فروشگاه

توضیحات

پیش بینی دما با استفاده از روش های هوشمند

پیش بینی یا پیشگویی در دنیای کنونی جز لاینکف زندگی بشر محسوب می شوند،

پیش بینی دما به علت اهمیت آن در صنعت بیمه، کشاورزی، خشکسالی و… اهمیت فوق العاده ای در پیش بینی های هواشناسی دارد.
بنابراین در ابتدا در رابطه با اهمیت دما و عوامل موثر بر آن مطالبی ارائه می کنیم.

طبق بررسی های به عمل آمده از آنجا که دو روش منطق فازی و الگوریتم ژنتیک از روشهای

مطرح شده با دقت پیش بینی بالا هستند در یک فصل به دو مبحث منطق فازی و ریاضیات فازی اشاره می شود و در فصلی دیگر توضیحی اجمالی از الگوریتم ژنتیک خواهیم داشت.

در نهایت مقالات معتبر علمی مرتبط با پیش بینی دما ارائه شده اند که

حاوی انجام آزمایشات و مشاهداتی هستندکه توسط دو روش الگوریتم ژنتیک ومنطق فازی پیش بینی می شوند.

واژه های کلیدی:
پیش بینی(forecasting )، پیشگویی دما (temperature prediction)، الگوریتم ژنتیک
(genetic algorithm)، سری های زمانی فازی (fuzzy time series)، منطق فازی .(fuzzy logic)

 

۱۰۰صفحه فایل ورد (Word) فونت ۱۴ منابع  دارد

 

پس از پرداخت آنلاین میتوانید فایل کامل این پروژه را دانلود کنید

پیش بینی دما با استفاده از روش های هوشمند
پیش بینی دما با استفاده از روش های هوشمند

 

 

فهرست مطالب

عنوان صفحه
مقدمه ۱
فصل یکم – منطق فازی و ریاضیات فازی
۱-۱- منطق فازی ۲
۱-۱-۱- تاریخچه مختصری از منطق فازی ۲
۱-۱-۲- آشنایی با منطق فازی ۴
۱-۱-۳- سیستم های فازی ۷
۱-۱-۴- نتیجه گیری ۱۰
۱-۲- ریاضیات فازی ۱۱
۱-۲-۱- مجموعه های فازی ۱۱
۱-۲-۲- مفاهیم مجموعه های فازی ۱۴
۱-۲-۳- عملیات روی مجموعه های فازی ۱۴
۱-۲-۴- انطباق مجموعه های فازی ۱۹
۱-۲-۵- معیار های امکان و ضرورت ۱۹
۱-۲-۶- روابط فازی ۲۱
۱-۲-۶-۱- رابطه ی هم ارزی فازی ۲۳
۱-۲-۶-۲- ترکیب روابط فازی ۲۳
۱-۲-۷- منطق فازی ۲۴
۱-۲-۷-۱- عملیات منطقی و مقادیر درستی فازی ۲۵
۱-۲-۷-۲- کاربرد مقادیر درستی فازی ۲۷
۱-۲-۸- نتیجه گیری ۲۷
فصل دوم- الگوریتم ژنتیک
۲-۱- چکیده ۲۸
۲-۲- مقدمه ۲۹
۲-۳- الگوریتم ژنتیک چیست؟ ۳۲
۲-۴- ایده اصلی الگوریتم ژنتیک ۳۵
۲-۵- الگوریتم ژنتیک ۳۷
۲-۶- سود و کد الگوریتم ۳۸
۲-۷- روش های نمایش ۳۹
۲-۸- روش های انتخاب ۴۰
۲-۹- روش های تغییر ۴۱
۲-۱۰- نقاط قوت الگوریتم های ژنتیک ۴۲
۲-۱۱- محدودیت های GA ها ۴۳
۲-۱۲- چند نمونه از کاربردهای الگوریتم های ژنتیک ۴۳
۲-۱۳- نسل اول ۴۵
۲-۱۴- نسل بعدی ۴۶
۲-۱۴-۱- انتخاب ۴۷
۲-۱۴-۲- تغییر از یک نسل به نسل بعدی(crossover) 47
۲-۱۴-۳- جهش (mutation) 48
۲-۱۵- هایپر هیوریستیک ۴۸
فصل سوم- بررسی مقالات
۳-۱- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان
۳-۱-۱- چکیده ۵۱
۳-۱-۲- مقدمه ۵۱
۳-۱-۳- روش شناسی ۵۳
۳-۱-۳-۱- مجموعه اصطلاحات ۵۳
۳-۱-۳-۲-نگاه کلی ۵۳
۳-۱-۳-۳- یادگیری ۵۴
۳-۱-۳-۴- تولید پارامتر های ساختاری ۵۵
۳-۱-۳-۵- پیش بینی ۵۷
۳-۱-۳-۶- متناسب سازی ضعیف، متوسط و دقیق ۵۹
۳-۱-۴- نتایج ۶۰
۳-۱-۴-۱- واقعه ی یخبندان شپارتون ۶۴
۳-۱-۴-۲- بحث ۶۵
۳-۱-۵- نتیجه گیری ۶۶
۳-۲- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک
۳-۲-۱- چکیده ۶۷
۳-۲-۲- مقدمه ۶۷
۳-۲-۳- سری های زمانی فازی و روابط منطق فازی ۶۹
۳-۲-۴- مفاهیم اساسی و الگوریتم های ژنتیک ۷۰
۳-۲-۵- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک ۷۱
۳-۲-۶- نتیجه گیری ۹۳
۳-۳-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده
۳-۳-۱- چکیده ۹۴
۳-۳-۲- مقدمه ۹۴
۳-۳-۳- داده و روش بررسی ۹۶
۳-۳-۴- نتایج ۹۹
۳-۳-۵- نتیجه گیری ۱۰۰

