سورس مقاله: تجزیه وتحلیل احتمالی یک الگوریتم بهینه سازی جغرافیای زیستی
پروژه ۱۲۵: شبیه سازی مقاله در متلب + سورس کامل متلب + ترجمه کامل مقاله + فیلم اجرای کد
عنوان مقاله
A Probabilistic Analysis of a Simplified
Biogeography-Based Optimization Algorithm
********************
دانلود: دانلود اصل مقاله لاتین
********************
خلاصه ای از کار:
بهینه سازی مبتنی بر جغرافیای زیستی (BBO) یک الگوریتم تکاملی جمعیتی (EA) است که بر ریاضیات جغرافیای زیستی مبتنی است. جغرافیای زیستی ، مطالعه توزیع جغرافیایی موجودات زنده زیستی است. ما نوع ساده شده BBO را ارئه می کنیم وبا استفاده از نظریه احتمال ،یک تحلیل تقریبی درمورد جمعیت BBO انجام می دهیم.تجزیه وتحلیل ما ارزشهای تقریبی عدد پیش بینی شده نسلها را قبل از اصلاح بهترین راه حل جمعیتی وپیش بینی مقدار اصلاح، ارائه می کند .این ارزشهای پیش بینی شده توابعی از اندازه جمعیت هستند.ما اندازه سه رفتار را هنگام افزایش اندازه جمعیت تعیین می کنیم.ابتدا مشاهده می کنیم که بهترین راه حل جمعیتی را اصلاح می کند که ابتدا بطور تصادفی بوجود امده است ودوم مشاهده می کنیم که تعداد پیش بینی شده نسلها قبل از اصلاح افزایش می یابد وسوم مشاهده می کنیم که مقدار پیش بینی شده اصلاح کاهش می یابد.
کلمات کلیدی: بهینه سازی جغرافیای زیستی، الگوریتمهای تکاملی، تجزیه وتحلیل مارکوف.
دیگر توضیحات که در متن آماده به شرح زیر است:
۱-مقدمه
۱.۱-بهینه سازی برمبنای جغرافیای زیستی
۱.۲-اهداف و بررسی اجمالی مقاله
۲-یک الگوریتم ساده شده BBO
۳-تجزیه وتحلیل احتمال
۴-تحلیل مارکوف درمورد BBOساده شده
۵-بهبود پیش بینی شده درBBOساده شده
۶-نتایج شبیه سازی
۶.۱-خطاهای تقریب
۶.۲-تلاش محاسباتی
۶.۳-یکنواختی
۷-نتیجه گیری
مجموعا این تحقیق در ۳۰ صفحه گردآوری شده است.
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
برخی نتایج:
فقط بخشی از نتایج نشان داده شده. در فیلم آموزشی دیگر نتایج آمده است.
*** Griewank
۱۰۰۰۰ Monte Carlo runs
Population # 1/3 – PopSize = 4
fbar, fmin, fmax, sigma = 121.9206, 66.6861, 180.2139, 50.7589
mean # generations to first improvement = 9.0755
mean improvement = 17.87
mean Ps = 0.073532
Population # 2/3 – PopSize = 16
fbar, fmin, fmax, sigma = 121.4528, 36.6991, 219.9125, 52.5654
mean # generations to first improvement = 18.2387
mean improvement = 11.4143
mean Ps = 0.037291
Population # 3/3 – PopSize = 64
fbar, fmin, fmax, sigma = 121.4221, 19.1236, 254.2857, 53.4262
mean # generations to first improvement = 31.6684
mean improvement = 2.0389
mean Ps = 0.02165
دیگر پروژه های مرتبط:
مدل مارکوف برای بهینه سازی سیستمهای پیچیده بر مبنای جغرافیای زیستی
کنترل ربات و مدل سازی مارکوف با بهینه سازی مبتنی بر جغرافیای زیستی (BBO)
شبیه سازی مقاله: بهینه سازی مبتنی بر جغرافیای زیستی در محیط های نویزی