مصطفی کیا

فهرست مطالب کتاب محاسبات نرم در MATLAB

بخش اول

  • آشنایی با نرم افزار MATLAB

فصل اول

  • آشنایی با نرم افزار MATLAB
  • نگاهی به محیط عملیاتی MATLAB
  • سیستم MATLAB
  • میز کار MATLAB
  • چینش میزکار
  • کلید Start
  • پنجره دستور
  • پنجره تاریخچه دستور
  • استفاده از مرورگر راهنمای MATLAB
  • جستجوی اسناد و Demo ها
  • مرورگر فضای کاری
  • ویرایشگر متغیرها
  • مدیریت فایل ها در MATLAB
  • استفاده از مرورگر پوشه جاری برای مدیریت فایل ها
  • ویرایشگر M-File
  • یافتن خطاها با استفاده از M-Lint
  • بهبود کارآیی کند با استفاده از Profiler

فصل دوم

  • ماتریس ها و آرایه ها
  • ماتریس ها
  • ایجاد یک ماتریس در MATLAB
  • اندیس ماتریس ها
  • عملگر کولون
  • تابع magic
  • عبارات ریاضی
  • کار با ماتریس ها
  • ماتریس ها و جبر خطی
  • آرایه ها
  • داده های چند مقداری
  • بسط عددی
  • اندیس های منطقی
  • تابع Find
  • کنترل ورودی و خروجی خط فرمان

فصل سوم

  • گرافیک
  • رسم نمودارها
  • اجزای یک نمودار
  • چینش نمودارها در یک Figure
  • انتخاب نوع گراف برای رسم
  • ویرایشگر نمودارها
  • رسم دو متغیر به کمک ابزارهای رسم
  • اضافه کردن داده های بیشتر به نمودار
  • تغییر در نوع نمودار
  • تغییر داده های مربوط به نمودار
  • آماده کردن نمودارها برای ارائه
  • حاشیه نویسی در نمودار
  • چاپ نمودار
  • Export کردن نمودار
  • استفاده از توابع پایه رسم
  • رسم چند مجموعه داده در قالب یک نمودار
  • تعیین نوع و رنگ خطوط
  • رسم داده های مختلط
  • اضافه کردن نمودار
  • پنجره های Figure
  • نمایش چند نمودار در یک پنجره
  • کنترل محورها
  • اضافه کردن برچسب محورها و عنوان نمودار
  • ذخیره سازی نمودارها
  • رسم سطوح و نمودارهای Mesh
  • نمایش یک تابع با دو محور متغیر
  • رسم داده های تصویری
  • کنترل اشیا گرافیکی
  • اشیاء گرافیکی
  • تنظیم خصوصیات اشیا گرافیکی
  • ایجاد محورها و figure

فصل چهارم

  • برنامه نویسی در MATLAB
  • کنترل جریان
  • دستورات else if و elseif
  • دستور Switch – case
  • دستور for
  • دستور while
  • دستور Continue
  • دستور break
  • دستور try – catch
  • دستور return
  • ساختارهای داده ای
  • آرایه های چند بعدی
  • آرایه های سلولی
  • کاراکترها و متن ها
  • ساختارها
  • اسکریپت ها و توابع
  • انواع توابع
  • متغیرهای سراسری
  • ارسال رشته ها به توابع
  • تابع eval
  • Handle مربوط به توابع
  • توابعی که بر روی توابع دیگر عمل می کنند
  • بردار سازی
  • پیش تخصیص حافظه

فصل پنجم

  • تحلیل داده ها
  • مقدمه
  • پیش پردازش داده ها
  • داده های گمشده
  • مقادیر نامربوط
  • نرم کردن و فیلتر کردن داده ها
  • خلاصه سازی داده ها
  • تعیین موقعیت داده ها
  • اندازه گیری مقیاس داده ها
  • شكل كلی توزیع
  • نمایش داده ها
  • نمودار پراکندگی دو بعدی
  • نمودارهای پراکندگی سه بعدی
  • نمودار پراکندگی آرایه ای
  • بررسی داده ها در نمودارها
  • مدل سازی داددها
  • رگرسیون چند جمله ای
  • رگرسیون خطی

