824 - دانلود طرح توجیهی: تولید چوب مصنوعی - 54 صفحه

اختصاصی از رزفایل 824 - دانلود طرح توجیهی: تولید چوب مصنوعی - 54 صفحه دانلود با لینک مستقیم و پر سرعت .

دانلود طرح توجیهی و مطالعات امکان سنجی طرح

بررسی ابعاد مختلف طرح (معرفی محصول - مالی – منابع انسانی – فضا و ...)

دارای فرمت PDF می باشد.

مفصل و با تمام جزئیات – بسیار کامل و مرتب

مناسب برای شروع یک کسب و کار

مناسب جهت ارائه به دانشگاه به عنوان پروژه درسی

نگارش طرح توجیهی یک طرح کسب و کار خوب باید مانند یک داستان، گویا و واضح باشد و باید اهداف کسب و کار را به صورت موجز و کامل بیان کرده و راه رسیدن به آنها را نیز مشخص نماید. به‌گونه‌ای که سرمایه‌گذاران (دست‌اندرکاران کسب و کار) دقیقاً مفهوم را متوجه شده و خودشان نیز راغب به خواندن و درک دیگر بخش‌ها گردند.

طرح توجیهی در واقع سندی آماده ارائه می باشد که در آن نحوه برآورد سود و زیان و سرمایه ثابت، سرمایه در گردش و نقطه سر به سر، بازدهی سرمایه، دوره برگشت سرمایه و ... بیان خواهد شد.

در صورتی که نیاز به جزئیات بیشتر و یا دریافت فهرست مطالب دارید از طریق بخش پشتیبانی و یا ایمیل فروشگاه با ما در ارتباط باشید.

دانلود پروژه بررسی کاربردهای شبکه های عصبی مصنوعی در شناسایی الگوهای جریان دو فازی گاز- مایع و صنایع شیمیایی به کمک نرم افزار M

اختصاصی از رزفایل دانلود پروژه بررسی کاربردهای شبکه های عصبی مصنوعی در شناسایی الگوهای جریان دو فازی گاز- مایع و صنایع شیمیایی به کمک نرم افزار MATLAB دانلود با لینک مستقیم و پر سرعت .

الگوی جریان دو فازی گاز- مایع در خطوط انتقال و تجهیزاتی که این شرایط در آنها رخ می دهد جزء اولین پارامتر هایی است که باید مشخص گردد و مبنایی برای تعیین دیگر عوامل تاثیر گذار بر پارامتر های طراحی و بهینه سازی مانند میزان مایع تجمع یافته و افت فشار خواهد بود. از جمله عوامل تاثیر گذار بر روی نوع الگوی جریان دو فازی می توان به :

1- خواص فیزیکی : فشار، دما ، ویسکوزیته ، دانستیه ، کشش سطحی

2- ویژگی های جریان : شدت جریان هر یک از فازها، جهت جریان (زوایه جریان نسبت به افق ) هم جهت بودن و یا خلاف جهت بودن دو فاز

3- شرایط مجرا: شکل هندسی خط لوله جنس لوله زبری سطح داخلی ، قطر لوله ، طول خط

 اشاره کرد هر کدام از این عوامل می توانند به عنوان ورودی های شبکه عصبی مصنوعی  بکار برده شوند. دو محدودیت عمده در استفاده از هر یک از عوامل بالا در طراحی شبکه وجود دارد. که این عوامل عبارتند از :

1- امکان اندازه گیری یا محاسبه پارامتر

2- کد کردن پارامتر بصورت یک ورودی یا خروجی قابل درک برای شبکه

 مجموعه های انتخاب شده به منظور طراحی شبکه  عصبی مصنوعی در این بخش عبارتند از :

