• مقالات آموزشی
    • آموزش برنامه نویسی
    • آموزش الگوریتم
    • آموزش شبکه های کامپیوتری
    • آموزش های عمومی
  • ترجمه مقاله
    • لیست ترجمه کامل مقالات
    • لیست ترجمه مفهومی مقالات
  • تحقیق و پژوهش
    • لیست داکیومنت پایان‌نامه
    • لیست داکیومنت سمینار
  • پیاده سازی
    • سی پلاس پلاس ++C
    • برنامه نویسی OpenGL
    • سی شارپ #C
    • پایتون Python
    • اندروید Android
    • پی اچ پی PHP
    • متلب Matlab
  • پاورپوینت
    • پاورپوینت الگوریتم های بهینه سازی
    • پاورپوینت شبکه‌های کامپیوتری
    • پاورپوینت مهندسی کامپیوتر
    • پاورپوینت یادگیری ماشین
    • پاورپوینت درس و تحقیق
    • قالب آماده پاورپوینت
  • فیلم آموزشی
    • لیست فیلم های آموزشی
  • قالب آماده
    • لیست قالب آماده HTML
  • دانلود رایگان
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین
  • سفارش تدریس آنلاین
  • آموزش برنامه نویسی
  • آموزش الگوریتم
  • آموزش شبکه
  • آموزش عمومی

ورود

رمز عبور را فراموش کرده اید؟

هنوز عضو نشده اید؟ عضویت در سایت
  • درباره ما
  • تماس با ما
  • سفارش تدریس آنلاین
پی استور
0

ورود و ثبت نام

مقالات آموزشی
  • ترجمه مقاله
    • لیست ترجمه کامل مقالات
    • لیست ترجمه مفهومی مقالات
  • تحقیق و پژوهش
    • لیست داکیومنت پایان‌نامه
    • لیست داکیومنت سمینار
  • پیاده سازی
    • سی پلاس پلاس ++C
    • برنامه نویسی OpenGL
    • سی شارپ #C
    • پایتون Python
    • اندروید Android
    • پی اچ پی PHP
    • متلب Matlab
  • پاورپوینت
    • پاورپوینت الگوریتم های بهینه سازی
    • پاورپوینت شبکه‌های کامپیوتری
    • پاورپونت مهندسی کامپیوتر
    • پاورپوینت یادگیری ماشین
    • پاورپوینت درس و تحقیق
      • عمومی
      • مشاهیر و اشخاص
      • واقعیت مجازی
      • طراحی سایت
      • برنامه نویسی
      • علوم کامپیوتر
      • اینترنت اشیاء
      • سیستم عامل
      • ارز دیجیتال
      • کسب و کار
      • تکنولوژی
      • علوم
    • قالب آماده پاورپوینت
  • فیلم آموزشی
    • لیست فیلم های آموزشی
  • قالب آماده
    • قالب آماده HTML
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین

الگوریتم بهینه ساز خفاش BA در پایتون Python

خانهفروشگاهبرنامه نویسیپایتونالگوریتم بهینه ساز خفاش BA در پایتون Python
https://dl.programstore.ir/files/Uploades/Previews/python/BAT-Algorithm-in-python.mp4

در این بخش سورس کد الگوریتم بهینه ساز خفاش BA در پایتون Python قرار گرفته شده است. این سورس کد به زبان پایتون Python برای الگوریتم بهینه سازی خفاش Bat Algorithm به اختصار BA نوشته شده است. این سورس کد بر اساس ساز و کار الگوریتم خفاش مسائل بهینه سازی را حل می کند. این الگوریتم الهام گرفته از زیست طبیعی خفاش ها است این الگوریتم توسط یانگ در سال 2010 توسعه یافته است.

الگوریتم BA از روش تنظیم فرکانس برای افزایش تنوع راه حل در جمعیت استفاده می کند. این الگوریتم با بزرگنمایی خودکار سعی در تعادل بخشیدن به اکتشاف و بهره برداری در طی فرآیند جستجو دارد این کار را با تقلید از تغییرات میزان انتشار پالس و بلندی صدای خفاش ها هنگام جستجوی طعمه انجام می دهد.  در ادامه مختصری از الگوریتم برای درک کد الگوریتم در پایتون بیان می شود.

cropped-fav2.png

برنامه‌نویس: تیم برنامه نویسی پی استور

متشکل از اساتید و فارغ التحصیلان رشته های فنی - مهندسی

تیم برنامه نویسی پی استور یکی از اولین گروه های تشکیل شده در مجموعه آموزشی پی استور می باشد. این تیم از اساتید مجرب و فارغ التحصیلان رشته های فنی و مهندسی تشکیل شده که در زمینه های مختلف برنامه نویسی و تهیه سورس کد فعال هستند.

