دانلود پروژه سورس کد برنامه الگوریتم درخت تصمیم Decision Trees algorithm الگوریتم یادگیری ماشین به زبان متلب

اختصاصی از اینو دیدی دانلود پروژه سورس کد برنامه الگوریتم درخت تصمیم Decision Trees algorithm الگوریتم یادگیری ماشین به زبان متلب دانلود با لینک مستقیم و پر سرعت .

دانلود کد برنامه نویسی Decision tree learning uses a decision tree as a predictive model observations

موضوع پروژه: سورس کد برنامه الگوریتم درخت تصمیم Decision Tree و زبان برنامه نویسی متلب

زبان برنامه نویسی: متلب MATLAB

محیط برنامه نویسی: Mathworks MATLAB

توضیحات از ویکی پدیا :

Decision tree learning uses a decision tree as a predictive model observations about an item (represented in the branches) to conclusions about the item's target value (represented in the leaves). It is one of the predictive modelling approaches used in statistics, data mining and machine learning. Tree models where the target variable can take a finite set of values are called classification trees; in these tree structures, leaves represent class labels and branches represent conjunctions of features that lead to those class labels. Decision trees where the target variable can take continuous values (typically real numbers) are called regression trees.

یادگیری درخت تصمیم گیری با استفاده از یک درخت تصمیم گیری به عنوان یک مدل پیش بینی مشاهدات در مورد یک آیتم (ارائه شده در شاخه) به نتیجه گیری در مورد ارزش هدف مورد (نشان در برگ). این یکی از روش های مدل سازی پیش بینی مورد استفاده در آمار، داده کاوی و یادگیری ماشین است. مدل های درخت که در آن متغیر هدف می توانید یک مجموعه متناهی از مقادیر درختان طبقه بندی به نام را؛ در این ساختار درخت، برگ نشان دهنده برچسب کلاس و شاخه نشان دهنده حروف ربط از ویژگی های که منجر به آن برچسب کلاس. درخت های تصمیم گیری که در آن متغیر هدف می تواند مقادیر پیوسته (معمولا اعداد حقیقی) را می درختان رگرسیون نامیده می شود.

نمونه تصاویر خروجی:

ویژگی های این برنامه:

1. نمایش خروجی های الگوریتم درخت تصمیم مانند تصویر نمونه

2. نمایش مراحل کار در خروجی کنسولی

3. توضیحات بلوکی کدها به زبان انگلیسی

راهنمای اجرا:

کافی است فایل decision_trees.m را در نرم افزار متلب اجرا نمایید.

آنچه تحویل داده می شود:

1. کد برنامه قابل اجرا در متلب  - خروجی طبق تصویر نمونه آورده شده (این برنامه درMatlab R2014a تست شده و 100 درصد به صورت تضمینی قابل اجرا می باشد)

2. فایل راهنمای اجرای برنامه

در صورتی که بخواهید می توانیم با قیمتی مناسب داکیومنت توضیحات این پروژه را تهیه کرده و تقدیم نماییم.

مناسب برای دانشجویان کارشناسی (لیسانس) و کاردانی و کارشناسی ارشد

 می توان به عنوان پروژه دروس کارشناسی یا کاردانی یا کارشناسی ارشد، دروسی مانند هوش مصنوعی، طراحی الگوریتم ها ، ژنتیک ، الگوریتم های پیشرفته ، هوش مصنوعی پیشرفته، یادگیری ماشین

 پس از خرید از درگاه امن بانکی، لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده می شود. تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه و یا انجام پروژه های برنامه نویسی و حل تمرینات با آدرس ایمیل:

[e-mail]

یا شناسه تلگرام (آی دی تلگرام ما): @ebarkat

توجه: اگر کارت بانکی شما رمز دوم ندارد و یا در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

توجه توجه توجه: هرگونه کپی برداری و فروش فایل های فروشگاه برکت الکترونیک (به آدرس ebarkat.ir یا codes.sellfile.ir) در فروشگاه های دیگر شرعاً حرام است، تمامی فایل ها و پروژه های موجود در فروشگاه، توسط ما اجرا و پیاده سازی و یا از منابع معتبر زبان اصلی جمع آوری شده اند و دارای حق کپی رایت اسلامی می باشند.

