![دانلود مجموعه مقالات ششمین کنگره علوم دامی تبریز 93-بخش ژنتیک](../prod-images/172784.jpg)
دانلود مجموعه مقالات ششمین کنگره علوم دامی تبریز 93-بخش ژنتیک
دانلود مجموعه مقالات ششمین کنگره علوم دامی تبریز 93-بخش ژنتیک
دانلود مجموعه مقالات ششمین کنگره علوم دامی تبریز 93-بخش ژنتیک
مسأله مسیریابی خودرو یا Vehicle Routing Problem (به اختصار VRP) یکی از مسائل مهم در تحقیق در عملیات است که کاربردهای فراوانی در مدیریت زنجیره های تأمین کالا و خدمات، شبکه های ارتباطی، مدیریت بحران، سیستم های توزیع (مانند پست)، و مهندسی سیستم دارد. اینمسأله از جمله مسائل ترکیبی یا Combinatorial است و از طرف متخصصین حوزه علوم کامپیوتر نیز، به عنوان یک مسألهپایه مطالعه و بررسی می شود.
زبان : لاتین
سال انتشار : 2008
فرمت : Pdf
FUNDAMENTALS of
SYSTEMS BIOLOGY
From Synthetic Circuits
to Whole-cell Models
Markus W. Covert
Stanford University
CRC Press
Taylor & Francis Group
6000 Broken Sound Parkway NW, Suite 300
Boca Raton, FL 33487-2742
© 2015 by Taylor & Francis Group, LLC
CRC Press is an imprint of Taylor & Francis Group, an Informa business
No claim to original U.S. Government works
Version Date: 20141125
موضوع: معرفی علم ژنتیک
ژنتیک، علم مطالعه وراثت، در تمامی زمینههای آن، از گسترش صفات در یک شجرهنامه خانوادگی، تا بیوشیمی ماده ژنتیکی، اسید دزوکسی ریبونوکلئیکDNA و اسید ریبونوکلئیکRNA است. هدف ما در این بخش، معرفی و بررسی مکانیزمهای وراثت است.
به صورت تاریخی، ژنتیک دانان در 3 حیطه مجزا فعالیت کردهاند، هر حیطه با مشکلات، روشها و موجودات زنده مورد مطالعه مربوط به خود. این 3 حیطه عبارتند از ژنتیک کلاسیک، ژنتیک مولکولی و ژنتیک تکاملی (یا ژنتیک جمعیت).
در ژنتیک کلاسیک ما با تئوری کروموزومی وراثت روبرو هستیم، مفهومی که ژنها را به صورت خطی در کنار هم بر روی کروموزوم فرض میکند. موقعیت نسبی ژنها با بررسی فراوانی زادههای حاصل از آمیزشهای خاصی قابل تعیین است. ژنتیک مولکولی مطالعه ماده ژنتیک است؛ ساختار، رونویسی و بیان ماده ژنتیک. همچنین در همین حیطه ما انقلاب بزرگ تکنولوژی DNAنوترکیب (یا مهندسی ژنتیک) و اطلاعات بدست آمده از آن را بررسی خواهیم کرد. ژنتیک تکاملی یا ژنتیک جمعیت به بررسی تغییرات در فراوانی ژنها در جمعیت میپردازد. مفهوم داروینی تکامل که بنابر پایه انتخاب طبیعی است بررسی میشود. جدول
امروزه به دلیل پیشرفتهای علمی، مرزهای این 3 ناحیه، تا حدی محو شدهاند؛ به عنوان مثال، اطلاعات به دست آمده از ژنتیک مولکولی، از طرفی به فهم بهتر ساختار و عملکرد کروموزومها و از طرف دیگر به فهمیدن انتخاب طبیعی کمک میکند. در این فصل، ما سعی میکنیم مطالب را به صورت تاریخی آنها بررسی کنیم؛ از کارهای مندل و کشف خصوصیات وراثت آغاز میکنیم و سپس به ژنتیک مولکولی میپردازیم.