فصل ششم

بخش دوم

فصل هفتم

  • آشنایی با شبکه های عصبی
  • علائم فنی مورد استفاده در این كتاب
  • نوشتار مورد استفاده در ریاضیات
  • كتب مرجع شبکه های عصبی
  • کاربردهای شبکه های عصبی
  • برازش توابع
  • تعریف مسئله
  • استفاده از توابع خط فرمان
  • استفاده از رابط گرافیکی برازش توابع (nfiool)
  • تشخیص الگوها
  • تعریف مسئله
  • استفاده از توابع خط فرمان
  • استفاده از رابط گرافیکی تشخیص الگو
  • کلاسترینگ داده ها
  • تعریف مسئله
  • استفاده از توابع خط فرمان
  • استفاده از رابط گرافیکی کلاسترنیگ

فصل هشتم

  • آشنایی با مدل نورون و معماری شبکه های عصبی
  • نورون با یک ورودی عددی
  • توابع انتقال
  • نورون با یک بردار به عنوان ورودی
  • معماری شبکه های عصبی
  • ورودی ها و لایه ها
  • شبکه های چند لایه
  • ساختمان داده های مورد استفاده
  • شبیه سازی با ورودی های همزمان در یک شبکه ایستا
  • شبیه سازی با ورودیهای ترتیبی در یک شبکه پویا
  • شبیه سازی ورودی های همزمان در یک شبکه پویا
  • روش های آموزش
  • آموزش گام به گام
  • آموزش گام به گام در شبکه های ایستا
  • آموزش گام به گام در شبکه های پویا
  • آموزش دسته ای آموزش دسته ای در شبکه های ایستا
  • آموزش دسته ای در شبکه های پویا
  • پسخورد آموزش

فصل نهم

  • شبکه های پرسپترون
  • مقدمه
  • مدل نورون پرسپترون
  • معماری پرسپترون
  • ایجاد یک شبکه پرسپترون
  • شبیه سازی
  • مقداردهی آغازین پارامترها
  • قوانین یادگیری
  • قاعده یادگیری پرسپترون (learnp)
  • آموزش پرسپترون
  • محدودیت ها و تضمین های پرسپترون
  • قاعده یادگیری نرمال پرسپترون
  • رابط گرافیکی شبکه های پرسپترون
  • ایجاد یک شبکه پرسپترون (nntool)
  • ذخیره یک متغیر در فایل و بارگذاری مجدد آن

فصل دهم

  • فیلترهای خطی
  • مقدمه
  • مدل نورون خطی
  • معماری شبکه
  • ایجاد یک نورون خطی
  • طراحی یک سیستم خطی
  • شبکه های خطی همراه با تأخیر
  • Tapped delay line (TDL)
  • فیلتر خطی
  • الگوریتم LMS
  • طبقه بندی خطی
  • محدودیت های فیلترهای خطی

فصل یازدهم

  • شبکه های پس انتشار
  • مقدمه
  • حل یک مسئله
  • بهبود نتایج
  • معماری شبکه های پس انتشار
  • شبکه های Feedforward
  • ایجاد یک شبکه Feedforward
  • مقداردهی آغازین به وزن ها
  • شبیه سازی شبکه
  • آموزش شبکه
  • الگوریتم پس انتشار
  • آموزش دسته ای
  • آموزش دسته ای کاهش شیب
  • آموزش دسته ای کاهش شیب با Momentum
  • روش های آموزشی سریع تر و کاراتر
  • سرعت یادگیری متغیر (traingda , traingdx)
  • پس انتشار ارتجاعی
  • الگوریتم های گرادیان توأم
  • الگوریتم گرادیان توأم Fletcher-Reeves
  • لگوریتم گرادیان توأم Polak-Ribiere
  • الگوریتم شروع مجدد Powell-Beale
  • الگوریتم گرادیان توأم مقیاس شده
  • رویه های جستجوی خطی
  • جستجوی ناحیه طلایی (srchgol)
  • جستجوی srchbre) Brent)
  • جستجوی دو بخشی درجه ۳ ترکیبی (srchhyb)
  • جستجوی srchcha) Charalambous)
  • جستجوی پیمایش معكوس (srchbac)
  • الگوریتم های شبه نیوتن
  • الگوریتم BFGS
  • الگوریتم Secant تک مرحله ای
  • الگوریتم Levenberg-Marquardt
  • کاهش مصرف حافظه در الگوریتم Levenberg-Marquardt
  • مقایسه میزان سرعت و حافظه در الگوریتم های مختلف
  • تابع Sin
  • تشخیص بیت Parity
  • مسئله ENGINE
  • مسئله CANCER
  • مسئله کلسترول
  • مسئله DIABETS
  • نتیجه گیری
  • بهبود عمومیت شبکه
  • تنظیم تابع کارایی اصلاح شده
  • تنظیم خودکار
  • توقف زود رس
  • نتیجه گیری
  • پیش پردازش و پس پردازش
  • روش مینیمم و ماکسیمم
  • میانگین و انحراف معیار
  • تحلیل اجزا اصلی
  • پردازش ورودی های نامعلوم
  • نمایش مقادیر نامعلوم و بی اهمیت در ماتریس اهداف
  • تحلیل Posttraining
  • بررسی یک مثال
  • محدودیت های شبکه های پس انتشار

