بهینه سازی کلونی مورچه ها یا Ant Colony Optimization و (به اختصار ACO)، که در سال ۱۹۹۲ توسط مارکو دوریگو (Marco Dorigo) و در رساله دکتری وی مطرح شد، یکی از بارزترین نمونه ها برای روش های هوش جمعی است. این الگوریتم از روی رفتار جمعی مورچه ها الهام گرفته شده است. مورچه ها با همکاری یکدیگر، کوتاه ترین مسیر را میان لانه و منابع غذایی پیدا می کنند تا بتوانند در کمترین زمان مواد غذایی را به لانه منتقل کنند. هیچ کدام از مورچه ها، به تنهایی قادر به انجام چنین کاری نیستند، اما با همکاری و پیروی از چند اصل ساده، بهترین راه را پیدا می کنند. الگوریتم مورچه ها، یک مثال بارز از هوش جمعی هستند که در آن عامل هایی که قابلیت چندان بالایی ندارند، در کنار هم و با همکاری یکدیگر می توانند نتایج بسیار خوبی به دست بیاورند.

الگوریتم مورچگان برای حل و بررسی محدوده وسیعی از مسائل بهینه سازی به کار برده شده است. از این میان می توان به حل مسأله کلاسیک فروشنده دوره گرد و همچنین مسأله راهیابی در شبکه های مخابرات راه دور اشاره نمود. در فیلم آموزش عملی حل مسائل گسسته با استفاده از الگوریتم مورچگان، روش های حل مسائل گسسته (از نوع باینری، عدد صحیح و جایگشتی) مورد بحث و بررسی واقع شده است. در این فیلم با حل سه مسأله به صورت عملی، نکات عملی مربوطه به طور گام به گام آموزش داده شده اند. سه مسأله مورد بررسی در این فیلم عبارتند از:

• مسأله کوله پشتی باینری یا Binary Knapsack Problem
• مسأله کوله پشتی عدد صحیح یا Integer Knapsack Problem
• مسأله تخصیص درجه دو یا Quadratic Assignment Problem (به اختصار QAP)

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزش عملی حل مسائل گسسته با استفاده از الگوریتم مورچگان (به زبان فارسی) (522 words)

© مدیر متلب سایت for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: ACO, Ant Colony Optimization, Knapsack Problem, QAP, Quadratic Assignment Problem, آموزش ACO, آموزش الگوریتم مورچگان, الگوریتم مورچگان, بهینه سازی کلونی مورچگان, تخصیص, فیلم آموزشی, فیلم آموزشی ACO, فیلم آموزشی الگوریتم مورچگان, مسأله تخصیص درجه دو, مسأله کوله پشتی, مسأله کوله پشتی باینری, مسأله کوله پشتی گسسته

Feed enhanced by Better Feed from Ozh

بهینه سازی کلونی مورچه ها یا Ant Colony Optimization و (به اختصار ACO)، که در سال ۱۹۹۲ توسط مارکو دوریگو (Marco Dorigo) و در رساله دکتری وی مطرح شد، یکی از بارزترین نمونه ها برای روش های هوش جمعی است. این الگوریتم از روی رفتار جمعی مورچه ها الهام گرفته شده است. مورچه ها با همکاری یکدیگر، کوتاه ترین مسیر را میان لانه و منابع غذایی پیدا می کنند تا بتوانند در کمترین زمان مواد غذایی را به لانه منتقل کنند. هیچ کدام از مورچه ها، به تنهایی قادر به انجام چنین کاری نیستند، اما با همکاری و پیروی از چند اصل ساده، بهترین راه را پیدا می کنند. الگوریتم مورچه ها، یک مثال بارز از هوش جمعی هستند که در آن عامل هایی که قابلیت چندان بالایی ندارند، در کنار هم و با همکاری یکدیگر می توانند نتایج بسیار خوبی به دست بیاورند.

به عنوان مثال، عملکرد مورچه های آرژانتینی در یافتن کوتاه ترین مسیر بین لانه و منبع غذایی، بسیار عجیب و حیرت انگیز است. مورچه آرژانتینی عملا کور است و طبعا کوتاه ترین مسیر برای او مفهومی ندارد و توسط او قابل شناخت نمی باشد. اما با وجود چنین کمبودی، توده ای از این مورچه ها می توانند با همکاری یکدیگر، کوتاه ترین مسیر موجود بین لانه و محل مواد غذایی را پیدا کنند. الگوریتم های دیگری نیز بر اساس الگوریتم مورچه ها ساخته شده اند که همگی سیستم های چند عاملی هستند و عامل ها مورچه های مصنوعی یا به اختصار مورچه هایی هستند که مشابه با مورچه های واقعی رفتار می کنند. این الگوریتم برای حل و بررسی محدوده وسیعی از مسائل بهینه سازی به کار برده شده است. از این میان می توان به حل مسأله کلاسیک فروشنده دوره گرد و همچنین مسأله راهیابی در شبکه های مخابرات راه دور اشاره نمود.

