رزفایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

رزفایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

دانلودتحقیق درمورد تاریخچه علم ژنتیک

اختصاصی از رزفایل دانلودتحقیق درمورد تاریخچه علم ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 14

 

تاریخچه علم ژنتیک

به عنوان مقدمه

دانش زیست شناسی یکی از قدیمی ترین علومی بوده که بشر به آن توجه داشته است. شواهد بسیار زیادی که طی کاوشهای باستان شناسی بدست آمده حکایت از آن دارد که انسانهای پیشین به دانش زیست شناسی توجه داشته اند و در این میان اصلاح نژاد دامها و پرورش گیاهان با باردهی بیشتر از دانش گذشتگان در مورد علم ژنتیک خبر می دهد. اما از حدود یک قرن پیش دانش زیست شناسی وارد مرحله جدیدی شد که بعدا آن را ژنتیک نامیده اند و این امر انقلابی در علم زیست شناسی به وجود آورد. در قرن هجدهم ، عده ای از پژوهشگران بر آن شدند که نحوه انتقال صفات ارثی را از نسلی به نسل دیگر بررسی کنند؛ این بررسی ها به نتیجه قابل ملاحضه ای ختم نشد. دو دلیل مهم آن عبارت بودند از آگاهی نداشتن به ریاضیات و دلیل دوم انتخاب صفاتی بود که برای پژوهش های اولیه ژنتیک مناسب نبودند.

اولین کسی که توانست قوانین حاکم بر انتقال صفات ارثی را شناسایی کند، کشیشی اتریشی به نام گریگور مندل بود که در سال 1865 این قوانین را که حاصل آزمایشاتش روی گیاه نخود فرنگی بود، ارائه کرد. این در حالی بودکه جامعه علمی آن دوران به دیدگاه ها و کشفیات او اهمیت چندانی نداد و نتایج کارهای مندل به دست فراموشی سپرده شد. و به نظر می رسید ، پرونده این دانش رو به بسته شدن است. در سال 1900 میلادی کشف مجدد قوانین ارائه شده از سوی مندل ، توسط درویس ، شرماک و کورنز باعث شد که نظریات او مورد توجه و قبول قرار گرفته و مندل به عنوان پدر علم ژنتیک شناخته شود.

در سال 1953 با کشف ساختمان جایگاه ژنها (DNA) از سوی جیمز واتسن و فرانسیس کریک ، رشته ای جدید در علم زیست شناسی به وجود آمد که زیست شناسی ملکولی نام گرفت . با حدود گذشت یک قرن از کشفیات مندل در خلال سالهای 1971 و 1973 در رشته زیست شناسی ملکولی و ژنتیک که اولی به بررسی ساختمان و مکانیسم عمل ژنها و دومی به بررسی بیماری های ژنتیک و پیدا کردن درمانی برای آنها می پرداخت ، ادغام شدند و رشته ای به نام مهندسی ژنتیک را به وجود آوردند که طی اندک زمانی توانست رشته های مختلفی اعم از پزشکی ، صنعت و کشاورزی را تحت الشعاع خود قرار دهد و دیدگاه های مختلف عصر حاضر را به خود اختصاص دهد.

اساس مهندسی ژنتیک و بیوتکنولوژی انتقال یک یا تعدادی از ژنهای یک ارگانیسم به درون خزانه ژنتیکی یک ارگانیسم دیگر است. به این ترتیب ارگانیسم جدید واجد ژنهایی خواهد شد که در گذشته فاقد آن بوده و اینک وادار می شود که در شرایط محیطی مناسب اقدام به بیان آن ژن نماید که محصول آن می تواند منجر به بروز صفت خاص و یا تولید فراورده ای شود.

مهندسی ژنتیک و بیوتکنولوژی در چند سال اخیر توانسته منشأ خدمات ارزنده ای برای نوع بشر باشد. از مهمترین دستاوردهای این دانش می توان تأثیر آن را حیطه های مختلف از جمله صلاح نژادی حیوانات و گیاهان با هدف تولید فراورده های بیشتر، تهیه داروها و هورمون ها با درجه خلوص بالا و صرف هزینه های پایین ، درمان بیماری های ژنتیکی با ایجاد تغییرات در سلول تخم و موار متعدد دیگر اشاره کرد. تشخیص قبل از بارداری بیماری های ژنتیکی ، تشخیص صحت رابطه فرزند با پدر و مادر و همچنین تکنیک شناسایی مجرمان از روی بقایای باقی مانده از بدن ، مو و یا خون آنها از جمله توانایی های دیگر ژنتیک مولکولی است.