مقدمه

تابش های مستقیم و غیر مستقیم منشا اصلی انرژی حرارتی کره ی زمین است بازتاب آن ها توسط زمین موجب گرم شدن هوا می گردد. اندازه گیری دما در محیط باز نشان دهنده ی دمای هوا ، دمای ناشی از تابش های اجسام مجاور و تابش های مستقیم خورشید است به همین دلیل دماسنج ها

را در پناهگاههای هواشناسی قرار می دهند به طوریکه مخزن آن ها از سطح زمین در ارتفاع مشخصی در حدود ۱۳۵ سانتی متری قرارداشته باشند. به

این ترتیب دمای هوای بدست آمده در نقاط مختلف با یکدیگر قابل مقایسه هستند و تحت تاثیر تابش های مستقیم یا غیر مستقیم نمی باشند. از جمله عوامل موثر در دمای یک منطقه عرض جغرافیایی، ارتفاع، جریان های دریایی، فاصله از دریا، باد، جهت و پوشش ابری می باشند.

 

حال با توجه به عوامل ذکر شده برای پیش بینی دما روش های گوناگونی به کاربرده شده است طوری که در پی سالیان متمادی تحقیق و پژوهش، روشهای گوناگونی در زمینه پیش بینی پیشنهاد گردیدند که می‌توان آنها را در دو گروه روش های کلاسیک و اکتشافی مدرن طبقه بندی کرد روشهای

کلاسیک بر پایه ی احتمالات و مدل ریاضی عمل می‌کنند ولی روش های اکتشافی هوشمند، از سیستم های مبتنی بر شبکه های عصبی، منطق فازی، الگوریتم های تکاملی و ترکیبی از روشهای هوش مصنوعی تشکیل شده است. مزیت اصلی روش های اکتشافی مدرن در این است که به طراح

 

در دستیابی به سیستمی دینامیک و غیر خطی کمک می کنند، و همچون متد های کلاسیک نیازی به پیشنهاد یک الگو ندارند و هیچ فرضی درباره

ماهیت توزیع داده های مشاهده شده در آنها به چشم نمی خورد. حتی در مواقعی که با مشکل داده های مفقود شده مواجه می شویم، بر خلاف

