نگاهی آماری به روند توسعه الگوریتم رقابت استعماری

 

الگوریتم رقابت استعماری

 

سرویس علمی متلب سایت – وبسایت محاسبات تکاملی، در پستی کوتاه روند توسعه الگوریتم رقابت استعماری را به صورت آماری مورد بررسی اجمالی قرار داده است. در ادامه مطلب، بازنشر این نوشته کوتاه و جالب، جهت استفاده مخاطبین متلب سایت آمده است.

ادامه مطلب >>

فیلم آموزش عملی حل مسائل گسسته با استفاده از الگوریتم مورچگان (به زبان فارسی)

فیلم آموزش عملی حل مسائل گسسته با استفاده از الگوریتم مورچگان (به زبان فارسی)

 

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.

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.

 

ادامه مطلب >>

فیلم آموزشی جامع الگوریتم مورچگان در متلب — شامل مباحث تئوری و عملی (به زبان فارسی)

فیلم آموزشی جامع الگوریتم مورچگان در متلب -- شامل مباحث تئوری و عملی (به زبان فارسی)

 

در این فرادرس، دانشجویان عزیز، با مباحث مختلف تئوری و عملی الگوریتم مورچگان در متلب آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، بانی و مفاهیم اساسی هوش جمعی، مبانی تئوری الگوریتم مورچگان، پیاده سازی الگوریتم مورچگان در متلب و … می باشد. نقطه قوت این آموزش این است که به طور کامل به توضیح مباحث مربوطه پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

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.

 

ادامه مطلب >>

با matplotlib از دستورات گرافیکی متلب در برنامه نویسی پایتان (python) استفاده کنید

 

استفاده از دستورات گرافیکی متلب در پایتان (python)

 

واقعاً حیف است دستور ساده و پرقدرتی مثل plot و mesh تنها محدود به ترمینال اصلی متلب باشد. matplotlib این مشکل را حل کرده است. اگر با زبان python کار می کنید، قطعاً به استفاده فراوان آن در طراحی وب تعاملی نیز آشنا هستید. حال در این زبان، با استفاده از matplotlib، با همان دستوارت متلب، می توانید قدرت بالای گرافیکی را به برنامه خود در پایتان (و یا به برنامه وب خود) اضافه کنید. مثلاً دستورات زیر تابع سیسنوسی را با اعمال بر روی بردار صفر تا پنج با گام ۰٫۱ ترسیم می کند. به چگونگی استفاده از دستور plot به صورت مشابهش در متلب توجه کنید.

 

import numpy as num
import matplotlib
import matplotlib.pyplot as plt
x = num.arange(0, 5, 0.1);
y = num.sin(x)
plt.plot(x, y)
plt.show()

 

اطلاعات بیشتر در این مورد به همراه لیست دستورات مشترک آن با متلب، را در صفحه رسمی انتشار matplotlib ببینید.

دویست و پنجاه مقاله در مورد الگوریتم رقابت استعماری + لینک دانلود

 

مقالات انگلیسی الگوریتم رقابت استعماری

 

سرویس علمی متلب سایت – در پاسخ به نیاز روزافزون دانشجویان و پژوهشگران علاقه مند به استفاده از الگوریتم استعماری (Imperialist Competitive Algorithm – ICA)، وبسایت محسابات تکاملی (+) امکان دانلود نزدیک به دویست و پنجاه مقاله از میان مجموعه مقالات منتشر شده در مورد الگوریتم رقابت استعماری را فراهم کرده است. در صورت تمایل به دسترسی به این مقالات، مستندات الگوریتم رقابت استعماری – بخش اول: مقالات لاتین (این لینک +) را ببییند.

 

نکته: اگر تمایل به یادگیری و استفاده از این الگوریتم جدید و کارای بهینه سازی دارید، پست زیر را که قبلاً در متلب سایت تهیه کرده بودیم، از دست ندهید. الگوریتم رقابت استعماری در عین جدید و نوپا بودنش، به واسطه مطالب بسیار منتشر شده در مورد آن، یادگیری اش در حال حاضر بسیار ساده تر از هر روش دیگری می باشد. در هیچ زمینه مرتبط با بهینه سازی و محاسبات تکاملی به اندازه این روش، مطالب علمی منظم منتشر شده در وب فارسی وجود ندارد. مطلب نوشته شده در لینک زیر می تواند نقطه شروع شما برای یادگیری این الگوریتم باشد. همچنین فرصت استفاده از بسته اختصاصی آموزشی اخیر متلب سایت در این زمینه را نیز از دست ندهید.

 

 

پایان متن

بسته طلایی فیلم های آموزشی الگوریتم رقابت استعماری در متلب (به زبان فارسی)

بسته طلایی فیلم های آموزشی الگوریتم رقابت استعماری در متلب (به زبان فارسی)

 

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.

 

ادامه مطلب >>

فیلم آموزشی جامع حل مسائل جایگشتی با الگوریتم رقابت استعماری (به زبان فارسی)

فیلم آموزشی جامع حل مسائل جایگشتی با استفاده از الگوریتم رقابت استعماری (به زبان فارسی)

 

بخشی از این فرادرس، که در این آموزش 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 فرادرس، نحوه استفاده از آن برای حل مسائل گسسته جایگشتی، مورد بررسی قرار گرفته است.

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.

 

ادامه مطلب >>

فیلم آموزشی حل مسأله کوچکترین درخت پوشا با الگوریتم رقابت استعماری (به زبان فارسی)

فیلم آموزشی حل مسأله کوچکترین درخت پوشا با الگوریتم رقابت استعماری (به زبان فارسی)

 

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.

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.

 

ادامه مطلب >>