الگوریتم ژنتیک
بسیار کاربردی و به زبان ساده در معرفی الگوریتم ژنتیک در حل مسایل مهندسی
مشخصات فروشنده
نام و نام خانوادگی : مهدی حیدری
شماره تماس : 09033719795 - 07734251434
ایمیل :info@sellu.ir
سایت :sellu.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلترجمه کامل و روان بهبود امنیت شبکه با استفاده از روش الگوریتم ژنتیک
ترجمه کامل و روان مقاله Improving network security using genetic algorithm approach
سمینار درس امنیت
بهبود امنیت شبکه با استفاده از روش الگوریتم ژنتیک
چکیده
با گسترش اینترنت و اهمیت آن، انواع و تعداد حملات نیز رشد پیدا کرده و دستیابی به یک تکنیک تشخیص نفوذ بطور فزاینده ای مهم گردیده است. در این مقاله، یک سیستم تشخیص سوء استفاده را بر اساس روش های الگوریتم ژنتیک مورد بررسی قرار داده است. برای تکامل و تست قوانین جدید تشخیص نفوذ آزمایش KDD99Cup و آزمایش مجموعه داده ها مورد استفاده قرار گرفته است. جهت توانایی پردازش داده های شبکه بلادرنگ، آنها آنالیز مولفه های اصلی برای استخراج ویژگی های مهم داده ای را گسترش داده اند. در این روش آنها در حالی که سرعت پردازش داده ها را افزایش داده اند قادر به نگهداری سطح بالایی از نرخ های تشخیص حملات شده اند.
کلید واژه : تشخیص نفوذ ; الگوریتم ژنتیک ; آنالیز مولفه های اصلی
فهرست مطالب
عنوان صفحه
فهرست علائم و نشانه ها ب
فهرست شکل ها ج
فهرست جداول. د
1- مقدمه. 1
2- مروری بر روش های یادگیری ماشین استفاده شده برای تشخیص نفوذ. 3
3- روش های کاهش تقریب.. 4
3-1- دیدکلی از PCA.. 4
3-2- اجرای روش PCA پیاده سازی شده برای ویژگی های انتخابی.. 5
4- دیدکلی الگوریتم ژنتیک... 5
5- روش الگوریتم ژنتیک برای تشخیص نفوذ. 7
6- پیاده سازی سیستم. 9
7- یادگیری و آزمایش قوانین برای تشخیص نفوذ. 10
7-1- یادگیری و آزمایش داده های زیر مجموعه. 10
7-2- پارامترهای الگوریتم ژنتیک پیاده سازی شده برای یادگیری قوانین.. 11
7-3- نتایج بدست آمده. 11
8- محیط برنامه کاربردی.. 12
9- نتیجه گیری.. 13
ضمیمه. 14
مراجع. 19
فهرست علائم و نشانه ها
عنوان صفحه
تعداد کل حملاتی صحیح تشخیص داده شده ................................................................................... a
تعداد کل حملات در مجموعه داده یادگیری ...................................................................................... A
تعداد اتصالات نرمال که به اشتباه بعنوان حمله شناسایی شده یعنی نادرستی مثبت ............................. b
تعداد کل اتصالات نرمال در مجموعه یادگیری .................................................................................. B
فهرست شکل ها
عنوان صفحه
شکل 1 : جریان الگوریتم ژنتیک... 6
شکل 2 : کلاس دیاگرام سیستم حقیقی.. 9
فهرست جداول
عنوان صفحه
جدول 1 : روش های یادگیری ماشین پیاده سازی شده برای تشخیص نفوذ و کارایی آنها بر روی KDD99Set. 3
جدول 2 : ویژگی های شبکه انتخاب شده. 7
جدول 3 : نرخ تشخیص (%) در آزمایش های 1 و 2 از system trained با تابع سازگار (1) 11
جدول 4 : نرخ تشخیص (%) در آزمایش های 1 و 2 از system trained با تابع سازگار (2) 12