الگوریتم بهینه سازی خفاش

الگوریتم های فرا ابتکاری که معمولاً الهام گرفته شده از طبیعت و فرآيندهای فيزيكی می باشند، در حال حاضر به عنوان یکی از روش های قدرتمند برای حل بسیاری از مسائل بهینه سازی پیچیده به کار برده می شوند. الگوریتم خفاش یکی از الگوریتم های فراابتکاری الهام گرفته از طبیعت است که در سال ۲۰۱۰ توسط آقای یانگ معرفی گردید.

این الگوریتم بر اساس اصول زندگی خفاش ها طراحی شده است. خفاش ها تنها پستانداران بالداری هستند که برای شکار طعمه از انعکاس صدا استفاده می کنند.

الگوریتم خفاش با استفاده از تکنیک تنظیم فرکانس تنوع راه حل های موجود در جمعیت را افزایش می دهند. مغز و دستگاه عصبی خفاش ها با مقایسه موج های فرستاده شده و موج های بازتاب شده می تواند تصویری از فضای پیرامون و جزئیاتش برای خود بسازد. با این ویژگی خفاش ها می تواندد اجسام متحرک دورو بر خود را شناسایی کنند.

با بررسی و بهینه سازی این الگوریتم در سیستم ها و شبکه های کامپیوتری و تطبیق آن با سیستمهای خبره و هوشمند می توان به تکنینک های نوین جهت مسیر یابی و تخمین مسافت در کاربردهای هوا فضا، بهینه سازی سیتم های پرواز در دید کور با استفاده از خلبان خودکار، رانندگی توسط خودروهای هوشمند، بهینه سازی الگوریتمهای هوشمند مسیر یابی در روتر ها و سایر مسایل فنی رسید.

الگوریتم جستجوی خفاش BA در پایتون

زبان برنامه‌نویسی پایتون یکی از زبان‌های پرکاربرد و محبوب در زمینه پیاده‌سازی انواع روش‌ها و الگوریتم‌ها در تحقیقات آکادمیک و دانشگاهی است. خوشبختانه در مجموعه پی استور مقالات متنوعی در مورد آموزش زبان برنامه‌نویسی پایتون قرار داده شده است و روز به روز به تعداد این آموزش ها اضافه می‌شود. برای دسترسی به این مقالات می توانید مجموعه آموزش‌های پایتون را نیز مطالعه کنید.

در این قسمت سورس کد الگوریتم بهینه ساز خفاش BA در پایتون Python آماده شده است این سورس کد شامل 2 فایل می باشد که عبارتند از:

  • benchmarks.py: این فایل شامل 23 تابع هزینه یا Fitness از توابع benchmark می باشد و در اکثر مقالات علمی از این توابع محک برای ارزیابی الگوریتم ها استفاده می کنند.
  • BA.py: فایل اصلی برای اجرای الگوریتم بهینه ساز خفاش BA در پایتون می باشد که فراخوانی ها از طریق این فایل انجام و اجرا خواهد شد.

قسمت هایی از سورس کد توابع محک

import numpy
import math

# define the function blocks
def prod( it ):
    p= 1
    for n in it:
        p *= n
    return p

def Ufun(x,a,k,m):
    y=k*((x-a)**m)*(x>a)+k*((-x-a)**m)*(x<(-a));
    return y
    
def F1(x):
    s=numpy.sum(x**2);
    return s

def F2(x):
    o=sum(abs(x))+prod(abs(x));
    return o;     
           
def F3(x):
    dim=len(x)+1;
    o=0;
    for i in range(1,dim):
        o=o+(numpy.sum(x[0:i]))**2; 
    return o; 
    
def F4(x):
    o=max(abs(x));
    return o;     

def F5(x):
    dim=len(x);
    o=numpy.sum(100*(x[1:dim]-(x[0:dim-1]**2))**2+(x[0:dim-1]-1)**2);
    return o; 

def F6(x):
    o=numpy.sum(abs((x+.5))**2);
    return o;

def F7(x):
   dim=len(x);

   w=[i for i in range(len(x))]
   for i in range(0,dim):
        w[i]=i+1;
   o=numpy.sum(w*(x**4))+numpy.random.uniform(0,1);
   return o;

