الگوریتم تکاملی تفاضلی (DE) – برنامه نویسی هوشمند https://matlab24.ir مشاوره و مشارکت در پیاده سازی الگوریتم های هوش مصنوعی و پیاده سازی نرم افزار های هوشمند Wed, 15 Aug 2018 09:57:28 +0000 fa-IR hourly 1 https://wordpress.org/?v=6.3.4 https://matlab24.ir/wp-content/uploads/2014/08/matlab24-55x55.jpg الگوریتم تکاملی تفاضلی (DE) – برنامه نویسی هوشمند https://matlab24.ir 32 32 مقاله بهینه سازی : مقايسه عملكرد چهار الگوريتم فراابتكاري نوين https://matlab24.ir/opt-1/ https://matlab24.ir/opt-1/#respond Wed, 15 Aug 2018 09:46:29 +0000 http://matlab24.ir/?p=1993 مقايسه عملكرد چهار الگوريتم فراابتكاري مقایسه عملکرد الگوریتم های بهینه سازی جدید | شبیه سازی در متلب   عنوان مقاله

نوشته مقاله بهینه سازی : مقايسه عملكرد چهار الگوريتم فراابتكاري نوين اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> مقايسه عملكرد چهار الگوريتم فراابتكاري

مقایسه عملکرد الگوریتم های بهینه سازی جدید | شبیه سازی در متلب

 

عنوان مقاله : مقايسه عملكرد چهار الگوريتم فراابتكاري نوين براي حل مسايل بهينه سازي رياضي
نوع ارائه: مقاله
نویسنده: دليلي يزدي هدي*,توكلي مقدم رضا,بوالحسني گلريز

*دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، تهران

عنوان مجمع: کنفرانس بين المللي انجمن ايراني تحقيق در عمليات
نوع مجمع: انجمن هاي علمي
حامی: انجمن ايراني تحقيق در عمليات، دانشكده علوم رياضي، دانشگاه فردوسي مشهد

مقايسه عملكرد چهار الگوريتم فراابتكاري

مقايسه عملكرد چهار الگوريتم فراابتكاري

مقايسه عملكرد چهار الگوريتم فراابتكاري

 

چکیده مقاله:

امروزه الگوریتم های فراابتکاری سهم بسزایی را در حل تقریبی مسائل بهینه سازی دارا می باشند. انتخاب الگوریتمی مناسب برای مسائل مختلف دارای اهمیت می باشد به طوری که یک الگوریتم برای گونه ای از مسائل می تواند مناسب و در عین حال برای دیگر مسائل نامناسب باشد. در این مقاله سعی شده است با مقایسه الگوریتم بهینه سازی گرگ خاکستری با ٣ الگوریتم نوین بهینه سازی (الگوریتم زنبور ها، الگوریتم مبتنی برجغرافیای زیستی، الگوریتم بهینه سازی ازدحام جوجه ها)
(از طریق حل نه تابع معیار)، عملکرد این الگوریتم ها از دو جهت دستیابی به نقطه بهینه سراسری و همچنین زمان دستیابی به این نقطه، مورد بررسی قرار گیرد. به جهت صحیح بودن مقایسه، الگوریتم های انتخاب شده همگی از جمله الگوریتم هایی هستند که برگرفته از رفتار غذایابی موجودات زنده می باشد.

واژگان کلیدی : الگوریتم گرگ خاکستری؛ الگوریتم زنبورها؛ الگوریتم مبتنی برجغرافیای زیستی؛ الگوریتم بهینه سازی ازدحام جوجه ها؛ توابع ریاضی

 

مقايسه عملكرد چهار الگوريتم فراابتكاري

 

جهت دریافت شبیه سازی مقاله فوق در نرم افزار Matlab با ما تماس بگیرید.

کد مقاله Opt-1

 

 

ما در متلب 24 بعنوان مرجع تخصصی هوش مصنوعی و الگوریتم های بهینه سازی آمادگی داریم تا مقاله فوق را با هر الگوریتم تکاملی ای که مورد نظر شما هست برایتان شبیه سازی کنیم .