فصل دوازدهم

  • شبکه های عصبی پویا
  • مقدمه
  • چند مثال از شبکه های پویا
  • کاربردهای شبکه های پویا
  • ساختار شبکه های پویا
  • آموزش شبکه های پویا
  • شبکه های عصبی تأخیر زمانی متمرکز
  • شبکه های عصبی تأخیر زمانی توزیع شده
  • شبکه های عصبی NARY
  • شبکه های Layer-Recuurent

فصل سیزدهم

  • سیستم های کنترلی و شبکه های عصبی
  • شبکه های عصبی کنترل پیشگویانه
  • تعریف سیستم
  • کنترل پیشگویانه
  • استفاده از شبكه عصی کنترل کننده بیشتر در Simulink
  • کنترل NARMA-L2
  • تعریف یک مدل NARMA-L2
  • کنترل کننده NARMA-L2
  • استفاده از NARMAL-L2 در Simulink
  • کنترل مدل مرج
  • استفاده از کنترل کننده مدل مرجع در Simulink
  • ورود و خروج دانه ها
  • ورود و خروج شی
  • ورود و خروج داده های آموزشی

فصل چهاردهم

  • شبکه های شعاع مبنا
  • مقدمه
  • توابع شعاع مبنا
  • معماری شبکه
  • تابع newbre
  • تابع newri
  • شبکه های GRNN
  • شبکه های عصبی احتمالی PNN

فصل پانزدهم

  • شبکه های خود سازمان و تدریج بردار
  • مقدمه
  • یادگیری رقابتی
  • ایجاد یک شبکه عصبی رقابتی قاعده یادگیری کوهنن
  • قاعده یادگیری با یاس
  • یادگیری
  • یک مثال شهودی
  • نگاشت های ویژگی خود سازمان
  • توپولوژی ها
  • توابع فاصله
  • معماری شبکه های SOFM
  • ایجاد یک شبکه عصبی SOFM
  • آموزش شبکه
  • فاز ۱: فاز مرتب سازی
  • فاز ۲: قاز تقلید
  • چند مثال
  • مثال 1: SOFM یک بعدی
  • مثال ۲: SOFM دو بعدی
  • آموزش با استفاده از الگوریتم دسته ای
  • یادگیری تدریح بردار (LVQ)
  • ایجاد یک شبکه LVQ
  • قانون یادگیری LVQ1
  • آموزش شبکه
  • قانون یادگیری تکمیل شده

فصل شانزدهم

  • شبکه های عصبی Recurrent
  • مقدمه
  • شبکه های عصبی المان
  • ایجاد یک شبکه المان
  • شبیه سازی اولیه شبکه آموزش یک شیك المان
  • شبکه های عصبی های خیل معماری شبکه های مابقی
  • طراحی شبکه های هاپفیلد

