المان بندی بر تحلیل و استفاده از دستور ساده سازی subtracting آدرصنعت

باز‌بینی استقلال از کانال در فلوئنت ( استقلال از مش در انسیس فلوئنت ) یکی قسمت های بسیار مهم در هر مشابه سازی می¬ باشد. عدم تعلق حل به مش خیر صرفا در فلوئنت ، بلکه در همگی قابل انعطاف افزارهای مشابه سازی که دامنه محاسباتی را به پایین دامنه های کوچکتر جدا سازی می‌کنند نیز می بایست سنجیده شود. به صورت کلی میتوان اعلام کرد در شرایطی‌که که در مشابه سازی مطالعه استقلال حل از کانال فیس نگرفته باشد، جواب های مشابه سازی قابل اطمینان نبوده و نمیتوان به آن بازگشت کرد.عدم مطالعه استقلال از کانال در فلوئنت ( استقلال از مش در انسیس) در معنای عدم اطمینان از پاسخ های مشابه سازی بوده و ارائه آن به هیچ عنوان سفارش نمیشود معنی استقلال حل از کانال در فلوئنت استقلال از کانال انسیس به لهجه بی آلایش یعنی گزینش باصرفه ترین کانال ممکن برای اخذ جواب های درست . به عبارت دیگر در صورتی کانال بندی شما بسیار درشت باشد ، حتما پاسخ های مشابه سازی شما قابل اعتماد نخواهد بود و در صورتیکه مش بندی شما بسیار پایین باشد گشوده هم به علت خطای گرد کردن و هزینه محاسباتی بالا احتمالا پاسخ های صحیحی اخذ نخواهید کرد. ممکن میباشد از خویش بپرسید میتوان کانال محاسباتی را انقدر ریز کرد که دیگر مطالعه استقلال از مش در انسیس فلوئنت نیاز نباشد” . ولی بایستی این نکته را نیز در لحاظ داشته باشید که تا چه مقدار کانال خویش را ریز خواهید کرد؟ به‌دنبال به جواب این سوال و طرز درست بازنگری استقلال از کانال فلوئنت خوا هیم پرداخت. ایا می اقتدار برای باز بینی استقلال از مش در انسیس تا هر اندازه کانال را ریز کرد ؟ به کار گیری از کانال ریز یا این که مش ریز نیازمند منفعت مندی از یک سیستم محاسباتی توسعه یافته بوده و مطمئنا درپی آن مخارج متعددی را برروی دست شما خواهد گذاشت. همینطور استعمال از مش های بسیار ریز موجب پیدایش خطای های گرد کردن می‌گردد و در سود به پاسخ واحدی در مشابه سازی نخواهید رسید. در‌صورتی‌که از دید تئوری این مورد گزینه باز‌بینی قرار بگیرد با ریز کردن کانال ، خطای گسسته سازی بایستی حذف شود البته در کار خطای گرد کردن نیز در مشابه سازی حضور داشته که با دقت ارتقاء تعداد کانال و ارتقاء عملیات محاسباتی، خطای گردن کردن ارتقا می‌یابد و شما پاسخ های واحدی از مشابه سازی خویش نخواهید داشت.در عصر فراگیری فلوئنت (مقدماتی تا توسعه یافته) به طور بدون نقص در رابطه این مباحث توضیحاتی ارائه شده‌است.پس با همگی این تفاسیر مطالعه برروی استقلال از کانال در انسیس امری دوری ناپذیر بوده و شما نمی توانید سوای در لحاظ به چنگ آوردن این بخش پاسخ های قابل اطمینانی داشته باشید. در این قسمت به ترسیم هندسه و المان بندی همراه با ترسیم نمودار و تحلیل نتایج و بدست آوردن المان بهینه می پردازیم.  