از پایین همین صفحه (بخش پرداخت و دانلود) می توانید این پروژه را خریداری و دانلود نمایید.

کد محصول 303302

تعیین مکان و اندازه dg آقای محمدی

اختصاصی از اینو دیدی تعیین مکان و اندازه dg آقای محمدی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 45

ACO Based Algorithm for Distributed for Distributed generation Sources Allocation and sizing in Distribution Systems.

مقدمه:

در این مقاله، مدلی جهت تعیین مکان و اندازه DG را در یک سیستم توزیع معرفی می گردد که حل با استفاده از بهینه سازی اجتماع مورچگان (ACO) به عنوان یک ابزار بهینه سازی صورت می گیرد. در این الگوریتم DGها به عنوان منابع توان ثابت(نظیر پیلهای سوختی) در نظر گرفته می شوند. بنابراین، اپراتور سیستم توزیع فقط می تواند منابع DG را روشن و خاموش کند و نمی تواند توان خروجی آنها را کم و زیاد کند.

II. فرمولبندی مساله:

در تابع هدف پیشنهادی برای یافتن اندازه و مکان مناسب منابع DG، موارد زیر در نظر گرفته می شود:

- هزینه سرمایه گذاری منابع DG.

- هزینه نگهداری و تعمیر و هزینه عملیاتی منابع DG.

- هزینه تلفات.

- هزینه خرید انرژی در شبکه انتقال.

تابع هدف به شکل معادله زیر فرمول بندی می شود:

(1)

(2)

(3)

که:

Z: مقدار تابع هدف ($)

ncd: شمار مکانهای کاندید برای نصب DG در شبکه.

nld: شمار سطح بار در سال

nss: شمار پستهای HV/MV در سیستم

nyr: دوره برنامه ریزی(سال)

CDGi: ظرفیت انتخاب شده DG برای نصب در گره i(MVA)

KIDG: هزینه سرمایه گذاری منابع DG($/MVA)

Pssl,j: توان ارسالی از پست j به باد را شامل تلفات شبکه(MV)

Cj,l: توان تولیدی توسط مبلغ DG نصب شده در گره j در سطح بار را(MV)

PW: ضریب ارزش فعلی

IntR: نرخ بهره

InrR: نرخ تورم

تابع هدف(1) ضمن رعایت محدودیتهای زیر حداقل می گردد:

- ظرفیت بخشهای فیدر:

توان انتقالی با هر بخش فیدر باید مساوی یا کمتر از ظرفیت حرارتی رساناهای آن باشد.

(4)

که حدهای پخش بار و حرارتی خط بخش i هستند.

- حد دامنه ولتاژ:

الگوریتم پخش بار وفقی اصلاح شده برای ارزیابی رفتار سیستم استفاده شده است. اول ولتاژ گره ها محاسبه می شود. معادله زیر محدودیت متناظر را توصیف می کند:

(5)

که Vi,l دامنه ولتاژ محاسبه شده i امین گره در سطح بار l است.

Vmax , Vmin، مینیمم و ماکزیمم ولتاژ عملیاتی مجاز است.

- حد کل ظرفیت DG:

این محدودیت، کل ظرفیت واحدهای DG نصب شده در سیستم توزیع را محدود می کند.

که CDGi ظرفیت DG انتخاب شده در iامین محل کاندید است. CDGi کل ظرفیت مجاز منابع DG است که در سیستم نصب می شود.

III. بهینه سازی اجتماع مورچه گان(ACO):

A. وجه عمومی الگوریتم ACO از رفتار مورچه ها به دست آمده است، همانطور که شکل 1 نشان می دهد. پروسه الگوریتم ACO زمانبندی سه عمل را مدیریت می کند.