روش های کلاسیک، در متد های اکتشافی مدرن می توان این نقیصه را تا حدودی برطرف نمود. اما شاید مهمترین برتری اکتشافی مدرن در این باشد

که عناصر ذهنی و انسانی را در طراحی راه حل مسئله کنار می گذارد، امری که در روش های کلاسیک یکی از ارکان اصلی در پیاده سازی سیستم محسوب می‌گردد. در حالی که روش های اکتشافی مدرن بدون داشتن

هیچ فرضی از مسئله، با کمک داده های مشاهده شده و ساختار های هوشمند نظیر شبکه های عصبی، و یا بر اساس دانش انسان خبره در سیستم های مبتنی بر منطق فازی سعی در مدل کردن مسئله در یک بلاک بسته دارند. …………………
………………………………………………

 

 

منطق فازی
نظریه ی فازی برای اینکه موضوعات و مسائل پپچیده و بزرگ مقیاس که شامل بازیابی اطلاعات می‌باشند، قابل فهم باشد و بتوان با ظرفیت فکری اندک تصمیمی معین گرفت، روشی قابل انعطاف و کلی که در قید جزئیات کم اهمیت نیست، ارائه می‌دهد. این روش از عهده‌ی موقعیتهای اجتماعی و اقتصادی و محیط طبیعی که نیازمند تنوع و انعطاف است، برمی‌آید.
به منظور ایجاد الگویی شبیه به پردازش عمومی اطلاعات هوشمندانه‌ی بشر، دانش و تجربه‌ی افراد باتجربه ومتخصصان مجرب به زبان طبیعی، وارد رایانه شده و عملیات منطقی به صورت اجمالی اجرا می‌شوند و با استفاده از این الگو، تحلیل پیش برده می‌شود و فعالیت‌های بشر یا پدیده ها و اوضاع اجتماعی و بازرگانی مورد بررسی قرار می‌گیرند. بیشتر روشهای فازی که برای مدیریت تکمیل شده اند از این روش بهره می‌گیرند.
در این فصل ابتدا تاریخچه ای از منطق فازی بیان می شود و در ادامه با منطق فازی آشنا خواهیم شد. درآخرهم چگونگی کارکرد سیستم های فازی بررسی می شود.

پیش بینی دما با استفاده از روش های هوشمند
تاریخچه ی مختصری از منطق فازی
دهه ی۱۹۶۰ آغاز نظریه فازی بود. نظریه‌ی فازی به وسیله پروفسور لطفی زاده در سال ۱۹۶۵ در مقاله ای به نام مجموعه های فازی معرفی شد. ایشان قبل از کار بر روی نظریه‌ی فازی، یک استاد برجسته در نظریه کنترل بود. او مفهوم “حالت” را که براساس نظریه‌ی کنترل مدرن را شکل می‌دهد، توسعه داد. عسگرزاده در سال ۱۹۶۲ چیزی را بدین مضمون برای سیستمهای بیولوژیک نوشت: “ما اساساً به نوع جدید ریاضیات نیازمندیم؛ ریاضیات مقادیر مبهم یا فازی است که توسط توزیع های احتمالات قابل توصیف نیستند.” وی فعالیت خویش در نظریه‌ی فازی را در مقاله ای با عنوان “مجموعه های فازی” تجسم بخشید. مباحث بسیاری در مورد مجموعه های فازی بوجودآمد و ریاضیدانان معتقد بودند نظریه‌ی احتمالات برای حل مسائلی که نظریه‌ی فازی ادعای حل بهتر آن را دارد، کفایت می‌کند. دهه‌ی ۱۹۶۰ دهه‌ی چالش کشیدن و انکار نظریه‌ی فازی بود وهیچ یک از مراکز تحقیقاتی، نظریه‌ی فازی را به عنوان یک زمینه‌ی تحقیق جدی نگرفتند.