1) مطالعه تاثیر تغییر زوایه  خط لوله نسبت به افق بر روی الگوی جریان دو فازی

FLOW REGIM TRANSITIONS IN LARGE DIAMETER INCLINED MULTIPHASE PIPELIMES

در این مقاله نتایج مطالعات آزمایشگاهی محققین در مرکز نوآوریهای  جریان های چند فازی و انستیتو تکنو لوژی جریان های چند فازی وخوردگی  دانشگاه ها اوهایو در سال 2002 میلادی آورده شده است. این آزمایشها بر روی خط لوله ای به قطر 16/10 سانتیمتر و طول 36 متر تحت 6 زوایه 2 ±، 15 ± و 30 ±  انجام گرفته است. محدوده تغییرات سرعت ظاهری گاز m/s 2-2/0 و سرعت ظاهری نفتm/s14-1 می باشد . نفت با ویسکوزیته cP 5/2 به عنوان فاز مایع و دی اکسید کربن به عنوان فاز گاز جریان دو فازی بکار رگفته شده  اند. آزمایشها تحت دمای oC25 و فشار  m/sMPa 13/0 انجام یافته است. جدول 3-1 گزارشی از شرایط جریان دو فازی  این مطالعه  می باشد. روشی که برای تشخیص الگوی جریان  توسط این محققین بکار گرفته شده است. مشاهده مستقیم  جریان می باشد . در اینجا منظور از زاویای مثبت  جریان رو به بالا و زوایای منفی ،  جریان رو پایین  می باشد . 

 جدول 3-1 ویژگی های جریان دو فازی  در مطالعه اول

Range

Property

0

Water cut (%)

1. 13

Pressure(MPa)

30±15,±2,±

Inclination(degreese)

25

Temperature(oC)

m/s1-14

Superficial liquid velocity

m/s 0.2-2.0

Gas

Carbon dioxide

Pil

Light oil ,2.5 cP

2- مطالعه تاثیر سرعت جریان ورودی به خط لوله  و مسافتی که جریان  دو فازی می پیماید بر روی الگوی جریان دو فازی

AN INTEGRATED SINGLE-PHASE/TWOE HYDRODYNAMIC MODEL FOR PREDICTING THEFLUID VFLOW BEHAVIOR OF GAS CONDENSATE IN PIPELINES

در سال 1991 در دانشگاه پنسیلوانیا مطالعه ای به منظور مدلسازی فزیکی  جریانهای تک فاز و دو فاز برای پیش بینی رفتار میعانات  گازی در خطوط انتقال انجام گرفته ست . در این مدلسازی از نتایج مطالعه بر روی دو خط انتاقل گاز تر و گاز خشک  استفاده شده است روش شناسایی  الگوهای جریان  مطالعه بر روی امواج عبور داده شده از خارج جریان می باشد. مطالعات بر روی خط لوله افقی گاز طبیعی به قطر ft1 ، زبری 0005/0 و طول ft20000 انجام گرفته است با اعمال تغییر بر روی سرعت  جریان  چگونگی تغییر الگوی  جریان  در طول این خط برای دو نوع گاز با ترکیبات  ذکر شده  در جدوال 3-2 و 3-3 که بطور خلاصه آنها را گاز خشک و گاز تر می نامیم  مورد مطالعه قرار  گرفته است.  

جدول 3-2 ترکیبات گاز خشک

MOLE%

COMPONENT

MOLE %

COMPONENT

1. 0223

n-C5H12

1. 381

N2

1. 001

neo- C5H12

1. 89%

CO2

1. 0037

C7H16

1. 927

CH4

1. 0088

C8H18

1. 0762

C3H8

1. 0155

C9H20

1. 4180

C5H12

1. 0133

C10H22

1. 1090

i-C4H10

1. 0066

C11H24

1. 0921

n- C4H10

1. 000032

C12H26

1. 0351

i- C5H12

 جدول 3-3 : ترکیبات گاز تر

MOLE%

COMPONENT

MOLE %

COMPONENT

1. 11

n-C4H10

1. 2371

N2

1. 5811

i- C5H12

1. 1868

CO2

1. 6726

n-C5H12

1. 2854

CH4

1. 0003

HYP2

21735

C2H6

1. 0005

HYP3

1. 2012

C3H8

1. 4948

i-C4H10

 جدول 3-4 گزارشی از شرایط جریان دو فازی این مطالعه می باشد.