فیلم آموزشی جامع الگوریتم مورچگان در متلب، شامل مباحث تئوری و عملی در خصوص بهینه سازی کلونی مورچگان یا ACO است و می تواند به عنوان یک مرجع بسیار کامل، برای استفاده دانشجویان و دانشپژوهان مورد استفاده قرار بگیرد. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی جامع الگوریتم مورچگان در متلب — شامل مباحث تئوری و عملی (به زبان فارسی) (521 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | 2 comments | Add to del.icio.us
Post tags: ACO, Ant Colony Optimization, Traveling Salesman Problem, TSP, آموزش ACO, آموزش الگوریتم مورچگان, الگوریتم مورچگان, بهینه سازی کلونی مورچگان, فیلم آموزشی, فیلم آموزشی ACO, فیلم آموزشی الگوریتم مورچگان, مسأله فروشنده دوره گرد

Feed enhanced by Better Feed from Ozh

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ توسط اسماعیل آتش پز گرگری و مرحوم پرفسور کارو لوکس (استاد فقید دانشگاه تهران) معرفی شد و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

بسته طلایی فیلم های آموزشی الگوریتم رقابت استعماری در متلب، مجموعه ای از پنج فیلم آموزشی است که در مجموع شامل بیش از ۱۳ ساعت برنامه آموزشی تخصصی است، که به صورت تئوری و عملی ارائه شده اند. عناوین فیلم های آموزشی تشکیل دهنده این بسته آموزشی عبارتند از:

• فیلم آموزشی جامع الگوریتم رقابت استعماری — شامل مباحث تئوری و عملی
• فیلم آموزشی خوشه بندی یا Clustering با الگوریتم رقابت استعماری
• فیلم آموزشی درونیابی توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری
• فیلم آموزشی حل مسأله کوچکترین درخت پوشا با الگوریتم رقابت استعماری
• فیلم آموزشی جامع حل مسائل جایگشتی با الگوریتم رقابت استعماری

برای کسب اطلاعات بیشتر در مورد این بسته آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of بسته طلایی فیلم های آموزشی الگوریتم رقابت استعماری در متلب (به زبان فارسی) (441 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: Clustering, Graph Theory, ICA, Imperialist Competitive Algorithm, Minimum Spanning Tree, Radial Basis Function, RBF, آموزش الگوریتم رقابت استعماری, الگوریتم رقابت استعماری, برازش منحنی, تحقیق در عملیات, توابع شعاعی پایه, خوشه بندی, درونیابی, طبقه بندی, فیلم آموزشی, فیلم آموزشی الگوریتم رقابت استعماری, مدل سازی, مسائل بهینه سازی جایگشتی, مسائل جایگشتی, مهندسی صنایع, مهندسی کامپیوتر, نظریه گراف, کلاسترینگ, کوچکترین درخت پوشا

Feed enhanced by Better Feed from Ozh

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به حل مسائل بهینه سازی جایگشتی با استفاده از الگوریتم رقابت استعماری است. مسائل بهینه سازی جایگشتی، در حالت کلی مسائل بهینه سازی گسسته هستند که راه حل آن ها را می توان به صورت یک جایگشت بیان نمود. الگوریتم رقابت استعماری یک الگوریتم پیوسته است و در این فیلم، نحوه استفاده از آن برای حل مسائل گسسته جایگشتی، مورد بررسی قرار گرفته است.

برای کامل تر شدن محتوای فیلم آموزشی، و همچنین افزایش جنبه کاربردی آن، چهار مسأله جایگشتی در این فیلم تعریف شده اند و به طور کامل مورد حل و بررسی قرار گرفته اند. مسائل مورد بحث در این فیلم آموزشی جامع، از جمله مسائل پایه ای و کاربردی در رشته های مختلف، از جمله رشته های مهندسی هستند. عناوین ۴ مسأله مورد بحث در این فیلم عبارتند از:

• مسأله فروشنده دوره گرد یا Traveling Salesman Problem (به اختصار TSP) که به جرأت می توان گفت که معروف ترین مسأله بهینه سازی جایگشتی است و کاربردهای فراوانی دارد؛
• مسأله تخصیص درجه دو یا Quadratic Assignment Problem (به اختصار QAP) که دارای کاربردهای وسیعی در علوم مهندسی است؛
• مسأله n وزیر یا n-Queen Probem (به اختصار nQP) که یک مسأله کلاسیک در بهینه سازی و تحقیق در عملیات است؛
• مسأله زمان بندی پایه یا Basic Scheduling Problem که مادر تمام مسائل زمان بندی است و قطعا شیوه حل آن، می تواند الگوی مناسبی برای حل سایر انواع مسائل زمان بندی باشد.

