👈فول فایل فور یو ff4u.ir 👉

دانلود پایان نامه پیش بینی دما با استفاده از روش های هوشمند 110ص

ارتباط با ما

دانلود


دانلود پایان نامه پیش بینی دما با استفاده از روش های هوشمند 110ص
فهرست مطالب
 
چکيده
پيش بيني يا پيشگويي در دنياي کنوني جز لاينکف زندگي بشر محسوب مي شوند، پيش بيني دما به علت اهميت آن در صنعت بيمه، کشاورزي، خشکسالي و... اهميت فوق العاده اي در پيش بيني هاي هواشناسي دارد.
بنابراين در ابتدا در رابطه با اهميت دما و عوامل موثر بر آن مطالبي ارائه مي کنيم. طبق بررسي هاي به عمل آمده از آنجا که دو روش منطق فازي و الگوريتم ژنتيک از روشهاي مطرح شده با دقت پيش بيني بالا هستند در یک فصل به دو مبحث منطق فازي و رياضيات فازي اشاره مي شود و در فصلي ديگر توضيحي اجمالي از الگوريتم ژنتيک خواهيم داشت.
در نهايت مقالات معتبر علمي مرتبط با پيش بيني دما ارائه شده اند که حاوي انجام آزمايشات و مشاهداتي هستندکه توسط دو روش الگوريتم ژنتيک ومنطق فازي پيش بيني مي شوند.
 
واژه هاي کليدي:
پيش بيني(forecasting )، پيشگويي دما (temperature prediction)، الگوريتم ژنتيک
(genetic algorithm)، سري هاي زماني فازي (fuzzy time series)، منطق فازي .(fuzzy logic)
مقدمه
 
تابش هاي مستقيم و غير مستقيم منشا اصلي انرژي حرارتي کره ي زمين است بازتاب آن ها توسط زمين موجب گرم شدن هوا مي گردد. اندازه گيري دما در محيط باز نشان دهنده ي دماي هوا ، دماي ناشي از تابش هاي اجسام مجاور و تابش هاي مستقيم خورشيد است به همين دليل دماسنج ها را در پناهگاههاي هواشناسي قرار مي دهند به طوريکه مخزن آن ها از سطح زمين در ارتفاع مشخصي در حدود 135 سانتي متري قرارداشته باشند. به اين ترتيب دماي هواي بدست آمده در نقاط مختلف با يکديگر قابل مقايسه هستند و تحت تاثير تابش هاي مستقيم يا غير مستقيم نمي باشند. از جمله عوامل موثر در دماي يک منطقه عرض جغرافيايي، ارتفاع، جريان هاي دريايي، فاصله از دريا، باد، جهت و پوشش ابري مي باشند.
حال با توجه به عوامل ذکر شده براي پيش بيني دما روش هاي گوناگوني به کاربرده شده است طوري که در پي ساليان متمادي تحقيق و پژوهش، روشهاي گوناگوني در زمينه پيش بيني پيشنهاد گرديدند که مي‌توان آنها را در دو گروه روش هاي کلاسيک و اکتشافي مدرن طبقه بندي کرد روشهاي کلاسيک بر پايه ي احتمالات و مدل رياضي عمل مي‌کنند ولي روش هاي اکتشافي هوشمند، از سيستم هاي مبتني بر شبکه هاي عصبي، منطق فازي، الگوريتم هاي تکاملي...
نظريه ي فازي براي اينکه موضوعات و مسائل پپچيده و بزرگ مقياس که شامل بازيابي اطلاعات مي‌باشند، قابل فهم باشد و بتوان با ظرفيت فکري اندک تصميمي معين گرفت، روشي قابل انعطاف و کلي که در قيد جزئيات کم اهميت نيست، ارائه مي‌دهد. اين روش از عهده‌ي موقعيتهاي اجتماعي و اقتصادي و محيط طبيعي که نيازمند تنوع و انعطاف است، برمي‌آيد.
به منظور ايجاد الگويي شبيه به پردازش عمومي اطلاعات هوشمندانه‌ي بشر، دانش و تجربه‌ي افراد باتجربه ومتخصصان مجرب به زبان طبيعي، وارد رايانه شده و عمليات منطقي به صورت اجمالي اجرا مي‌شوند و با استفاده از اين الگو، تحليل پيش برده مي‌شود و فعاليت‌هاي بشر يا پديده ها و اوضاع اجتماعي و بازرگاني مورد بررسي قرار مي‌گيرند. بيشتر روشهاي فازي که براي مديريت تکميل شده اند از اين روش بهره مي‌گيرند.
در اين فصل ابتدا تاريخچه اي از منطق فازي بيان مي شود و در ادامه با منطق فازي آشنا خواهيم شد. درآخرهم چگونگي کارکرد سيستم هاي فازي بررسي مي شود.
دهه ي1960آغاز نظريه فازي بود. نظريه‌ي فازي به وسيله پروفسور لطفي زاده در سال1965در مقاله اي به نام مجموعه هاي فازي معرفي شد. ايشان قبل از کار بر روي نظريه‌ي فازي، يک استاد برجسته در نظريه کنترل بود. او مفهوم "حالت" را که براساس نظريه‌ي کنترل مدرن را شکل مي‌دهد، توسعه داد. عسگرزاده در سال1962چيزي را بدين مضمون براي سيستمهاي بيولوژيک نوشت: "ما اساساً به نوع جديد رياضيات نيازمنديم؛ رياضيات مقادير...
-2-6-2- ترکیب روابط فازی
یکی از مهمترین عملیات روابط فازی، عملیات ترکیب آنهاست. در حالت کلی اگر داشته باشیم:
X={x1,….,xm}و Y={y1,….,yn} و Z={z1,….,zu}
و R رابطه ی فازی بین X و Y بوده وS رابطه ی فازی بین Yو Zباشد، ترکیب این دو رابطه ی فازی(ROS)، رابطه ای فازی بین XوZ خواهد بود.
 
