| LEADER |
04562nam a22003137a 4500 |
| 001 |
1512949 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 548859
|a الطراونه، صخر حسان
|e مؤلف
|
| 245 |
|
|
|a Improving Initial Population for GA Using Multi Linear Regression Based Technique (MLRBT):
|b Experimental on the Travelling Salesman Problem
|
| 246 |
|
|
|a التحسين على الخوارزمية الجينية من خلال إنشاء الجيل البدائي لحل مشكلة البائع المتجول
|
| 260 |
|
|
|a مؤتة
|c 2019
|
| 300 |
|
|
|a 1 - 49
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة مؤتة
|f كلية الدراسات العليا
|g الاردن
|o 0014
|
| 520 |
|
|
|a الخوارزمية الجينية (GAs) Genetic Algorithms هي واحدة من تقنيات البحث الإرشادية القوية تستخدم بنجاح في حل مشكلات العديد من التطبيقات المختلفة، البحث في GAs لن يتوقف أبدا للحصول على نتائج أفضل. لتحسين أداء النظرية الجينية (GAs)، اقترحت العديد من الأعمال والطرق للتحسين من خلال تضمين ميزة التنوع وتحسين الخصائص في أشكال مختلفة. تطبيقات النظرية الجينية تبدأ عن طريق الجيل البدائي أو الأولي (Initial Population) التي تعتبر الخطوة الأولى عند تطوير أو تحسين الأنظمة الذكية. واحدة من أكثر المعايير لإنشاء الجيل البدائي أو الأولى وأكثرها شيوعا هي طريقة التوليد العشوائي. يتم تحسين أداء الخوارزمية من خلال زيادة سرعة إيجاد الحلول، وتحسين التنوع الفردي، والجودة. وبالتالي، تم تطوير تقنية جديدة لإيجاد حيز العمل أو جيل أولي لتوليد مجموعات جديدة من للحصول على نتائج أفضل في GAs. تقترح هذه الأطروحة تقنية سكانية أولية جديدة تسمى تقنية الانحدار الخطي المتعدد للخوارزمية الجينية Multi Linear Regression Based Technique (MLRBT)، لإيجاد أساس لتوليد جيل بدائي. أظهرت تجاربنا نتائج واعدة وأفضل من غيرها مما قورنت به في تحسين أداء الخوارزمية الجينية لحل مشكلة البائع المتجول (TSP). في طريقتنا المقترحة، نقوم بإنشاء خط انحدار جديد على المحور السيني X ومن ثم خط انحدار على المحور الصادي Y ليتقاطعا وليس بالضرورة أن يتعامدان. ينتج رسم بياني مقسم إلى أربعة مجموعات فرعية كل قسم يحتوي على نفس عدد المدن تقريبا، كل مجموعة تنقسم بشكل متكرر إلى أن كل قسم إلى أربع مدن أو أقل لكل مجموعة فرعية. وفي النهاية يتم ربط المجموعات بمسار محلي ومن ثم ربطها بمسار واحد عام. لقد قمنا بتطبيق التقنية على مشكلة البائع المتجول (TSP). أظهرت النتائج أن التقنية المقترحة (MLRBT) هي أفضل التقنيات أداء مقارنة مع طرق موجودة مسبقا بناء على معايير الأداء لكل تقنية، بما في ذلك: معدل الخطأ (Error Rate)، ومعدل التقارب (Average Convergence).
|
| 653 |
|
|
|a التقنيات الحديثة
|a تحسين الاداء
|a الأنظمة الذكية
|a لخوارزمية الجينية
|a البائع المتجول (TSP)
|
| 700 |
|
|
|a الحسنات، أحمد بشير عبدالله
|g Al-Hassanat, Ahmed Basheer A.
|e مشرف
|9 95832
|
| 856 |
|
|
|u 9802-008-020-0014-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-008-020-0014-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-008-020-0014-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-008-020-0014-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-008-020-0014-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-008-020-0014-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-008-020-0014-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-008-020-0014-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-008-020-0014-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1014736
|d 1014736
|