در نگاهی دیگر دورنمای دانش ژنتیک و بیوتکنولوژی بسیار زیبا جلوه می کند. تولید اعضای بدن از قلب گرفته تا چشم و دست و پا به صورت مجزا از طریق مهندسی ژنتیک و ارایه آنها به بانکهای اعضای بدن با هدف کمک به نیازمندان پیوند عضو ، یکی از این موارد است. به این ترتیب مشکل دفع پیوند حل خواهد شد و مخصوصاً در صورتی که عضو پیوندی از دارای خزانه ژنتیک همان فرد باشد هیچ آنتی ژن بیگانه ای نمیتواند عامل دفع عضو باشد. درمان بسیاری از بیماری های ژنتیکی مخصوصاً در دوره جنینی قابل درمان خواهد بود. هویت افراد از روی کارتهای شناسایی که بر پایه وراثت و ژنتیک آنها عمل می کند ممکن خواهد شد و مجرمان با گذاشتن کوچکترین اثر بیولوژیکی از خود مثل یک تار مو بسرعت شناسایی خواهند شد.

دنیای آینده در تسخیر دانش ژنتیک خواهد بود و برای این علم نمیتوان پایانی قائل شد. اگر چه به نظر می رسد مثل هر دانش دیگری، این علم هم می تواند ابزاری برای ارضاء حس قدرت طلبی بسیاری از سیاستمداران باشد و تا کنون شاهد جنجالهای بسیاری زیادی هم در این مورد بوده ایم. یکی از مهمترین موارد آن تولید گیاهان تراریخت و کلونینگ و همسانه سازی انسان بوده است.

گریگور مندل

گریگوری مندل که او را پدر ژنتیک می دانند در روستای برنو که اکنون جزوی از کشور چک است در خانواده ای تنگ دست و آلمانی زبان متولد شد. پدر مندل، یک کشاورز بود که حداقل سه روز در هفته برای مالک زمین در شرایطی بسیار سخت و طاقت فرسا کار می کرد تا بالاخره روزی مالک یک زمین زراعی شد. مندل هم به پرورش درختان میوه علاقه زیادی داشت و باغ میوه کوچک خود را با پیوندهایی بهبود می بخشید که کشیش شهر، پدر «شریبر»، در اختیارش می گذاشت. یوهان جوان که پس از راهب شدن گرگور مندل نام گرفت، در این کار به پدرش کمک می کرد. و به تدریج با باغبانی و پرورش گل آشنا شد.

پدر شریبر در مدرسه دهکده تدریس می کرد. کودکان در آن مدرسه نه تنها خواندن و نوشتن می آموختند، بلکه با تاریخ طبیعی و علوم نیز آشنا می شدند. مندل هم که شاگرد ممتازی بود ، درس را در همان مدرسه شرع کرد. پدر مندل که مرد فقیری بود ، با وجود امکانات بسیار اندک، هر آنچه در توان داشت، به کار گرفت تا پسرش آینده بهتری داشته باشد. یوهان، تحصیلات ابتدایی را با موفقیت پشت سر گذاشت و برای رفتن به دبیرستان آماده شد. هر چند که رفتن به دبرستان برای


دانلود با لینک مستقیم


دانلودتحقیق درمورد تاریخچه علم ژنتیک

خلاصه روانشناسی ژنتیک منصور- دادستان

اختصاصی از رزفایل خلاصه روانشناسی ژنتیک منصور- دادستان دانلود با لینک مستقیم و پر سرعت .

خلاصه روانشناسی ژنتیک منصور- دادستان


خلاصه روانشناسی ژنتیک منصور- دادستان

خلاصه کتاب روانشناسی ژنتیک منصور- دادستان

مناسب برای داوطلبان آزمون ارشد و دکتری روانشناسی


دانلود با لینک مستقیم


خلاصه روانشناسی ژنتیک منصور- دادستان

پروژه کاربرد الگوریتم ژنتیک درزمانبندی کارهای سیستم های چند پردازنده ای. doc

اختصاصی از رزفایل پروژه کاربرد الگوریتم ژنتیک درزمانبندی کارهای سیستم های چند پردازنده ای. doc دانلود با لینک مستقیم و پر سرعت .