جهت هماهنگی میتوانید با شماره زیر تماس بگیرید : 09120563264

 

 

در زیر برخی از الگوریتم های بهینه سازی را لیست کرده ایم اما هر الگوریتم بهینه سازی دیگری نیز مد نظر شما باشد قابل انجام می باشد:

  • الگوریتم بهینه سازی گرگ خاکستری GWO
  • الگوریتم بهینه سازی مرغ آلاچیق ساز SBO
  • الگوریتم بهینه سازی کلونی زنبور عسل  ABC
  • الگوریتم بهینه سازی عنکبوت اجتماعی  SSA
  • الگوریتم بهینه سازی وال یا نهنگ WOA
  • الگوریتم بهینه سازی سنجاقک DA
  • الگوریتم بهینه سازی ملخ GOA
  • الگوریتم بهینه سازی گرده افشانی گل ها FPA
  • الگوریتم غذایابی باکتری BFA
  • الگوریتم ازدحام ماهی های مصنوعی AFSA
  • الگوریتم علف های هرز WOI
  • الگوریتم جستجوی گرانشی GSA
  • الگوریتم توده ذرات PSO
  • الگوریتم خفاش BA
  • الگوریتم زنبور عسل HBO
  • الگوریتم قابت استعماری ICA
  • الگوریتم تکامل تفاضلی DE
  • الگوریتم کلونی مورچگان ACO
  • الگوریتم کلونی مورچگان پیوسته ACOR
  • الگوریتم جستجوی هارمونی HA
  • الگوریتم بهینه سازی واکنش شیمیایی CRO
  • الگوریتم سیستم ایمنی مصنوعی IA
  • الگوریتم ذوب شبیه سازی شده SA
  • الگوریتم جستجوی ممنوعه TS
  • الگوریتم قورباغه SFLA
  • الگوریتم ژنتیک GA

 

جهت پیاده سازی هر یک الگوریتم های تکاملی و مقایسه کارایی آنها با یکدیگر کافی است با متلب 24 تماس بگیرید تا کارشما را به بهترین شکل ممکن و در کمترین زمان انجام دهیم. 

 

 

نوشته مقاله بهینه سازی : مقايسه عملكرد چهار الگوريتم فراابتكاري نوين اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> https://matlab24.ir/opt-1/feed/ 0 حل مسئله کوله پشتی با الگوریتم DE https://matlab24.ir/%d8%ad%d9%84-%d9%85%d8%b3%d8%a6%d9%84%d9%87-%da%a9%d9%88%d9%84%d9%87-%d9%be%d8%b4%d8%aa%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-de/ https://matlab24.ir/%d8%ad%d9%84-%d9%85%d8%b3%d8%a6%d9%84%d9%87-%da%a9%d9%88%d9%84%d9%87-%d9%be%d8%b4%d8%aa%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-de/#respond Thu, 09 Jul 2015 06:25:39 +0000 http://matlab24.ir/?p=761 حل مسئله کوله پشتی با الگوریتم DE در این کار ما مسئله کوله پشتی صفر و یک را با الگوریتم

نوشته حل مسئله کوله پشتی با الگوریتم DE اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> حل مسئله کوله پشتی با الگوریتم DE

در این کار ما مسئله کوله پشتی صفر و یک را با الگوریتم تکامل تفاضلی DE حل کرده ایم

کد بعلاوه یک فایل توضیحات خط به خط جهت آموزش و یادگیری کد در اختیار شما قرار میگیرد

 

برای دانلود کد متلب حل کوله پشتی با الگوریتم DE از بخش زیر اقدام نموده و بصورت آنلاین کد را خریداری و دانلود نمایید

 

[parspalpaiddownloads id=”54″]

 

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : ۰۹۱۳۹۹۳۵۳۶۰

—————————————————

حل مسئله کوله پشتی با الگوریتم DE

حل مسئله کوله پشتی با الگوریتم DE

جزئیات بیشتر:

شرح مسئله به این صورت است که ما تعدادی اجسام با وزن مشخص و با ارزش مشخص داریم و میخواهیم اشیایی را انتخاب کنیم که دارای بیشترین ارزش باشند. و محدودیتی که داریم بر روی وزن کل اشیا می باشد زیرا که کوله پشتی تحمل وزن مشخصی را دارد