فصل هفدهم

  • فیلترهای انطباقی و یادگیری انطباقی
  • مقدمه
  • مدل نورون های خطی
  • معماری شبکه های انطباق پذیر خطی
  • یک نورون ADLINE
  • خطای حداقل میانگین مربعات
  • الگوریتم LMS
  • فیلتر های انطباقی
  • مثال ۱: فیلتر انطباقی
  • مثال ۲: کاربرد فیلتر های انطباقی در توابع پیشگو
  • مثال 3: کاربرد فیلتر های انطباقی در حذف نویز
  • فیلتر های انطباقی با چند نورون

فصل هجدهم

  • مثال های کاربردی از شبکه های عصبی
  • مقدمه
  • کاربرد شبکه های خطی در پردازش سیگنال ها
  • تعریف مسئله
  • طراحی شبکه
  • تست شبکه
  • نتیجه گیری
  • کاربرد شبکه های خطی در پیشگویی انطباقی
  • تعریف مسئله
  • تعریف شبکه
  • آموزش شبکه
  • تست شبکه
  • نتیجه گیری
  • کاربرد شبکه های المان در تشخیص دامنه سیگنال
  • تعریف مسئله
  • تعریف شبکه
  • آموزش شبکه
  • عمومیت شبکه
  • کاربرد شبکه های عصبی در تشخیص حروف لاتین
  • تعریف مسئله
  • تعریف شبکه
  • کارایی سیستم
  • نتیجه گیری

فصل نوزدهم

  • مباحث پیشرفته
  • شبکه های سفارشی
  • نمونه ای از شبکه های سفارشی
  • تعریف شبکه
  • خصوصیات مربوط به معماری شبکه خصوصیات Subobject
  • توابع شبکه
  • مقادیر وزن ها و بایاس ها
  • رفتار شبکه
  • مقداردهی آغازین
  • آموزش
  • توابع سفارشی
  • توابع شبیه سازی
  • توابع انتقال
  • توابع ورودی شبکه
  • توابع وزن
  • توابع مقداردهی آغازین
  • توابع مقداردهی آغازین شبکه
  • توابع مقداردهی آغازین لایه ها
  • توابع مقداردهی آغازین وزن ها و بایاس ها
  • توابع یادگیری
  • توابع آموزشی
  • توابع انطباق
  • توابع کارایی
  • توابع یادگیری وزن ها و بایاس ها
  • توابع نگاشت خود سازمان
  • توابع توپولوژی
  • توابع فاصله
  • فصل نوزدهم
  • مباحث پیشرفته
  • شبکه های سفارشی
  • نمونه ای از شبکه های سفارشی
  • تعریف شبکه
  • خصوصیات مربوط به معماری شبکه
  • خصوصیات Subobject
  • توابع شبکه
  • مقادیر وزن ها و بایاس ها
  • رفتار شبکه
  • مقدار دهی آغازین
  • آموزش
  • توابع سفارشی
  • توابع شبیه سازی
  • توابع انتقال
  • توابع ورودی شبکه توابع وزن
  • توابع مقدار دهی آغازین
  • توابع مقدار دهی آغازین شکه
  • توابع مقدار نمی آغازین لایه ها
  • توابع مقدار دهی آغازین وزن ها و بانیاس ها
  • توابع یادگیری
  • توابع آموزشی
  • توابع انطباق
  • توابع کارایی
  • توابع یادگیری وزن ها و با یاس ها
  • توابع نگاشت خود سازمان
  • توابع توپولوژی
  • توابع فاصله

بخش سوم

  • آشنایی با جعبه ابزار منطق فازی در MATLAB

فصل بیستم

  • منطق فازی
  • جعبه ابزار منطق فازی
  • منطق فازی چیست؟
  • توصیف منطق فازی
  • دلایل استفاده از منطق فازی
  • چه زمانی نباید از منطق فازی استفاده نمود؟
  • نحوه عملکرد جعبه ابزار منطق فازی
  • یک مثال مقدماتی: منطق فازی در مقابل منطق غیر فازی
  • مسئله ساده انعام
  • روش غیر فازی
  • حل مسئله به روش منطق فازی
  • مشاهدات
  • دوباره سازی روش فازی