ترکیب روابط فازی مطابق با ضرب ماتریسها است (اگر به جای مینیمم، ضرب وبه جای ماکزیمم، جمع را جایگزین کنیم). برخی از ویژگی های بنیادی ترکیب عبارتند از:
(ROS)OT=RO(SOT) (1-27)
ROSSOR (1-28)
RS,T⊆WROT⊆ SOW...
-3- الگوريتم ژنتيک چيست؟
الگوريتم هاي ژنتيک از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش بيني يا تطبيق الگو استفاده مي‌کنند. الگوريتم هاي ژنتيک اغلب گزينه خوبي براي تکنيک هاي پيش بيني بر مبناي رگرسيون هستند.همان طور ساده،خطي وپارامتريک گفته مي‌شود، به الگوريتم‌هاي ژنتيک مي‌توان غير پارامتريک گفت.
براي مثال اگر بخواهيم نوسانات قيمت نفت را با استفاده از عوامل خارجي وارزش رگرسيون خطي ساده مدل کنيم، اين فرمول را توليد خواهيم کرد: قيمت نفت در زمان t= ضريب 1 نرخ بهره در زمان t + ضريب 2 نرخ بيکاري در زمان t + ثابت 1 . سپس از يک معيار براي پيدا کردن بهترين مجموعه ضرايب و ثابت ها جهت مدل کردن قيمت نفت استفاده خواهيم کرد. در اين روش 2 نکته اساسي وجود دارد. اول اين روش خطي است و مسئله دوم اين است که ما به جاي اينکه در ميان "فضاي پارامترها"جستجو کنيم ،پارامترهاي مورد استفاده را مشخص کرده ايم.
با استفاده از الگوريتم هاي ژنتيک ما يک ابر فرمول يا طرح تنظيم مي کنيم که چيزي شبيه"قيمت نفت در زمان t تابعي از حداکثر 4 متغير است"را بيان مي کند. سپس داده هايي براي گروهي از متغيرهاي مختلف، شايد در حدود 20 متغير فراهم خواهيم کرد. سپس الگوريتم ژنتيک اجرا خواهد شد که بهترين تابع و متغيرها را مورد جستجو قرار مي دهد. روش کار الگوريتم ژنتيک به طور فريبنده اي ساده، خيلي قابل درک وبه طور قابل ملاحظه اي روشي است که ما معتقديم حيوانات آنگونه تکامل يافته اند. هر فرمولي که از طرح داده شده بالا تبعيت کند فردي از...
-10- نقاط قوت الگوريتم هاي ژنتيک
اولين و مهمترين نقطه قوت اين الگوريتم ها اين است که الگوريتم هاي ژنتيک ذاتاً موازي اند. اکثر الگوريتم هاي ديگر موازي نيستند و فقط مي‌توانند فضاي مسئله مورد نظر را در يک جهت در يک لحظه جستجو کنند واگر راه حل پيدا شده يک جواب بهينه محلي باشد و يا زير مجموعه اي از جواب اصلي باشد بايد تمام کارهايي که تا به حال انجام شده را کنار گذاشت و دوباره از اول شروع کرد. از آنجايي که GA چندين نقطه شروع دارد، در يک لحظه مي‌تواند فضاي مسئله را از چند جهت مختلف جستجو کند. اگر يکي به نتيجه نرسيد ساير راه ها ادامه مي‌يابند و منابع بيشتري در اختيارشان قرار مي گيرد. در نظر بگيريد: همه 8 عدد رشته باينري يک فضاي جستجو را تشکيل مي دهند،که مي تواند به صورت ******** نشان داده شود. رشته 01101010 يکي از اعضاي اين فضاست. همچنين عضوي از فضاهاي *******0و******01و0 ******0و*1*1*1*0و 0**01*01 والي آخر باشد.
به دليل موازي بودن واين که چندين رشته در يک لحظه مورد ارزيابي قرار مي گيرند GA ها براي مسائلي که فضاي راه حل بزرگي دارند بسيار مفيد است. اکثر مسائلي که اين گونه اند به عنوان "غير خطي" شناخته شده اند. در يک مسئله خطي، Fitness هر عنصر مستقل است، پس هر تغييري در يک قسمت بر تغيير و پيشرفت کل سيستم تاثير مستقيم دارد. مي‌دانيم که تعداد کمي از مسائل دنياي واقعي به صورت خطي اند. در مسائل غير خطي تغيير در يک قسمت ممکن است تاثيري ناهماهنگ بر کل سيستم ويا تغيير در چند عنصر تاثير فراواني بر سيستم بگذارد. خوشبختانه...
منابع
دکتر محمد مهدوی ،هیدرولوژی کاربردی، جلد1، انتشارات دانشگاه تهران[1]
 
دکتر هوشنگ قائمی، مبانی هواشناسی،انتشارات دانشگاه شهید بهشتی[2]
 
امین کوره پزان دزفولی،اصول تئوری مجموعه های فازی[3]
 
ترجمه ی دکتر محمد حسین فاضل زرندی،تالیف جی.ج.کلر-یو.اس.کلیر و ب.یوآن،تئوری مجموعه های فازی[4]
 
[5]George J. KlirBo Yuan,Fuzzy sets and Fuzzy Logic, Theory and applications,Prentice Hall PTR , 1995.
 
