همه چیز در باره الگوریتم تخمین توزیع – متن آموزشی کامل، دانلود رایگان

“الگوریتم تخمین توزیع مفهوم جدیدی در زمینه محاسبات تکاملی  است و با این ایده به وجود آمده است تا با ساخت یک مدل احتمالی از جمعیت مورد بررسی به حفظ بلوک‌های ساختاری  با ارزش در نسل‌های متوالی بپردازد. تحقیقات روزافزونی در این زمینه در حال پیگیری است و گونه‌های متفاوتی از این الگوریتم توسط محققان دانشگاه‌های مختلف ارائه شده‌است. برخی از محققین از نام‌هایی همچون ساختار مدل احتمالی الگوریتم‌های ژنتیک (PMBGAs) یا الگوریتم‌های تخمین چگالی تکرار (IDEAs)  برای توصیف این الگوریتم استفاده می‌کنند، اما همه این اسامی به مفهوم واحدی اشاره دارند. این الگوریتم‌ها بر اصول ژنتیکی زیادی متکی نیستند و بجای آن در هر نسل، مدل احتمالی صریحی از توزیع افراد خوب برگزیده شده در فضای جستجو می‌سازند. گام مدل-نمونه در EDA را می‌توان چیزی شبیه عمل crossover با چندین والد تصور کرد. نقطه قوت یا ضعف یک EDA ویژه به طور عمده توسط همین مدل احتمالی تعیین می‌گردد.”
آنچه خواندید، مقدمه فصل اول یکی از جامعترین متون فارسی در زمینه محاسبات تکاملی است که به بررسی الگوریتم های تخمین توزیع می پردازد. این متن ارزشمند را جناب آقای محمد خجسته فرد در ‫‫ﮔﺮوه ﻫﻮش ﻣﺼﻨﻮﻋﯽ‬ داﻧﺸﮑﺪه ﻣﻬﻨﺪﺳﯽ ﺑﺮق و ﮐﺎﻣﭙﯿﻮﺗﺮ‬ دانشگاه صنعتی اصفهان تهیه کرده اند و جهت استفاده سایر علاقه مندان، آن را جهت انتشار در اختیار وبسایت محاسبات تکاملی قرار داده اند. اگر به این حوزه مهم از هوش محاسباتی و محاسبات تکاملی علاقه مند هستید، این پست را از دست ندهید. در انتهای پست، فایل pdf متن کامل این نوشتار ارزشمند و جامع جهت دانلود در اختیار قرار داده شده است. در ادامه خلاصه ای از فصول مختلف این کار باارزش را می بینیم.

برخی از کاربردهای عمده الگوریتم های ژنتیک و روشهای محاسبات تکاملی

الگوریتم های ژنتیک که بر پایه تکامل زیستی می باشند، روش های جست‌ و‌ جویی هستند که در علوم کامپیوتر به کار می روند. در این پست، به بررسی کاربردهای الگوریتم ژنتیک و استفاده از آن در زمینه‌های مختلف می پردازیم. این مقاله نسخه ویرایش شده ترجمه مقاله کوتاهی است که توسط خانم شهربانو مهدینژاد، دانشجوی مدیریت دانشگاه تگزاس اِی اَند اِم، تهیه شده و جهت استفاده دوستان دانشجو، در اختیار وبسایت محاسبات تکاملی قرار داده شده است. همانگونه که در پست زیر توضیح داده شده است، کاربردهای مطرح شده، با اینکه در مورد الگوریتم ژنتیک هستند. اما همین کاربردها را عیناً می توان در مورد الگوریتم های مشابه دیگر همچون الگوریتم انبوه ذرات، الگوریتم کلونی مورچگان و الگوریتم رقابت استعماری بیان کرد. جهت کسب اطلاعات بیشتر، این پست (نحوه تعریف یک مسئله مناسب بهینه سازی برای حل با الگوریتم رقابت استعماری) را ببینید.

