در این بخش فیلم آموزش الگوریتم جستجوی کلاغ در متلب قرار داده شده است. این الگوریتم در مقاله ای با عنوان A novel metaheuristic method for solving constrained engineering optimization problems: Crow search algorithm از ژورنال معتبر Computers and Structures در انتشارات الزویر در سال 2016 به چاپ رسیده است. در این مقاله یک بهینه ساز فراابتکاری جدید، به نام الگوریتم جستجوی کلاغ CSA، مبتنی بر رفتار هوشمند کلاغ ها ارائه شده است. الگوریتم CSA یک روش مبتنی بر جمعیت است که بر اساس این ایده کار می کند که کلاغ ها غذای اضافی خود را در مکان های مخفی ذخیره می کنند و در صورت نیاز به غذا آن را بازیابی می کنند. برای دانلود مقاله اصلی روی لینک زیر کلیک فرمایید.
الگوریتم جستجوی کلاغ
کلاغ ها جزو باهوش ترین پرندگان محسوب می شوند. آنها بزرگترین مغز را نسبت به اندازه بدن خود دارند. بر اساس شاخص نسبت مغز به بدن، مغز آنها کمی پایین تر از مغز انسان است. شواهد زیادی مبنی بر باهوشی و زیرکی کلاغ ها وجود دارد. آنها خودآگاهی را در آزمایشات موسوم به آزمایش آینه نشان داده اند و از توانایی ابزار سازی برخوردارند. کلاغ ها می توانند چهره ها را بخاطر بسپارند و وقتی شخص غیر دوستانه نزدیک می شود به یکدیگر هشدار می دهند. علاوه بر این، آنها می توانند به روش های پیچیده ای ارتباط برقرار کنند و مخفی گاه غذای خود را تا چندین ماه بعد به یاد آورند.
کلاغ ها با مشاهده مکان هایی که سایر پرندگان غذای خود را پنهان می کنند پس از رفتن صاحب آنها، غذاهای پرندگان را می دزدند. اگر کلاغی مرتکب دزدی شده باشد، اقدامات احتیاطی اضافی مانند جابجایی مکان های مخفی کاری را برای جلوگیری از قربانی شدن در آینده انجام می دهد. در واقع ، آنها از تجربه خود در مورد دزد بودن برای پیش بینی رفتار یک دزدگیر استفاده می کنند ، و می توانند ایمن ترین مسیر را برای محافظت از مخازن خود در برابر سرقت تعیین کنند. در این مقاله، بر اساس رفتارهای هوشمند فوق الذکر، یک الگوریتم فراابتکاری مبتنی بر جمعیت CSA ایجاد شده است. اصول الگوریتم جستجوی کلاغ به شرح زیر ذکر شده است:
- کلاغ ها به صورت گروهی زندگی می کنند.
- کلاغ ها موقعیت مخفیگاه های خود را حفظ می کنند.
- کلاغ ها برای سرقت به دنبال هم می آیند.
- کلاغ ها از ذخیره سازی خود در برابر احتمال سرقت محافظت می کنند.
آموزش الگوریتم جستجوی کلاغ در متلب
در این آموزش به توضیح و تشریح الگوریتم جستجوی کلاغ CSA در دو بخش پرداخته شده است. بخش اول در مورد تئوری الگوریتم بوده و بخش دوم مربوط به پیاده سازی الگوریتم در متلب می باشد. در ادامه می توانید پیش نمایشی از فیلم آموزش اگوریتم کلاغ در متلب را مشاهده کنید.
پیش نمایش
توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت ویدئوی اصلی نمایش داده شوند. این ویدئو یک نسخه 5 دقیقه ای از آموزش است.
پیش نمایش 2
توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت ویدئوی اصلی نمایش داده شوند. این ویدئو یک نسخه 8 دقیقه ای از آموزش است.
مشخصات فیلم آموزشی
نام اثر : فیلم آموزش الگوریتم جستجوی کلاغ در متلب
مدرس : مهندس حسن سعادتمند
مدت زمان : 78 دقیقه
زبان آموزش : فارسی
حجم فایل : 2 فایل با فرمت rar با حجم (جمعاً 178.2 مگابایت)
فرمت ویدئو : MP4 با کیفیت بالا
پس از خرید این مجموعه آموزشی سورس کد + فیلم آموزشی + مقاله اصلی در اختیار شما قرار خواهد گرفت.