def F8(x):
    o=sum(-x*(numpy.sin(numpy.sqrt(abs(x)))));
    return o;

def F9(x):
    dim=len(x);
    o=numpy.sum(x**2-10*numpy.cos(2*math.pi*x))+10*dim;
    return o;


def F10(x):
    dim=len(x);
    o=-20*numpy.exp(-.2*numpy.sqrt(numpy.sum(x**2)/dim))-numpy.exp(numpy.sum(numpy.cos(2*math.pi*x))/dim)+20+numpy.exp(1);
    return o;

def F11(x):
    dim=len(x);
    w=[i for i in range(len(x))]
    w=[i+1 for i in w];
    o=numpy.sum(x**2)/4000-prod(numpy.cos(x/numpy.sqrt(w)))+1;   
    return o;
    
def F12(x):
    dim=len(x);
    o=(math.pi/dim)*(10*((numpy.sin(math.pi*(1+(x[0]+1)/4)))**2)+numpy.sum((((x[1:dim-1]+1)/4)**2)*(1+10*((numpy.sin(math.pi*(1+(x[1:dim-1]+1)/4))))**2))+((x[dim-1]+1)/4)**2)+numpy.sum(Ufun(x,10,100,4));   
    return o;
    
def F13(x): 
    dim=len(x);
    o=.1*((numpy.sin(3*math.pi*x[1]))**2+sum((x[0:dim-2]-1)**2*(1+(numpy.sin(3*math.pi*x[1:dim-1]))**2))+ 
    ((x[dim-1]-1)**2)*(1+(numpy.sin(2*math.pi*x[dim-1]))**2))+numpy.sum(Ufun(x,5,100,4));
    return o;
    
def F14(x): 
     aS=[[-32,-16,0,16,32,-32,-16,0,16,32,-32,-16,0,16,32,-32,-16,0,16,32,-32,-16,0,16,32],[-32,-32,-32,-32,-32,-16,-16,-16,-16,-16,0,0,0,0,0,16,16,16,16,16,32,32,32,32,32]];     
     aS=numpy.asarray(aS);
     bS = numpy.zeros(25)
     v=numpy.matrix(x)
     for i in range(0,25):
         H=v-aS[:,i];
         bS[i]=numpy.sum((numpy.power(H,6)));   
     w=[i for i in range(25)]   
     for i in range(0,24):
        w[i]=i+1;
     o=((1./500)+numpy.sum(1./(w+bS)))**(-1);
     return o;  
     
def F15(L):  
    aK=[.1957,.1947,.1735,.16,.0844,.0627,.0456,.0342,.0323,.0235,.0246];
    bK=[.25,.5,1,2,4,6,8,10,12,14,16];
    aK=numpy.asarray(aK);
    bK=numpy.asarray(bK);
    bK = 1/bK;  
    fit=numpy.sum((aK-((L[0]*(bK**2+L[1]*bK))/(bK**2+L[2]*bK+L[3])))**2);
    return fit

def F16(L):  
     o=4*(L[0]**2)-2.1*(L[0]**4)+(L[0]**6)/3+L[0]*L[1]-4*(L[1]**2)+4*(L[1]**4);
     return o

def F17(L):  
    o=(L[1]-(L[0]**2)*5.1/(4*(numpy.pi**2))+5/numpy.pi*L[0]-6)**2+10*(1-1/(8*numpy.pi))*numpy.cos(L[0])+10;
    return o
    
def F18(L):  
    o=(1+(L[0]+L[1]+1)**2*(19-14*L[0]+3*(L[0]**2)-14*L[1]+6*L[0]*L[1]+3*L[1]**2))*(30+(2*L[0]-3*L[1])**2*(18-32*L[0]+12*(L[0]**2)+48*L[1]-36*L[0]*L[1]+27*(L[1]**2)));
    return o
# map the inputs to the function blocks
def F19(L):    
    aH=[[3,10,30],[.1,10,35],[3,10,30],[.1,10,35]];
    aH=numpy.asarray(aH);
    cH=[1,1.2,3,3.2];
    cH=numpy.asarray(cH);
    pH=[[.3689,.117,.2673],[.4699,.4387,.747],[.1091,.8732,.5547],[.03815,.5743,.8828]];
    pH=numpy.asarray(pH);
    o=0;
    for i in range(0,4):
     o=o-cH[i]*numpy.exp(-(numpy.sum(aH[i,:]*((L-pH[i,:])**2))));   
    return o
    

