فیلم های آموزشی
ژنتیک و محاسبات تکاملی
فیلم های آموزشی
شبکه عصبی مصنوعی
فیلم های آموزشی
الگوریتم های فراابتکاری
آموزش الگوریتم TLBO آموزش شبکه عصبی مصنوعی آموزش الگوریتم کرم شب تاب
آموزش الگوریتم PSO آموزش شبکه عصبی گازی آموزش الگوریتم مورچگان
آموزش ترکیب ژنتیک و PSO آموزش شبکه عصبی رقابتی آموزش الگوریتم علف هرز
آموزش الگوریتم BBO آموزش شبکه عصبی MLP آموزش الگوریتم جهش قورباغه
آموزش الگوریتم فرهنگی آموزش شبکه عصبی RBF آموزش الگوریتم کرم شب تاب
آموزش انتخاب ویژگی آموزش شبکه عصبی LVQ آموزش الگوریتم زنبور ها
آموزش الگوریتم ژنتیک آموزش شبکه عصبی GMDH آموزش کلونی زنبور مصنوعی
الگوریتم رقابت استعماری شبکه عصبی با نروسولوشن آموزش الگوریتم ژنتیک

پانزده کاربرد الگوریتم های ژنتیک – بخش دوم

هدف از این پست آشنا کردن مخاطبین محترم وبسایت محاسبات تکاملی با کاربرد های مختلف الگوریتم های ژنتیک می باشد. بدین منظور 15 کاربرد عمده از این الگوریتم ها را در سه پست مجزا آماده شده اند. در پست قبلی 5 کاربرد اول را منتشر کردیم. در این پست نیز، بخش دوم از این کاربردها را می بینیم. البته توجه شود که این کاربردها منحصر به الگوریتم ژنتیک (GA) نمی باشند و به سادگی قابل تعمیم به هر الگوریتم بهینه سازی تکاملی می باشند (این لینک (+) را ببینید). به همین منظور و برای درک بهتر موضوع، در ادامه هر کاربرد، موردی از استفاده مشابه از الگوریتم رقابت استعماری به همراه عنوان مقاله علمی منتشر شده، به عنوان یک مثال عملی خواهیم آورد.  لازم به ذکر است که این نوشتار به کوشش سرکار خانم زینب سجادی- دانشجوی کارشناسی ارشد ریاضیات مالی دانشکده ریاضی و علوم کامپیوتر دانشگاه شیخ بهایی اصفهان تهیه شده و جهت استفاده علاقه مندان در اختیار وبسایت محاسبات تکاملی قرار گرفته است. شما را به مطالعه لیست این کاربردها در ادامه مطلب دعوت می کنیم.


ادامه مطلب >>

پانزده کاربرد الگوریتم های ژنتیک – بخش اول

هدف از این پست آشنا کردن مخاطبین محترم وبسایت محاسبات تکاملی با کاربرد های مختلف الگوریتم های ژنتیک می باشد. بدین منظور 15 کاربرد عمده از این الگوریتم ها را در سه پست مجزا خدمتتان تقدیم خواهیم کرد. در این پست، بخش اول از این کاربردها را می بینیم. البته توجه شود که این کاربردها منحصر به الگوریتم ژنتیک (GA) نمی باشند و به سادگی قابل تعمیم به هر الگوریتم بهینه سازی تکاملی می باشند (این لینک (+) را ببینید). به همین منظور و برای درک بهتر موضوع، در ادامه هر کاربرد، موردی از استفاده مشابه از الگوریتم رقابت استعماری به همراه عنوان مقاله علمی منتشر شده، به عنوان یک مثال عملی خواهیم آورد.  لازم به ذکر است که این نوشتار به کوشش سرکار خانم زینب سجادی- دانشجوی کارشناسی ارشد ریاضیات مالی دانشکده ریاضی و علوم کامپیوتر دانشگاه شیخ بهایی اصفهان تهیه شده و جهت استفاده علاقه مندان در اختیار وبسایت محاسبات تکاملی قرار گرفته است. شما را به مطالعه لیست این کاربردها در ادامه مطلب دعوت می کنیم.