فصل بیست و یکم

  • جعبه ابزار منطق فازی MATLAB
  • مقدمه
  • اصول در منطق فازی
  • مجموعه های فازی
  • توابع عضویت
  • توابع عضویت در جعبه ابزار منطق فازی
  • عملیات های منطقی
  • چند عملگر فازی دیگر
  • قواعد if – then
  • سیستم های استنتاج فازی
  • تعریف سیستم های استنتاج فازی
  • نگاهی به فرآیند استنتاج فازی
  • مرحله ۱: فازی سازی ورودی ها
  • مرحله ۲: اعمال عملگرهای فازی
  • مرحله ۲: اعمال روش دلالت
  • مرحله 4: تجمیع خروجی ها
  • مرحله 5: غیر فازی سازی
  • نمودار استنتاج فازی سیستم های فازی سفارشی

فصل بیست و دوم

  • ایجاد سیستم های استنتاج فازی با استفاده از جعبه ابزار منطق فازی
  • رابط گرافیکی جعبه ابزار منطق فازی
  • حل یک مثال با استفاده از رابط گرافیکی منطق فازی
  • ویرایشگر سیستم استنتاج فازی
  • ویرایشگر توابع عضویت
  • ویراشگر قواعد
  • نمایشگر قواعد
  • نمایشگر سطوح
  • ورود و خروج داده ها در رابطه های گرافیکی

فصل بیست و سوم

  • ایجاد سیستم های استنتاج فازی با استفاده از توابع سفارشی
  • ایجاد سیستم های استنتاج فازی سفارشی به کمک رابط های گرافیکی
  • ایجاد توابع عضویت سفارشی
  • ایجاد توابع استنتاج سفارشی
  • آشنایی با نحوه عملکرد توابع AMD و OR
  • آشنایی با عملکرد توابع دلالت
  • آشنایی با نحوه ایجاد توابع تجمیع
  • آشنایی با نحوه ایجاد توابع غیر فازی سازی
  • مراحل ایجاد توابع استنتاج سفارشی

فصل بیست و چهارم

  • منطق فازی روی خط فرمان MIATLAB
  • حل مسئله انعام روی خط فرمان
  • توابع نمایش سیستم
  • ایجاد یک سیستم فازی روی خط فرمان
  • ایجاد توابع عضویت و استنتاج سفارشی
  • ارزیابی FIS
  • ساختار FIS
  • ذخیره سازی فایل های FIS

فصل بیست و پنجم

  • منطق فازی در محیط Simulink
  • حل یک مثال: كنترل سطح آب
  • ایجاد مدل های فازی در Simulink
  • بلوک کنترل کننده فازی
  • بلوک کنترل کننده فازی همراه با نمایشگر قواعد
  • نحوه تنظیم بلوک های کنترل کننده فازی
  • یک مثال: شبیه سازی Cart and Pole

فصل بیست و ششم

  • استنتاج فازی به روش Sugeno
  • مقدمه
  • یک مثال: دو خط
  • مقایسه روش های Mamdani و Sugeno

فصل بیست و هفتم

  • ANFIS
  • مقدمه
  • یک سناریوی مدل سازی
  • یادگیری مدل و استنتاج از طریق ANFIS
  • ANFIS چیست؟
  • ساختار FIS و تنظیم پارامتر
  • شناخت داده ها
  • معتبرسازی مدل با استفاده از مجموعه داده های آزمایشی و وارسی
  • محدودیت های ANFIS
  • آموزش سیستم های استنتاج عصبی – فازی با استفاده از رابط گرافیکی ANFIS
  • بارگذاری، رسم و پاک کردن داده ها
  • ایجاد و بارگذاری ساختار FIS اولیه
  • آموزش FIS
  • معتبرسازی FIS آموزش دیده
  • مثال 1: استفاده از داده های وارسی برای معتبرسازی مدل
  • بارگذاری داده ها
  • ایجاد FIS اولیه
  • ایجاد ساختار FIS به صورت خودکار
  • ایجاد توابع عضویت سفارشی برای ANFIS
  • نمایش ساختار FIS
  • آموزش ANFIS
  • آزمایش FIS آموزش دیده
  • بارگذاری داده های بیشتر در anfis
  • حذف داده های وارسی
  • مثال ۲: عدم اعتبار مدل
  • anfis روی خط فرمان
  • مثال: ذخیره سازی خطای آموزشی در فضای کاری MATLAB
  • آرگومان های anfis
  • داده های آموزشی
  • ساختار FIS ورودی
  • تنظیمات آموزشی
  • تنظیمات نمایش
  • روش آموزش
  • ساختار FIS خروجی برای داده های آموزشی
  • خطای آموزشی
  • اندازه گام ها
  • داده های وارسی
  • ساختار FIS خروجی برای داده های وارسی
  • خطای وارسی