ادامه مطلب

مقاله – شبکه هاي عصبي ترکيب شده با الگوريتم رقابت استعماری برای طبقه بندی دیتاهای بازار بورس

http://www.icasite.info/icasite/post_i/neuron_icasite.info.png

“الگوریتم رقابت استعماری الگوریتم جدیدی در حوزه بهینه سازی هوشمند است که توجه محقین بسیاری را به خود جلب کرده است. این الگوریتم با مدلسازی ریاضی فرایند اجتماعی سیاسی استعمار، از آن در جهت ارائه یک الگوریتم قوی و کارا در حوزه بهینه سازی استفاده می کند. دراین نوشتار این الگوریتم بهینه سازی برای یادگیری یک شبکه عصبی استفاده شده است. شبکه عصبی مورد استفاده در حل مسئله طبقه بندی دیتاهای بازار بورس” … اینها بخشهایی از چکیده مقاله نوشته شده در مورد استفاده از الگوریتم رقابت استعماری در ترکیب با شبکه عصبی برای دسته بندی دیتاهای بازار بورس می باشد. اگر علاقه مند، به مطالعه کامل این مقاله هستید، با ما در ادامه مطلب که باز نشری از نسخه کامل این مقاله است، همراه باشید. نسخه پی دی اف مقاله نیز در انتهای پست قابل دانلود است.

ادامه مطلب

نحوه تعریف یک مسئله مناسب بهینه سازی برای حل با الگوریتم رقابت استعماری

آیا شما نیز، با سوالهای زیر مواجه شده اید؟ آیا خواسته اید که از یک روش بهینه سازی همانند الگوریتم رقابت استعماری در مسئله پایان نامه و تحقیق پایانی خود استفاده نمایید، اما در تعریف مناسب مسئله بهینه سازی با مشکل مواجه شده اید؟ در این پست می خواهیم به سوالات زیر پاسخ دهیم، اگر شما نیز علاقه مند به دانستن پاسخ این سوالات هستند، با ما در ادامه این پست همراه باشید.
  • چگونه الگوریتم رقابت استعماری را به یک مسئله معین در یک حوزه اعمال کنیم؟
  • چگونه مسئله مناسبی در حوزه معین را جهت استفاده از الگوریتم رقابت استعماری تعریف نماییم؟

روش کلی ایجاد نسخه های گسسته الگوریتم رقابت استعماری

با اینکه الگوریتم رقابت استعماری، در نسخه های اولیه آن برای حل مسائل بهینه سازی پیوسته معرفی شد، اما از همان ابتدای معرفی در کار های پژوهشی متنوعی در حل مسائل گسسته نیز به کار رفته است. در این پست می خواهیم نحوه ایجاد تغییرات در کدهای پیوسته الگوریتم رقابت استعماری را جهت تبدیل آن به روش حل مسائل گسسته بررسی کنیم.
در الگوریتم رقابت استعماری دو دسته از پارامترها را می توان تقسیم بندی نمود.

نحوه پیاده سازی عملی عملگر جذب (Assimilation) در الگوریتم رقابت استعماری – پرسش و پاسخ

http://www.icasite.info/icasite/post_i/ques_ans.png
پرسش:  من کد متلب ICA را قبلا دانلود کرده ام. اما به نظر می رسد، از AssimilationAngleCoefficient که مربوط به  زاویه است، استفاده نشده است. میخواهم بدانم از زاویه تتا (theta) به چه صورت در یک مسئله چند بعدی می شود استفاده کرد؟ از نظر شکلی زاویه قابل درک است ولی در عمل چطور اعمال می شود؟
پاسخ:نگاهی به کدهای آماده دانلود الگوریتم رقابت استعماری می توانند مفید باشند. لینک زیر:
http://www.icasite.info/2010/05/blog-post_01.htmlنقش تتا (theta) ایجاد انحراف در مسیر حرکت مستعمره است (شکلهای موجود در متن آموزشی (+) را ببینید). فرض کنید، می خواهیم در دو بعد از نقطه (0,0)، محل مستعمره به سمت نقطه (2,2)، موقعیت استعمارگر حرکت کنیم. فاصله بین این دو نقطه برابر خواهد بود با:
D = sqrt(4+4) = sqrt(8);
حال با فرض قرار دادن بتا مساوی 2، خواهیم داشت:

x ~ U(0,Beta*D) ~ U(0,2*sqrt(8))