[6] Anna Kolesárová, Monika Kováčová,Fuzzy sets and their applicationsSTU Bratislava 2004, ISBN 8022720364
 
[7] Chen, G. Q,Fuzzy Logic in Data Modeling, Semantics, Constraints, and DatabaseDesign,Kluwer Academic Publisher,1999.
 
[8] [Zad65],Fuzzy Sets, Zadeh L.A., 1965
 
[9] [KYu],Fuzzy Sets and Fuzzy Logic– Theory and Applications, Klin D. George, Bo Yuan
 
[10] [MLAB], Fuzzy Logic Toolbox, The MathWorks, www.mathworks.com.
 
[11] [Zim85], Fuzzy Sets, Decision Making and Expert Systems, Zimmermam Hans J., Kluwer Academic Press.
 
[12] [DPR1], Readings in Fuzzy Set – Fuzzy numbers an overview, Dubois and Prade.
 
[13] [KZF], An InteractiveUser-Friendly Decision Support System for consensus Reaching Based on Fuzzy Logic with linguistic quantifiers, Kacprzyk, Zadrozny and Fedrizzi.
 
[14] [YAG88], An Ordered Weighted Averaging Aggregation Operators in Multicriteria
Decision Making , Ronald Yager.
 
[15] [VIL03], Introducción a la Lógica Difusa para la representación de información imprecisa, Vila Amparo, 2002-2003.
 
[16] V. Cross and A. Firat, “Fuzzy objects for geographical information systems,”FuzzySets and Systems, Vol. 113, 2000, pp. 19-36.
 
[17] V. Cross, “Fuzzy extensions for relationships in a generalized object model,”InternationalJournal of Intelligent Systems, Vol. 16, 2001, pp. 843-861.
 
[18] V. Cross, “Defining fuzzy relationships in object models: Abstraction and interpretation,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 5-27.
 
[19] V. Cross, R. Caluwe, and N. van Gyseghem, “A perspective from the fuzzy object
data management group (FODMG),” inProceedings of the 6th IEEE InternationalConference on Fuzzy Systems, Vol. 2, 1997, pp. 721-728.
 
[20] J. C. Cubero and M. A. Vila, “A new definition of fuzzy functional dependency in
[21]fuzzy relational databases,”International Journal of Intelligent Systems, Vol. 9, 1994, pp. 441-448.
 
[22 ] G. de Tré and R. de Caluwe, “Level-2 fuzzy sets and their usefulness in object- oriented
 
[23]database modeling,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 29-49.
 
[24] D. Dubois, H. Prade, and J. P. Rossazza, “Vagueness, typicality, and uncertainty in
class hierarchies,”International Journal of Intelligent Systems, Vol. 6, 1991, pp. 167-183.
 
[25] R. George, R. Srikanth, F. E. Petry, and B. P. Buckles, “Uncertainty management issues in the object-oriented data model,”IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 179-192and Applications Symposium, 2000, pp. 47-54.
 
[26] D. Bottazzi, A. Corradi and R. Montanari: A Contextaware Group Management Middleware to suppor
 
[27]Central Weather Bureau.(1996). The historical data of the daily averagetemperature and daily cloud density (from January 1995 to September1996). Taipei, Taiwan, R.O.C.
 
[28]Chen, S. M.(1996). Forecasting enrollments based on fuzzy time series.Fuzzy Sets and Systems, 81(3), 311–319.
 
[29]Chen, S. M.(2002). Forecasting enrollments based on high-order fuzzytime series. Cybernetics and Systems: An International Journal, 33(1),1–16.
 
[30]Chen, S. M., & Hwang, J. R.(2000). Temperature prediction using fuzzytime series. IEEE Transactions on Systems, Man, and Cybernetics –Part B: Cybernetics, 30(2), 263–275.
 
[31]Gen, M., & Cheng, R.(1997). Genetic algorithms and engineering design.New York: John Wiley & Sons.
 
[32]Goldberg, D. E.(1989). Genetic algorithm in search, optimization, andmachine learning. Massachusetts: Addison-Wesley.
 
[33]Goldberg, D. E., Korb, B., & Deb, K.(1989). Messy genetic algorithms:motivation, analysis, and first results. Complex Systems, 3(5),493–530.
 
[34]Holland, J. H.(1975). Adaptation in natural and artificial systems.Cambridge, MA: MIT Press.
 
[35]Huarng, K.(2001a). Effective lengths of intervals to improve forecasting infuzzy time series. Fuzzy Sets and Systems, 123(3), 387–394.
 
[36]Huarng, K.(2001b). Heuristic models of fuzzy time series for forecasting.Fuzzy Sets and Systems, 123(3), 369–386.
 
[37]Hwang, J. R., Chen, S. M., & Lee, C. H.(1998). Handling forecastingproblems using fuzzy time series. Fuzzy Sets and Systems, 100(2),217–228.
 
[38]Lee, L. W., & Chen, S. M.(2004). Temperature prediction using geneticalgorithms and fuzzy time series. In Proceedings of the 2004 internationalconference on information management, Miaoli, Taiwan, Republicof China (pp. 299–306).
 
[39]Lee, L. W., Wang, L. H., Chen, S. M., & Leu, Y. H.(2004). A new methodfor handling forecasting problems based on two-factors high-orderfuzzy time series. In Proceedings of the 2004 ninth conference onartificial intelligence and applications, Taipei, Taiwan, Republic ofChina.
 