تعاریف ما به صورت زیر می باشد:

یک بردار وزن به نام W خواهیم داشت که وزن اشیا را در ان وارد میکنیم

یک بردار ارزش به نام V خواهیم داشت که ارزش اشیا را در ان وارد میکنیم

و همچنین یک متغیر W_total داریم که حداکثر وزن قابل قبول را در ان وارد میکنیم

تابع شایستگی نیز به این صورت عمل میکند که ابتدا مجموع وزن اشیای انتخاب شده را محاسبه میکنیم اگر این مجموع کمتر از W_total بود انگاه شایستگی این راه حل برابر است با مجموع ارزش اشیای انتخاب شده . اما اگر مجموع وزن بیشتر از W_total باشد انگاه شایستگی این راه حل را برابر با صفر در نظر میگیریم چون یک راه حل غیر قابل قبول می باشد.

در نهایت ما به دنبال راه حل با بیشترین مقدار شایستگی می باشیم که بیشترین ارزش را به ما میدهد بنابر این دنبال پیدا کردن ماکزیمم می باشیم.

نوشته حل مسئله کوله پشتی با الگوریتم DE اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> https://matlab24.ir/%d8%ad%d9%84-%d9%85%d8%b3%d8%a6%d9%84%d9%87-%da%a9%d9%88%d9%84%d9%87-%d9%be%d8%b4%d8%aa%db%8c-%d8%a8%d8%a7-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-de/feed/ 0 الگوریتم DE https://matlab24.ir/%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-de/ https://matlab24.ir/%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-de/#respond Mon, 24 Nov 2014 14:02:04 +0000 http://matlab24.ir/?p=348 الگوریتم DE بزرگ شدن مسائل و اهمیت یافتن سرعت رسیدن به پاسخ و عدم پاسخگویی روشهای کلاسیک ،امروزه از الگوریتمهای

نوشته الگوریتم DE اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]>

الگوریتم DE

بزرگ شدن مسائل و اهمیت یافتن سرعت رسیدن به پاسخ و عدم پاسخگویی روشهای کلاسیک ،امروزه از الگوریتمهای جستجوی تصادفی به جای جستجوی همه جانبه فضای مسئله ، استقبال بیشتری می شود. در این بین در سالهای اخیر استفاده از الگوریتمهای جستجوی هیوریستیک (شهودی) همچون الگوریتم وراثتی(GA) ، الگوریتم کلونی مورچه ها(ACO) ، الگوریتم پرندگان(PSO)  و … رشد چشمگیری داشته است.
در سالهای اخیریک الگوریتم تفاضلی به نام الگوریتم تکاملی تفاضلی (DE) به عنوان روشی قدرتمند و سریع برای مسائل بهینه سازی در فضاهای پیوسته معرفی شده است.الگوریتم جستجوی DE یکی از جدیدترین روشهای جستجو است.الگوریتم تکاملی تفاضلی (DE) نخستین بار در سال 1995 توسط استورن و پرایس معرفی شد.این دو نشان دادند که این الگوریتم توانایی خوبی در بهینه سازی توابع غیرخطی مشتق ناپذیر دارد.الگوریتم DE جهت غلبه بر عیب اصلی الگوریتم ژنتیک، یعنی فقدان جستجوی محلی دراین الگوریتم ارائه شده است.تفاوت اصلی بین الگوریتم های ژنتیکی و الگوریتم DE در عملگر انتخاب selection operators می باشد.

در اپراتور انتخاب GA ،شانس انتخاب یک جواب به عنوان یکی از والدین وابسته به مقدار شایستگی آن می باشد.اما در الگوریتم DE ،همه جواب ها دارای شانس مساوی جهت انتخاب شدن می باشند.یعنی شانس انتخاب شدن آنها وابسته به مقدار شایستگی آنها نمی باشد.پس از این که یک جواب جدید با استفاده از یک اپراتور جهش خود-تنظیم و اپراتور crossover تولید شد،جواب جدید با مقدار قبلی مقایسه میشود و در صورت بهتر بودن جایگزین می شود.

