
در این بخش سورس کد الگوریتم جستجوی کلاغ بهبود یافته ICSA در متلب قرار داده شده است. این سورس کد بر اساس مقاله ای تحت عنوان An improved Crow Search Algorithm for high-dimensional problems نوشته شده است. الگوریتم جستجوی کلاغ CSA یک بهینه ساز فرا ابتکاری مبتنی بر رفتار هوشمندانه کلاغ ها است. این الگوریتم با الهام از رفتار هوشمندانه کلاغ ها با ویژگی هایی مانند سادگی و سهولت اجرا معرفی شده است. الگوریتم CSA در بهینه سازی انواع مسائل محدود مهندسی در مقایسه با الگوریتم های پیشرفته دیگر در این حوزه، برتر و موثرتر است.
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 CSA برای حل مسائل بهینه سازی با ابعاد بالا از همگرایی زودرس رنج می برد که منجر به دقت پایین تر و دقت کمتری در بهینه سازی یا گاهی خرابی می شود. بنابراین الگوریتم جستجوی کلاغ بهبود یافته ICSA برای حل مسائل بهینه سازی سراسری با ابعاد بالا پیشنهاد شده است. تعادل بین قابلیت های بهره برداری و اکتشاف CSA با معرفی عامل تجربه ، اپراتور تنظیم تطبیقی و توزیع پرواز در مکانیزم به روزرسانی موقعیت کلاغ ها بهبود می یابد.
الگوریتم کلاغ بهبود یافته ICSA در متلب
سورس کد الگوریتم کلاغ بهبود یافته ICSA در متلب شامل چهار فایل m. می باشد که سورس کد سه الگوریتم CSA استاندارد، PSO و نسخه بهبود یافته CSA با نام ICSA را شامل می شود در ادامه قسمت هایی از این سورس کد در متلب نمایش داده شده است.
clc; clear; % close all; %% Problem Definition CostFunction=@(z) Sphere(z); % Cost Function nVar = 100; % Number of Decision Variables VarSize =[1 nVar]; % Size of Decision Variables Matrix VarMin = -100; % Lower Bound of Variables VarMax = 100; % Upper Bound of Variables %% CSA Parameters MaxIt=1000; % Maximum Number of Iterations nPop=200; % Population Size (Flock Size) % Constriction Coefficients AP = 0.1; % Awareness probability fl = 2; % Flight length (fl) %% ISCA parameters (Change) ef = 0.5; % Experience Factor(ef) (change) alpha1 = 0.5; % Adjustment coefficient (change) Beta = 1.5; % used in Levy flight %% Initialization empty_CSAs.Position=[]; empty_CSAs.Cost=[]; empty_CSAs.Memory.Position=[]; empty_CSAs.Memory.Cost=[]; CSAs=repmat(empty_CSAs,nPop,1); BestSol.Cost=inf; for i=1:nPop % Initialize Position CSAs(i).Position=unifrnd(VarMin,VarMax,VarSize); % Evaluation CSAs(i).Cost = CostFunction(CSAs(i).Position); % Update Personal Memory CSAs(i).Memory = CSAs(i); % Update Best Solution if CSAs(i).Memory.Cost<BestSol.Cost BestSol=CSAs(i).Memory; end end BestCost=zeros(MaxIt,1); nfe=zeros(MaxIt,1); NFE = 0;
درباره الگوریتم جستجوی کلاغ بهبود یافته ICSA
سورس کد الگوریتم جستجوی کلاغ بهبود یافته ICSA در متلب محصولی است که در این پست به آن پرداخته شده است. در این سورس کد به پیاده سازی الگوریتم ICSA در متلب پرداخته شده که مقاله این الگوریتم را می توانید در قسمت بالای همین مطلب دانلود کنید. این سورس کد 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.
مباحث مرتبط با الگوریتم کلاغ
مباحث مرتبط با دیگر الگوریتم های فرا ابتکاری
تاریخ انتشار: | 1 آذر 1399 |
---|---|
تاریخ بروزرسانی: | 28 اسفند 1399 |
حجم فایل: | 1.9 مگابایت |
فرمت فایل | m. |
هماهنگی با: | متلب 2017 و بالاتر |
سفارش تدریس: | توضیحات تکمیلی |
تاکنون 0 نفر این محصول را تهیه کرده اند و 1 نظر برای آن ثبت شده است.
نظرات و دیدگاه ها
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.
قیمت 59,000 تومان
تاریخ انتشار: | 1 آذر 1399 |
---|---|
تاریخ بروزرسانی: | 28 اسفند 1399 |
حجم فایل: | 1.9 مگابایت |
فرمت فایل | m. |
هماهنگی با: | متلب 2017 و بالاتر |
سفارش تدریس: | توضیحات تکمیلی |
1 بازخورد (مشاهده نظرات)
قیمت: 59,000 تومان
مدیریت و پشتیبانی
نظرات و پیشنهادات خود را با ما در میان بگذارید.