اما در دهه‌ی ۱۹۷۰، به کاربردهای عملی نظریه‌ی فازی توجه شد و دیدگاه های شک برانگیز درباره‌ی ماهیت وجودی نظریه‌ی فازی مرتفع شد. استاد لطفی زاده پس از معرفی مجموعه های فازی در سال ۱۹۶۵، مفاهیم الگوریتم فازی را در سال ۱۹۶۸ تصمیم گیری فازی را در سال ۱۹۷۰ و ترتیب فازی را در سال ۱۹۷۱ ارائه نمود. ایشان در سال ۱۹۷۳ اساس کار کنترل فازی را بنا کرد. این مبحث باعث کنترل کننده های فازی برای سیستم‌های واقعی

بود. ممدانی و آسیلیان چهارچوب اولیه‌ای را برای کنترل کننده فازی مشخص کرد. در سال ۱۹۷۸ هومبلاد و اوستگارد اولین کنترل کننده‌ی فازی را برای کنترل یک فرآیند صنعتی به کار بردند که از این تاریخ به بعد، با کاربرد نظریه‌ی فازی در سیستم‌های واقعی، دید شک برانگیز درباره‌ی ماهیت وجودی این نظریه کاملاً متزلزل شد.

دهه‌ی ۱۹۸۰ از لحاظ نظری، پیشرفت کندی داشت، اما کاربرد منتطق فازی باعث دوام نظریه‌ی فازی شد. هیچ اندیشیده‌اید که کشورژاپن چرا گوی سبقت را در تولید لوازم الکترونیک هوشمند از دیگر همتایانش ربوده است؟ مهندسان ژاپنی به سرعت دریافتند که کنترل کننده‌های فازی به سهولت

قابل طراحی بوده و در مورد بسیاری، می توان از آنها استفاده کرد. به علت اینکه کنترل فازی به یک مدل ریاضی نیاز ندارد، می توان آن را مورد بسیاری

از سیستم هایی که به وسیله‌ی نظریه‌ی کنترل متعارف قابل پیاده سازی نیستند به کاربرد. سوگنو مشغول کار بروی ربات فازی شد، ماشینی که از راه دور کنترل می‌شد و خودش به تنهایی عمل پارک را انجام می‌داد. یاشونوبو و میاموتو از شرکت هیتاچی کار روی سیستم کنترل قطار زیرزمینی را آغاز کردند. بالاخره در سال ۱۹۸۷ پروژه به ثمر رسید و یکی از پیشرفته ترین سیستم‌های قطار زیرزمینی را در جهان بوجود آورد. در دومین کنفرانس