گام اول ارزش دهی فرومن دنباله دار را شامل می شود. در تکرار(دومین بار) گام، هر مورچه یک حل کامل مساله را مطابق یک قانون حالت گذاری احتمالاتی می سازد. قانون حالت گذرا، اساسا به حالت فرومن وابستگی دارد. سومین گام، به روز کردن مقادیر فرومن است. به روز کردن فرومن در دو فاز اعمال می شود. اول فاز تبخیر است که کسری از فرومن تبخیر می شود(خشک می شود، بر باد می رود)، و سپس فاز تقویت شمار فرومن ها را روی مسیر با تعداد راه حل های بالا افزایش می دهد. این پروسه تکرار می شود تا به ملاک توقف برسد.

راه های مختلفی برای تفسیر اصول بالا به پروسه کامپیوتری جهت حل مساله بهینه سازی پیشنهاد می شود. روش بهینه سازی پیشنهادی برای این مقاله براساس الگوریتم ACO پیشنهاد شده در[18] است.

B. اعمال ACO با مساله جایابی DG

مراحل اصلی الگوریتم ACO پیشنهادی به شرح زیر است:

گام اول) نمایش گراف فضای جستجو

قبل از هر چیز، ما به دنبال تدبیری هستیم که ساختاری را نشان دهد که مناسب برای مورچه ها باید تا برای حل مساله جستجو کنند. فضای جستجوی مساله در شکل 2 آمده است.

همه مقادیر ظرفیت کاندید محتمل در مکان n با طبقانی در فضای جستجو تا طبقه n با طبقاتی در فضای جستجو تا طبقه n معرفی می گردند. شمار طبقات برای هر سطح بار مساوی شمار گره های کاندید سیستم توزیع برای مکان DG است. بنابراین، شمار کل طبقات(nldxncd) است. یک حل مساله بعد از فرآیند تصمیم گیری مورچه برای شکل گیری زیر مسیرهای یک نوبت تکمیل می گردد.

گام 2) ارزش دهی ACO

در آغاز الگوریتم ACO، مقادیر فرومن کناره ها در فضای تحقیق، همه به یک مقدار ثابت() ارزش دهی می شوند. این مقدار دهی باعث می شود که مورچه گان مسیر خودشان را به صورت اتفاقی انتخاب کنند و بنابراین، فضای حل به طور موثرتری جستجو می شود.

گام 3) پخش شدن مورچه گان

در این مرحله، مورچه ها پخش می شوند و راه حل ها براساس سطح فرومن لبه ها شکل می گیرد. هر مورچه تور خود را از خانه شروع می کند و یکی از حالتها را در طبقه بعدی انتخاب می کند تا احتمال جهش زیر: (7)

که کل فرومن های امانی روی کناره ij در تکرار t، و مجموعه لبه های در دسترس که مورچه در حالت i می تواند انتخاب کند می باشد.

بعد از اینکه هر مورچه تور خود را به انتها برد، یک راه حل جدید برای مکان DG تولید می شود که با استفاده از تابع برازندگی ارزیابی می گردد.

گام 4) تابع برازندگی

در این گام، برازندگی تورهای تولید شده توسط مورچه ها براساس تابع برازندگی ارزیابی می شود. تابع برازندگی

پاورپوینت الگوریتم جهش قورباغه ه اShuffled Frog Leaping Algorithm

اختصاصی از اینو دیدی پاورپوینت الگوریتم جهش قورباغه ه اShuffled Frog Leaping Algorithm دانلود با لینک مستقیم و پر سرعت .

پاورپوینت الگوریتم جهش قورباغه ه اShuffled Frog Leaping Algorithm

43اسلاید

تاریخچه

üسال 1993 پیدایش ایده الگوریتم ( ترکیب اطلاعات محلی به دست آمده برای به دست آوردن یک جواب بهینه جهانی) توسط Duan و Gupta

üدر سال 1995 پیشنهاد الگوریتم PSO توسط Kennedy و Eberhart

üپیدایش چارچوب دقیق این الگوریتم، درسال 2003 توسط  EusuffوLansey  بود

üدر سال 2004 توسط Liong  و Atiquzzaman  با ایده الگوریتمهای Memetic ترکیب شد

üدر سال 2005 توسط Elbeltagi و گروهش مقایسه جامعی با سایر الگوریتم های تکاملی انجام شد و کارایی آن بررسی شد

üدرسال 2006 ارائه کنندگان SFLA, این الگوریتم را برای مسائل بهینه سازی گسسته نیز استفاده کردند و نیز ففاکتوری به نام فاکتور بهینه سازی به آن افزودند.