جدول 3-4 ویژگی های جریان دو فازی در مطالعه دوم

Wet Gas

Dry Gas

Composition

1640 psia

1. Pressure
2. 22 %

 

1. Liq.Holdup

70F

Inlet Temp

25

50

100

200

250

100

200

250

Q(MMSCFD)

3) مطالعه تاثیر تغییر قطر لوله بر روی الگوی جریان دو فازی

Fundamentals of Multiphase Floe

آزمایشها توسط Mandhane  و همکاران (1974) بر روی خط لوله ای افقی و با جریان  دو فازی آب – هوا انجام گرفت است. در این مطالعه چهار خط با قطرهای 25/1 ،5/2و 30 سانتیمتر بکار گرفته شده اند. روش مشاهده مستقیم مبنای تصمیم گیری این محققین  بوده است. به این ترتیب با استفاده از سه گروه آزمایشات ذکر شده می توان به بررسی

شامل بخشهای:

بخش اول – مقدمه. 1

بخش دوم- استفاده از شبکه های عصبی مصنوعی در شناسایی الگوی جریان دو فازی گاز- مایع  1

طراحی شبکه در نرم افزار MATLAB.. 7

پردازش اطلاعات.. 7

مجموعه اول. 7

مجموعه دوم : 8

مجموعه سوم : 9

طراحی شبکه LVQ.. 10

مجموعه اول. 10

نتیجه. 12

مجموعه دوم: 14

نتیجه : 15

مجموعه سوم. 18

نتیجه. 18

طراحی شبکه RBF. 21

مجموعه اول. 21

مجموعه دوم. 25

نتیجه. 27

طراحی شبکه با 18/0=spread. 27

مجموعه سوم. 28

نتیجه. 30

نتیجه گیری.. 33

بخش سوم – پیش بینی بازده کلی سینی مشبک با استفاده از شبکه عصبی مصنوعی.. 37

آشنایی با سینی های مشبک (غربالی) و بازده آن. 37

تعاریف بازده سینی.. 39

بازده نقطه ای یا بازده موضعی.. 39

بازده برج. 41

مدل های پایه ای برای پیش بینی بازده سینی  مشبک تقطیر. 42

پیش بینی بازده کلی سینی مشبک با استفاده از شبکه عصبی.. 45

انتخاب پارامترهای ورودی.. 46

پیش بینی بازده سینی مشبک با استفاده از شبک های عصبی.. 47

نتیجه گیری.. 98

بخش چهارم – استفاده از شبکه های عصبی در مدل سازی مشخصه های کف با عملکرد فرایند فلوتاسیون مس سرچشمه. 101

حالت اول : 101

روش انتخاب و ارائه داده های مشخصه کف.. 105

انتخاب ساختار شبکه. 105

حالت دوم. 113

بخش پنجم – استفاده از شبکه های عصبی مصنوعی در مدل سازی واحد شیرین سازی پالایشگاه  هاشمی نژاد  125

نتیجه گیری.. 141

منابع. 143

منابع فارسی : 143

شامل 145 صفحه فایل word قابل ویرایش

دانلود تحقیق زبانهای برنامه‌نویسی در هوش مصنوعی

اختصاصی از رزفایل دانلود تحقیق زبانهای برنامه‌نویسی در هوش مصنوعی دانلود با لینک مستقیم و پر سرعت .