ادامه مطلب

فیلم: آموزش عملی برنامه نویسی الگوریتم رقابت استعماری

دراین پست فیلم یکی از نشست های وبینار محاسبات تکاملی با موضوع “آموزش عملی برنامه نویسی الگوریتم رقابت استعماری” را خدمتتان جهت دانلود و نیز مشاهده آنلاین قرار داده ایم.

ادامه مطلب

پرسش و پاسخ – چند سوال در مورد الگوریتم و کدها به همراه پاسخ

http://www.icasite.info/icasite/post_i/ques_ans.png
دو نفر از دوستان سوالاتی در مورد کدها و نیز خود الگوریتم مطرح کرده اند که به دلیل اینکه به نظر رسید که این سوالات ممکن است برای دیگر دوستان نیز مطرح شود آنها را در قالب یک پست عمومی به همراه پاسخ آنها منتشر می کنیم.
سوالات – بخش یک
“با سلام
  1. در متن آموزشی منتشر شده در مورد الگوریتم در فصل 3 در نموداری که برای سیاسیت جذب (assimilation plicy) رسم شده، محورهای افقی و عمودی متغیرهای ما هستند؟ چرا فقط 2 متغیر وجود دارند. آیا الگوریتم محدود به مسائل با دو متغیر است؟
  2. نسل‌های ۱۰، ۳۰، ۳۳ که در قسمت مثال کاربردی در فصل 3 متن آموزشی آمده اند به چه چیزی اشاره می کنند؟ (آیا نسل ۱۰ یعنی‌ اینکه الگوریتم ۱۰ بار تکرار شده است؟)
  3. منظور از واژهٔ (همگرایی) چیست؟ (مثلاً همگرایی در مثال کاربردی فصل 3 در نسل ۳۳ همگرایی به چه معنی است؟)
  4. تفاوت میان هزینه متوسط یا هزینه میانگین (Mean Cost) و هزینه مینیمم (Minimum Cost) در نمودارها چیست؟

با تشکر”

پاسخ به این سوالات را در ادامه می بینیم. 

پرسش و پاسخ – بخش رقابت استعماری در ICA چگونه مدل می شود؟

سوال زیر در رابطه با نحوه پیاده سازی بخش رقابت استعماری در الگوریتم رقابت استعماری مطرح شده است. به دلیل عمومی بودن این سوال، پاسخ آن در قالب یک پست عمومی بر روی سایت قرار می گیرد.
“با درود فراوان،بابت تمامی اطلاعاتی که در مورد ICA بر روی سایت گذاشته اید، متشکرم. من می‌خوام این ترم ICA را در واحد سمینارم ارائه کنم. تمامی موارد را تقریباً متوجه شدم. ولی‌ در قسمت “رقابت استعماری” اشکال دارم. اینکه بردار P تعریف می‌شه و بعد بردار (رندم) R تعریف می‌شه و در نهایت داریم: D = P – Rاینجاهارو متوجه نمیشم. در صورت امکان لطفاً بنده را در این مورد راهنمایی کنید.”

 پاسخ این سوال در ادامه آمده است.

دانلود رایگان کد برنامه بهینه سازی تابع اکلی (Ackley) توسط الگوریتم ژنتیک و الگوریتم رقابت استعماری

در این پست دو برنامه مجزا در قالب دو پروژه عملی برای بهینه سازی تابع اکلی با استفاده از الگوریتم ژنتیک و الگوریتم رقابت استعماری را می بینیم. در ادامه کدها رایگان این دو برنامه به همراه توضیحات مربوط به آنها، به همراه یک فیلم آموزشی کوتاه در مورد کدها، قرار داده شده است.