ادامه مطلب >>

پرسش و پاسخ – تعیین بازه های متغیرها در کدهای مختلف بهینه سازی

http://www.icasite.info/icasite/post_i/ques_ans.png
در بخش پرسش و پاسخ وبسایت محاسبات تکاملی، معمولاً متنی پستی را منتتشر می کنیم که به پاسخ یک پرسش عمومی می پردازد. یکی از نسخه های برنامه الگوریتم رقابت استعماری در متلب و سی شارپ را جناب آقای مهندس کلامی تهیه کرده اند (در این لینک). در این پست، ایشان در پاسخ به پرسش زیر، نحوه تعیین و تغییر بازه های متغیرها در یک برنامه نوشته شده با روشهای مختلف بهینه سازی تکاملی را نشان می دهند.
پرسش:

با عرض سلام و خسته نباشید
می خواستم بدانم، اگر در الگوریتم رقابت استعماری (یا الگوریتم های دیگر) بخواهم حدود متغیرها با یکدیگر فرق داشته باشد چگونه باید کد الگوریتم را تغییر دهم؟ مثلا می خواهم متغیر اول بین 0 تا 1 و متغیر دوم بین 1 تا 30 و متغیر سوم بین 10 تا 20 باشد.

ادامه مطلب >>

دانلود رایگان کدهای طراحی کنترل کننده پی آی دی توسط الگوریتم ژنتیک و الگوریتم رقابت استعماری

در یکی از پستهای قبلی در وبسایت محاسبات تکاملی (این پست)، توضیحات کاملی در مورد نحوه استفاده از الگوریتم رقابت استعماری برای طراحی کنترل کننده پی آی دی (PID Controller Design)، ارائه کردیم. دوستان زیادی در طی مکاتبات خود با سایت، تقاضای دسترسی به کدهای نوشته شده این برنامه را داشتند. در پاسخ به درخواست این دوستان، وبسایت محاسبات تکاملی، لینک دانلود این کدها را در این وبسایت منتشر می کند. امید هست که استفاده از این کدها، در جهت آشنایی با نحوه استفاده از روشهای بهینه سازی تکامی در طراحی کنترل کننده ها، مفید واقع شود.
در ادامه لینک های دانلود آمده اند. در هر یک از لینک های زیر، در صورتی که نیاز به پسورد بود، عبارت www.icasite.info را وارد کنید.

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 >>

حل یک مسئله ماکزیمم (بیشنه) سازی توسط کدهای برنامه یک روش مینیمم سازی

http://www.icasite.info/icasite/post_i/ques_ans.png
معمولاً کدهای رایگانی که به صورت عمومی در مورد یک روش بهینه سازی منتشر می شوند، برای حل مسائل کمینه سازی نوشته شده اند. به عنوان مثال کدهای رایگان الگوریتم رقابت استعماری و یا الگوریتم ژنتیک موجود در وبسیات محاسبات تکاملی، مختص مسائل بهینه سازی هستند. اما این به این معنی نیست که از آنها، نمی توان برای حل مسائل بیشینه سازی استفاده کرد. دلیل اصلی این نوع نوشتن کدها، این هست که مسائل بهینه سازی کمینه سازی و بیشینه سازی، هیچ تفاوتی با هم نداشته و به سادگی قابل تبدیل به هم هستند و چون غالب مسائل بهینه سازی بصورت مینیمم سازی هستند، این کدها نیز، به این صورت منتشر می شوند.
یکی از دوستان سوالی را در مورد نحوه حل مسئله ماکزیمم سازی توسط کدهای الگوریتم رقابت استعماری پرسیده بودند، که این پست، در پاسخ به سوال ایشان تهیه شده است. اگر شما نیز به سوال مشابهی برخورد کرده اید، در ادامه مطلب با ما همراه باشید.

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 >>

پایان نامه – انتخاب و بهينه سازی سبد سهام با استفاده از روش هاي فراابتكاري – متن کامل تر

 
در یکی از پست های قبلی بر روی وبسایت محاسبات تکاملی، بخش هایی کوتاه از پایان نامه آقای آرش طالبی تحت عنوان “انتخاب و بهينه سازی سبد سهام با استفاده از روش هاي فراابتكاري و مقایسه ی آن با سبدهای تشکیلیِ خبرگان و تازه کارها در بازار بورس اوراق بهادار تهران” را منتشر کردیم. همانگونه که در آن پست، وعده انتشار بخش های تکمیل تری از این پایانه را داده بودیم، در این پست می خواهیم، قسمت هایی تکمیلی این کار با ارزش را منتشر کنیم. اگر علاقه مند به مطالعه و تحقیق در این زمینه هستنید، با ما در ادامه این پست، همراه باشید.

محاسبات تکاملی و الگوریتم رقابت استعماری در فیس بوک و سایر شبکه های اجتماعی

علاقه مندان حوزه محاسبات تکاملی (Genetic Algorithms, Particle Swarm Optimization, Ant Colony Optimization, Imperialist Competitive Algorithm) می توانند، مطالب منتشر شده را در فیس بوک و سایر شبکه های اجتماعی ما نیز دنبال نمایید.

 
به زودی فراخوان دوره های جدیدی از وبینار و کارگاه های آموزشی این حوزه از طریق همین شبکه های اجتماعی اعلام خواهند شد.