[40]Song, Q.(2003). A note on fuzzy time series model selection with sampleautocorrection functions. Cybernetics and Systems: An InternationalJournal, 34(2), 93–107.
 
[41]Song, Q., & Chissom, B. S.(1993a). Fuzzy time series and its models.Fuzzy Sets and Systems, 54(3), 269–277.
 
[42]Song, Q., & Chissom, B. S.(1993b). Forecasting enrollments with fuzzytime series – Part I. Fuzzy Sets and Systems, 54(1), 1–9.
 
[43]Song, Q., & Chissom, B. S.(1994a). Some properties of defuzzificationneural networks. Fuzzy Sets and Systems, 61(1), 83–89.
 
[44]Song, Q., & Chissom, B. S.(1994b). Forecasting enrollments with fuzzytime series – Part II. Fuzzy Sets and Systems, 62(1), 1–8.
 
[45]Sullivan, J., & Woodall, W. H.(1994). A comparison of fuzzy forecastingand Markov modeling. Fuzzy Sets and Systems, 64(3), 279–293.
 
[46]Zadeh, L. A.(1965). Fuzzy sets. Information and Control, 8, 338–353
 
[47] B.A. Smith, R.W McClendon, G. Hoogenboon,“Improving Air Temperature Prediction with ArtificialNeural Networks”, International Journal of ComputationalIntelligence, vol. 3, (3), pp. 179-186, 2006.
 
[48] J. Shao,“Application of artificial neural networks toimprove short-term road ice forecasts”, Expert SystemsWith Applications, vol. 14, pp 471-482, 1998.
 
[49] J. Shao,“Improving Now casts of Road SurfaceTemperature by a Back propagation Neural Network”,Weather and Forecasting, vol. 13, pp. 164-171, 1998.
 
[50] G. Emmanouli, G. Galantis & G.Kallos,“Statisticalmethods for the prediction of night-time cooling andminimum temperature”, Meterol. Appl, vol. 13, pp. 169-178, 2006.
 
[51] J.P. Lhomme, L.Guilioni, “A simple model forminimum crop temperature forecasting during nocturnalcooling”, Agricultural and Forest Meterology, vol .123, pp.55-68, 2004.
 
[52] O.Guerrera,“Frost damage bill tipped to reach $500m in north”, Sept 2006;http://www.theage.com.au/news/national/frost-damage-billtipped-to-reach-500m-innorth/
2006/09/25/1159036473098.html
 
[53] Wolfram Mathworld,“Least Square Fitting – Pollynomial”;http://mathworld.wolfram.com/LeastSquaresFittingPolynomial.html
 
[54]Attia, A. F. 2005 in press
 
[55]Attia, A. F., Rabab, H., & Maha, S.Q. 2004, Solar Phys., 227, 1
 
[56]Briffa, K.R., & Jones, P.D.1993, The Holocene, 3,77
 
[57]Dergachev,V., & Kartavykh, Y. 2002, 34thCOSPAR Scientific Assembly ,the second world Space Congress, 10-19 Oct 2002 in Houston, TX,USA
 
[58]Folland, C.K., & Parker, D.E.1995, Quarterly Journal of the Royal Meteorological Society, 121, 319
 
[59]Huang, S.2004, Geophys Res Letters, 31, 13, CiteID, L3205
 
[60]Jones, P.D., Osborn, T.J., Bri_a, K.R., Folland, C.K. , Horton, E.B., Alexander, L.V., Parker, D.E., & Rayner, N.A. 2001, Journal of Geophysical Research, 106, 3371
 
[61]Jones, P.D., New, M., Parker, D.E., Martin, S., & Rigor, I.G.1999, Reviews of Geophysics, 37, 173
 
[62]J. T. Houghton, L. G. Meira Filho, B. A. Calander, N. Harris, A. Kattenberg, and K. Maskell (Eds.)1995, Cambridge University Press, 133
 
[63]Jones, P.D., & Bri_a, R.1992, The Holocene, 2, 165
 
[64]Levitus, S., Antonov, J., & Boyer, T.2005, Geophys. Res. Letters, 32, 2, Cite ID L02604
 
[65]Meehl, G.A.2004, J.Climate
 
[66]Maha, S.Q.2004 Cospar, 2004, Paris
 
[67]Nicholls, N., et al.1996, Climate Change
 
[68]North,G.R.2004: American Geophysical Union, Meeting 2004,abstract SH51E-06
 
[69]Pang,K.D., & Yau, K.K.2004, American Astronomical society Meeting 205, 44.01
 
[70]Yousef, S.2003, ESA SP-535, ISBN 92-9092- 845-X, 397
 
مجله علم و کامپيوتر [71]www.ccwmagazine.com
[72] www.wikipedia.com
[73] www.talkorigins.org
[74] www.gpwiki.org
[75] پاورپوينت Koza www.smi.stanford.edu/people/koza
[76] دانشکده کامپيوتر دانشگاه McGill کاناداwww.cgm.cs.mcgill.ca
[77]www.sharifthinktank.com
[78] www.itna.com
[79] Guided operators for a hipper-heuristic Genetic Algorithm www.cs.nott.ac.ukIT university of Nottingham
 
 
فهرست مطالب
 
چکيده
پيش بيني يا پيشگويي در دنياي کنوني جز لاينکف زندگي بشر محسوب مي شوند، پيش بيني دما به علت اهميت آن در صنعت بيمه، کشاورزي، خشکسالي و... اهميت فوق العاده اي در پيش بيني هاي هواشناسي دارد.
بنابراين در ابتدا در رابطه با اهميت دما و عوامل موثر بر آن مطالبي ارائه مي کنيم. طبق بررسي هاي به عمل آمده از آنجا که دو روش منطق فازي و الگوريتم ژنتيک از روشهاي مطرح شده با دقت پيش بيني بالا هستند در یک فصل به دو مبحث منطق فازي و رياضيات فازي اشاره مي شود و در فصلي ديگر توضيحي اجمالي از الگوريتم ژنتيک خواهيم داشت.
در نهايت مقالات معتبر علمي مرتبط با پيش بيني دما ارائه شده اند که حاوي انجام آزمايشات و مشاهداتي هستندکه توسط دو روش الگوريتم ژنتيک ومنطق فازي پيش بيني مي شوند.
 