پروژه کاربرد الگوریتم ژنتیک درزمانبندی کارهای سیستم های چند پردازنده ای. doc


پروژه کاربرد الگوریتم ژنتیک درزمانبندی کارهای سیستم های چند پردازنده ای. doc

 

 

 

 

نوع فایل: word

قابل ویرایش 71  صفحه

 

چکیده:

زمانبندی کارها در سیستم های چند پردازنده ای شامل نگاشت کردن کارهای موجود در یک Task Graph به هریک از پردازنده ها می باشد. یک Task Graph گرافی غیر چرخشی می باشد که هر یک از گره های آن شامل کارهای محاسباتی است که بین گره ها روابط تقدم و تاخر وجود دارد. آنچه که در این زمانبندی مهم است اینکه باید طوری صورت گیرد که مدت زمان اجرای کل کارها مینیمم گردد.

این مسئله که NP (غیرچند جمله ای) است دارای روش های حل مختلفی است که یکی از آنها الگوریتم ژنتیک می باشد.

در این پروژه یکی از روش های چند جمله ای  برای این مسئله ارائه گردیده است که برای پایه نمایش دو کروموزومی می باشد.

این روش با استفاده از یک محیط شبیه سازی پیاده سازی شده و نتایج حاصله قابل مشاهده می باشد.

 

مقدمه:

مسئله زمانبندی کارها درسیستم های چند پردازنده ای برپایه زمانبندی مجموعه ای از کارها که به صورت جزئی مرتبند بنا نهاده شده است . به زبان ساده زمانبندی به مفهوم تخصیص منابع موجود (مثلا پردازنده ها ) به کارهای محاسباتی است که بین این کارها ویژگی ترتیب جزئی برقرار است یعنی اینکه بین کارها تقدم وتاخر اجرا وجود دارد.

مجموعه Task  هایی که قراراست اجرا گردد برروی یک گراف غیرچرخشی (Direct Acyclic Graph)   بنامTask Graph  قراردارد.

هدف از نگاشت Task های موجود به هریک از پردازنده ها این است که اجرای کلیه Taskها درحداقل زمان ممکن گردد.

مسئله زمانبندی کارها به عنوان یک مسئله انتزاعی بررسی میگردد وزمینه های کاربردی این مسئله می تواند درپردازش موازی و زمانبندی حرکت قطارها وحل مشکل ترافیک شهری وکاربردهایی درخط تولید کارخانجات واقتصاد وتحقیق درعملیات ومواردی دیگرباشد. زمانبندی کارها به عنوان یک مسئله Np-Hard (غیر چندجمله ای )محسوب میگردد ووروش های مختلفی برای به دست آوردن جوابهای  Optimal بکارگرفته شده است.

یکی ازاین روش ها الگوریتم های ژنتیک می باشد که دارای ماهیت تصادفی بوده ومبتنی برمفاهیم ژنتیک بوده و برگرفته ازنظریه تکاملی داروین می باشد. اگوریتم های ژنتیکی باتقلید از مفهوم تکامل تدریجی باایجاد یکسری کروموزوم ها به عنوان اعضای جمعیت واعمال یکسری عملگرها مانند Selection  و Crossover و Mutation و تولید جمعیت جدید به ایجاد نتایج بهینه می پردازد.

دراین پایان نامه الگوریتم ارایه شده دارای ساختارنمایشی دوکروموزومی بوده و به  (Bi-Chromosal Genetic Algorithm)BCGA  معروف است.

البته الگوریتم های ژنتیکی وغیرژنتیکی دیگری برای حل مسئله زمانبندی کارها درسیستم چند پردازنده ای وجود دارد .

