کد متلب رسم کانولوشن دو دنباله
خط های برنامه حاوی توضیحات لازم به صورت کامنت هستند.
برای مشاهده نتایج کافیست کد را در نرم افزار متلب Run نمایید.
کد متلب رسم کانولوشن دو دنباله
کد متلب رسم کانولوشن دو دنباله
خط های برنامه حاوی توضیحات لازم به صورت کامنت هستند.
برای مشاهده نتایج کافیست کد را در نرم افزار متلب Run نمایید.
کد متلب الگوریتم علف هرز
خط های برنامه حاوی توضیحات لازم به صورت کامنت هستند.
برای مشاهده نتایج کافیست کد را در نرم افزار متلب Run نمایید.
کد متلب کنترل آونگ معکوس
شبیه سازی کاملا به صورت کد نویسی انجام شده است.
برای مشاهده نتایج کافیست کد را در نرم افزار Run نمایید.
کد متلب واترمارک مرئی تصویر
خط های برنامه حاوی توضیحات لازم به صورت کامنت هستند.
برای اجرای برنامه ابتدا دو تصویر دلخواه را در پوشه محل کد برنامه قرار داده و سپس برنامه را اجرا نمایید.
فایل دانلودی حاوی مقاله ژورنالی راهنما است.
برای مشاهده نتایج کافیست کد را در نرم افزار متلب Run نمایید.
کد آماده متلب الگوریتم های فرا ابتکاری NRGA و NSGAII برای مدل زمانبندی چندهدفه در کلاس ماشینهای موازی نامرتبط در محیط تولید بهنگام
فایل دانلودی شامل تمامی کدهای نوشته شده در نرم افزار متلب دو الگوریتم فرا ابتکاری NRGA و NSGAII میباشد و آماده اجرا در نرم افزار متلب میباشد. همچنین فایل word مدل مورد نظر برای مدل زمانبندی چندهدفه در کلاس ماشینهای موازی نامرتبط در محیط تولید بهنگام نیز به صورت کامل همراه با مفروضات و اندیس ها و پارامتر های مدل و همچنین توضیحات کامل الگوریتم های پیشنهادی و نحوه عملکرد آنها نیز توضیح داده شده است
به قسمت کوتاهی از شرح مدل بکار رفته توجه فرمایید
توضیحات مدل و الگوریتم های به کار رفته
الگوریتمهای ژنتیک II به دلیل پتانسیل بالای آنها به عنوان یک رویکرد جدید به مسایل بهینهسازی چندهدفه که تحت عنوان روشهای تکاملی یا بهینهسازی چندهدفه ژنتیک شناخته میشود، توجه خاصی شده است. ویژگیهای ذاتی الگوریتمهای ژنتیک بیانگر دلایل مناسب بودن جستجوی ژنتیک در مسایل بهینهسازی چندهدفه هستند. ویژگیهای اصلی الگوریتم ژنتیک چند جهته بودن و جستجوی سراسری با حفظ جمعیتی از حلهای خوب از نسلی به نسل دیگر است. رویکرد نسل به نسل در زمان بررسی حلهای پارتو مفید است.
الگوریتم ژنتیک رتبهبندی غیرمغلوب (NRGA) در سال ۲۰۰۸ یک الگوریتم تکاملی چند هدفه با نام الگوریتم ژنتیک مبتنی بر رتبهبندی نامغلوبها (NRGA) به طور موفقیت آمیزی توسط عمرالجدان و همکارانش برای بهینهسازی توابع غیرمحدب، غیر خطی و گسسته توسعه داده شد. آنها الگوریتمهای چند هدفهای را که براساس مرتب کردن غیر مغلوبها کار میکردند مورد بررسی قرار دادند. براساس مسائل موجود در رویکردهای قبلی، آنها رویکرد جدیدی را با ترکیب الگوریتم انتخاب چرخه رولت مبتنی بر رتبهبندی و الگوریتم رتبهبندی جمعیت براساس پارتو توسعه دادند. که الگوریتم ژنتیک رتبهبندی نامغلوب (NRGA) نامگذاری شد. در این ترکیب یک رتبهبندی دو لایهای براساس انتخاب عملگر انتخاب چرخه رولت ارائه میشود. که نسل جدید والد براساس انتخاب بهترین جوابها (باتوجه به برازش و گستردگی) به طور تصادفی انتخاب میکند. این الگوریتم در اکثر موارد قادر به دستیابی به گستردگی بهتری از جوابها در مرز پارتو و همچنین همگرایی زودتر به مرز بهینه پارتو، در مقایسه با سایر الگوریتمهای تکاملی چند هدفه میباشد
توضیحات مدل حل شده در این فایل
در این تحقیق، مسألهی زمانبندی ماشینهای موازی نامرتبط مورد بررسی قرار میگیرد. یک مجموعه از کار متمایز، ، برروی مجموعهای از m ماشین، ، که بصورت موازی کنار هم قرار گرفتند پردازش میشوند بطوریکه هر کار تنها بر روی یک ماشین پردازش میشود و هر ماشین در هر لحظه قادر به پردازش تنها یک کار میباشد. زمان پردازش هر کار ممکن است روی ماشینهای مختلف، متفاوت باشد. در واقع زمان پردازش کارها بر روی ماشینها نه تنها به نوع کار بلکه به نوع ماشین هم بستگی دارد و بین زمانهای پردازش کارها بر روی ماشینهای مختلف رابطه مشخصی وجود ندارد. زمان تنظیم وابسته به توالی کارها، بین کارها وجود دارد. هر کار متمایز از سایر کارها، زمان دسترسی و ضرایب هزینهی مربوط به خود را دارد. هدف، زمانبندی این کارها روی m ماشین است بهطوریکه هزینههای مربوط به زودکرد و دیرکرد از یک طرف و مجموع زمان تکمیل کارها از طرف دیگر حداقل گردند
مفروضات مسأله
در مسئله ارائه شده در این تحقیق فرضهای زیر در نظر گرفته میشوند:
کار مجازی نوع صفر مفروض است. این کار همواره در اولین موقعیت روی تمامی ماشینها پردازش میشود. زمان پردازش این کار صفر منظور میشود و شروع پردازش آن نیازی به انجام عملیات نصب ماشین ندارد.