پیش بینی دما با استفاده از روش های هوشمند

سیستم‌های فازی که در توکیو برگزار شد، درست سه روز بعد از افتتاح قطار زیرزمینی، هیرو تا یک ربات فازی را به نمایش گذارد که پینگ پنگ بازی می‌کرد، یاکاماوا نیز سیستم فازی را نشان داد که یک پاندول معکوس را در حالت تعادل نشان می‌داد. پس از این کنفرانس، توجه مهندسان، دولتمردان و تجار جلب شد وزمینه‌ی پیشرفت نظریه‌ی فازی فراهم شد.
دهه ی ۱۹۹۰، توجه محققان آمریکا و اروپا به سیستم‌های فازی موفقیت سیستم‌های فازی در ژاپن، مورد توجه محققان آمریکا و اروپا واقع شد و دیدگاه بسیاری از محققان به سیستم‌های فازی تغییر کرد. در سال ۱۹۹۲ اولین کنفرانس بین الملی در مورد سیستم‌های فازی به وسیله‌ی بزرگترین سازمان مهندسی یعنی IEEE برگزار شد. در دهه ی ۱۹۹۰ پیشرفت‌های زیادی در زمینه‌ی سیستم‌های فازی ایجاد شده؛ اما با وجود شفاف شدن تصویر سیستم‌های فازی هنوز فعالیت‌های بسیاری باید انجام شود و بسیاری از راه حل‌ها و روش‌ها همچنان در ابتدای راه قرار دارد. بنابراین توصیه می‌شود که محققان کشور با تحقیق در این زمینه، موجبات پیشرفت‌های عمده در زمینه‌ی نظریه فازی را فراهم نمایند.
آشنایی با منطق فازی
منطق فازی عبارتست از استدلال با مجموعه‌های فازی. حال اگر بخواهیم نظریه مجموعه های فازی را توضیح دهیم، باید بگوئیم نظریه‌ای ست برای اقدام در شرایط عدم اطمینان. این نظریه قادر است بسیاری از مفاهیم، متغیرها و سیستم‌هایی را که نادقیق و مبهم هستند، صورت بندی ریاضی ببخشد و زمینه را برای استدلال، استنتاج، کنترل و تصمیم‌گیری درشرایط عدم اطمینان فراهم آورد. پرواضح است که بسیاری از تصمیمات و اقدامات بشر در شرایط عدم اطمینان است وحالات واضح و غیرمبهم بسیار نادر و کمیاب می‌باشند.
پیش از معرفی تئوری منطق فازی توسط پروفسور لطفی زاده در ۱۹۶۵ محققان زیادی به رفع پارادوکس‌های موجود در مسائل مطرح شده در علوم مختلف بر اثر محدودیت منطق دوگانه مشغول بودند، مانند پارادوکس wooger در علوم زیستی شناسی که در آن فرزندان بعضی از حیوانات به تیره خانواده‌ای متفاوت از والدینشان تعلق دارند، در حالیکه از نظر ژنتیکی چنین امری ممکن نیست و این موضوع با منطق دوگانه‌ی مرسوم سازگاری نداشت. در این راستا راسل ابهام را جزئی از زبان دانست و یا Jan Lukasiewicz منطق سه ارزشی را مطرح کرد که در آن علاوه بر ارزشهای False & True منطق ارزشی possible هم وجود داشت.
در منطق فازی به جای دو ارزشی بودن، ما طیفی از ارزشها را درباره‌ی صفرو یک خواهیم داشت. با این طیف می‌توان عدم قطعیت را به خوبی نمایش داد. تمایز عمده منطق فازی با منطق چند ارزشی آن است که در منطق فازی مفهوم یک عبارت هم می‌تواند مبهم باشد(مانند سردی هوا). در منطق فازی می‌توانیم جملاتی را که معمولاً در مجاورت روزانه در تحلیل مسائل استفاده می‌کنیم از قبیل “کاملاً درست است”، “کم و بیش درست است”، “تا حدی نادرست است” و… را بکار بندیم. بطور کلی منطق‌ها بعنوان پایه‌ی برهان به ۳ بخش متمایز مقادیر درستی، عملگرها و فرآیند استدلال تقسیم می‌شوند.