زبانهای برنامه‌نویسیAI،  برنامه‌نویسی تابعی ، برنامه‌نویسی تابعی در Lisp ، A- Syntax (نحو) و semantic های (معانی) Lisp ،  لیست انواع داده ،  تعریف توابع جدید ، تعریف ساختارهای کنترلی ،  تعریف توابع بازگشتی ،  توابع مرتبه بالا ، سایر زبانهای برنامه‌نویسی تابعی غیر از Lisp ، برنامه‌نویسی منطقی در Prolog ، سایر روشهای برنامه‌نویسی
 واژه نامه
بندهای برنامه Prolog شامل مجموعه‌ای از جملات بنام بندها هستند که برای نشان دادن داده‌ها و برنامه‌ها بکار می‌روند.
تابع مرتبه بالا تعریف تابعی است که اجازه می‌دهد آرگومانها یا مقدار بازگشتی تابع، مقدار توابع باشد. نماد ساختار لیستها اغلب نشان‌دهنده نحوه استفاده از لیست ساختاری داده هستند، که یک عنصر لیست ممکن است نماد یا لیست دیگر باشد. لیستها ساختاری مرکزی Lisp هستند که برای نشان دادن داده‌ها و برنامه‌ها بکار می‌روند. بازگشت تکنیکی الگوریتمی برای انجام یک کار است که یک تابع با بعضی از قسمتهای کار خودش را فراخوانی می‌کند.
محاسبات نمادین برنامه‌نویسی AI (اساساً) شامل دستکاری نمادها است نه اعداد. این نمادها می‌توانند اشیاء در جهان و ارتباط بین آن اشیاء را نشان دهند- ساختارهای پیچیده نمادها نیاز به دانش ما از جهان دارند. واژه ساختار اساسی داده‌ها در Prolog واژه‌ای است که می‌تواند یک ثابت، یک متغیر یا یک ساختار باشد. ساختارها موضوعات ریز محاسبات گزاره‌ای را نشان می‌دهند و شامل یک عملگر نام و یک پارامتر لیست هستند.
زبانهای برنامه‌نویسی هوش مصنوعی(AI) ابزار اصلی بررسی و ساخت برنامه‌های کامپیوتری هستند که می‌توانند در شبیه‌سازی فرایندهای هوشمند مانند یادگیری،‌ استدلال و فهم اطلاعات نمادین بکار بروند. هر چند اخیراً زبان کامپیوتر اصولاً برای استفاده از کامپیوترها برای انجام محاسبات با اعداد طراحی شده بود، اما بزودی دریافتند که رشته‌ای از بیتها نه تنها اعداد بلکه می‌توانند اشیای دلخواه را نیز نمایش دهند. عملیات روی ویژه‌گی‌ها یا نمادها می‌تواند با استفاده از قوانین برای ایجاد، انتساب یا دستکاری نشان داده شود. این تصور از محاسبات نمادین بعنوان تعریف الگوریتمهایی که هر نوع اطلاعات را پردازش می‌کنند و بنابراین می‌تواند برای شبیه‌سازی هوش انسان بکار برود مناسب است.
بزودی برنامه نویسی با نمادها که نیاز به سطح بالایی از چکیدگی دارند تولید می‌شوند، غیر از امکاناتی که با زبانهای برنامه نویسی مخصوص پردازش اعداد ممکن بود مانند فرترن
 I-زبانهای برنامه نویسی AI
در AI خودکار کردن یا برنامه‌نویسی همه جنبه‌های شناخت انسانی بوسیله بنیادهای شناخت علمی روشهای نمادین و غیر نمادین AI، پردازش زبان طبیعی، دید کامپیوتری و سیستمهای تکامل یا سازگار مطرح می‌شود. لازم است دامنه مسئله‌های خیلی پیچیده در ابتدای مرحله برنامه‌نویسی یک مسئله AI معین، مشخص شود که کافی نیست. تنها بوسیله تعامل و افزایش اصلاحات خصوصیات بسیار دقیق ممکن است. در حقیقت مسئله‌های معمول AI