یکی از مزایای این الگوریتم  داشتن حافظه ای می باشد که اطلاعات جواب های مناسب را در جمعیت فعلی حفظ می کند.دیگر مزیت این الگوریتم مربوط به عملگر انتخاب آن می باشد،در این الگوریتم همه جواب ها دارای شانس مساوی جهت انتخاب شدن بع عنوان یکی از والدین می باشند.

 

برای دانلود فایل مربوط به الگوریتم DE بر روی لینک زیر کلیک نمایید:
لینک دانلود فایل الگوریتم تکاملی DE
پسورد : www.ai89.blogfa.com
همچنین میتوانید کد متلب الگوریتم تکامل تفاضلی، به همراه فایل توضیحات خط به خط کد که تابع  معروف Ackley با ان بهینه شده است را از لینک زیر بصورت انلاین خرید و دانلود نمایید
[parspalpaiddownloads id=”53″]
ایمیل: matlab24ir@gmail.com و یا info@matlab24.ir
شماره تماس: 09120563264

نوشته الگوریتم DE اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> https://matlab24.ir/%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-de/feed/ 0 حل پازل سودوکو با روش الگوریتم تکامل تفاضلی DE https://matlab24.ir/%d8%ad%d9%84-%d9%be%d8%a7%d8%b2%d9%84-%d8%b3%d9%88%d8%af%d9%88%da%a9%d9%88-%d8%b1%d8%a7-%d8%a8%d8%a7-%d8%b1%d9%88%d8%b4-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84/ https://matlab24.ir/%d8%ad%d9%84-%d9%be%d8%a7%d8%b2%d9%84-%d8%b3%d9%88%d8%af%d9%88%da%a9%d9%88-%d8%b1%d8%a7-%d8%a8%d8%a7-%d8%b1%d9%88%d8%b4-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84/#respond Sun, 24 Aug 2014 11:39:38 +0000 http://matlab24.ir/?p=208 حل پازل سودوکو با روش الگوریتم تکامل تفاضلی DE   در اينجا به اختصار جداول سودوكو   را برايتان توضيح مي‌دهم:

نوشته حل پازل سودوکو با روش الگوریتم تکامل تفاضلی DE اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> حل پازل سودوکو با روش الگوریتم تکامل تفاضلی DE

 

در اينجا به اختصار جداول سودوكو   را برايتان توضيح مي‌دهم:

نوع متداول سودوکو یک جدول ۹x۹است که کل جدول هم به ۹ جدول کوچک‌تر ۳x۳تقسیم شده‌است. در این جدول چند عدد به طور پیش فرض قرار داه شده که باید باقی اعداد را با رعایت سه قانون زیر یافت:

قانون اول: در هر سطر جدول اعداد ۱ الی ۹ بدون تکرار قرار گیرد.

قانون دوم: در هر ستون جدول اعداد ۱ الی ۹ بدون تکرار قرار گیرد.

قانون سوم: در هر ناحیه ۳x۳جدول اعداد ۱ الی ۹ بدون تکرار قرار گیرد.

 

روال کلی الگوریتم تفاضلی DE به شرح زیر می باشد:

1)       ابتدا یک جمعیت اولیه بصورت تصادفی ایجاد میکند

2)       شایستگی هر فرد جمعیت را محاسبه میکند و بهترین انها را بعنوان Best در نظر میگیرد

3)      تاوقتی شرط توقف برقرار نشده مراحل زیر را تکرار کن

4)      Mutation:  برای هر فرد جمعیت مثل x  یک بردار مانند u از جهش  بردار  x تولید کند

5)      Crossover :  برای هر فرد جمعیت مثل x  ان را با بردار u ترکیب کن و یک فرزند به نام  z را تولید کن

6)      انتخاب : اگر شایستگی فرزند یعنی z بهتر از شایستگی والد یعنی x می باشد انگاه z را جایگزین x کن.