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی جامع حل مسائل جایگشتی با الگوریتم رقابت استعماری (به زبان فارسی) (871 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | One comment | Add to del.icio.us
Post tags: ICA, Imperialist Competitive Algorithm, آموزش الگوریتم رقابت استعماری, الگوریتم رقابت استعماری, فیلم آموزشی, فیلم آموزشی الگوریتم رقابت استعماری, مسائل بهینه سازی جایگشتی, مسائل جایگشتی

Feed enhanced by Better Feed from Ozh

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به حل مسأله کوچکترین درخت پوشا یا Minimum Spanning Tree با الگوریتم رقابت استعماری است. مسأله طراحی کوچکترین درخت پوشا، کاربردهای وسیعی در زمینه های علمی و مهندسی دارد، که از میان آن ها می توان به طراحی بهینه سیستم های مخابراتی، شبکه های کامپیوتری و سیستم های انتقال توان الکتریکی اشاره نمود.

مسأله کوچکترین درخت پوشا به صورت یک مسأله بهنیه سازی گسسته باینری (صفر و یک) بیان شده است و از این رو، این فیلم آموزشی، دارای اهمیت ویژه ای است. زیرا در این فیلم نحوه استفاده از الگوریتم رقابت استعماری برای حل مسائل باینری آموزش داده شده است، و این فیلم آموزشی می تواند سرمشق مناسبی برای استفاده از الگوریتم رقابت استعماری برای حل مسائل گسسته و باینری باشد. همچنین با الهام از الگوریتم های ژنتیک باینری، اپراتور انقلاب (یا Revolution) در این فیلم بازنگری شده است، به نحوی که عملکرد الگوریتم را برای حل مسائل باینری، بهبود دهد.

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی حل مسأله کوچکترین درخت پوشا با الگوریتم رقابت استعماری (به زبان فارسی) (585 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: Graph Theory, ICA, Imperialist Competitive Algorithm, Minimum Spanning Tree, آموزش الگوریتم رقابت استعماری, الگوریتم رقابت استعماری, تحقیق در عملیات, فیلم آموزشی, فیلم آموزشی الگوریتم رقابت استعماری, مهندسی صنایع, مهندسی کامپیوتر, نظریه گراف, کوچکترین درخت پوشا

Feed enhanced by Better Feed from Ozh

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به درونیابی توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری است. در واقع در این فیلم آموزشی، تنظیم ضرایب یک شبکه عصبی RBF به صورت یک مسأله بهینه سازی بیان شده است و توسط الگوریتم رقابت استعماری انجام پذیرفته است.

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی درونیابی توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری (به زبان فارسی) (452 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: ICA, Imperialist Competitive Algorithm, Radial Basis Function, RBF, آموزش الگوریتم رقابت استعماری, الگوریتم رقابت استعماری, برازش منحنی, توابع شعاعی پایه, درونیابی, فیلم آموزشی, فیلم آموزشی الگوریتم رقابت استعماری, مدل سازی

Feed enhanced by Better Feed from Ozh

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به حل مسأله خوشه بندی (کلاسترینگ) یا Clustering با استفاده از الگوریتم رقابت استعماری است. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی خوشه بندی یا Clustering با الگوریتم رقابت استعماری (به زبان فارسی) (424 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | 3 comments | Add to del.icio.us
Post tags: Clustering, ICA, Imperialist Competitive Algorithm, آموزش الگوریتم رقابت استعماری, الگوریتم رقابت استعماری, خوشه بندی, طبقه بندی, فیلم آموزشی, فیلم آموزشی الگوریتم رقابت استعماری, کلاسترینگ

Feed enhanced by Better Feed from Ozh

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ توسط اسماعیل آتش پز گرگری و مرحوم پرفسور کارو لوکس (استاد فقید دانشگاه تهران) معرفی شد و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند.  بخش ابتدایی این مجموعه آموزشی، فیلم آموزشی جامع الگوریتم رقابت استعماری است که مباحث کاملی بر روی مباحث تئوری و عملی الگوریتم رقابت استعماری دارد. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی جامع الگوریتم رقابت استعماری — شامل مباحث تئوری و عملی (به زبان فارسی) (427 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | 5 comments | Add to del.icio.us
Post tags: ICA, Imperialist Competitive Algorithm, آموزش الگوریتم رقابت استعماری, الگوریتم رقابت استعماری, فیلم آموزشی, فیلم آموزشی الگوریتم رقابت استعماری