درباره محصول
آموزش الگوریتم جستجوی کلاغ در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. در این آموزش به توضیح و تشریح الگوریتم CSA در متلب پرداخته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و بازبینی شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.
قوانین ثبت دیدگاه
- دیدگاه های فینگلیش تایید نخواهند شد.
- دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- امتیاز دادن به محصول فقط مخصوص خریداران آن می باشد.
اطلاعات فروشنده
- نام فروشگاه: حسن سعادتمند
- فروشنده: حسن سعادتمند
- آدرس: خراسان شمالی
- 5.00 امتیاز از 6 دیدگاه
شبکه عصبی نرون خطی تطبیقی Adaline در متلب
شبکه عصبی مصنوعی (Artificial Neural Networks – ANN) برای یادگیری ماشین، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سیستم های پیچیده هستند. شبکه عصبی نرون خطی تطبیقی Adaptive Linear Neuron یک شبکه عصبی مصنوعی اولیه تک لایه است. در شبکه عصبی آدلاین در مرحله یادگیری، وزن ها با توجه به مجموع وزنی ورودی ها (خالص) تنظیم می شوند.
انتخاب ویژگی با الگوریتم رقابت استعماری در متلب
این آموزش به مسئله انتخاب ویژگی یا Feature Selection در مسائل Classification یا دسته بندی از حوزه الگوریتم های یادگیری ماشین و داده کاوی می پردازد. در انتخاب ویژگی در این آموزش از یک الگوریتم فرا ابتکاری یا متاهیورستیک در حوزه محاسبات تکاملی و فرآیند تکامل اجتماعی – سیاسی با نام الگوریتم رقابت استعماری استفاده شده است.
فیلم آموزش شبکه عصبی Heb در متلب
در این بخش فیلم آموزش شبکه عصبی Heb در متلب قرار داده شده است. شبکه عصبی مصنوعی (Artificial Neural Networks – ANN) برای یادگیری ماشین، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سیستم های پیچیده هستند. در این فیلم آموزشی علاوه بر توضیحات سورس کد شبکه عصبی Heb در متلب توضیح داده می شود.
آموزش شبکه عصبی بازگشتی Elman در متلب
شبکه عصبی مصنوعی (Artificial Neural Networks – ANN) برای یادگیری ماشین، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سیستم های پیچیده هستند. شبکه عصبی elman نوعی از شبکه عصبی بازگشتی Recurrent neural network می باشد.
آموزش شبکه عصبی RBF در متلب
شبکه عصبی تابع پایه شعاعی Radial Basis Function سه لایه دارد: لایه ورودی (Input Layer)، لایه پنهان یا مخفی (Hidden Layer) و لایه خروجی (Output Layer). نورون‌های لایه مخفی با یک تابع پایه شعاعی (RBF) فعال (تحریک) می‌شوند. لایه مخفی از آرایه‌ای از واحدهای محاسباتی تشکیل شده که گره‌های مخفی (Hidden Nodes) نامیده می‌شوند.
محصولات مشابه
قیمت 45,000 تومان
این محصول، فیلم آموزشی و بصورت rar قابل دانلود است. بلافاصله پس از خرید، لینک دانلود محصول در اختیار شما قرار خواهد گرفت.
با خرید این محصول از مزایای زیر بهره‌مند می‌شوید:
- دسترسی به فایل محصول به صورت مادام‌العمر
- ۶ ماه پشتیبانی کاملا رایگان و تضمین شده
حسن سعادتمند
مشاهده فروشگاهکارشناس ارشد کنترل از دانشگاه فردوسی مشهد. زمینه های کاری تخصصی ایشان علاوه بر مهندسی کنترل، الگوریتم های فراابتکاری، یادگیری ماشین و داده کاوی است. ایشان علاوه بر سابقه تدریس در زمینه مباحث مهندسی کنترل، الگوریتم های فراابتکاری، سیستم های فازی، شبکه های عصبی، داده کاوی، رباتیک و آموزش پیاده سازی مباحث ذکر شده در محیط نرم افزار متلب (MATLAB)، مسلط به زبان های برنامه نویسی پایتون (Python)، سی پلاس پلاس (++C)، سی شارپ (#C) و سی (C) نیز می باشند.
امین جلیل زاده(مدیریت)
نظرات و پیشنهادات خود را با ما در میان بگذارید.