def F20(L):    
    aH=[[10,3,17,3.5,1.7,8],[.05,10,17,.1,8,14],[3,3.5,1.7,10,17,8],[17,8,.05,10,.1,14]];
    aH=numpy.asarray(aH);
    cH=[1,1.2,3,3.2];
    cH=numpy.asarray(cH);
    pH=[[.1312,.1696,.5569,.0124,.8283,.5886],[.2329,.4135,.8307,.3736,.1004,.9991],[.2348,.1415,.3522,.2883,.3047,.6650],[.4047,.8828,.8732,.5743,.1091,.0381]];
    pH=numpy.asarray(pH);
    o=0;
    for i in range(0,4):
     o=o-cH[i]*numpy.exp(-(numpy.sum(aH[i,:]*((L-pH[i,:])**2))));
    return o

def F21(L):
    aSH=[[4,4,4,4],[1,1,1,1],[8,8,8,8],[6,6,6,6],[3,7,3,7],[2,9,2,9],[5,5,3,3],[8,1,8,1],[6,2,6,2],[7,3.6,7,3.6]];
    cSH=[.1,.2,.2,.4,.4,.6,.3,.7,.5,.5];
    aSH=numpy.asarray(aSH);
    cSH=numpy.asarray(cSH);
    fit=0;
    for i in range(0,4):
      v=numpy.matrix(L-aSH[i,:])
      fit=fit-((v)*(v.T)+cSH[i])**(-1);
    o=fit.item(0);
    return o
  
def F22(L):
    aSH=[[4,4,4,4],[1,1,1,1],[8,8,8,8],[6,6,6,6],[3,7,3,7],[2,9,2,9],[5,5,3,3],[8,1,8,1],[6,2,6,2],[7,3.6,7,3.6]];
    cSH=[.1,.2,.2,.4,.4,.6,.3,.7,.5,.5];
    aSH=numpy.asarray(aSH);
    cSH=numpy.asarray(cSH);
    fit=0;
    for i in range(0,6):
      v=numpy.matrix(L-aSH[i,:])
      fit=fit-((v)*(v.T)+cSH[i])**(-1);
    o=fit.item(0);
    return o  

def F23(L):
    aSH=[[4,4,4,4],[1,1,1,1],[8,8,8,8],[6,6,6,6],[3,7,3,7],[2,9,2,9],[5,5,3,3],[8,1,8,1],[6,2,6,2],[7,3.6,7,3.6]];
    cSH=[.1,.2,.2,.4,.4,.6,.3,.7,.5,.5];
    aSH=numpy.asarray(aSH);
    cSH=numpy.asarray(cSH);
    fit=0;
    for i in range(0,9):
      v=numpy.matrix(L-aSH[i,:])
      fit=fit-((v)*(v.T)+cSH[i])**(-1);
    o=fit.item(0);
    return o

ویدیو معرفی محصول

Your browser does not support the video tag.

***  توجه  ***

قبل از اجرای سورس کد الگوریتم در محیط پایتون حتماً از نصب پکیج های مورد استفاده در این سورس کد در Python خود مطمئن شوید پکیج های استفاده شده در این سورس کد numpy و matplotlib می باشد که اولی پکیج مربوط به استفاده از آرایه ها و ماتریس ها در پایتون و دومی مربوط به عملیات های نموداری و Plot گرفتن می باشد. پیشنهاد ما نصب اسپایدر (Spyder (Python 3.7 می باشد که هم پایتون و پکیج های مختلف و هم IDE های مختلفی را همراه با امکان آپدیتشان نصب می کند.


درباره الگوریتم بهینه ساز خفاش BA در پایتون

الگوریتم بهینه ساز خفاش BA در پایتون Python عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در پایتون و با IDE اسپایدر (Spyder (Python 3.8 نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.

گارنتی 7 روزه بازگشت هزینه

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این محصول توسط پی استور تضمین شده و در صورت عدم رضایت از محصول، به انتخاب شما:

  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا 80 درصد مبلغ پرداختی به حساب بانکی شما عودت داده می‌شود.