واژه هاي کليدي:
پيش بيني(forecasting )، پيشگويي دما (temperature prediction)، الگوريتم ژنتيک
(genetic algorithm)، سري هاي زماني فازي (fuzzy time series)، منطق فازي .(fuzzy logic)
مقدمه
 
تابش هاي مستقيم و غير مستقيم منشا اصلي انرژي حرارتي کره ي زمين است بازتاب آن ها توسط زمين موجب گرم شدن هوا مي گردد. اندازه گيري دما در محيط باز نشان دهنده ي دماي هوا ، دماي ناشي از تابش هاي اجسام مجاور و تابش هاي مستقيم خورشيد است به همين دليل دماسنج ها را در پناهگاههاي هواشناسي قرار مي دهند به طوريکه مخزن آن ها از سطح زمين در ارتفاع مشخصي در حدود 135 سانتي متري قرارداشته باشند. به اين ترتيب دماي هواي بدست آمده در نقاط مختلف با يکديگر قابل مقايسه هستند و تحت تاثير تابش هاي مستقيم يا غير مستقيم نمي باشند. از جمله عوامل موثر در دماي يک منطقه عرض جغرافيايي، ارتفاع، جريان هاي دريايي، فاصله از دريا، باد، جهت و پوشش ابري مي باشند.
حال با توجه به عوامل ذکر شده براي پيش بيني دما روش هاي گوناگوني به کاربرده شده است طوري که در پي ساليان متمادي تحقيق و پژوهش، روشهاي گوناگوني در زمينه پيش بيني پيشنهاد گرديدند که مي‌توان آنها را در دو گروه روش هاي کلاسيک و اکتشافي مدرن طبقه بندي کرد روشهاي کلاسيک بر پايه ي احتمالات و مدل رياضي عمل مي‌کنند ولي روش هاي اکتشافي هوشمند، از سيستم هاي مبتني بر شبکه هاي عصبي، منطق فازي، الگوريتم هاي تکاملي...
نظريه ي فازي براي اينکه موضوعات و مسائل پپچيده و بزرگ مقياس که شامل بازيابي اطلاعات مي‌باشند، قابل فهم باشد و بتوان با ظرفيت فکري اندک تصميمي معين گرفت، روشي قابل انعطاف و کلي که در قيد جزئيات کم اهميت نيست، ارائه مي‌دهد. اين روش از عهده‌ي موقعيتهاي اجتماعي و اقتصادي و محيط طبيعي که نيازمند تنوع و انعطاف است، برمي‌آيد.
به منظور ايجاد الگويي شبيه به پردازش عمومي اطلاعات هوشمندانه‌ي بشر، دانش و تجربه‌ي افراد باتجربه ومتخصصان مجرب به زبان طبيعي، وارد رايانه شده و عمليات منطقي به صورت اجمالي اجرا مي‌شوند و با استفاده از اين الگو، تحليل پيش برده مي‌شود و فعاليت‌هاي بشر يا پديده ها و اوضاع اجتماعي و بازرگاني مورد بررسي قرار مي‌گيرند. بيشتر روشهاي فازي که براي مديريت تکميل شده اند از اين روش بهره مي‌گيرند.
در اين فصل ابتدا تاريخچه اي از منطق فازي بيان مي شود و در ادامه با منطق فازي آشنا خواهيم شد. درآخرهم چگونگي کارکرد سيستم هاي فازي بررسي مي شود.
دهه ي1960آغاز نظريه فازي بود. نظريه‌ي فازي به وسيله پروفسور لطفي زاده در سال1965در مقاله اي به نام مجموعه هاي فازي معرفي شد. ايشان قبل از کار بر روي نظريه‌ي فازي، يک استاد برجسته در نظريه کنترل بود. او مفهوم "حالت" را که براساس نظريه‌ي کنترل مدرن را شکل مي‌دهد، توسعه داد. عسگرزاده در سال1962چيزي را بدين مضمون براي سيستمهاي بيولوژيک نوشت: "ما اساساً به نوع جديد رياضيات نيازمنديم؛ رياضيات مقادير...
-2-6-2- ترکیب روابط فازی
یکی از مهمترین عملیات روابط فازی، عملیات ترکیب آنهاست. در حالت کلی اگر داشته باشیم:
X={x1,….,xm}و Y={y1,….,yn} و Z={z1,….,zu}
و R رابطه ی فازی بین X و Y بوده وS رابطه ی فازی بین Yو Zباشد، ترکیب این دو رابطه ی فازی(ROS)، رابطه ای فازی بین XوZ خواهد بود.
 