ژنتیک مانند هر علم دیگری، بر پایه متد علمی بنا نهاده شده است. اطلاعات ما برگرفته از دنیای واقعی است. متد علمی گردآوری قوانینی است که به فهم بهتر طبیعت کمک میکنند. در قلب یک متد علمی، آزمایش قرار دارد، طی یک آزمایش، یک حدس درباره کار بخشی از طبیعت (که آن را یک فرضیه مینامیم) امتحان می شود.
تعداد صفحات: 39
الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده ی آن برگرفته از طبیعت می باشد . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند . به عنوان مثال می توان به مسئله فروشنده دوره گرد اشاره کرد . در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند .
در الگوریتم های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک ، چندین جواب برای مسئله تولید می کنیم . این مجموعه جواب را جمعیت اولیه می نامیم . هر جواب را یک کروموزوم می نامیم . سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم های بهتر ، کروموزوم ها را باهم ترکیب کرده و جهشی در آنها ایجاد می کنیم . در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم ها حاصل می شود ، ترکیب می کنیم . موارد فوق را با جزئیات بیشتری مورد بررسی قرار می دهیم
2-2- پیشینه
پیشینه ی الگوریتم ژنتیک به سال های حدود 1960 برمی گردد. در دهه های 50 و 60 تحقیقات متعددی برای استفاده از نظریه تکامل در بهینه سازی مسائل مهندسی به طور مستقل صورت گرفت. ایده ی اصلی در همه این سیستم ها، رشد یک جمعیت از پاسخ های اولیه یک مساله به سمت پاسخ بهینه با الهام گیری از عملگرهای انتخاب و تغییر ژنتیک طبیعی بود. در سال های 1965 تا 1973 رکنبرگ(Rechenberg ) کتاب خود را به نام تکنیک های تکامل (Evolution strategies (Evolutionsstrategie in original) ) در زمینه محاسبات تکاملی منتشر کرد و در سال های بعد نظریه او توسط محققین دیگر توسعه یافت. الگوریتم ژنتیک نخستین بار توسط جان هلند ( John Holland ) مطرح و به وسیله خود او و دانشجویان و همکارانش گسترش یافت. تلاش های او و اطرافیانش در این زمینه در نهایت به نشر کتاب سازگاری در طبیعت و سیستم های مصنوعی (Adaption in Natural and Artificial Systems ) انجامید. پس از آن تحقیقات گسترده ای توسط افراد مختلف در این زمینه انجام شد (به عنوان مثال در سال 1992 جان کزا (John Koza ) الگوریتم ژنتیک را به صورت عملیاتی در برنامه نویسی به کار برد و برنامه نویسی ژنتیک (genetic programming(GP) ) را به عنوان روش خود مطرح ساخت.) و الگوریتم ژنتیک به صورت امروزی خود رسید.
2-3- اصطلاحات زیستی
در راستای فهم کامل الگوریتم ژنتیک، ابتدا بهتر است با برخی از اصطلاحات زیستی به کار رفته در تئوری این الگوریتم آشنا شویم. همه موجودات زنده از واحدهای کوچکی به نام سلول تشکیل شده اند. هر سلول نیز به نوبه خود از مجموعه ای از یک یا چند کروموزوم (chromosome ) تشکیل شده است. کروموزوم ها رشته هایی از مولکول DNA می باشند که در حقیقت برنامه کاری موجود زنده را در خود ذخیره می کنند. هر کروموزوم شامل چندین ژن( gene ) می باشد، که هر ژن بلوکی از مولکول DNA می باشد که پروتئین خاصی را کدگذاری می کند. به طور کلی می توان گفت که هر ژن یک خصیصه (trait ) از موجود زنده (مانند رنگ چشم) را کد گذاری می کند. حالت های ممکن برای یک خصیصه را (allele ) می گویند. هر ژن موقعیت مخصوص خود را در کروموزوم دارد که به آن (locus ) می گویند. بسیاری از موجودات زنده در هر سلول چندین کروموزوم دارند. مجموعه کامل مواد ژنتیکی در سلول (مجموعه همه کروموزوم ها) (genome ) نامیده می شوند. اصطلاح (genotype ) به مجموعه خاصی از کروموزوم های موجود در genome اتلاق می شود. Genotype ها در پی تحولات و تغییر، به phenotypeها خصوصیات فیزیکی و ذهنی موجود زنده (مانند رنگ چشم، بلندی، اندازه مغز و یا میزان هوش) تبدیل می شوند.