 

فهرست مطالب:

چکیده

1) مقدمه

2) اصول الگوریتم های ژنتیکی                                         

 1-2) تاریخچه  

2-2) صورت کلی الگوریتم های ژنتیکی

3-2) تعاریف مقدماتی الگوریتم های ژنتیکی

5-2) انواع عملگرها

6-2) شرایط توقف الگوریتم های ژنتیکی

7-2) پارامترهای الگوریتم ژنتیکی

3- تعاریف مربوط به مسئله زمان بندی چند پردازنده ای وGraph   Task

4) الگوریتم های ارائه شده برای مسا له زمانبندی کارها

1-4 )الگوریتم های غیرژنتیکی برای حل مسئله

2-4) الگوریتم های ژنتیکی برای حل مسئله

1-2-4) الگوریتم ژنتیکی PGA

2-2-4) الگوریتم ژنتیکی بانمایش رشته ای متغیر

فصل پنجم  الگوریتم ژنتیکی دوکروموزومی (BCGA) برای مسئله زمانبندی

1-5) نمایش کروموزوم ها  (Representation)

3-1-5) نگاشت کردن یک زمان بندی به جفت کروموزوم

 2-5) عملگرهای ژنتیکی به کاررفته درالگوریتم BCGA

3-5) محاسبه تابع Fitness

4-5) شرط خاتمه الگوریتم

5-5) پارامترهای دیگر الگوریتم

 6) نتایج محیط شبیه سازی شده

7) نتیجه گیری و راهکارهای آینده

  منابع

پیوست

 

منابع و مأخذ:

  • X.yao "An Overview of evolutionary computation", Chinese Journal of Advanced Software Research (Allerton Press , INC , New york , 1996)
  • A Comparison of General Approaches to Multiprocessor Scheduling - Parallel Processing Symposium, 1997. Proceedings., Ilth International
  • Genetic Scheduling for Parallel Processor Systems:

Comparative Studies and

Performance Issues

Albert Y. Zomaya, Senior Member, IEEE, Chris Ward, and Ben Macey

IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS, VOL. 10, NO. 8, AUGUST 1999

  • yu – Kwong kwak and Ishfaq Ahmad , "Static Scheduling Algorithms for Allocating Directed Task Graphs to Multiprocessor",The university of hong kong And The Hong kong university of Science and Technology

دانلود با لینک مستقیم


پروژه کاربرد الگوریتم ژنتیک درزمانبندی کارهای سیستم های چند پردازنده ای. doc

پروژه بررسی الگوریتم ژنتیک با برنامه. doc

اختصاصی از رزفایل پروژه بررسی الگوریتم ژنتیک با برنامه. doc دانلود با لینک مستقیم و پر سرعت .

پروژه بررسی الگوریتم ژنتیک با برنامه. doc


پروژه  بررسی الگوریتم ژنتیک با برنامه. doc

 

 

 

 

نوع فایل: word

قابل ویرایش 50 صفحه

 

چکیده:

در این مقاله ابتدا به معرفی و شرح عملکرد الگوریتم های ژنتیک می پردازیم و عملیات اصلی و پایه در ژنتیک الگوریتم بررسی می شود سپس در مورد چگونگی روند کاری این دسته از الگوریتم ها توضیحاتی داده و با مثالی این مهم را به طور ساده برای شما قابل فهم می کنیم. در ادامه با ا ستفاده از این روش ما مساله جا بجایی معلمان آموزش و پرورش با استفاده از الگوریتم های ژنتیک را حل می کنیم.

 

کلمات کلیدی

ژنتیک الگوریتم ، Fitness function ، Chromosomes ، Reproduction، Crossover، Mutation

 

مقدمه:

تا کنون از الگوریتم های ژنتیک برای حل مسائل زیادی استفاده شده است. در مهندسی برای حل مسائل بهینه سازی بسیار از این روش کمک گرفته شده. در اینجا ما قصد داریم با به کارگیری الگوریتم های ژنتیک گامی در جهت حل مشکل جابه جایی معلمان آموزش و پرورش برداریم. در تهیه این متن سعی شده مطالب طوری ارائه شوند که اگر کسی با الگوریتم های ژنتیک آشنایی نداشته باشد تکنیک حل مسئله را دریابد و در انتها دید روشنی نسبت به الگوریتمهای ژنتیک پیدا کند. ابتدا مسأله را به صورت ساده بیان می کنیم یعنی پارامترهای فرعی را حذف کرده و شرط ها و قیودی که باعث پیچیده تر شدن مسأله می گردند نیز کنار می گذاریم. پس از ارائه یک راه حل برای مسأله ساده شده پارامترهای فرعی و شروط را وارد مسأله می کنیم.