üدر سال 2009 بهبود این الگوریتم برای مسائل بهینه سازی پیوسته توسط Zhen ارائه شده است.

در این سال ها و سال های بعد کارایی application های بسیاری توسط این روش بهبود پیدا کرد

زمینه ی زیستی

üالهام گرفتن از طبیعت و حرکت دسته جمعی گروهی از موجودات زنده مثل پرواز پرندگان,کلونی مورچه ها، پرش قورباغه ها و ...

üدوعامل موثر در تکامل موجودات: ژنتیک و آموزش (با نام فرهنگ در جامعه انسانی)

پایه و اساس الگوریتم جهش قورباغه, تکامل از طریق اطلاعاتی که بین افراد جمعیت به اشتراک گذاشته می‌شود  می‌باشد

ترجمه مقاله Location Based Self Adaptive Routing Algorithm for Wireless Sensor Networks in Home Automation

اختصاصی از اینو دیدی ترجمه مقاله Location Based Self Adaptive Routing Algorithm for Wireless Sensor Networks in Home Automation دانلود با لینک مستقیم و پر سرعت .

Location Based Self Adaptive Routing Algorithm for Wireless Sensor Networks in Home Automation

Abstract

The use of wireless sensor networks in home automation (WSNHA) is attractive due to their characteristics of self-organization, high sensing fidelity, low cost, and potential for rapid deployment. Although the AODVjr routing algorithm in IEEE 802.15.4/ZigBee and other routing algorithms have been designed for wireless sensor networks, not all are suitable for WSNHA In this paper, we propose a location-based self-adaptive routing algorithm for WSNHA called WSNHA-LBAR. It confines route discovery flooding to a cylindrical request zone, which reduces the routing overhead and decreases broadcast storm problems in the MAC layer. It also automatically adjusts the size of the request zone using a self-adaptive algorithm based on Bayes’ theorem. This makes WSNHA-LBAR more adaptable to the changes of the network state and easier to implement. Simulation results show improved network reliability as well as reduced routing overhead.

الگوریتم مسیریابی خود تطبیقی مبتنی بر مکان برای شبکه های حسگر بی سیم در اتوماسیون خانگی

چکیده

استفاده از شبکه های گیرنده بی سیم در اتوماسیون داخلی (WSNHA) به دلیل خصوصیات خود سازماندهی ، دقت دریافت بالا، هزینه پایین، و پتانسیل هایی برای گسترش سریع جالب توجه می باشند. اگرچه الگوریتم مسیریابی در IEEE 802.15.4/ZigBee  و الگوریتم های مسیریابی دیگر برای شبکه های گیرنده بی سیم طراحی شده است، تمام آن ها برای WSNHA مناسب نمی باشد. در این مقاله، ما یک الگوریتم مسیریابی منطقی بر مبنای موقعیت برای شبکه های گیرنده بی سیم را برای WSNHA به نام WSNHA-LBAR مطرح می کنیم. آن مجموعه ای از مسیرهای اکتشافی را برای نواحی درخواستی استوانه ای محدود کرده، که مسیرهای بالاسری را کاهش داده و مشکلات مربوط به طوفانی از موارد منتشر شده را کمتر می کند. آن همچنین به صورت اتوماتیک اندازه نواحی درخواستی را با استفاده از الگوریتم خود انطباقی بر اساس قضیه بیزی تطبیق می دهد. این موارد WSNHA-LBAR را نسبت به تغییرات وضعیت شبکه سازگارتر کرده و برای اجرا آسان تر می کند. نتایج شبیه سازی بهبودی را در اعتبار شبکه ایجاد کرده و همچنین مسیربابی بالاسری را کاهش می دهد.

• سال : 2011
• تعداد صفحات انگلیسی پی دی اف : 15
• تعداد صفحات فارسی ورد : 26

 ( لینک دانلود مقاله همراه با ترجمه فارسی رو از لینک زیر دانلود کنید )