کدنویسی و پیاده سازی الگوریتم ها برای حل مسائل عملی، همواره یکی از مشکلات و دغدغه های اصلی دانشجویان و محققین در رشته های مختلف علمی و مهندسی است. از این میان، مسائل مطرح شده در رشته مهندسی صنایع و رشته های مربوطه، از جایگاه ویژه ای برخوردارند، و پیاده سازی و حل مسائل مورد بحث در این رشته ها، نیازمند تخصص و تجربه نسبتا زیادی است. اغلب افرادی که علاقه مند به یادگیری چنین مباحثی هستند، معمولا نمی توانند منبع و مرجع مناسبی برای این کار پیدا کنند. همچنین، یادگیری چنین مباحثی غالبا نیازمند مطالعات عمیق و زمان بری است که مشکلات موجود در مسیر فراگیری مهارت های برنامه نویسی تخصصی مهندسی صنایع را، دو چندان می کند.

با توجه به موارد مذکور، تعدادی از دوره های آموزشی متلب سایت در سال جدید، به همین موضوعات، یعنی برنامه نویسی تخصصی متلب برای حل مسائل مهندسی صنایع اختصاص دارد. دوره های آموزشی حل مسائل مهندسی صنایع توسط متاهیوریستیک ها در متلب، در اردیبهشت و خرداد ۱۳۹۱ برگزار خواهند شد. در این دوره های آموزشی، علاوه بر مرور تئوری مسائل مختلف مورد بحث در رشته مهندسی صنایع، روش های عملی برنامه نویسی و پیاده سازی این مسائل در محیط متلب، به صورت کاملا گام به گام، توسط یکی از به نام ترین استادان برنامه نویسی ایران، آموزش داده خواهد شد.

شیوه منحصر به فردی که در این دوره های آموزشی در پیش گرفته خواهد شد، آن ها را تبدیل به دوره های آموزشی بی نظیری می کند. به جرأت می توان گفت که، در هیچ موسسه و یا مرجع آموزشی (حتی در خارج از ایران)، چنین سرفصل هایی تا کنون ارائه نشده است.

مسائل مختلفی در این دوره های آموزشی مورد بحث و بررسی قرار خواهند گرفت و توسط روش های مختلف بهینه سازی هوشمند یا متاهیوریستیک ها (از جمله الگوریتم ژنتیک، الگوریتم PSO، الگوریتم رقابت استعماری و شبیه سازی تبرید) حل خواهند شد. شرکت در این دوره های آموزشی را، به دانشجویان رشته های مهندسی صنایع، مدیریت، ریاضی کاربردی و مهندسی کامپیوتر و عموم علاقه مندان به مباحث بهینه سازی و تحقیق در عملیات، توصیه می کنیم. مدرس این دوره های آموزشی، مهندس سید مصطفی کلامی هریس (دانشجوی دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) است و مکان برگزاری دوره ها، در تهران (میدان هفتم تیر) خواهد بود.

برای کسب اطلاعات بیشتر در مورد این دوره های آموزشی و اطلاع از چگونگی ثبت نام، بر روی لینک ادامه مطلب کلیک کنید.

(...)
Read the rest of دوره های آموزشی حل مسائل مهندسی صنایع توسط متاهیوریستیک ها در متلب — بهار ۱۳۹۱ (1,693 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | 6 comments | Add to del.icio.us
Post tags: آموزش متلب, آموزش هوش محاسباتی, آموزش هوش مصنوعی, تحقیق در عملیات, دوره آموزشی بهینه سازی, دوره آموزشی متلب, دوره آموزشی متلب برای مهندسین صنایع, دوره آموزشی مهندسی صنایع, دوره آموزشی هوش محاسباتی برای مهندسی صنایع, دوره آموزشی هوش مصنوعی

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.

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 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

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 (+) 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.