متغیرهای زبانی: پروفسور زاده در سال ۱۹۷۳ می‌نویسد: “متغیرهای زبانی، متغیرهای هستند که مقادیرشان اعداد نیستند، بلکه لغات یا جملات یک زبان طبیعی یا ساختگی هستند.” اگر چه تئوری مجموعه‌های فازی فقط با مدل‌های ریاضی سروکار دارد، ولی امکان مدل سازی لغات و عبارات یک زبان طبیعی را به کمک متغیرهای زبانی می‌دهد. به طور کلی متغیر به ۲ دسته تقسیم می‌شوند:
۱)زبانی: مانند کلمات و عبارات مربوط به یک زبان طبیعی.
۲)عددی: که متغیرها دارای مقادیر عددی هستند. یک متغیر زبانی در واقع یک عبارت زبانی طبیعی است که به مقدار کمیت خاص اشاره دارد و اصطلاحاً مانند مترجم عمل می‌کند و به کمک تابع عضویت نشان داده می‌شود مانند واژه “سرد” در جمله “هوا سرد است”، سردی، خود‌ متغیری است برای دمای هوا که می‌تواند مقادیر مختلفی به خود اختصاص دهد و در واقع یک تابع عضویت برای آن تعریف می‌شود.
متغیرهای زبانی می‌تواند از الحاق u=u1,u2,…,un تشکیل شوند که هرکدام از ui ها عبارتی تجزیه ناپذیرند، مانند “تا حدی سرد” ، که در مجموع به ۴ دسته‌ی زیر تقسیم می‌شود:
۱)عبارات اصلی: که به عنوان برچسبهایی برای مجموعه های فازی در نظر گرفته می‌شوند و مانند “سرد” در عبارت بالا یا عباراتی از: کوتاه، بلند، … که هر کدام تابع عضویت مخصوص به خود دارند.
۲)حرف ربط: مانند و، یا، … را دارند.
۳)پیراینده: که روی عبارات اولیه اعمال شده و اثر تشدید یا تضعیف در مفهوم آن عبارت را به همراه دارد مانند تا حدی، اندکی، بسیار و…
۴)حروف نشانه مانند پرانتز و…
تمامی پیراینده‌ها روی عبارات اصلی U به صورت u به توان P عمل می‌کنند که [۰,∞) P∈ و اگر P=∞ شود آنگاه عبارت دقیق و غیرفازی حاصل می‌شود و نشان می‌دهد که هیچ ابهام و تردیدی وجود ندارد. اگر فرضاً متغیر زبانی “پیر” را به عنوان ملاک ایجاد یک مجموعه‌ی فازی در نظر بگیریم آنگاه آن مجموعه به صورت زیر خواهد بود:
پیر={(۳/۰,۴۵)و(۵/۰,۵۰)و(۸/۰,۵۵)و(۹/۰,۶۰)و(۱,۷۰)و(۱,۷۵)}
عبارت “بسیار پیر” = “پیر به توان دو” یعنی تمام درجات عضویت به توان ۲ می رسند که حاصل به صورت زیر خواهد بود:
بسیار پیر= {(۹/۰,۴۵)و(۲۵/۰,۵۰)و(۶۴/۰,۵۵)و(۸/۰,۶۰)و(۱,۶۰)و(۱,۷۵)}
و یا برای نمونه عملگری مثل “کم و بیش” که خاصیت تضعیف کنندگی مفهوم را با خود بدنبال دارد بصورت “کم و بیش پیر”=”پیربه توان ۱/۲” .
کمیت سنجهای زبانی: منطق کلاسیک دو نوع کمیت سنج را به رسمیت می‌شناسد: ۱)کمیت سنج جامع؛ همه‌ی اشیاء خصوصیت معینی دارند. ۲)کمیت سنج وجودی؛ حداقل یک شیء وجود دارد که خصوصیت معینی داشته باشد. اساساً، دو نوع کمیت سنج فازی وجود دارد: ۱)مطلق؛ تقریباً ، چندین و… ۲)نسبی؛ بیشتر، معدود و …
در ادامه مهمترین خصوصیات منطق فازی آمده است:
طبق منطق فازی، استدلال دقیق یا منطق معمولی حالت خاصی از استدلال تقریبی است.
هر سیستم منطقی قابل تبدیل به منطق فازی است.
در منطق فازی دانش به عنوان مجموعه‌ای از محدودیت‌های فازی یا انعطاف پذیر روی متغیرها در نظر گرفته می‌شود.
استنتاج به عنوان فرآیند انتشار این محدودیت‌ها در نظر گرفته می‌شود.
در منطق فازی تمام مسائل دارای راه حلی هستند که درجه مطلوبیت(امکان)را نشان می‌دهد.