7)      به مرحله 3 برو

8)      پایان

جهت دریافت کد متلب   ( حل پازل سودوکو را با روش الگوریتم تکامل تفاضلی DE در متلب) با ما تماس بگیرید

کد برنامه+ توضیحات کدهای برنامه در متلب

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : 09120563264

قیمت کد برنامه +  توضیحات کدهای برنامه در متلب = 50 هزارتومان

حل پازل سودوکو با روش الگوریتم تکامل تفاضلی DE

حل سودوکو با الگوریتم ژنتیک

نوشته حل پازل سودوکو با روش الگوریتم تکامل تفاضلی DE اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> https://matlab24.ir/%d8%ad%d9%84-%d9%be%d8%a7%d8%b2%d9%84-%d8%b3%d9%88%d8%af%d9%88%da%a9%d9%88-%d8%b1%d8%a7-%d8%a8%d8%a7-%d8%b1%d9%88%d8%b4-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84/feed/ 0 اموزش الگوریتم تکاملی تفاضلی (DE) https://matlab24.ir/%d8%a7%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84%db%8c-%d8%aa%d9%81%d8%a7%d8%b6%d9%84%db%8c-de/ https://matlab24.ir/%d8%a7%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84%db%8c-%d8%aa%d9%81%d8%a7%d8%b6%d9%84%db%8c-de/#respond Tue, 19 Aug 2014 12:30:23 +0000 http://localhost:8080/matlab24/?p=37 اموزش الگوریتم تکاملی تفاضلی (DE) در سالهای اخیریک الگوریتم تفاضلی به نام الگوریتم تکاملی تفاضلی (DE) به عنوان روشی قدرتمند

نوشته اموزش الگوریتم تکاملی تفاضلی (DE) اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> اموزش الگوریتم تکاملی تفاضلی (DE)

در سالهای اخیریک الگوریتم تفاضلی به نام الگوریتم تکاملی تفاضلی (DE) به عنوان روشی قدرتمند و سریع برای مسائل بهینه سازی در فضاهای پیوسته معرفی شده است.الگوریتم جستجوی DE یکی از جدیدترین روشهای جستجو است.الگوریتم تکاملی تفاضلی (DE) نخستین بار در سال ۱۹۹۵ توسط استورن و پرایس معرفی شد.این دو نشان دادند که این الگوریتم توانایی خوبی در بهینه سازی توابع غیرخطی مشتق ناپذیر دارد.الگوریتم DE جهت غلبه بر عیب اصلی الگوریتم ژنتیک، یعنی فقدان جستجوی محلی دراین الگوریتم ارائه شده است.تفاوت اصلی بین الگوریتم های ژنتیکی و الگوریتم DE در عملگر انتخاب selection operators می باشد.

در این فایل اموزش الگوریتم تکاملی تفاضلی (DE)به همراه مثال اورده شده است . با خواندن این فایل به خوبی با نحوه کار الگوریتم آشنا میشوید. اموزش به همراه مثال و اجرای گام به گام الگوریتم.

نوع فایل :pdf

اندازه فایل: 29 صفحه

دانلود فایل اموزش الگوریتم تکاملی تفاضلی (DE)

رمز فایل : www.ipco.blogfa.com

 

 

همچنین میتوانید کد متلب الگوریتم تکامل تفاضلی، به همراه فایل توضیحات خط به خط کد که تابع  معروف Ackley با ان بهینه شده است را از لینک زیر بصورت انلاین خرید و دانلود نمایید

 

[parspalpaiddownloads id=”53″]

 

 

جهت  انجام پروژه و مقاله با الگوریتم تکاملی تفاضلی (DE)با ما تماس بگیرید.

ایمیل : matlab24ir@gmail.com و یا info@matlab24.ir

شماره تماس : 09120563264

 

نوشته اموزش الگوریتم تکاملی تفاضلی (DE) اولین بار در برنامه نویسی هوشمند پدیدار شد.

]]> https://matlab24.ir/%d8%a7%d9%85%d9%88%d8%b2%d8%b4-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%aa%da%a9%d8%a7%d9%85%d9%84%db%8c-%d8%aa%d9%81%d8%a7%d8%b6%d9%84%db%8c-de/feed/ 0