معرفی آموزش پیاده سازی ترکیب الگوریتم ژنتیک و PSO در متلب

فیلم آموزشی پیاده سازی ترکیب الگوریتم ژنتیک و PSO در متلب

در بسیاری از زمان ها راه حل های ترکیبی راه حل های مناسبتری هستند. در این پست قصد داریم آموزش ترکیب دو الگوریتم بهینه سازی را به شما معرفی کنیم. الگوریتم های مختلف بهینه سازی (اعم از هوشمند و یا غیر هوشمند)، هر کدام دارای قابلیت ها و ویژگی های خاصی هستند. قطعا هر الگوریتمی دارای نقاط ضعف و قوت فراوانی است. البته این موارد در مواجهه با مسائل مختلف، می تواند شدت و ضعف داشته باشد. ایده الگوریتم های ترکیبی (هیبرید) و یا Hybrid Algorithms، با توجه به تفاوت های عملکردی و ساختاری الگوریتم های بهینه سازی مختلف شکل گرفته است و هدف از آن ایجاد الگوریتم های ترکیبی است که بتوانند با استفاده از نقاط قوت الگوریتم های ترکیب شونده، عملکرد بهتری را در حل مسائل بهینه سازی مختلف داشته باشند. آموزشی در همین زمینه توسط فرادرس تهیه شده است.

در این فیلم آموزشی ابتدا برنامه نویسی الگوریتم ژنتیک مورد بحث قرار می گیرد و سپس الگوریتم بهینه سازی ازدحام ذرات یا PSO پیاده سازی می شود. در ادامه ایده هایی برای ترکیب این دو الگوریتم مطرح می شوند و در محیط نرم افزار متلب پیاده سازی می گردند. زمان این فیلم تقریبا برابر با یک جلسه آموزشی (۹۰ دقیقه) است.

زبان این فیلم فارسی است و مفاهیم تئوری و عملی در آن به صورت کاملا روان توضیح داده شده است. از این رو می تواند یکی از گزینه های بسیار مناسب برای آموزش برنامه نویسی الگوریتم ژنتیک، الگوریتم PSO و ترکیب این دو الگوریتم باشد. قطعا نکات کاربردی و مفید بسیاری در این فیلم وجود دارد که شما در کمترین زمان ممکن آن ها را آموزش خواهید دید. برای توضیحات بیشتر می توانید به لینک زیر مراجعه نمایید.

 

معرفی آموزش پیاده سازی و برنامه نویسی الگوریتم ازدحام ذرات (PSO) گسسته باینری

 

فیلم آموزشی پیاده سازی و برنامه نویسی الگوریتم ازدحام ذرات (PSO) گسسته باینری

الگوریتم ازدحام ذرات یک الگوریتم معروف بهینه سازی است که می تواند راه حل مناسبی برای بسیاری از زمینه های که نیاز به بهینه سازی دارند، باشد. آموزش این الگوریتم به صورت کاملا عملی همراه با برنامه نویسی در مجموعه فرادرس ارائه شده است. در این پست توضیحات اولیه ای از این الگوریتم برای آشنایی بیشتر با آن آمده است و در انتها آموزش بی نظیری برای فراگیری آن معرفی شده است.

ایده Particle Swarm Optimization، برای اولین بار توسط کندی و ابرهارت در سال ۱۹۹۵ مطرح شد. PSO، یک الگوریتم محاسبه ای تکاملی الهام گرفته از طبیعت و براساس تکرار می‌باشد. منبع الهام این الگوریتم، رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهی‌ها بود. از این جهت که PSO نیز با یک ماتریس جمعیت تصادفی اولیه، شروع می‌شود، شبیه بسیاری دیگر از الگوریتم های تکاملی همچون الگوریتم ژنتیک پیوسته و الگوریتم رقابت استعماری است. در کنار نسخه استاندارد و پیوسته این الگوریتم، نسخه گسسته (باینری اش) نیز در حل مسائل مختلفی مورد استفاده قرار می گیرد. آموزشی در همین زمینه توسط فرادرس فراهم شده است. این محصول به گونه ای تهیه شده است که در کنار ارائه کاربردی و برنامه نویسی عملی الگوریتم گسسته ازدحام ذرات، آن را با زبان ساده برای افراد مبتدی نیز مفید می کند. استفاده از این محصول نیاز به داشتن هیچ پیشنیازی ندارد. تنها آشنایی با زبان برنامه نویسی متلب برای درک بخش آموزش برنامه نویسی آن توصیه می شود. برای توضیحات بیشتر می توانید به لینک زیر مراجعه نمایید.

 

معرفی آموزش الگوریتم PSO — شامل مباحث تئوری و عملی

بسته طلایی فیلم‌های آموزشی الگوریتم PSO — شامل مباحث تئوری و عملی

الگوریتم بهینه سازی ازدحام ذرات یا Particle Swarm Optimizatoion (به اختصار PSO) یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است. اگر می خواهید این اموزش را به صورت کامل و جامع و و از همه مهمتر عملی برای پیاده سازی در تحقیقات خود فراگیرید، آموزش ارائه شده توسط فرادرس این امکان را به شما می دهد. در هر سطحی که از این الگوریتم اطلاع دارید، می توانید با مشاهده آموزش فرادرس این الگوریتم را به طور کامل بیاموزید و آن را بکار گیرید.

همانطور که می دانید الگوریتم بهینه سازی ازدحام ذرات، در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. در الگوریتم PSO، اعضای جمعیت جواب ها، به صورت مستقیم با هم ارتباط دارند و از طریق تبادل اطلاعات با یکدیگر و یادآوری خاطرات خوب گذشته، به حل مسأله می پردازند. الگوریتم PSO برای انواع مسائل پیوسته و گسسته مناسب است و پاسخ های بسیار مناسبی برای مسائل بهینه سازی مختلف داده است. آموزش فرادرس در این زمینه 10 ساعته است و کلیه مطالب مورد نیاز شما را پوشش می دهد. برای اطلاعات بیشتر لینک زیر را ببینید.

همه چیز درباره الگوریتم بهینه سازی ازدحام ذرات در بسته طلایی فیلم‌های آموزشی الگوریتم PSO

http://www.matlabsite.com/wp-content/uploads/2012/02/mvrps9011.png
اگر با الگوریتم بهینه سازی ازدحام ذرات، آشنایی دارید، مطمئن باشید، در بسته طلایی فیلم‌های آموزشی الگوریتم PSO حداقل هشتاد درصد مطلب جدید برای شما وجود دارد! اگر هم با الگوریتم بهینه سازی ازدحام ذرات، آشنایی ندارید، همان هشتاد درصد به علاوه 20 درصد آموزش مقدماتی و پایه به زبان ساده، پاسخگوی تمام نیاز شما خواهد بود. متلب سایت، این بسته آموزشی را در حالی برای دانشجویان و پژوهشگران ایران تهیه کرده است که به جرات می توان گفت که مشابه خارجی نیز برای چنین محصول ارزشمند علمی وجود ندارد که بتواند چنین مبحثی را این چنین ساده و کامل توضیح دهد.

نحوه کد کردن کروموزوم، ذره و یا کشور در الگوریتم های بهینه سازی به صورت ماتریس

http://www.icasite.info/icasite/post_i/ques_ans.png
در برخی موارد، متغیرهای بهینه سازی ما در قالب یک ماتریس قرار دارند. سوالی که مطرح می شود این هست که چگونه می توان موارد این چنینی را توسط کدهای آماده روشهای مطرح بهینه سازی همچون الگوریتم ژتتیک، الگوریتم ازدحام ذرات و الگوریتم رقابت استعماری حل کرد؛ در حالی که این کدها، غالباً با دنباله متغیرهایی به صورت یک رشته با طول N کار می کنند نه یک ماتریس! مثلاً سوال زیر را در نظر بگیرید، که توسط یکی از دوستان در مورد نحوه انجام این کار در الگوریتم رقابت استعماری پرسیده بودند:

آیا می توان به جای این که در تابع ارزیابی برداری از متغیرها داشته باشیم برداری از ماتریس ها یا بردارها داشته باشیم. به عبارت دیگر رمزگذاری مسئله به شکلی باشد که برای  نمایش هر کروموزوم (کشور)یک ماتریس داشته باشیم.  آنگاه آیا می توان از کدهای متلب الگوریتم رقابت استعماری که در حال حاضر در وبسایت محاسبات تکاملی (icaSite.info) قرار دارد برای این رمزگذاری استفاده کرد یا باید نسخه ای دیگر از این برنامه تولید کرد؟ اگر تغییراتی در کدفعلی لازم است لطفا بفرمایید.

با سپاس فراوان

 

پاسخ سوال بسیار ساده می باشد.

پنج فیلم آموزشی در زمینه شبکه های عصبی مصنوعی و کاربرد آنها در حوزه های مختلف

یکی از اهداف وبسایت محاسبات تکاملی معرفی کتب، مراجع و مستندات آموزشی در زمینه هوش مصنوعی و بطور ویژه محاسبات تکاملی بوده است. در این میان، در سال های اخیر، متلب سایت، به عنوان مرجع برنامه نویسان متلب و هوش مصنوعی، در یک اقدام ابتکاری و ناب، اقدام به تولید محصولات آموزشی متنوعی برای علاقه مندان هوش مصنوعی کرده است. این اقدام متلب سایت و محصولات آموزشی آن که با استقبال بسیار بالایی مواجه شده اند، تا حد زیادی توانسته اند، خلأ آموزشی دانشجویان و پژوهشگران این حوزه را پر کنند.

متلب سایت در تازه ترین محصولات آموزشی خود، اقدام به ارائه 5 فیلم آموزشی در زمینه شبکه های عصبی مصنوعی و کاربرد آنها در حوزه های مختلف کرده است، که به نظر رسید معرفی این فیلم ها به مخاطبین وبسایت محسابات تکاملی، خالی از لطف نباشد، به ویژه اینکه سه مورد از این فیلم های آموزشی، مرتبط با ترکیب الگوریتم ها ژنتیک، ازدحام ذرات و رقابت استعماری با شبکه های عصبی می باشند. پیشنهاد می کنیم، استفاده از این فرصت ناب اموزشی را مغتنم شمرده و در صورت داشتن علاقه به این حوزه، از این محصولات تخصصی در حوزه هوش مصنوعی استفاده نمایید. ما نیز این افتخار را خواهیم داشت تا با اطلاع رسانی این محصولات ناب آموزشی به مخاطبین، کوچکترین قدم ممکن را در حمایت از متلب سایت در ادامه این مسیر سخت آموزشی برداشته ایم.

لیست فیلم های آموزشی جدید متلب سایت، به شرح زیر می باشد (با کلیک بر روی هر عنوان به صفحه اختصاصی آن فیلم و راهنمای تهیه و اطلاعات بیشتر در مورد آن منتقل می شوید). ادامه مطلب را ببینید.

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

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

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.