ابتدا لازم به ذکر است که در موارد ماتریسی، نسخه هایی از روشهای مطرح بهینه سازی وجود دارند که در همان ابتدا، مسئله را به صورت یک ماتریس کد می کنند و تمام عملیات را روی آنها بازتعریف می کنند. اما درعمل نیازی به چنین کاری نیست. برای حل مشکل کافی است ما ماتریس متغیرها را reshape کنیم. مثلاً فرض کنید ۲۰ مجهول مسئله بهینه سازی به صورت یک ماتریس ۴*۵ قرار گرفته اند. کاری که ما انجام می دهیم این هست که مسئله بهینه سازی را برای بردار ۲۰*۱ تعریف می کنیم (که در این حالت همانگونه که بیان شد روشهای بهینه سازی با آن مشکلی ندارند). اما در داخل تابع هزینه یک دستور reshape (در صورت استفاده از متلب) به کار می بریم تا قبل از ارزیابی تابع هزینه برای بردار ۲۰*۱، ابتدا آن را به ماتریس ۴*۵ تبدیل کند. یعنی در خط اول تابع هزینه می نویسیم:

function Cost  = CostFunction(X)
XR = reshape(X,5,4);
Cost = evaluate cost at XR
end

با این کار بدون اینکه برنامه بهینه سازی متوجه شود، ما تمام ارزیابی ها را به صورت ماتریس انجام می دهیم، در حالی که الگوریتم با یک بردار ۲۰*۱ کار می کند. تابع هزینه محاسبات را برای ماتریس انجام می دهد و مقداری که بر می گرداند، همان هزینه مرتبط با رشته ۲۰*۱ می باشد.

© eag for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: برداری از ماتریس ها, برداری از متغیرها, دستور reshape, ذره, رمزگذاری مسئله, ماتریس, کد کردن کروموزوم, کشور

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

الگوریتم بهینه سازی ازدحام ذرات یا Particle Swarm Optimizatoion (به اختصار PSO) یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. این الگوریتم، توسط جیمز کندی و راسل سی ابرهارت در سال ۱۹۹۵ معرفی گردید، و با الهام از رفتار اجتماعی حیواناتی چون ماهی ها و پرندگان که در گروه هایی کوچک و بزرگ کنار هم زندگی می کنند، طراحی شده است. 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.

با توجه به موفقیت های کم نظیر الگوریتم PSO در حل مسائل بهینه سازی تک هدفه، دانشمندان و محققین بسیاری، سعی در استفاده از این الگوریتم برای حل مسائل چند هدفه داشته اند و تا کنون نسخه های متعددی از الگوریتم PSO برای حل مسائل چند هدفه ارائه شده است. یکی از معروف ترین الگوریتم هایی که در این راستا معرفی شده است، کاری است که توسط پرفسور کوئلو کوئلو (Coello Coello) و همکارانش معرفی شده است. نامی که آن ها برای الگوریتم شان انتخاب کرده اند MOPSO است، که اغلب این اسم انحصارا برای این الگوریتم به کار برده می شود. این الگوریتم در سال ۲۰۰۴ و در مقاله ای که در مجله محاسبات تکاملی IEEE (با نام کامل IEEE Transactions on Evolutionary Computation) چاپ شده است، معرفی گردید.

موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری الگوریتم MOPSO و شیوه پیاده سازی آن در محیط متلب است. برای کسب اطلاعات بیشتر در مورد این فیلم آموزشی، ادامه مطلب را ببینید.

(...)
Read the rest of فیلم آموزشی جامع الگوریتم PSO چند هدفه یا MOPSO در متلب (به زبان فارسی) (538 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: MOPSO, Multicriteria Optimization, Multiobjective Optimization, PESA, PSO, PSO چند هدفه, Vector Optimization, بهینه سازی, بهینه سازی ازدحام ذرات, بهینه سازی برداری, بهینه سازی چند معیاره, بهینه سازی چند هدفه, بهینه سازی چند هدفه در متلب, بهینه سازی گروه ذرات چند هدفه, تصمیم گیری چند معیاره

Feed enhanced by Better Feed from Ozh