در طی تولید مثل جنسی(reproduction )، در اثر الحاق(recombination or crossover ) ژن ها از کروموزوم های والدین(parents ) با یکدیگر ترکیب شده تا کروموزوم کامل جدیدی را تشکیل دهند. در طی این تغییرات، ممکن است تغییرات کوچکی در برخی از بخش های DNA ژن های فرزند، بوجود آمده و فرزند دچار جهش (mutation ) گردد. در نهایت تناسب (fitness ) یک موجود زنده با توجه به احتمال زیستن آن برای تکثیر(زیست پذیری(viability ) ) یا برحسب تابعی از تعداد فرزندان آن گونه (باروری(fertility )) تعیین می گردد.
فصلاول-مقدمه
1-1-مقدمه
فصلدوم-مقدمهایبرالگوریتمژنتیک
2-1-مقدمه
2-2-پیشینه
2-3-اصطلاحاتزیستی
2-4-تشریحکلیالگوریتمژنتیک
2-5-حلمسألهبااستفادهازالگوریتمژنتیک
2-6-اجزایالگوریتمژنتیک
2-6-1-جمعیت
2-6-2-کدگذاری
2-6-2-1-کدگذاریدودویی
2-6-2-2-کدگذاریمقادیر
2-6-2-3-کدگذاریدرختی
2-6-3-عملگرهایالگوریتمژنتیک
2-6-3-1-fitness(برازش)
2-6-3-2-selection(انتخاب)
2-6-3-3-crossover(ترکیب)
2-6-3-4-mutation(جهش)
2-7-مفاهیمتکمیلی
2-7-1-برتریهاوضعفهایالگوریتمژنتیک
2-7-2-نکاتمهمدرالگوریتمهایژنتیک
2-7-3-نتیجهگیری
فصلسوم-کاهشاثراتزیستمحیطیآلایندههایCox،NOxوSOxدرکورهها
3-1-مقدمه
3-2-احتراق
3-2-1-روشمحاسبهترکیباتتعادلیبااستفادهازثابتتعادل
3-2-2-روشمحاسبهدمایآدیاباتیکشعله
3-2-3-انتخابسیستمشیمیایی
3-2-4-تأثیردمایهواومیزانهوایاضافیبرتولیدمحصولات
3-3-بهینهسازی
3-3-1-روشهایحلمسائلبهینهسازی
3-3-2-روشتابعپنالتی
3-3-3-الگوریتمحلتابعپنالتی
3-4-برنامهیکامپیوتریومراحلآن
3-5-تشکیلتابعهدف
3-6-تشکیلمدلمسئلهبهینهسازی
3-7-روشحل
فصلچهارم-توضیحاتیدررابطهباgatoolنرمافزارمطلب
4-1-gatool
4-2-تنظیمگزینههابرایالگوریتمژنتیک
4-3-PlotOptions
4-4-PopulationOptions
4-5-FitnessScalingOptions
4-6-SelectionOptions
4-7-ReproductionOptions
4-8-MutationOptions
4-9-CrossoverOptions
4-10-MigrationOptions
4-11-OutputFunctionOptions
4-12-StoppingCriteriaOptions
4-13-HybridFunctionOptions
4-14-VectorizeOptions
فصلپنجم–نتایج
5-1-نتایجحاصلازتابعپنالتیوالگوریتمژنتیک
5-2-نتیجهگیری
فهرستمراجع
شامل 110 صفحه فایل word