به عنوان نمونه می توان از مسایلی مثل کوتاهترین مسیر در شبکه ، مساله فروشنده دوره گرد و... که در آنها به دنبال حداقل و یا حداکثر کردن کمیتی برای حل مسالهمی باشیم ، اشاره نمود هر چند روشهای حل دقیقی برای حل این مسایل وجود دارد ، اما اغلب آنها از درجه پیچیدگی بالایی (NP OR NP_ COPMLETE ) برخوردارند و زمان لازم جهت محاسبه جواب بهینه برای مسایل بزرگ ، بسیار افزایش می یابد .

برای حل مسایلی شبیه مسایل فوق به روش ژنتیک ، ابتدا جوابهای امکان پذیر اولیه را به صورت تصادفی ایجاد می کنیم. این جوابهای اولیه را که به احتمال زیاد بهینه نیستند ، والدین می نامیم.این والدین با عمل تولید مثل ، به تولید فرزندان( جوابهای جدید ) می پردازند .فرزندان حاصل مورد بررسی و ارزیابی قرار گرفته و آن عده که قابل قبول نباشند ( یعنی امکان ناپذیر بوده و یا بهتر از جوابهای قبلی نباشند ) حذف می شوندو فقط فرزندان برگزیده باقی می مانند. تابعی که به بررسی مقبولیت فرزندان حاصل می پردازد ، اصطلاحا تابع FIT نام دارد . والدین اولیه به همراه فرزندان باقی مانده آنها تا این مرحله را نسل اول می نامیم. این مراحل را با فرض فرزندان باقی مانده به عنوان والدین جدید برای تولید نسلهای دوم ، سوم ، ... ادامه می دهیم.

 

فهرست مطالب:

چکیده    

کلمات کلیدی        

مقدمه    

1الگوریتم های ژنتیک (GA)            

1-1اعمال پایه GA            

1-1-1 REPRODUCTION تولید      

1-1-2CROSS OVERبرش  

1-1-3 MUTATION جهش

2صورت مساله    

3حل مساله با استفاده از GA

3-1ایجاد جمعیت اولیه        

3-2تابع هدف      

3-3انتخاب          

3-4ترکیب          

3-5ایجاد نسل جدید

3-6جهش

3-7بدنه اصلی برنامه         

4نتیجه اجرای برنامه         

5تغییر تابع هدف  

6مراجع و منابع    

 

منابع و مأخذ:

1- طراحی الگوریتم ها با شبه کدهای C++، جعفر نژاد قمی

2- الگوریتم های موازی، سعید راحتی و محمد بهداد

3- طراحی الگوریتم ها، دکتر بهروز قلی زاده

4)Johannes A.Buchman, Introduction to cryptography, springer,2000

5) Using Genetic Algorithm for Parameter

Estimation Yi Wang Computer Science Department , Tsing hua University,100084, Beijing, China

wangy01@mails.tsinghua.edu.cn

September 30, 2004

6) Genetic Algorithms For Classification and Feature Extraction

Min Pei, 1,2 Ying Ding, 2 William F. Punch, III, 3 and Erik D. Goodman 2

1 Beijing Union University, Beijing, China

2 Case Center for Computer-Aided Engineering and Manufacturing

3 Intelligent Systems Laboratory, Department of Computer Science

Michigan State University

Genetic Algorithms Research and Applications Group (GARAGe)

112 Engineering Building

East Lansing, MI 48824

Tel: (517)-353-4973. Fax: (517)-355-7516 e-mail: pei@egr.msu.edu

7)Goldberg, D.E. The Design of Innovation:

Lessons from and for Competent Genetic

  1. Kluwer, 2002.

8) Milner, R. The Encyclopedia of

  1. Facts on File, 1990.

 

Links :

http://www.ciphersbyritter.com/ARTS/MIXNONLI.HTM

http://www.cs.qub.ac.uk/~M.Sullivan/ga/ga_index.html

http://www.math.uno.edu/

http://mathworld.wolfram.com/

An Introduction to Genetic Algorithms - The MIT Press

http://www.Wotsite.org

http://www.issa.orgt


دانلود با لینک مستقیم


پروژه بررسی الگوریتم ژنتیک با برنامه. doc