1- مقدمه
بنابراین، توانایی اعمال سریع سیاست های امنیتی شبکه جدید بمنظور تشخیص و واکنش سریع ممکن به حملات اتفاق افتاده اهمیت ویژه ای دارد. روش های مختلفی برای حفاظت سیستم های کامپیوتری دربرابر حملات شبکه (نرم افزار های ضدویروس، دیوار آتش، رمزنگاری پیام، پروتکل های شبکه امن، محافظت از کلمه عبور) توسعه و پیاده سازی گردیده اند. با وجود این تلاش ها، غیرممکن است که یک سیستم کاملا امن داشته باشیم. بنابراین، به یک روش که نظارت بر ترافیک شبکه و شناسایی رسوخ به شبکه از قبیل رفتار های غیرعادی شبکه، درسترسی به شبکه های غیرمجاز، یا حملات مخرب به سیستم های کامپیوتری برای تشخیص حملات بطور فزاینده ای مهم است. بیشتر راه حل های موجود برای سیستم ها و شبکه هایی که بخوبی تعریف شده اند توسعه یافته اند [1-3]. دو دسته کلی برای سیستم های تشخیص نفوذ (IDS) وجود دارد : تشخصی سوء استفاده و تشخیص مبتنی بر ناهنجاری. سیستم های تشخیص سوء استفاده بطور گسترده ای استفاده شده اند و آنها را با استفاده از الگوهای شناخته شده شناسایی می کند. امضا و الگوهایی که برای شناسایی حملات استفاده گردیده است شامل زمینه های مختلفی از یک بسته شبکه، همانند آدرس مبدا، آدرس مقصد، پورت های مبدا و مقصد و یا حتی برخی از کلمات کلیدی از payload یک بسته است. این سیستم ها یک نقطه ضعف را نشان میدهند که تنها حملاتی که در پایگاه داده حملات موجود است را می تواند شناسایی کند، بنا براین این مدل به بروزرسانی مستمر نیازمند است، اما آنها دارای نرخ مثبت نادرستی بسیار کمی هستند. سیستم های تشخیص ناهنجاری، انحرافات رفتار عادی را شناسایی می کند و برای حملات جدید یا ناشناخته بالقوه بدون آنکه دانش قبلی داشته باشند هشدار می دهد. آنها نرخ بالاتری از هشدارهای نادرست را نشان می دهند، اما آنها توانایی تشخیص حملات ناشناخته را دارند و وظیفه خود را بسیار سریعتر برای دنبال نمودن انحرافات انجام میدهند.
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلدر این پایان نامه تشریح کامل و جامع الگوریتم ژنتیک صرت می گیرد
دانلود پایان نامه رشته کامپیوتر تشریح کامل و جامع الگوریتم ژنتیک مقدمه در این پایان نامه به معرفی اصول کلی الگوریتم ژنتیک پرداخته می شود از خصوصیت بارز این مطالب آن است که برای فردی که برای نخستین بار با الگوریتم ژنتیک آشنا می شود می تواند اطلاعات مفید و ساده و قابل فهمی ارائه دهد.محدوده کاری الگوریتم ژنتیک بسیار وسیع می باشد و هر روز با پیشرفت روزافزون علوم و تکنولوژی استفاده از این روش در بهینه سازی و حل مسائل بسیار گسترش یافته است.الگوریتم ژنتیک یکی از زیر مجموعه های محاسبات تکامل یافته می باشد که رابطه مستقیمی با مبحث هوش مصنوعی دارد در واقع الگوریتم ژنتیک یکی از زیر مجموعه های هوش مصنوعی می باشد. الگوریتم ژنتیک را می توان یک روش جستجوی کلی نامید که از قوانین تکامل بیولوژیک طبیعی تقلید می کند .