Feed enhanced by Better Feed from Ozh

مسائل بهینه سازی از نظر تعداد توابع هدف و معیارهای بهینه سازی، به دو نوع تقسیم پذیر هستند: (۱) مسائل بهینه سازی تک هدفه و (۲) مسائل بهینه سازی چند هدفه. در مسائل بهینه سازی تک هدفه، هدف از حل مسأله بهبود یک شاخص عملکرد (Performance Index) یگانه است که مقدار کمینه یا بیشینه آن، کیفیت پاسخ به دست آمده را به طور کامل منعکس می کند. اما در برخی موارد، نمی توان صرفا با اتکا به یک شاخص، یک پاسخ فرضی برای مسأله بهینه سازی را امتیازدهی نمود. در این نوع مسائل، ناگزیریم که چندین تابع هدف یا شاخص عملکرد را تعریف نماییم و به طور همزمان، مقدار همه آن ها را بهینه کنیم.

بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:

• روش های کلاسیک، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند، و
• روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.

اگر قصد دارید که در کمترین زمان ممکن و با بهترین کیفیت، مباحث تئوری و عملی مربوط به بهینه سازی چند هدفه را فرا بگیرید، حتما این پست را بخوانید. محصولی که در این پست قصد معرفی آن را داریم، بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه در متلب است که نه تنها مشابه ایرانی، که مشابه خارجی نیز ندارد و محصولی واقعا بی نظیر است.

بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه در متلب، مجموعه ای از چهار فیلم آموزشی است که در مجموع شامل ۱۱ ساعت برنامه آموزشی تخصصی است، که به صورت تئوری و عملی ارائه شده اند. عناوین فیلم های آموزشی تشکیل دهنده این بسته آموزشی عبارتند از:

• فیلم آموزشی مبانی تئوری و روش های کلاسیک بهینه سازی چندهدفه
• فیلم آموزشی جامع الگوریتم ژنتیک چند هدفه NSGA-II در متلب –  شامل مباحث تئوری و عملی
• فیلم آموزشی جامع الگوریتم PSO چند هدفه یا MOPSO در متلب — شامل مباحث تئوری و عملی
• فیلم آموزشی پیاده سازی روش های کلاسیک بهینه سازی چند هدفه در متلب

برای کسب اطلاعات بیشتر در مورد این بسته آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه در متلب (به زبان فارسی) (597 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: MOPSO, Multicriteria Optimization, Multiobjective Optimization, NSGA, NSGA-II, NSGA2, PSO چند, Vector Optimization, آموزش الگوریتم ژنتیک چند هدفه, الگوریتم ژنتیک چند هدفه, بهینه سازی, بهینه سازی برداری, بهینه سازی چند معیاره, بهینه سازی چند هدفه, بهینه سازی گروه ذرات چند هدفه, تصمیم گیری چند معیاره, روش های کلاسیک بهینه سازی چند هدفه

Feed enhanced by Better Feed from Ozh

بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:

• روش های کلاسیک (که روش های تجزیه یا Decomposition نیز نامیده می شوند)، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند، و
• روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.

موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب است. سه روش از میان روش های های کلاسیک بهینه سازی چند هدفه، در این فیلم آموزشی مورد بررسی قرار گرفته و پیاده سازی شده اند. این سه روش عبارتند از: (الف) روش مجموع وزن دار، (ب) روش برنامه ریزی آرمانی یا Goal Programming و (پ) روش نیل به آرمان یا Goal Attainment.

برای کسب اطلاعات بیشتر در مورد این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب (به زبان فارسی) (464 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: Decomposition, Goal Attainment, Goal Programming, Multicriteria Optimization, Multiobjective Optimization, Vector Optimization, Weighted Sum, برنامه ریزی آرمانی, بهینه سازی, بهینه سازی برداری, بهینه سازی چند معیاره, بهینه سازی چند هدفه, تبدیل مسائل چند هدفه به مسائل مقید, تصمیم گیری چند معیاره, روش مجموع وزن دار, روش های تجزیه, روش های کلاسیک بهینه سازی چند هدفه, نیل به آرمان

Feed enhanced by Better Feed from Ozh