ترکیب روابط فازی مطابق با ضرب ماتریسها است (اگر به جای مینیمم، ضرب وبه جای ماکزیمم، جمع را جایگزین کنیم). برخی از ویژگی های بنیادی ترکیب عبارتند از:
(ROS)OT=RO(SOT) (1-27)
ROSSOR (1-28)
RS,T⊆WROT⊆ SOW...
-3- الگوريتم ژنتيک چيست؟
الگوريتم هاي ژنتيک از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش بيني يا تطبيق الگو استفاده مي‌کنند. الگوريتم هاي ژنتيک اغلب گزينه خوبي براي تکنيک هاي پيش بيني بر مبناي رگرسيون هستند.همان طور ساده،خطي وپارامتريک گفته مي‌شود، به الگوريتم‌هاي ژنتيک مي‌توان غير پارامتريک گفت.
براي مثال اگر بخواهيم نوسانات قيمت نفت را با استفاده از عوامل خارجي وارزش رگرسيون خطي ساده مدل کنيم، اين فرمول را توليد خواهيم کرد: قيمت نفت در زمان t= ضريب 1 نرخ بهره در زمان t + ضريب 2 نرخ بيکاري در زمان t + ثابت 1 . سپس از يک معيار براي پيدا کردن بهترين مجموعه ضرايب و ثابت ها جهت مدل کردن قيمت نفت استفاده خواهيم کرد. در اين روش 2 نکته اساسي وجود دارد. اول اين روش خطي است و مسئله دوم اين است که ما به جاي اينکه در ميان "فضاي پارامترها"جستجو کنيم ،پارامترهاي مورد استفاده را مشخص کرده ايم.
با استفاده از الگوريتم هاي ژنتيک ما يک ابر فرمول يا طرح تنظيم مي کنيم که چيزي شبيه"قيمت نفت در زمان t تابعي از حداکثر 4 متغير است"را بيان مي کند. سپس داده هايي براي گروهي از متغيرهاي مختلف، شايد در حدود 20 متغير فراهم خواهيم کرد. سپس الگوريتم ژنتيک اجرا خواهد شد که بهترين تابع و متغيرها را مورد جستجو قرار مي دهد. روش کار الگوريتم ژنتيک به طور فريبنده اي ساده، خيلي قابل درک وبه طور قابل ملاحظه اي روشي است که ما معتقديم حيوانات آنگونه تکامل يافته اند. هر فرمولي که از طرح داده شده بالا تبعيت کند فردي از...
-10- نقاط قوت الگوريتم هاي ژنتيک
اولين و مهمترين نقطه قوت اين الگوريتم ها اين است که الگوريتم هاي ژنتيک ذاتاً موازي اند. اکثر الگوريتم هاي ديگر موازي نيستند و فقط مي‌توانند فضاي مسئله مورد نظر را در يک جهت در يک لحظه جستجو کنند واگر راه حل پيدا شده يک جواب بهينه محلي باشد و يا زير مجموعه اي از جواب اصلي باشد بايد تمام کارهايي که تا به حال انجام شده را کنار گذاشت و دوباره از اول شروع کرد. از آنجايي که GA چندين نقطه شروع دارد، در يک لحظه مي‌تواند فضاي مسئله را از چند جهت مختلف جستجو کند. اگر يکي به نتيجه نرسيد ساير راه ها ادامه مي‌يابند و منابع بيشتري در اختيارشان قرار مي گيرد. در نظر بگيريد: همه 8 عدد رشته باينري يک فضاي جستجو را تشکيل مي دهند،که مي تواند به صورت ******** نشان داده شود. رشته 01101010 يکي از اعضاي اين فضاست. همچنين عضوي از فضاهاي *******0و******01و0 ******0و*1*1*1*0و 0**01*01 والي آخر باشد.
به دليل موازي بودن واين که چندين رشته در يک لحظه مورد ارزيابي قرار مي گيرند GA ها براي مسائلي که فضاي راه حل بزرگي دارند بسيار مفيد است. اکثر مسائلي که اين گونه اند به عنوان "غير خطي" شناخته شده اند. در يک مسئله خطي، Fitness هر عنصر مستقل است، پس هر تغييري در يک قسمت بر تغيير و پيشرفت کل سيستم تاثير مستقيم دارد. مي‌دانيم که تعداد کمي از مسائل دنياي واقعي به صورت خطي اند. در مسائل غير خطي تغيير در يک قسمت ممکن است تاثيري ناهماهنگ بر کل سيستم ويا تغيير در چند عنصر تاثير فراواني بر سيستم بگذارد. خوشبختانه...
منابع
دکتر محمد مهدوی ،هیدرولوژی کاربردی، جلد1، انتشارات دانشگاه تهران[1]
 
دکتر هوشنگ قائمی، مبانی هواشناسی،انتشارات دانشگاه شهید بهشتی[2]
 
امین کوره پزان دزفولی،اصول تئوری مجموعه های فازی[3]
 
ترجمه ی دکتر محمد حسین فاضل زرندی،تالیف جی.ج.کلر-یو.اس.کلیر و ب.یوآن،تئوری مجموعه های فازی[4]
 
[5]George J. KlirBo Yuan,Fuzzy sets and Fuzzy Logic, Theory and applications,Prentice Hall PTR , 1995.
 
[6] Anna Kolesárová, Monika Kováčová,Fuzzy sets and their applicationsSTU Bratislava 2004, ISBN 8022720364
 
[7] Chen, G. Q,Fuzzy Logic in Data Modeling, Semantics, Constraints, and DatabaseDesign,Kluwer Academic Publisher,1999.
 
[8] [Zad65],Fuzzy Sets, Zadeh L.A., 1965
 
[9] [KYu],Fuzzy Sets and Fuzzy Logic– Theory and Applications, Klin D. George, Bo Yuan
 
[10] [MLAB], Fuzzy Logic Toolbox, The MathWorks, www.mathworks.com.
 