 

سیستم های فازی
در پردازش اطلاعات فازی، تفکر،دانش و تجربه‌ی بشر به صورت واژه وارد رایانه می‌شوند و این واژه‌ها به وسیله‌ی توابع عضویت(MF)تصویر می‌شوند و به این ترتیب عملیات ورود اطلاعات به رایانه‌های رقمی متعارف که قادر به استفاده از کمیت هستند انجام می‌گیرد.
از آنجائی که افراد بشر تفکر خود در مورد اشیاء و پدیده‌ها را ………………………..
…………………………………………………

 

۱-۱-۴- نتیجه گیری
داده‏های فازی بخش عظیمی از دنیای اطراف ما را فراگرفته‏اند. انسانها نیز دنیایی از این داده‏ها را در ذهن خود نگهداری کرده،‌ تصمیم‏گیری را براساس آنها انجام می‏دهند. با توجه به این حقایق، پی به سنخیت منطق فازی و طرز فکر انسانها می‏بریم.
در پاسخ به چیستی منطق فازی یا منطق نادقیق شاید ساده ترین پاسخ بر اساس شنیده ها این باشد که Fuzzy Logic یا Fuzzy Theory یک نوع منطق برنامه نویسی است که روش‌های نتیجه گیری در مغز بشر را جایگزین می‌کند. منطق فازی در واقع با استفاده از مجموعه‌ای از معلومات نادقیق که با الفاظ و جملات زبانی تعریف شده اند به دنبال استخراج نتایج دقیق است.
منطق فازی تکنولوژی جدیدی است که شیوه های مرسوم برای طراحی ومدل سازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتاً پیچیده است با استفاده از مقادیر و شرایط زبانی و یا به عبارتی دانش فرد خبره، و با هدف ساده سازی وکارآمدتر شدن طراحی سیستم جایگزین و یا تاحدود زیادی تکمیل نماید.
علی رغم اینکه منطق فازی بر پایه ریاضیات پیشرفته و پیچیده قرار دارد یادگیری آن بسیار آسان است. از نظر تئوری هر سیستمی که توسط منطق فازی طراحی شده باشد توسط سایر تکنیک‌های پیاده ‌سازی مرسوم نیز قابل پیاده سازی است اما ممکن است این شیوه‌ها نسبت به منطق فازی پیچیده و مشکل‌تر باشند………………………………

 

 

الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای رگرسیون هستند. همان طور ساده، خطی وپارامتریک گفته می‌شود، به الگوریتم های ژنتیک می‌توان غیر پارامتریک گفت.
مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله ای که باید حل شود ورودی است و راه حلها طبق یک الگو کد گذاری می شوند و متریک که تابع fitness هم نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می شوند.
کلاً این الگوریتم ها از بخش های زیر تشکیل می‌شوند :
تابع برازش – نمایش – انتخاب – تغییر
که در ادامه آنها را توضیح خواهیم داد.

 

 