به بسیاری از زمینه‌های خاص گرایش دارند، بنابراین روشهای ذهنی باید بوسیله تولید و آزمایش روشها بطور تجربی توسعه یابند(مشهور به نمونه سازی سریع). در اینصورت برنامه‌نویسی AI بطور قابل توجهی با روشهای استاندارد مهندسی نرم‌افزار متفاوت بوده زیرا برنامه‌نویسی معمولا از یک مشخصات رسمی با جزئیات شروع می‌شود. در برنامه‌نویسی  AI پیاده‌سازی در واقع جزئی از پردازش مشخصات مسئله است.  به اقتضای طبیعت مسئله‌های  AI برنامه‌نویسی AI مزایای بسیاری دارد اگر زبانهای برنامه نویسی، برنامه‌نویسAI را آزاد بگذارند و در بسیاری از ساختارهای فنی محدود نکنند (مانند ساختار انواع داده‌ای جدید سطح پایین، دستیابی دستی به حافظه). ترجیحاً سبک برنامه‌نویسی اعلانی برای استفاده در ساختارهای پیش‌ساخته داده‌ای سطح بالا(مانند لیستها و درختها) و عملیات(مانند تطبیق الگوها) مناسب است، بنابراین محاسبات نمادین سطح خلاصه‌سازی بیشتری نسبت به آنچه که با زبانهای دستوری استاندارد مانند فرترن، پاسکال یا C امکان‌پذیر خواهد بود را پشتیبانی می‌کند. البته طبقه‌بندی خلاصه سازی آسان نیست،‌ زیرا تدوین برنامه‌های AI روی کامپیوترهای استاندارد وان نیومن نمی‌تواند به کارآمدی زبانهای دستوری باشد. هر چند یک مسئله مسلم AI فهم آن است (حداقل جزئیات) امکان دارد با تنظیم مجدد آن به شکل خصوصیات جزئی شده با بکار بردن یک زبان دستوری پیاده‌ سازی مجدد شود. با توجه به نیازمندیهای محاسبات نمادین و برنامه‌نویسی  AI دو الگوی  جدید برنامه‌نویسی که به سبک دستوری پیشنهاد می‌شوند بوجود می‌‌آید: سبک برنامه‌نویسی تابعی و منطقی. هر دو بر مبنای ریاضیات طرح‌ریزی شده‌اند، یعنی نظریه توابع بازگشتی و منطق رسمی. اولین زبان برنامه‌نویسی AI کاربردی که هنوز هم بطور گسترده استفاده می‌شود زبان برنامه‌نویسی Lisp است که در اواخر دهه 1950 توسط جان مک کارتی توسعه یافته است. Lisp برمبنای نظریه توابع ریاضی و خلاصه‌سازی Lambda است. تعدادی از کاربردهای مهم و موثرAI در Lisp نوشته شده است. که ما بعضی از جزئیات این زبان برنامه‌نویسی را در این مقاله شرح خواهیم داد. در اوایل دهه 1970 یک الگوی برنامه‌نویسی جدید بنام برنامه‌نویسی منطقی بر اساس محاسبات گزاره‌ای بوجود آمد. اولین و مهمترین زبان برنامه‌نویسی منطقی Prolog است که توسط آلن کالمرار، رابرت کوالسکی و فیلیپ راسل توسعه یافته است. مسئله‌ها در prolog بصورت حقایق، بدیهیات و قوانین منطقی برای استنباط حقایق جدید بیان می‌شوند. Prolog  با قانون ریاضی در محاسبات گزاره‌ای و نتایج نظری بدست آمده در زمینه اثبات قضیه خودکار در اواخر دهه 1960 بنا نهاده شده است.
II- برنامه نویسی تابعی
یک تابع ریاضی نگاشتی از یک مجموعه (دامنه) به مجموعه دیگر(برد) است. تعریف یک تابع توصیف این نگاشت است که یا بطور صریح بوسیله شمارش و یا بطور ضمنی بوسیله یک عبارت است. تعریف یک تابع بوسیله نام تابع که بدنبال آن لیستی از پارامترها در داخل پرانتز قرار دارند و به دنبال آن نیز عبارت توصیفی نگاشت است مشخص می شود مانند:
X یک عدد حقیقی است cube(X) ≡ X X X , where X is a real number.
آلونسو چارچ توابع بی نام را با استفاده از نمادLambda معرفی می کند. یک عبارت Lambda  پارامترها و نگاشت تابع را با استفاده از عملگر X مشخص می کند, مانند λ (X)X X  X آن خودش تابع است, بنابراین شرح بکار رفته در مثال تابع بی نام با یک آرگومان مشخص است. برای مثال:(λ (X) X  X  X)(4).
برنامه نویسی در یک زبان تابعی شامل ساختمان تعریف توابع و بکاربردن کامپیوتر برای ارزیابی عبارات است. یعنی بکاربردن توابع با آرگومانهای واقعی. کار اصلی برنامه نویسی پس از ساخت یک تابع برای یک مساله خاص ترکیب توابع تعریف شده قبلی با توجه به اصول ریاضی است. کار اصلی کامپیوتر ارزیابی توابع فراخوانی شده و چاپ حاصل مقادیر تابع است. در این روش کامپیوتر مشابه یک کامپیوتر جیبی معمولی بکار می رود البته بسیار انعطاف پذیرتر و قدرتمندتر. یک خاصیت برنامه نویسی تابعی این است که اگر عبارت به خوبی مقداردهی شود آنگاه ترتیب انجام ارزیابی کامپیوتر در نتایج ارزیابی تاثیری ندارد. بنابراین نتیجه ارزیابی یک عبارت تنها مقدار آن است. بدین معنی است که در یک زبان تابعی ناب اثرات جانبی وجود ندارد. اثرات جانبی در مدل موقعیت های حافظه به متغیرها متصل شده اند.بنابراین در یک زبان برنامه نویسی ناب در مفهوم زبانهای دستوری متغیر وجود ندارد. روشهای اصلی کنترل جریان، بازگشت (تکرار) و عبارات شرطی هستند. این کاملاً با زبانهای دستوری در مفهوم اساسی کنترل ترتیب و تکرار متفاوت است. برنامه نویسی تابعی نیز خصوصیات توابع مرتبه بالا را پشتیبانی می کند. تابع مرتبه بالا تعریف تابعی است که اجازه می دهد آرگومانها یا مقدار بازگشتی تابع, مقدار توابع باشند. همه این جوانب با هم مخصوصاً آخری از اصلی ترین مزایای سبک برنامه نویسی تابعی در برابر سبک برنامه نویسی دستوری هستند. خلاصه برنامه نویسی تابعی سطح بالایی از درجه پیمانه ای بودن را فراهم می کند. وقتی یک مسئله با تقسیم آن به مجموعه ای از زیر مسئله ها تعریف می شود, موضوع اصلی روشهایی است که می توان زیر مسئله ها را به یکدیگر چسباند. بنابراین برای افزایش قابلیت پیمانه ای بودن یک مسئله مفهومی, ابتدا باید نوع جدیدی از چسب در زبان برنامه نویسی فراهم شود- قدرت اصلی برنامه نویسی تابعی .
III- برنامه نویسی تابعی در Lisp
Lisp اولین زبان برنامه نویسی تابعی است: آن برای پشتیبانی محاسبات نمادین با استفاده از لیستهای پیوندی بعنوان ساختار مرکزی داده ها ابداع شده بود ( Lisp یعنی پردازشگر لیست). جان مک کارتی دریافت که روشهای کنترل جریان توابع ریاضی (بازگشت و تکرار) وسیله نظری مناسبی برای انجام محاسبات نمادین هستند. علاوه براین مفاهیم خلاصه سازی تابعی و کاربرد تابعی تعریف شده در محاسبات Lambda , سطح بالایی از خلاصه سازی موردنیاز برای مسئله های AI مشخص شده را فراهم می کنند