الگوریتم ژنتیک برروی یکسری از جواب های مساله به امید بدست آوردن جوابهای بهتر قانون بقای بهترین را اعمال می کند. درهر نسل به کمک فرآیند انتخابی متناسب با ارزش جواب ها و تولید مثل جواب-های انتخاب شده به کمک عملگرهایی که از ژنتیک طبیعی تقلید شده-اند ,تقریب های بهتری از جواب نهایی بدست می آید. این فرایند باعث می شود که نسلهای جدید با شرایط مساله سازگارتر باشد. حساب تکاملی ,برای اولین بار در سال 1960 توسط آقای ریچنبرگ ارائه شد که تحقیق وی در مورد استراتژی تکامل بود.بعدها نظریه او توسط محققان زیادی مورد بررسی قرار گرفت تا اینکه الگوریتم ژنتیک (GA ) توسط جان هولند(John Holland ) و در سال 1975 در دانشگاه میشیگان ,ارائه شد. در سال 1992 نیز جان کوزا (John Koza ) از الگوریتم ژنتیک (GA ) برای حل و بهینه سازی مسائل مهندسی پیشرفته استفاده کرد و توانست برای اولین بار روند الگوریتم ژنتیک (GA ) را به زبان کامپیوتر در آورد و برای آن یک زبان برنامه نویسی ابداع کندکه به این روش برنامه نویسی ,برنامه نویسی ژنتیک (GP ) گویندو نرم افزاری که توسط وی ابداع گردید به نرم افزار LISP مشهور است که هم اکنون نیز این نرم افزار کاربرد زیادی در حل و بهینه سازی مسائل مهندسی پیدا کرده است اصول کار و الگوریتم کلی این نرم افزار بر اساس مسائل پایه و ابتدائی الگوریتم ژنتیک (GA ) می باشد که در این تحقیق مفصل به آن اشاره خواهیم کرد. همانطور که میدانیم منشا الگوریتم ژنتیک (GA ) از مباحث مربوط به زیست شناسی و آناتومی مربوط به یک موجود زنده ,می باشد بنابر این در این قسمت به توضیح مختصری از تاریخچه بیولوژیکی این الگوریتم می پردازیم. کلمات کلیدی: الگوریتم ژنتیک الگوریتمهای تکاملی مقایسه الگوریتم ژنتیک با روشهای بهینه سازی فهرست مقدمه فصل اول تاریخچه بیولوژیکی الگوریتم ژنتیک کلیات الگوریتم ژنتیک قسمتهای مهم الگوریتم ژنتیک نمایش جمعیت و شروع الگوریتم ژنتیک تابع هدف و تابع برازش انتخاب تقاطع جهش تعاریف کلی اجزائ الگوریتم ژنتیک فضای جستجو روند کلی بهینه سازی و حل مسائل در الگوریتم ژنتیک عملگرهای الگوریتم ژنتیک رمزگذاری و آدرس دهی کروموزومها تولید مثل جهش انواع روشهای رمزگذاری و آدرس دهی کرموزومها مسئله TSP انواع روشهای بهینه سازی روشهای تحلیلی روشهای عددی مسائل موجود در بهینه سازی آیرودینامیکی توسط الگوریتم ژنتیک مقایسه الگوریتم ژنتیک و دیگر روشهای بهینه سازی کاربردهای الگوریتم ژنتیک فصل دوم جعبه ابزار الگوریتم ژنتیک در نرم افزار7 MATLAB نوشتن M فایل فراخوانی الگوریتم ژنتیک منابع
مشخصات فروشنده
نام و نام خانوادگی : محمد همتی
شماره تماس : 09106392022 - 09216302826
ایمیل :hemmati.eng@gmail.com
سایت :fileina.com
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلارائه الگوریتمی برای یافتن مسیر بهینه ربات متحرک جهت حرکت در محیط استاتیک
این مقاله الگوریتمی جدید برای مسئله برنامه ریزی مسیرکلی به یک هدف ، برای ربات متحرک را با استفاده از الگوریتم ژنتیک ارائه می دهد .الگوریتم ژنتیک برای یافتن مسیر بهینه برای ربات متحرک جهت حرکت در محیط استاتیک که توسط نقشه ای با گره ها و لینک ها بیان شده است ،بکار گرفته شده است.موقعیت هدف و موانع برای یافتن یک مسیر بهینه در محیط دو بعدی داده شده است .هر نقطه اتصال در شبکه ژنی است که با استفاده از کد باینری ارائه شده است.تعداد ژن ها در یک کروموزوم تابعی از تعداد موانع در نقشه (نمودار)می باشد.