۲-۲- مقدمه
هنگامی که لغت تنازع بقا به کار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قوی‌تر!
البته برای آنکه خیالتان راحت شود می‌توانید فکر کنید که همیشه هم قوی‌ترین‌ها برنده نبوده‌اند. مثلا دایناسورها با وجود جثه عظیم و قوی‌تر بودن در طی روندی کاملاً طبیعی بازی بقا و ادامه نسل را واگذار کردند در حالی که موجوداتی بسیار ضعیف‌تر از آنها حیات خویش را ادامه دادند. ظاهراً طبیعت بهترین‌ها را تنها بر اساس هیکل انتخاب نمی‌کند! در واقع درست‌تر آنست که بگوییم طبیعت مناسب ترین‌ها را انتخاب می‌کند نه بهترین‌ها.
قانون انتخاب طبیعی بدین صورت است که تنها گونه‌هایی از یک جمعیت ادامه نسل می‌دهند که بهترین خصوصیات را داشته باشند و آنهایی که این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می‌روند.
مثلا فرض کنید گونه خاصی از افراد، هوش بسیار بیشتری از بقیه افراد یک جامعه یا کولونی دارند. در شرایط کاملاً طبیعی این افراد پیشرفت بهتری خواهند کرد و رفاه نسبتاً بالاتری خواهند داشت و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود(توجه کنید شرایط طبیعیست نه در یک جامعه سطح بالا با ملاحظات امروزی یعنی طول عمر بیشتر در این جامعه ی نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت (هوش) ارثی باشد به طبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشتر این‌گونه افراد بیشتر خواهد بود. اگر همین روند را ادامه دهید خواهید دید که در طی نسل‌های متوالی دائماً جامعه‌ی نمونه ما باهوش و باهوش‌تر می‌شود. بدین ترتیب یک مکانیزم ساده طبیعی توانسته است در طی چند نسل عملاً افراد کم هوش را از جامعه حذف کند علاوه بر اینکه میزان هوش متوسط جامعه نیز دائماً در حال افزایش است.
بدین ترتیب می‌توان دید که طبیعت با بهره‌گیری از یک روش بسیار ساده (حذف تدریجی گونه‌های نامناسب و در عین حال تکثیر بالاتر گونه‌های بهینه) توانسته است دائماً هر نسل را از لحاظ خصوصیات مختلف ارتقا بخشد.
البته آنچه در بالا ذکر شد به تنهایی توصیف کننده آنچه واقعاً در قالب تکامل در طبیعت اتفاق می‌افتد نیست. بهینه‌ سازی و تکامل تدریجی به خودی خود نمی‌تواند طبیعت را در دسترسی به بهترین نمونه‌ها یاری دهد. اجازه دهید تا این مساله را با یک مثال شرح دهیم.
پس از اختراع اتومبیل به تدریج و در طی سال‌ها اتومبیل‌های بهتری با سرعت‌های بالاتر و قابلیت‌های بیشتر نسبت به نمونه‌های اولیه تولید شدند. طبیعیست که این نمونه‌ها حاصل تلاش مهندسان طراح جهت بهینه ‌سازی طراحی‌های قبلی بوده اند. اما دقت کنید که بهینه‌سازی یک اتومبیل تنها یک “اتومبیل بهتر” را نتیجه می‌دهد.
اما آیا می‌توان گفت اختراع هواپیما نتیجه همین تلاش بوده است؟ یا فرضاً می‌توان گفت فضا پیماها حاصل بهینه‌سازی طرح اولیه هواپیماها بوده‌اند؟
پاسخ اینست که گرچه اختراع هواپیما قطعاً تحت تاثیر دستاورهای صنعت اتومبیل بوده است اما به‌هیچ وجه نمی‌توان گفت که هواپیما صرفاً حاصل بهینه‌سازی اتومبیل و یا فضاپیما حاصل بهینه‌سازی هواپیماست. در طبیعت هم عیناً همین روند حکم‌فرماست. گونه‌های متکامل‌تری وجود دارند که نمی‌توان گفت صرفاً حاصل تکامل تدریجی گونه قبلی هستند.
در این میان آنچه شاید بتواند تا حدودی ما را در فهم این مساله یاری کند مفهومیست به نام : تصادف یا جهش.
به عبارتی طرح هواپیما نسبت به طرح اتومبیل یک جهش بود و نه یک حرکت تدریجی. در طبیعت نیز به همین گونه‌است. در هر نسل جدید بعضی از خصوصیات به صورتی کاملاً تصادفی تغییر می‌یابند سپس بر اثر تکامل تدریجی که پیشتر توضیح دادیم در صورتی که این خصوصیت تصادفی شرایط طبیعت را ارضا کند حفظ می‌شود در غیر این‌صورت به شکل اتوماتیک از چرخه طبیعت حذف می‌گردد.
در واقع می‌توان تکامل طبیعی را به این‌صورت خلاصه کرد: جست‌وجوی کورکورانه یا تصادف + بقای قوی‌تر.
حال ببینیم که رابطه تکامل طبیعی با روش‌های هوش مصنوعی چیست .هدف اصلی روش‌های هوشمند به کار گرفته شده در هوش مصنوعی یافتن پاسخ بهینه مسائل مهندسی ست. بعنوان مثال اینکه چگونه یک موتور را طراحی کنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یک ربات را محرک کنیم تا کوتاه‌ترین مسیر را تا مقصد ط………………………………………

 

بلافاصله بعد از پرداخت موفق میتوانید فایل کامل این پروژه را با سرعت و امنیت دانلود کنید

 

 

 

نقد وبررسی

نقد بررسی یافت نشد...

اولین نفر باشید که نقد و بررسی ارسال میکنید... “پیش بینی دما با استفاده از روش های هوشمند”

پیش بینی دما با استفاده از روش های هوشمند

0 نقد و بررسی
وضعیت کالا : موجود است.
شناسه محصول : 2356

پیش بینی دما با استفاده از روش های هوشمند

قیمت : تومان15,000