[11] [Zim85], Fuzzy Sets, Decision Making and Expert Systems, Zimmermam Hans J., Kluwer Academic Press.
 
[12] [DPR1], Readings in Fuzzy Set – Fuzzy numbers an overview, Dubois and Prade.
 
[13] [KZF], An InteractiveUser-Friendly Decision Support System for consensus Reaching Based on Fuzzy Logic with linguistic quantifiers, Kacprzyk, Zadrozny and Fedrizzi.
 
[14] [YAG88], An Ordered Weighted Averaging Aggregation Operators in Multicriteria
Decision Making , Ronald Yager.
 
[15] [VIL03], Introducción a la Lógica Difusa para la representación de información imprecisa, Vila Amparo, 2002-2003.
 
[16] V. Cross and A. Firat, “Fuzzy objects for geographical information systems,”FuzzySets and Systems, Vol. 113, 2000, pp. 19-36.
 
[17] V. Cross, “Fuzzy extensions for relationships in a generalized object model,”InternationalJournal of Intelligent Systems, Vol. 16, 2001, pp. 843-861.
 
[18] V. Cross, “Defining fuzzy relationships in object models: Abstraction and interpretation,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 5-27.
 
[19] V. Cross, R. Caluwe, and N. van Gyseghem, “A perspective from the fuzzy object
data management group (FODMG),” inProceedings of the 6th IEEE InternationalConference on Fuzzy Systems, Vol. 2, 1997, pp. 721-728.
 
[20] J. C. Cubero and M. A. Vila, “A new definition of fuzzy functional dependency in
[21]fuzzy relational databases,”International Journal of Intelligent Systems, Vol. 9, 1994, pp. 441-448.
 
[22 ] G. de Tré and R. de Caluwe, “Level-2 fuzzy sets and their usefulness in object- oriented
 
[23]database modeling,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 29-49.
 
[24] D. Dubois, H. Prade, and J. P. Rossazza, “Vagueness, typicality, and uncertainty in
class hierarchies,”International Journal of Intelligent Systems, Vol. 6, 1991, pp. 167-183.
 
[25] R. George, R. Srikanth, F. E. Petry, and B. P. Buckles, “Uncertainty management issues in the object-oriented data model,”IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 179-192and Applications Symposium, 2000, pp. 47-54.
 
[26] D. Bottazzi, A. Corradi and R. Montanari: A Contextaware Group Management Middleware to suppor
 
[27]Central Weather Bureau.(1996). The historical data of the daily averagetemperature and daily cloud density (from January 1995 to September1996). Taipei, Taiwan, R.O.C.
 
[28]Chen, S. M.(1996). Forecasting enrollments based on fuzzy time series.Fuzzy Sets and Systems, 81(3), 311–319.
 
[29]Chen, S. M.(2002). Forecasting enrollments based on high-order fuzzytime series. Cybernetics and Systems: An International Journal, 33(1),1–16.
 
[30]Chen, S. M., & Hwang, J. R.(2000). Temperature prediction using fuzzytime series. IEEE Transactions on Systems, Man, and Cybernetics –Part B: Cybernetics, 30(2), 263–275.
 
[31]Gen, M., & Cheng, R.(1997). Genetic algorithms and engineering design.New York: John Wiley & Sons.
 
[32]Goldberg, D. E.(1989). Genetic algorithm in search, optimization, andmachine learning. Massachusetts: Addison-Wesley.
 
[33]Goldberg, D. E., Korb, B., & Deb, K.(1989). Messy genetic algorithms:motivation, analysis, and first results. Complex Systems, 3(5),493–530.
 
[34]Holland, J. H.(1975). Adaptation in natural and artificial systems.Cambridge, MA: MIT Press.
 
[35]Huarng, K.(2001a). Effective lengths of intervals to improve forecasting infuzzy time series. Fuzzy Sets and Systems, 123(3), 387–394.
 
[36]Huarng, K.(2001b). Heuristic models of fuzzy time series for forecasting.Fuzzy Sets and Systems, 123(3), 369–386.
 
[37]Hwang, J. R., Chen, S. M., & Lee, C. H.(1998). Handling forecastingproblems using fuzzy time series. Fuzzy Sets and Systems, 100(2),217–228.
 
[38]Lee, L. W., & Chen, S. M.(2004). Temperature prediction using geneticalgorithms and fuzzy time series. In Proceedings of the 2004 internationalconference on information management, Miaoli, Taiwan, Republicof China (pp. 299–306).
 
[39]Lee, L. W., Wang, L. H., Chen, S. M., & Leu, Y. H.(2004). A new methodfor handling forecasting problems based on two-factors high-orderfuzzy time series. In Proceedings of the 2004 ninth conference onartificial intelligence and applications, Taipei, Taiwan, Republic ofChina.
 
[40]Song, Q.(2003). A note on fuzzy time series model selection with sampleautocorrection functions. Cybernetics and Systems: An InternationalJournal, 34(2), 93–107.
 
[41]Song, Q., & Chissom, B. S.(1993a). Fuzzy time series and its models.Fuzzy Sets and Systems, 54(3), 269–277.
 
[42]Song, Q., & Chissom, B. S.(1993b). Forecasting enrollments with fuzzytime series – Part I. Fuzzy Sets and Systems, 54(1), 1–9.
 
[43]Song, Q., & Chissom, B. S.(1994a). Some properties of defuzzificationneural networks. Fuzzy Sets and Systems, 61(1), 83–89.
 
[44]Song, Q., & Chissom, B. S.(1994b). Forecasting enrollments with fuzzytime series – Part II. Fuzzy Sets and Systems, 62(1), 1–8.
 