مباحث مرتبط با الگوریتم خفاش BA

پاورپوینت الگوریتم بهینه ساز خفاش BA
پاورپوینت الگوریتم بهینه ساز خفاش BA
الگوریتم بهینه ساز خفاش BA در متلب Matlab
الگوریتم بهینه ساز خفاش BA در متلب Matlab

پاورپوینت های پیشنهادی در حوزه الگوریتم های بهینه سازی

پاورپوینت الگوریتم بهینه سازی گرده افشانی گل FPO
پاورپوینت الگوریتم بهینه سازی گرده افشانی گل FPO
پاورپوینت الگوریتم بهینه سازی باران — الگوریتم فراابتکاری ROA
پاورپوینت الگوریتم بهینه سازی باران ROA
پاورپوینت الگوریتم بهینه سازی ملخ GOA
پاورپوینت الگوریتم بهینه سازی ملخ GOA
پاورپوینت الگوریتم بهینه ساز عنکبوت SSO
پاورپوینت الگوریتم بهینه ساز عنکبوت SSO
پاورپوینت الگوریتم بهینه ساز پروانه BOA
پاورپوینت الگوریتم بهینه ساز پروانه BOA
پاورپوینت الگوریتم بهینه سازی میمون عنکبوتی SMO
پاورپوینت الگوریتم بهینه سازی میمون عنکبوتی SMO

سورس کدهای آماده الگوریتم های مشابه در پایتون

کد الگوریتم گرگ خاکستری در پایتون Python
کد الگوریتم گرگ خاکستری در پایتون Python
کد الگوریتم وال در پایتون Python
سورس کد الگوریتم وال در پایتون Python
کد الگوریتم PSO در پایتون Python
کد الگوریتم PSO در پایتون Python
کد الگوریتم شعله پروانه در پایتون (شمع و پروانه) Python
کد الگوریتم شمع و پروانه در پایتون
الگوریتم پیروزی JAYA در پایتون Python
الگوریتم پیروزی JAYA در پایتون Python
الگوریتم کرم شب تاب FA در پایتون Python
سورس کد الگوریتم کرم شب تاب FA در پایتون Python
کد الگوریتم ژنتیک در پایتون Python
سورس کد الگوریتم ژنتیک در پایتون Python
الگوریتم جستجوی فاخته CS در پایتون
الگوریتم جستجوی فاخته CS در پایتون

تاکنون 255 نفر این محصول را تهیه کرده اند و 2 نظر برای آن ثبت شده است.

نظرات و دیدگاه ها
  • مهدی
    9 مرداد 1401
    امتیاز 5 از 5
    پاسخ

    این سورس کد رو خریدم ولی نتونستم دانلود کنم لطفا به ایمیلم بفرستین.

    • فاطمه اسماعیلی
      9 مرداد 1401
      پاسخ

      سلام. لینک دانلود براتون ارسال شد

  • مدیریت و پشتیبانی
    19 دی 1399
    امتیاز 5 از 5
    پاسخ

    نظرات و پیشنهادات خود را با ما در میان بگذارید.

قوانین ثبت دیدگاه

  • لطفاً دیدگاه های خود را فارسی تایپ کنید.
  • دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • سوالات تخصصی خودتان را از طریق تیکت پشتیبانی مطرح کنید.

لغو پاسخ

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دسته‌بندی موضوعی: الگوریتم‌های فرا ابتکاری الگوریتم‌های مبتنی بر هوش جمعی برنامه نویسی پایتون

قیمت 49,000 تومان

افزودن به علاقه مندی ها
امتیاز
5.00 از 2 رأی
5.00 2 رای
49,000 تومان

تاریخ انتشار: 19 دی 1399
تاریخ بروزرسانی: 20 اردیبهشت 1400
حجم فایل: 7 کیلوبایت
فرمت فایل py. در قالب پایتون
نسخه: 1.0
هماهنگی با: (Spyder (Python 3.8 و بالاتر
دانلود شده توسط: 255 نفر

2 بازخورد (مشاهده نظرات)

قیمت: 49,000 تومان

تماس با ما
  • دفتر پشتیبانی: 04144225175 (ساعت کاری 8:00 الی 16:00)
  • آی دی تلگرام: programerPstore
درباره پی استور

تیم توسعه پی استور با هدف ارائه مطالب مفید علمی در گرایش های مختلف پروژه های علمی مختلف را جمع آوری می کند و در قالب یک محصول تست شده و قابل اجرا همراه با توضیحات و نحوه اجرا، انتشار می دهد. امید است با عنایت الهی و کوشش اساتید و دانشجویان همراهمان بتوانیم قدم کوچکی در تولید محتوای علمی کشور داشته باشیم.

مجوز های اخذ شده
اینماد نشان ملی   پروانه نشر دیجیتال
  • حساب کاربری من
  • سوالات متداول
  • راهنمای خرید و دانلود
پی استور
  • همکاری با ما
  • قوانین و مقررات
  • حریم خصوصی
تمامی حقوق برای پی استور محفوظ است.
keyboard_arrow_up