بنابراین از یک کروموزوم با طول ثابت استفاده کردیم.مسیر ربات ایجاد شده ، در مفهوم کوتاهترین مسیر ،بهینه است .ربات دارای محل آغاز و محل هدف تحت فرضیه ای است که ربات از هر محل فقط یکبار می گذرد یا اصلا نمی گذرد.نتایج بدست آمده در شبیه سازی ؛قدرت الگوریتم پیشنهادی را تایید می نماید.
فهرست مطالب
چکیده
مقدمه
1.مسیریابی
2.الگوریتم ژنتیک
3.فرمول سازی مسئله
4.الگوریتم طراحی مسیر پیشنهادی
کروموزوم ها و جمعیت اولیه
ارزیابی
عملگرها
5.نتایج شبیه سازی
6.منابع
شبه کد Matlab
قیمت فقط5,900 تومان پرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : مهدی حیدری
شماره تماس : 09033719795 - 07734251434
ایمیل :info@sellu.ir
سایت :sellu.ir
مشخصات فایل
فرمت : doc
تعداد صفحات : 37
قیمت : 5,900 تومان
حجم فایل : 237 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلIndex Terms—Optimization genetic algorithms (GA) unit commitment (UC) economic dispatch (EC
نام مجله:
IEEE TRANSACTIONS ON POWER SYSTEMS
عنوان مقاله:
Unit Commitment Solution Methodology Using Genetic Algorithm
Abstract—Solution methodology of unit commitment (UC) using genetic algorithms (GA) is presented. Problem formulation of the unit commitment takes into consideration the minimum up and down time constraints, start up cost and spinning reserve, which is defined as minimization of the total objective function while satisfying the associated constraints. Problem specific operators are proposed for the satisfaction of time dependent constraints. Problem formulation, representation and the simulation results for a 10 generator-scheduling problem are presented. Index Terms—Optimization, genetic algorithms (GA), unit commitment (UC), economic dispatch (EC
روش حل در مدار قرار گرفتن واحدها (نیروگاه ها) با استفاده از الگوریتم ژنتیک
چکیده
روش حل در مدار قرار گرفتن واحدها (نیروگاه) با استفاده از الگوریتم ژنتیک در این مقاله ارائه می گردد. فرمول نویسی مساله در مدار قرار گرفتن واحدها (نیروگاه ها) قیود کمترین زمان خاموشی و در حال کار بودن، هزینه روشن کردن و رزرو چرخان را در نظر می گیرد که بصورت مینیمم سازی تابع هدف کل تعریف می گردد در حالیکه قیود مربوطه را ارضا کند. عملگرهای ویژه مساله برای ارضا کردن قیود وابسته به زمان پیشنهاد می گردد. فرمول نویسی مساله، نمایش و نتایج شبیه سازی برای یک مساله با 10 ژنراتور زمان بندی شده ارائه می گردد.
کلیدواژگان
بهینه سازی، الگوریتم ژنتیک، در مدار قرار گرفتن واحدها (نیروگاه ها)، پخش بار اقتصادی.
قیمت فقط10,000 تومانپرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
مشخصات فایل
فرمت : zip
تعداد صفحات : 5
قیمت : 10,000 تومان
حجم فایل : 202 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایل