کد متلب الگوریتم بهینه سازی کرم شب تاب (GSO)

اختصاصی از اس فایل کد متلب الگوریتم بهینه سازی کرم شب تاب (GSO) دانلود با لینک مستقیم و پر سرعت .

کد متلب الگوریتم بهینه سازی کرم شب تاب (GSO)

خط های کد برنامه حاوی توضیحات لازم به صورت کامنت هستند.

برای نمایش نتایج خروجی، کافیست کد حاضر را در محیط نرم افزار متلب اجرا نمایید.

الگوریتم بهینه سازی کلونی مورچگان در 51 اسلاید

اختصاصی از اس فایل الگوریتم بهینه سازی کلونی مورچگان در 51 اسلاید دانلود با لینک مستقیم و پر سرعت .

بهینه‌سازی گروه مورچه‌ها یا ACO همانطور که می دانیم مسئله یافتن کوتاهترین مسیر، یک مسئله بهینه سازیست که گاه حل آن بسیار دشوار است و گاه نیز بسیار زمانبر. برای مثال مسئله فروشنده دوره گرد را نیز می‌توان مطرح کرد. در این روش(ACo)، مورچه‌های مصنوعی به‌وسیلهٔ حرکت بر روی نمودار مسئله و با باقی گذاشتن نشانه‌هایی بر روی نمودار، همچون مورچه‌های واقعی که در مسیر حرکت خود نشانه‌های باقی می‌گذارند، باعث می‌شوند که مورچه‌های مصنوعی بعدی بتوانند راه‌حل‌های بهتری را برای مسئله فراهم نمایند. همچنین در این روش می‌توان توسط مسائل محاسباتی-عددی بر مبنای علم احتمالات بهترین مسیر را در یک نمودار یافت.

 

روش که از رفتار مورچه‌ها در یافتن مسیر بین محل لانه و غذا الهام گرفته شده؛ اولین بار در ۱۹۹۲ توسط مارکو دوریگو (Marco Dorigo) در پایان نامهٔ دکترایش مطرح شد.

الگوریتم کلونی مورچه الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه هاست. این مطالعات نشان داده که مورچه‌ها حشراتی اجتماعی هستند که در کلونی‌ها زندگی می‌کنند و رفتار آنها بیشتر در جهت بقاء کلونی است تا درجهت بقاء یک جزء از آن. یکی از مهمترین و جالبترین رفتار مورچه‌ها، رفتار آنها برای یافتن غذا است و بویژه چگونگی پیدا کردن کوتاهترین مسیر میان منابع غذایی و آشیانه. این نوع رفتار مورچه‌ها دارای نوعی هوشمندی توده‌ای است که اخیراً مورد توجه دانشمندان قرار گرفته است در دنیای واقعی مورچه‌ها ابتدا به طور تصادفی به این سو و آن سو می‌روند تا غذا بیابند. سپس به لانه بر می‌گردند و ردّی از فرومون(Pheromonee) به جا می‌گذارند. چنین ردهایی پس از باران به رنگ سفید در می‌آیند و قابل رویت اند. مورچه‌های دیگر وقتی این مسیر را می‌یابند، گاه پرسه زدن را رها کرده و آن را دنبال می‌کنند. سپس اگر به غذا برسند به خانه بر می‌گردند و رد دیگری از خود در کنار رد قبل می‌گذارند؛ و به عبارتی مسیر قبل را تقویت می‌کنند. فرومون به مرور تبخیر می‌شود که از سه جهت مفید است:

 

• باعث می‌شود مسیر جذابیت کمتری برای مورچه‌های بعدی داشته باشد. از آنجا که یک مورچه در زمان دراز راه‌های کوتاه‌تر را بیش تر می‌پیماید و تقویت می‌کند هر راهی بین خانه و غذا که کوتاه‌تر (بهتر) باشد بیشتر تقویت می‌شود و آنکه دورتر است کمتر.
• اگر فرومون اصلاً تبخیر نمی‌شد، مسیرهایی که چند بار طی می‌شدند، چنان بیش از حد جذّاب می‌شدند که جستجوی تصادفی برای غذا را بسیار محدود می‌کردند.
• وقتی غذای انتهای یک مسیر جذاب تمام می‌شد رد باقی می‌ماند.

لذا وقتی یک مورچه مسیر کوتاهی (خوبی) را از خانه تا غذا بیابد بقیهٔ مورچه‌ها به احتمال زیادی همان مسیر را دنبال می‌کنند و با تقویت مداوم آن مسیر و تبخیر ردهای دیگر، به مرور همهٔ مورچه‌ها هم مسیر می‌شوند. هدف الگوریتم مورچه‌ها تقلید این رفتار توسط مورچه‌هایی مصنوعی ست که روی نمودار در حال حرکت اند. مسئله یافتن کوتاه‌ترین مسیر است و حلالش این مورچه‌های مصنوعی اند.

از کابردهای این الگوریتم، رسیدن به راه حل تقریباً بهینه در مسئله فروشنده دوره‌گرد است. به طوری که انواع الگوریتم مورچه‌ها برای حل این مسئله تهیه شده. زیرا این روش عددی نسبت به روشهای تحلیلی و genetic در مواردی که نمودار مدام با زمان تغییر کند یک مزیت دارد؛ و آن این که الگوریتمی ست با قابلیت تکرار. و لذا با گذر زمان می‌تواند جواب را به طور زنده تغییر دهد. که این خاصیت در روتینگ شبکه‌های کامپیوتری و سامانه حمل و نقل شهری مهم است.
در مسئله فروشنده دوره گرد باید از یک شهر شروع کرده، به شهرهای دیگر برود و سپس به شهر مبدا بازگردد بطوریکه از هر شهر فقط یکبار عبور کند و کوتاهترین مسیر را نیز طی کرده باشد. اگر تعداد این شهرها n باشد در حالت کلی این مسئله از مرتبه (n-1)! است که برای فقط ۲۱ شهر زمان واقعاً زیادی می‌برد:

روز۱۰۱۳*۷/۱ = S۱۰۱۶*۴۳۳/۲ = ms۱۰*۱۰۱۸*۴۳۳/۲ =!۲۰

با انجام یک الگوریتم برنامه سازی پویا برای این مسئله، زمان از مرتبه نمایی بدست می‌آید که آن هم مناسب نیست. البته الگوریتم‌های دیگری نیز ارائه شده ولی هیچ کدام کارایی مناسبی ندارند. ACO الگوریتم کامل و مناسبی برای حل مسئله TSP است.

 

فهرست مطالب:

 

تاریخچه ی الگوریتم

هوش جمعی و عامل های هوشمند

مورچه ها چگونه ارتباط  برقرار می کنند؟

مورچه ها چگونه کوتاهترین مسیر را انتخاب می کنند؟

تبخیر فرومون

مسیریابی توسط مورچه ها

پیاده سازی الگوریتم با مورچه های مصنوعی

رفتارهای جست و جو گرایانه مورچگان

فلوچارت الگوریتم

محاسبه احتمال

اپدیت فرومون

حل مساله ی فروشنده ی دوره گرد

دانلود تحقیق آشنایی با الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه ی Curve Fitting

اختصاصی از اس فایل دانلود تحقیق آشنایی با الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه ی Curve Fitting دانلود با لینک مستقیم و پر سرعت .

فصل اول

آشنایی با برخی از انواع الگوریتم¬های بهینه سازی

مقدمه ای بر بهینه سازی
بهینه سازی در ادبیات مهندسی به فرآیند بهتر کردن هر چیزی اطلاق می شود. یک مهندس و یا یک محقق ایده جدیدی خلق می کندو بهینه سازی به این ایده خلق شده کیفیت می بخشد در فرآیند بهینه سازی تغییراتی بر روی ایده اولیه انجام می شود و با نتایج حاصل از این تغییرات ایده اولیه بهبود می یابد. مادآمی که بتوان ایده مورد نظر را در غالب الکترونیکی نوشت کامپیوتر وسیله ای مناسب برای بهینه سازی خواهد بود. در زبان برنامه نویسی و ریاضیات بهینه سازی را فرآیند تعریف می کنند که در آن از طریق انتخاب و طراحی ساختارهای داده¬ای الگوریتم ها و دستورالعمل های مناسب به تولید برنامه های کار آمد(کوچکتر یا سریعتر)دست پیدا کرد. در تعاریف دیگر در بحث بهینه سازی در علوم مهندسی بهینه سازی به معنای رسیدن به وضعیتی بهینه در محاسبات مربوط میباشد که در آن کمترین محاسبه و بیشترین میزان بازدهی میسر می شود. در دهه های اخیر همزمان با مطرح شدن مسا ئل بهینه سازی جدید، روش های جدید بهینه سازی نیز ابداع شدند. مهمترین گروه از این روشهای بهینه سازی روش های تکاملی می باشند که توانایی حل مسائل با ابعاد بزرگ و تعداد متغیرهای زیاد را دارا هستند از سوی دیگر مسائل مورد توجه در علوم مهندسی ازجمله مسائلی هستند که غالبا دارای متغیرهای زیاد می باشند. در این بحث بهینه سازی توابع مطرح میباشد، از این رو استفاده از روشهای تکاملی چندگاه در این گونه مسائل در سال های اخیر مورد توجه قرار گرفته است به همین دلیل در حل مسائل تک هدف مهندسی از الگوریتم بهینه سازی ذرات استفاده بسیاری  شده است بهینه سازی توابع ریاضی و یافتن و رسم یک سری اطلاعات در برخی از اطلاعات و داده های غیر خطی از مسائلی  بوده که همواره این مسائل مد نظر می باشد .که الگوریتم ها شامل 1- الگوریتم فرا اکتشافی است که از حرکت گروهی از پرندگان یا ماهی ها می باشد 2- الگوریتم ژنتیک، الگوریتم ژنتیک تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این الگوریتم برای اولین بار توسط جان هلند معرفی شد. 3-الگوریتم تکاملی کاربرد این روش ها و بهینه سازی و یافت تابع مورد نظر توجه بسیاری از محققین قرار گرفته است.    

                                                                                      
1- 1 الگوریتم اجتماع پرندگان  
 الگوریتم بهینه سازی ذرات ،یک الگوریتم بهینه سازی فرا اکتشافی است که از حرکات گروهی از پرندگان یا دسته ای از ماهیان که به شکل گروهی زندگی می کنند، الگوبرداری شده است. این الگوریتم از مفهوم اثر متقابل اجتماعی برای حل کردن مسئله استفاده می کند. در واقع این الگوریتم رفتار گروهی از پرندگان را شبیه سازی می کند به سنا ریو زیر توجه کنید:                                            
   یک گروه از پرندگان بطور تصادفی در حال جستجوی غذا دریک ناحیه می باشند و تنها یک قطعه غذا در ناحیه مورد جستجو قرار دارد و هیچ یک از پرندگان اطلاعی از مکان غذا ندارند اما می دانند که در هر مرحله چه فاصله ای از غذا دارند. در واقع مسئله در اینجا یافتن بهترین راه برای پیدا کردن غذا می باشد. یک روش موثر دنبال کردن پرندگانی می باشد که کمترین فاصله را با غذا دارند pso  مانند همه ی الگوریتم های تکاملی دیگر، با ایجاد یک جمعیت تصادفی از افراد شروع می شود که در اینجا با عنوان یک گروه از ذره ها خوانده می شوند. مشخصات هر ذره در گروه براساس مجموعه ای از پارامتر ها تعیین می شود. در این روش هر ذره یک نقطه از فضای جواب مسئله را نشان می دهد .هر کدام از ذرات دارای حافظه هستند یعنی بهترین موقعیتی که در فضای جستجو به آن می رسند را بخاطر می سپارند. به طور کلی این الگوریتم از یک مجموعه از نقاط(ذره)به مجموعه ای دیگر از نقاط در یک تکرار واحد، حرکت می کند که به طور احتمال با استفاده از ترکیب قوانین بهبودهایی حاصل می دهد.
در واقع یک الگوریتم رایانه‌ای مبتنی بر جمعیت برای حل مسئله ‌است. این تکنیک ها بسیار رشد کرده‌اند و نسخه اصلی این الگوریتم به طور واضحی در نسخه ‌های امروزی قابل شناخت است. تاثیر گذاری اجتماعی و یاد گیری اجتماعی یک شخص را قادر میسازد تا ثبات دانستنی‌هایش را برقرار سازد. انسانها مسائل شان را به کمک صحبت با دیگران و نیز به کمک برهم کنش با باورهای شان، گرایش هایشان و تغییر رفتارشان حل می کنند؛ این تغییرات را می توان به طور نمونه به شکل حرکت افراد به سوی یکدیگر در فضای آگاهی اجتماعی مجسم کرد. ساختار ارتباطی یا شبکه اجتماعی برای واگذار کردن هر همسایگی به یک فرد تعریف شده تا آن فرد با آن همسایگی بر هم کنش داشته باشد. سپس گروه کارگزاران به عنوان مهمان های سر زده برای راه حل‌های مسئله تعریف میشوند که آنها را به نام "ذرات" نیز می شناسیم؛ از این رو آنها را "ذرات دسته جمعی" نام نهاده ایم. یک فرآیند تکراری برای بهبود کاندیداها در طی حرکت ذرات در نظر گرفته شده ‌است. ذرات مکررا شایستگی راه حلهای کاندیدا را ارزیابی میکنند و موقعیتی را که در آن بهترین موفقیت را داشته‌اند، به خاطر می سپارند. بهره راه حل کارگزاران "بهترین ذره" یا "بهترین محل" نامیده میشود. هر ذره این اطلاعات را برای دیگر ذرات موجود در همسایگی قابل دسترسی میکند.
همچنین آنها نیز میتوانند ببینند که دیگر ذرات موجود در همسایگی در کجا بهترین موفقیت را داشته‌اند.
PSO تحت نامهای مختلفی همچون الگوریتم انبوه ذرات، الگوریتم ازدحام ذرات و الگوریتم پرندگان درایران شناخته شده است.عبارت Swarm در زبان انگلیسی به اجتماع دسته انبوهی از جانوران و حشرات اشاره می کند. در زیر یک swarm از زنبور ها را می بینید.
 
شکل(1)_تصویر یک swarm  از زنبورها
چون منبع این الگوریتم  از رفتار اجتماعی حیوانات، همانند حرکت دسته جمعی پرندگان و ماهی‌ها بود، از این رو PSO نیز با یک ماتریس جمعیت تصادفی اولیه، شروع میشود. برخلاف الگوریتم ژنتیک ، PSO هیچ عملگر تکاملی همانند جهش و تزویج ندارد. در واقع الگوریتم PSO از تعداد مشخصی از ذرات تشکیل می شود که به طور تصادفی، مقدار اولیه می گیرند. برای هر ذره دو مقدار وضعیت و سرعت، تعریف می شود که به ترتیب با یک بردار مکان و یک بردار سرعت، مدل می‌شوند. این ذرات، بصورت تکرارشونده ای در فضای  n ‌بعدی مسئله حرکت می کنند تا با محاسبة مقدار بهینگی به عنوان یک ملاک سنجش، گزینه‌های ممکن جدید را جستجو کنند. بُعد فضای مسئله، برابر تعداد پارامترهای موجود در تابع مورد نظر برای بهینه سازی می باشد. یک حافظه به ذخیرة بهترین موقعیت هر ذره در گذشته و یک حافظه به ذخیرة بهترین موقعیت پیش آمده در میان همة ذرات، اختصاص می‌یابد. با تجربة حاصل از این حافظه ها, ذرات تصمیم می گیرند که در نوبت بعدی، چگونه حرکت کنند. در هر بار تکرار، همة ذرات در فضای n  بعدی مسئله حرکت می کنند تا بالاخره نقطة بهینة عام، پیدا شود. ذرات، سرعت‌هایشان و موقعیت‌شان را بر حسب بهترین جواب‌های سراسری و محلی به‌روز می‌کنند. الگوریتم PSO، بردار سرعت هر ذره را به‌روز کرده و سپس مقدار سرعت جدید را به موقعیت و یا مقدار ذره می‌افزاید. به‌روز کردن‌های سرعت، تحت تأثیر هر دو مقدار بهترین جواب محلی و بهترین جواب مطلق قرار می‌گیرند. بهترین جواب محلی و بهترین جواب مطلق، بهترین جوابهایی هستند که تا لحظه‌ی جاری اجرای الگوریتم، به ترتیب توسط یک ذره و در کل جمعیت به دست آمده‌اند. مزیت اصلی PSO این است که پیاده‌سازی این الگوریتم ساده بوده و نیاز به تعیین پارامتر‌های کمی دارد. همچنین PSO قادر به بهینه‌سازی توابع هزینه‌ی پیچیده با تعداد زیاد مینیمم محلی است.]1[
1-2 الگوریتم ژنتیک
الگوریتم ژنتیک تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی  مانند وراثت و جهش استفاده می‌کند.
 در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.  مختصرا گفته می‌شود که الگوریتم ژنتیک یا GA یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.
اخیرا الگوریتم های ژنتیک توجهات زیادی را به خود معطوف کرده اند. در حال حاضر آنها کاربردهای موفق بسیاری دارند. الگوریتم های ژنتیک، گونه ای از الگوریتم های جستجو هستند که برخی از فرآیندهای تکامل طبیعی را به شکل اولیه نشان می دهند. الگوریتم های ژنتیک معمولاً مکانیسم های جستجوی مؤثری را بدست می آورند که می توانند برای بهینه سازی و طبقه بندی کار کردها بکار گرفته شوند. الگوریتم های ژنتیک به جای یک تک نقطه با مجموعه ای از نقاط کار می کنند که هر نقطه در حقیقت برداری در فضا است که نشانگر یک راه کار بالقوه یا گزینشی برای مسئله‏ی بهینه سازی می باشد.
یک مجموعه، تنها دسته، یا گروهی از بردار ها در فضا است. هر بردار در مجموعه یک فرد و گاهی یک کروموزوم نامیده می شود. از آنجا که اعداد حقیقی در الگوریتم های ژنتیک با استفاده از اعداد باینری، رمز گذاری میشوند، چند بعدی بودن بردار مسئله می تواند متفاوت از چند بُعدی بودن یک رشته بیت کروموزوم باشد. تعداد عناصر (اجزاء) در هر بردار (فرد) برابر است با تعداد پارامترهای حقیقی در مسئله ی بهینه سازی.
هر یک عنصر از بردار، عموماً با یک پارامتر یا بُعد از بردار عددی متناظر است. هر عنصری می تواند با هر تعداد از بیت ها (bits) رمز گذاری شود که این بستگی به نمایش هر پارامتر دارد. تعداد کلّی بیت ها می تواند بُعد ابر فضای مورد جستجو را تعریف کند.
سری عملیاتی که در زمان اجرای یک الگوی الگوریتم ژنتیک انجام می شود، بدین صورت است:
1- تعیین مجموعه
2- محاسبه‏ی تناسب (fitness) برای هر فرد در مجموعه
3- بازسازی افراد منتخب برای تشکیل یک مجموعه ی جدید
4- ایجاد دوگانگی و جهش در مجموعه
5- بازگشت به مرحله ی دوم تا زمانی که شرایط خاص برقرار شود.
دو مرحله ی اصلی برای تبدیل یک مسئله بهینه سازی تکاملی عبارتست از نمایش کروموزوم و ارزیابی کروموزوم.
در مرحله اول که مختص مسئله است هر راه حل مسئله ی بهینه سازی به شکل یک رشته ی باینری (یعنی یک کروموزوم) ارائه می گردد.
در مرحله دوم یک تابع ارزیابی که بصورت تابع تناسب عمل می کند، به منظور مقایسه ی کروموزوم ها در فرآیند تکامل ارائه می شود. رمز گذاری مسئله و انتخاب تابع صحیح تناسب دارای تأثیرات مهمی بر موفقیت روش الگوریتم ژنتیک هستند.]2[
1-3 الگوریتم کلونی مورچه ها
این روش از توانائی مورچه‏ها در پیدا کردن کوتاه ترین مسیر بین لانه و یک منبع غذایی الهام گرفته است. وقتی مورچه‏ها در محیط اطراف حرکت می‏نمایند، اثری شیمیایی به نام فرومون از خود به جای می‏گذارند. وقتی جمعیتی از مورچه‏ها از چند مسیر بین لانه و یک منبع غذایی حرکت می‏کنند، پس از مدت زمانی معینی مشاهده می‏شود که در مسیر‏های متفاوت مقدار فرومون‏های بر جای گذاشته شده، متفاوت می‏باشد. این امر ناشی از این واقعیت است که مورچه‏هایی که در مسیر کوتاه‏تر حرکت می‏کنند، به علت کوتاه تر بودن مسیر دریک مدت زمان معین تردد بیشتری داشته‏اند.چون مورچه‏ها ذاتاً مسیری را انتخاب می‏کنند که دارای فرومون بیشتری است، پس مدت زمانی معین مشاهده می شود که مورچه‎ها، مسیر کوتاه تر را انتخاب کرده‎اند. با استفاده از روش مورچه‎ها، روش جستجوئی پیاده سازی می‎شود که هر مرحله‏ای از اطلاعات مراحل قبلی برای رسیدن به هدف استفاده می نماید. برای فهم بهتر الگوریتم بهتراست به طراحی مسئله فروشنده دوره گرد بوسیله کلونی مورچگان مراجعه کنید.مسئله فروشنده دورگرد عبارت است از یافتن مسیری شامل تمام شهرها به طوری که مسیر حاصل دارای کمترین طول باشد. به این منظور هر مورچه در شهری که به طور تصادفی انتخاب شده است قرار داده می‏شود. در این سیستم بسته هر مورچه حافظه‏ای دارد که اطلاعات را در مورد تور خود ذخیره می‏نماید. این شهرها نقاط شروع هستند. مورچه‏ها به صورت احتمالی شهرهای بعدی را انتخاب می‏نمایند تا جائی که هر مورچه تمام شهرها را ملاقات نماید.
همانطور که می¬ دانیم مسئله یافتن کوتاهترین مسیر، یک مسئله بهینه سازی است که گاه حل آن بسیار دشوار است و گاه نیز بسیار زمان براست. برای مثال مسئله فروشنده دوره گرد را نیز میتوان مطرح کرد. در این روش(ACO)، مورچه های مصنوعی به وسیله‌ حرکت بر روی نمودار مساله و با باقی گذاشتن نشانه‌هایی بر روی نمودار، همچون مورچه های واقعی که در مسیر حرکت خود نشانه‌های باقی میگذارند، باعث میشوند که مورچه های مصنوعی بعدی بتوانند راه‌حل‌های بهتری را برای مساله فراهم نمایند. همچنین در این روش میتوان توسط مسائل محاسباتی-عددی بر مبنای علم احتمالات بهترین مسیر را در یک نمودار یافت.

فهرست مطالب
فصل اول: "آشنایی با برخی ازانواع  الگوریتم های بهینه سازی "   
مقدمه ای بر بهینه سازی  
1- 1 الگوریتم اجتماع پرندگان(particle swarm optimization Algorithm - pso)  ..............3                                
1-2 الگوریتم ژنتیک(Genetic Algorithm - GA)...................................................6
1-3 الگوریتم کلونی مورچه ها(Aco- Ant colony optimization Algorithm )..................7
1-4 الگوریتم کلونی زنبور عسل(Abc-Artificial bee colony algorithm)........................11
1-5 الگوریتم چکه های آب هوشمند یا چکاه(Intelligent water Drops Algorithm -Iwd)........13
فصل دوم : " الگوریتم(particle swarm optimization - pso) و  
           "  Cooperative Particle swarm optimization – cpso) (
مقدمه
2-1 ماهیت الگوریتم..................................................................................................17
2-2 مفاهیم اولیه.....................................................................................................19
2-3 فلو چارت.........................................................................................................20
2-4 اطلاعات فنی.....................................................................................................21
2-5 ساختار کلی .....................................................................................................22
2-6 قاعده کلی توپولوژی همسایگی................................................................................23
2-7 نکات کلیدی .....................................................................................................26
2-7-1 خاصیت هوش جمعی........................................................................................26
2-7-2  هوش ذرات.................................................................................................26
2-7-3 کنترل الگو ریتم.............................................................................................26
2-7-4 تعداد ذرات.................................................................................................27
2-7-5 محدوده ی ذرات...........................................................................................27
2-7-6 شرایط توقف.................................................................................................27
2- 8 مزایا و کاربردهای الگو ریتم..................................................................................27
2-9 ذرات swarm در تعدادی فضای واقعی.......................................................................28
2-10مثال هایی از حرکت ذرات....................................................................................37

2-10  مثالی از پرواز پرندگان برای یافتن غذا......................................................................38
2-11 الگوریتم   Cooperative Particle swarm optimization ................................................42
2-12 معرفی نرم افزار بکار رفته در شبیه سازی پروسه............................................................45
فصل سوم: به " بکار گیری   cpsoو pso در پروسه ی Curve Fitting"
مقدمه
3-1 ماهیت کار.......................................................................................................47
3-2 مراحل انجام کار به کمک الگوریتمpso.......................................................................48
3-2-1 بدست آوردن تابع برازندگی...............................................................................52
3-2-2 مشخص کردن اندازه جمعیت اولیه و ابعاد آن............................................................53
3-2-3 بررسی خروجی های بدست آمده از تابع Fitnessدر تکرار اول........................................53
3-2-4 ایجاد لیست اول جهت نگهداری خروجی های بدست آمده.............................................54
3-2-5 پیدا کردن بهترین خروجی تابع Fitness و یافتن مکان آن در لیست اول...............................54
3-2-6 آبدیت کردن سرعت و مکان ذرات با توجه به اینکه  سرعت اولیه ذرات قبلا تعریف ....................55
3-2-7 ایجاد لیست دوم جهت نگهداری خروجی های تابع Fitness در تکرار دوم.............................56
3-2-8 پیدا کردن مکان بهترین ذره در جمعیت دوم.............................................................56
3-2-9 مقایسه خروجی های تابع Fitness در دو تکرار اول.....................................................56
3-2-10 پیدا کردن بهترین ذرات در دو جمعیت اول و دوم و تولید جمعیت سوم...............................56
3-2-11 محاسبه تابع Fitness برای جمعیت سوم.................................................................57
3-2-12 تکرار از مرحله پنجم الی یازدهم تا رسیدن به نقاط بهینه..............................................57
3-3 مراحل انجام کار برای الگوریتمcpso........................................................................57
فصل چهارم : نتایج
4-1 انجام پروسه توسط الگوریتم  pso............................................................................60
4-2 انجام پروسه توسط الگوریتم cpso..........................................................68
4-3 بررسی تفاوت بین   psoوcpso..............................................................71
فصل پنجم: نتیجه گیری و پیشنهاد
5-1 نتیجه گیری...................................................................................73
5-2 پیشنهاد.......................................................................................76
مراجع.........................................................................................79
پیوست..................................................................................................81

شامل 93 صفحه Word

جزوه آموزشی مبانی کامپیوتر الگوریتم ها و مقدمه ای بر برنامه نویسی

اختصاصی از اس فایل جزوه آموزشی مبانی کامپیوتر الگوریتم ها و مقدمه ای بر برنامه نویسی دانلود با لینک مستقیم و پر سرعت .

این فایل حاوی جزوه آموزشی مبانی کامپیوتر، الگوریتمها و مقدمه ای بر برنامه نویسی می باشد که به صورت فرمت PDF در 75 صفحه در اختیار شما عزیزان قرار گرفته است، در صورت تمایل می توانید این محصول را از فروشگاه خریداری و دانلود نمایید.

فهرست
سازمان کامپیوتر
طبقه بندی کامپیوترها
برنامه و زبانهای برنامه نویسی
انواع نرم افزارها
اصول ریاضی کامپیوتر ها
چگونگی نگهداری داده ها در کامپیوتر
الگوریتم و فلوچارت

تصویر محیط برنامه

دانلود پاورپوینت درباره الگوریتم ژنتیک

اختصاصی از اس فایل دانلود پاورپوینت درباره الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

دانلود پاورپوینت الگوریتم ژنتیک

•الگوریتم  ژنتیک  روش یادگیری بر پایه  تکامل  بیولوژیک است.

•این روش در سال 1970 توسط John Holland معرفی گردید

•این روشها با نام Evolutionary Algorithms نیز خوانده میشوند.

•یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن را تولید میکند.

•هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار میگیرد.

•آنگاه  تعدادی  از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند. که اینکار باعث تکامل راه حلها میگردد.

•بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب برسد

•در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل نماید.

 

در  65 اسلاید