[45]Sullivan, J., & Woodall, W. H.(1994). A comparison of fuzzy forecastingand Markov modeling. Fuzzy Sets and Systems, 64(3), 279–293.
 
[46]Zadeh, L. A.(1965). Fuzzy sets. Information and Control, 8, 338–353
 
[47] B.A. Smith, R.W McClendon, G. Hoogenboon,“Improving Air Temperature Prediction with ArtificialNeural Networks”, International Journal of ComputationalIntelligence, vol. 3, (3), pp. 179-186, 2006.
 
[48] J. Shao,“Application of artificial neural networks toimprove short-term road ice forecasts”, Expert SystemsWith Applications, vol. 14, pp 471-482, 1998.
 
[49] J. Shao,“Improving Now casts of Road SurfaceTemperature by a Back propagation Neural Network”,Weather and Forecasting, vol. 13, pp. 164-171, 1998.
 
[50] G. Emmanouli, G. Galantis & G.Kallos,“Statisticalmethods for the prediction of night-time cooling andminimum temperature”, Meterol. Appl, vol. 13, pp. 169-178, 2006.
 
[51] J.P. Lhomme, L.Guilioni, “A simple model forminimum crop temperature forecasting during nocturnalcooling”, Agricultural and Forest Meterology, vol .123, pp.55-68, 2004.
 
[52] O.Guerrera,“Frost damage bill tipped to reach $500m in north”, Sept 2006;http://www.theage.com.au/news/national/frost-damage-billtipped-to-reach-500m-innorth/
2006/09/25/1159036473098.html
 
[53] Wolfram Mathworld,“Least Square Fitting – Pollynomial”;http://mathworld.wolfram.com/LeastSquaresFittingPolynomial.html
 
[54]Attia, A. F. 2005 in press
 
[55]Attia, A. F., Rabab, H., & Maha, S.Q. 2004, Solar Phys., 227, 1
 
[56]Briffa, K.R., & Jones, P.D.1993, The Holocene, 3,77
 
[57]Dergachev,V., & Kartavykh, Y. 2002, 34thCOSPAR Scientific Assembly ,the second world Space Congress, 10-19 Oct 2002 in Houston, TX,USA
 
[58]Folland, C.K., & Parker, D.E.1995, Quarterly Journal of the Royal Meteorological Society, 121, 319
 
[59]Huang, S.2004, Geophys Res Letters, 31, 13, CiteID, L3205
 
[60]Jones, P.D., Osborn, T.J., Bri_a, K.R., Folland, C.K. , Horton, E.B., Alexander, L.V., Parker, D.E., & Rayner, N.A. 2001, Journal of Geophysical Research, 106, 3371
 
[61]Jones, P.D., New, M., Parker, D.E., Martin, S., & Rigor, I.G.1999, Reviews of Geophysics, 37, 173
 
[62]J. T. Houghton, L. G. Meira Filho, B. A. Calander, N. Harris, A. Kattenberg, and K. Maskell (Eds.)1995, Cambridge University Press, 133
 
[63]Jones, P.D., & Bri_a, R.1992, The Holocene, 2, 165
 
[64]Levitus, S., Antonov, J., & Boyer, T.2005, Geophys. Res. Letters, 32, 2, Cite ID L02604
 
[65]Meehl, G.A.2004, J.Climate
 
[66]Maha, S.Q.2004 Cospar, 2004, Paris
 
[67]Nicholls, N., et al.1996, Climate Change
 
[68]North,G.R.2004: American Geophysical Union, Meeting 2004,abstract SH51E-06
 
[69]Pang,K.D., & Yau, K.K.2004, American Astronomical society Meeting 205, 44.01
 
[70]Yousef, S.2003, ESA SP-535, ISBN 92-9092- 845-X, 397
 
مجله علم و کامپيوتر [71]www.ccwmagazine.com
[72] www.wikipedia.com
[73] www.talkorigins.org
[74] www.gpwiki.org
[75] پاورپوينت Koza www.smi.stanford.edu/people/koza
[76] دانشکده کامپيوتر دانشگاه McGill کاناداwww.cgm.cs.mcgill.ca
[77]www.sharifthinktank.com
[78] www.itna.com
[79] Guided operators for a hipper-heuristic Genetic Algorithm www.cs.nott.ac.ukIT university of Nottingham
 
 


👇 تصادفی👇

آگهی فوتComparison of Rosetta stone English software vs. Tell Me More English software on Iranian EFL Student Achievement toward English learningدانلود shapefile نقاط زمین لغزش استان مرکزیتحقیق درباره لانه شیطان در تسخیر فرزندان روح اللهدانلود فرم های بیمه سینابسته کامل تمامی راه های معرفی شده کسب درآمد این سایتپرسشنامه افسردگی، اضطراب و استرس (DASS)کسب در امد از اینترنتمجموعه طرح لایه باز (psd) کارت ویزیت حرفه ای لوازم التحریر- نوشت افزار و کتاب فروشی (سری اول 6 طرح)آموزش ویندوز 7 ✅فایل های دیگر✅

#️⃣ برچسب های فایل دانلود پایان نامه پیش بینی دما با استفاده از روش های هوشمند 110ص

دانلود پایان نامه پیش بینی دما با استفاده از روش های هوشمند 110ص

دانلود دانلود پایان نامه پیش بینی دما با استفاده از روش های هوشمند 110ص

خرید اینترنتی دانلود پایان نامه پیش بینی دما با استفاده از روش های هوشمند 110ص

👇🏞 تصاویر 🏞