برای پیاده‌سازی الگوریتم ژنتیک در هوش مصنوعی ابتدا بهتر است که با اجزای آن آشنا شویم، اجزای الگوریتم ژنتیک به صورت فهرست موارد زیر هستند: • نمونه‌سازی اولیه (Initialization): فرآیند با ایجاد یک جمعیت اولیه از افراد تصادفی آغاز می‌شود. • ارزیابی سازگاری (Fitness Evaluation): سازگاری هر فرد توسط تابعی ارزیابی می‌شود که عملکرد آن‌ها را در حل مشکل اندازه‌گیری می‌کند. • انتخاب (Selection): افراد با آمادگی بالاتر احتمال بیشتری برای انتخاب شدن به‌عنوان والدین برای نسل بعدی دارند. • تقاطع (Crossover): افراد انتخاب شده تحت crossover قرار می‌گیرند، جایی که مواد ژنتیکی آن‌ها برای ایجاد فرزندان ترکیب می‌شود. • جهش (Mutation): گاهی اوقات، تغییرات تصادفی در ماده ژنتیکی فرزندان برای حفظ تنوع اثرگذار خواهد بود. • تکرار (Repeat): فرآیند انتخاب، تقاطع و جهش تا زمانی که یک شرط خاتمه برآورده شود (به‌عنوان‌مثال، حداکثر تعداد نسل یا دقت راه‌حل مورد نظر) ادامه می‌یابد. در دهه 1970، جان هالند، دانشمندی از دانشگاه میشیگان، مفهوم استفاده از الگوریتم‌های ژنتیک را برای بهینه‌سازی مهندسی معرفی کرد. ایده اساسی پشت این الگوریتم شبیه‌سازی انتقال ویژگی‌های ارثی از طریق ژن‌ها است، دقیقاً شبیه نحوه انتقال صفات انسانی از طریق کروموزوم‌ها. هر ژن در این کروموزوم‌ها نشان دهنده یک ویژگی خاص است. به عنوان مثال، ژن 1 می‌تواند رنگ چشم، ژن 2 قد، ژن 3 رنگ مو و غیره را نشان دهد. اما در عمل، انتقال کامل کروموزوم ها به نسل بعدی اتفاق نمی‌افتد. دو رویداد اولیه به طور هم‌زمان اتفاق می‌افتد. اولین رویداد به عنوان «جهش | mutation» شناخته می‌شود، که در آن ژن‌های خاصی دستخوش تغییرات تصادفی می‌شوند. اگرچه تعداد ژن‌های جهش‌یافته معمولاً کم است، اما این تغییرات تصادفی نقش مهمی دارند. به عنوان مثال، ژن مسئول رنگ چشم می‌تواند به طور تصادفی منجر به این شود که فردی در نسل بعدی چشمان سبز داشته باشد، درحالی‌که نسل قبلی عمدتاً دارای چشمان قهوه‌ای بود. جهش تنوع و امکان ظهور صفات جدید را معرفی می‌کند.جهش و تقاطع با هم توانایی الگوریتم ژنتیک را برای کاوش و بهره‌برداری از فضای راه‌حل هدایت می‌کنند. جهش با تغییر تصادفی ژن‌ها، تازگی ایجاد می‌کند و امکان کشف بالقوه صفات جدید و مفید را فراهم خواهد کرد. تقاطع تبادل و بازترکیب مواد ژنتیکی را تسهیل می‌کند، تنوع و انتشار ویژگی‌های مطلوب را در طول نسل‌ها ارتقا می‌دهد. با ترکیب این مکانیسم‌های الهام گرفته از تکامل طبیعی، الگوریتم‌های ژنتیک می‌توانند به طور مؤثر فضاهای حل پیچیده را جستجو و بهینه کرده و امکان کشف راه‌حل‌های بهینه یا نزدیک به بهینه را برای طیف وسیعی از مسائل فراهم کنند. امروزه الگوریتم ژنتیک در هوش مصنوعی ترکیب شده است و توانایی‌های بسیار حیرت انگیزی دارد. در این قسمت به بررسی ترسیم هندسه و تعیین پارامترهای ورودی و خروجی و المان بندی و بهینه سازی و بحث پیرامون نتایج حاصله از بهسنه سازی می پردازیم.