فصل بیست و هشتم

  • کلاسترینگ فازی
  • کلاسترینگ چیست؟
  • کلاسترینگ C – Means فازی
  • یک مثال: کلاسترهای دو بعدی
  • کلاسترینگ تفاضلی
  • یک مثال: سفرهای حومه شهری
  • بیش برازش
  • کلاسترینگ داده ها با استفاده از رابط گرافیکی کلاسترینگ
  • بارگذاری و رسم داده ها
  • انجام عملیات کلاسترینگ

فصل بیست و نهم

  • شبیه سازی سیستم های استنتاج فازی با استفاده از ماشین استنتاج فازی
  • مقدمه
  • ماشین استنتاج فازی
  • مثال: استفاده از ماشین استنتاج فازی در ویندوز
  • قرار دادن دستور lcc در مسیر متغیرهای محیطی
  • مثال: استفاده از ماشین استنتاج فازی در UNIX

بخش چهارم

  • الگوریتم های ژنتیک در MATLAB

فصل سی ام

  • الگوریتم های ژنتیک در MATLAB
  • الگوریتم های ژنتیک (GA)
  • اصطلاحات مورد استفاده در GA
  • تابع شایستگی
  • افراد در GA
  • جمعیت و نسل ها
  • گوناگونی
  • میزان شایستگی و بهترین میزان شایستگی والدین و فرزندان نحوه عملکردGA
  • جمعیت آغازین
  • تولید نسل بعدی
  • شرایط توقف الگوریتم GA
  • طرح یک مثال: تابع Rastrigin
  • کار با الگوریتم های ژنتیک در MATLAB
  • استفاده از رابط گرافیکی GA
  • نمایش نمودارها
  • ایجاد یک تابع دلخواه برای رسم نمودار
  • تولید مجدد نتایج
  • ادامه کار GA از آخرین جمعیت
  • استفاده از الگوریتم های ژنتیک روی خط فرمان
  • راه اندازی GA با تنظیمات پیش فرض
  • آرگومان های خروجی دیگر تابع ga
  • تعیین پارامترهای Options از روی خط فرمان
  • استفاده از رابط گرافیکی GA برای ایجاد ساختار تنظیمات
  • تولید مجدد همان نتایج قبلی
  • ادامه کار از آخرین جمعیت در اجرای قبلی
  • استفاده از تابع ga در یک M-file

فصل سی و یکم

  • تنظیمات الگوریتم های ژنتیک در MATLAB
  • مقدمه
  • گوناگونی جمعیت
  • تعیین محدوده آغازین
  • جمعیت در مسائل محدود شده خلی
  • مقیاس بندی تابع شایستگی
  • انواع توابع مقیاس بندی
  • توابع انتخاب
  • انواع توابع انتخاب
  • تنظیمات مربوط به تولید مثل
  • جهش و تلفیق
  • تنظیمات مربوط به جهش
  • تنظیمات مربوط به تلفیق
  • تعیین مقدار کسر تلفیق
  • تنظیمات مربوط به مهاجرت
  • مینیمم سراسری در مقابل مینیمم محلی
  • استفاده از تابع هیبرید
  • تعیین حداکثر تعداد نسل ها
  • تنظیمات مربوط به تابع خروجی
  • بردار سازی تابع شایستگی
  • مینیمم سازی محدود شده با استفاده از GA
  • محاسبات موازی در الگوریتم های ژنتیک
  • ارزیابی جمعیت به صورت موازی
  • محاسبات موازی با پردازنده های چند هسته ای
  • محاسبات موازی با چند پردازنده در شبکه
  • پیاده سازی الگوریتم های ژنتیک به صورت موازی
  • منابع

 

 

باکس دانلود
شناسه:
۴۲۳۸
قیمت:
رایگان
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است