شامل 41 صقحه Word

هوش مصنوعی 180 ص

اختصاصی از رزفایل هوش مصنوعی 180 ص دانلود با لینک مستقیم و پر سرعت .

عنوان                                                                                                 صفحه

چکیده........................................................................................................................ 1

مقدمه ....................................................................................................................... 2

فصل اول : کلیات موضوع

تعریف و طبیعت هوش مصنوعی......................................................................... 7

پیدایش و پیشرفت هوش مصنوعی  ................................................................... 8

هوش‌ مصنوعی‌ و هوش‌ انسانی.......................................................................... 12

شاخه‌های‌ هوش‌ مصنوعی.................................................................................... 14

فلسفهٔ هوش مصنوعی........................................................................................... 27

ویژگی های هوش مصنوعی................................................................................. 48 دو فرضیه در هوش مصنوعی............................................................................. 52

انواع هوش مصنوعی ............................................................................................53

چکیده

هدف‌ از این‌ پروژه‌ آشنائی‌ با هوش‌ مصنوعی‌ به‌ عنوان‌ سمبل‌ ونماد دوران‌ فراصنعتی‌ و نقش‌ و کاربرد آن‌ در صنایع‌ و مؤسسات‌تولیدی‌ می‌باشد. بدین‌ منظور، این‌ موضوع‌ در قالب‌ 3 فصل ارائه‌ می‌شود. در (فصل‌ اول‌) کلیات هوش‌ مصنوعی‌ موردمطالعه‌ قرار می‌گیرد و سئوالاتی‌ نظیر این‌ که‌ هوش‌ مصنوعی‌چیست‌؟ تفاوت‌ هوش‌مصنوعی‌ و هوش‌ طبیعی‌ (انسانی‌) درچیست‌؟ شاخه‌های‌ عمده‌ هوش‌ مصنوعی‌ کدامند؟ و نهایتأ، اجزای‌هوش‌ مصنوعی‌ نیز تشریح‌ می‌شود ،کاربردهای‌ هوش‌ مصنوعی‌در صنایع‌ و مؤسسات‌تولیدی‌، بخصوص‌ در زمینه‌سیستم‌های‌ خبره‌ وآدمواره‌ها مورد مطالعه‌ وتجزیه‌ و تحلیل‌ قرارمی‌گیرد. ودر فصل دوم به بررسی هوش مصنوعی در بازی های کامپیوتری و در فصل سوم به بررسی تکنیک برنامه نویسی در هوش مصنوعی مورد مطالعه قرار می گیرد  .

پیدایش و پیشرفت هوش مصنوعی 

در اواسط دهه 1990، یک بازی تیراندازی اول شخص منتشر شد که به کاربر امکان می‌داد بازی را برای خود سفارشی (Customize)  کند. این بازی، Quake بود که در فناوری ساخت بازی‌های کامپیوتری یک نوآوری محسوب می‌شد. Quake اولین بازی سه‌بعدی واقعی است. به این معنی که به‌صورت بلا‌درنگ در سه بعد رندر می‌شود. (پیش از آن spiritها یا گرافیک‌های دوبعدی به صورت سه‌بعدی شبیه‌سازی می‌شدند). چیزهای دیگری نیز در این بازی وجود داشت که موردتوجه قرار گرفت؛ مانند نشانه گرفتن سلا‌ح به بالا یا پایین. زیرا حرکت‌دادن سلا‌ح به بالا‌ یا پایین نیازمند پردازش در بعد سوم، یعنی عمق یا ارتفاع در یک محیط سه‌بعدی است.

مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی

اختصاصی از رزفایل مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی دانلود با لینک مستقیم و پر سرعت .

19 صفحه pdf

مقاله مقایسه توانایی مدل شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی ورشکستگی مطالعه موردی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

چکیده مقاله:

پیش بینی ورشکستگی مدت هاست که به عنوان یکی از مهمترین موضوعات مهم در حوزه مدیریت مالی و شناخت فرصت های مطلوب سرمایه گذاری از فرصت های نامطلوب و جلوگیری از به هدر رفتن منابع مطرح است. لذا در این پژوهش سعی شده است تا با بهره گیری از مدل شبکه های عصبی و الگوریتم ژنتیک به مقایسه نتایج حاصل از پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته و همچنین از سوی دیگر با بکارگیری الگوریتم ژنتیک در توسعه تئوری ورشکستگی، راه های غلبه بر ضعف های روش های معمول پیش بینی ورشکستگی مورد بحث و بررسی قرار گیرد. نمونه مورد مطالعه در این پژوهش شامل 70 جفت شرکت ورشکسته و غیر ورشکسته طی بازه زمانی 1390-1380 است. با بررسی های انجام شده بروی اطلاعات مستخرج از صورت های مالی شرکتهای مورد نظر در نهایت 5 متغیر مالی بعنوان متغیرهای مستفل جهت استفاده در هر دو مدل شناسایی گردید. نتایج این پژوهش نشان داد که استفاده از الگوریتم ژنتیک در مقایسه با مدل شبکه های عصبی در پیش بینی ورشکستگی مالی بسیار موثر است بطوریکه این مدل توانست جهت پیش بینی صحیح ورشکستگی مالی شرکتها به ترتیب در دوسال قبل از سال مبنا، یکسال قبل از سال مبنا و سال مبنا به دقتی معادل 96/44 و 97/94 و 95/53 درصد دست یابد.