Name: سورس کد الگوریتم زنبور عسل در متلب
Brand: پی استور
SKU: 5402
Price: 28000 IRT
Availability: instock
Rating: 5.00 (1 reviews)

سورس کد الگوریتم زنبور عسل در متلب

سورس کد الگوریتم زنبور عسل در متلب عنوان موضوعی است که در این پست به آن پرداخته شده است. الگوریتم کلونی زنبور عسل مصنوعی (Artificial bee colony algorithm) یا ABC یک الگوریتم بهینه سازی بر اساس هوش جمعی و رفتار هوشمندانه جمعیت زنبور عسل است.

الگوریتم کلونی زنبور عسل مصنوعی یا به اختصار ABC، یک راهکار بهینه‌سازی است که رفتار یک کلونی زنبور عسل را شبیه‌سازی می‌کند و برای اولین بار در سال 2005 توسط Dervis Karaboga، برای بهینه‌سازی ارائه شد. در این مدل، کلونی زنبور عسل مصنوعی دارای سه نوع زنبورهای کارگر، ناظر و دیده بان است. زنبورهای کارگر روی گردآوری غذا و آوردن آن به کندو از یک منبع غذایی خاص کار می‌کنند. زنبورهای ناظر در میان کارگرها گشت می‌زنند تا تشخیص دهند یک منبع غذایی همچنان ارزش استفاده دارد یا خیر و در نهایت زنبورهای دیده‌بان که به‌دنبال کشف منابع غذایی جدید هستند.

الگوریتم زنبور عسل Bee Algorithm

الگوریتم زنبور عسل هر نقطه را در فضای پارامتری متشکل از پاسخ‌های ممکن به عنوان منبع غذا تحت بررسی قرار می‌دهد. زنبورهای دیده‌بان به صورت تصادفی فضای پاسخ ها را ساده می کنند و به وسیله ی تابع شایستگی کیفیت موقعیت های بازدید شده را گزارش می دهند. جواب‌های ساده شده رتبه بندی می‌شوند و دیگر زنبورها نیروهای تازهای هستند که فضای پاسخ‌ها را در پیرامون خود برای یافتن بالاترین رتبه محل‌ها جستجو می‌کنند که گلزار نامیده می‌شود. الگوریتم به صورت گزینشی دیگر گلزارها را برای یافتن نقطه ی بیشینه ی تابع شایستگی جستجو می‌کند.

رفتار هوشمند ناپایدار زنبورهای عسل را می‌توان در چند گام زیر خلاصه کرد:

زنبورها تلاش می‌کنند تا به صورت تصادفی در محیط به‌دنبال منابع غذایی خوب بگردند (مقدار تناسب).
پس از یافتن یک منبع غذایی، آن‌ها تبدیل به زنبورهای کارگر می‌شوند و شروع به استخراج غذا از منبع یافت شده می‌کنند.
زنبور کارگر با شهد به کندو باز می‌گردد و بار شهد خود را خالی می‌کند. پس از خالی کردن آن، می‌تواند مستقیما به منبع کشف شده خود باز گردد یا اطلاعاتی که درباره منبع غذاییش دارد را با اجرای یک رقص گردون در ناحیه رقص به اشتراک بگذارد.
اگر یک منبع غذایی خالی شد، زنبوران کارگر به دیده‌بان مبدل شده و به جست و جوی تصادفی برای منابع غذایی می‌پردازند.
زنبورهای ناظر در کندو منتظر مانده و زنبورهای کارگر را در منابع غذایی گردآوری کرده‌شان مورد نظارت قرار می‌دهند و از میان منابع غذایی موجود با بیشترین سود، یک منبع را انتخاب می‌کنند.
انتخاب منابع غذایی متناسب با کیفیت آن منبع (مقدار تناسب) است.

برای درک الگوریتم زنبور عسل در متلب توضیح کامل این الگوریتم را می توانید در همین سایت از مقاله ای کامل تحت عنوان الگوریتم کلونی زنبور عسل Artificial Bee Colony Algorithm مطالعه فرمایید.

سورس کد الگوریتم زنبور عسل در متلب

سورس کد الگوریتم زنبور عسل مصنوعی در GUI Matlab شامل سه الگوریتم زنبور عسل (Artificial Bee Colony, Standard Bees Algorithm, Probabilistic Bees Algorithm) است.

Artificial Bee Colony
Standard Bees Algorithm
Probabilistic Bees Algorithm

تابع Main در واقع کد اصلی برنامه می باشد و بقیه فراخوانی ها از آنجا انجام می شود. سه الگوریتم Artificial Bee Colony, Standard Bees Algorithm, Probabilistic Bees Algorithm نیز در نموداری طبق شکل و ویدئوی معرفی محصول از لحاظ کارایی باهم مقایسه شده اند. همچنین این برنامه با 6 تابع تست ارائه شده است. توابع تست برای ارزیابی الگوریتم های بهینه سازی بکار می روند که در این سایت برای توضیحات بیشتر در مورد توابع تست الگوریتم های بهینه سازی مقاله ای آماده کردیم. توابع تست این پروژه عبارتند از :

تابع SPHERE
تابع ACKLEY
تابع SUM SQUARES
تابع ROSENBROCK
تابع SUM OF DIFFERENT POWERS
تابع ZAKHAROV

توابع زیادی برای تست عملکرد الگوریتم های بهینه سازی وجود دارد که در اینجا ما به این 6 تابع اکتفا کرده ایم. همچنین لازم به ذکر است که برای اجرای الگوریتم بهینه سازی روی مسئله مورد نظر تابع هزینه یا Cost Function آن تغییر خواهد کرد و بقیه الگوریتم دست نخورده باقی می ماند بنابراین برای اجرای الگوریتم زنبور عسل در متلب برای بهینه سازی مسئله خودتان تابع هزینه خود را بر اساس پارامترهای مسئله خود تعریف کنید.

قسمتی از سورس کد

for it=1:MaxIt
    
    % Recruited Bees
    for i=1:nPop
        
        % Choose k randomly, not equal to i
        K=[1:i-1 i+1:nPop];
        k=K(randi([1 numel(K)]));
        
        % Define Acceleration Coeff.
        phi=a*unifrnd(-1,+1,VarSize);
        
        % New Bee Position
        newbee.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);
        
        % Evaluation
        newbee.Cost=CostFunction(newbee.Position);
        
        % Comparision
        if newbee.Cost<=pop(i).Cost
            pop(i)=newbee;
        else
            C(i)=C(i)+1;
        end
        
    end
    
    % Calculate Fitness Values and Selection Probabilities
    F=zeros(nPop,1);
    MeanCost = mean([pop.Cost]);
    for i=1:nPop
        F(i) = exp(-pop(i).Cost/MeanCost); % Convert Cost to Fitness
    end
    P=F/sum(F);
    
    % Onlooker Bees
    for m=1:nOnlooker
        
        % Select Source Site
        i=RouletteWheelSelection(P);
        
        % Choose k randomly, not equal to i
        K=[1:i-1 i+1:nPop];
        k=K(randi([1 numel(K)]));
        
        % Define Acceleration Coeff.
        phi=a*unifrnd(-1,+1,VarSize);
        
        % New Bee Position
        newbee.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);
        
        % Evaluation
        newbee.Cost=CostFunction(newbee.Position);
        
        % Comparision
        if newbee.Cost<=pop(i).Cost
            pop(i)=newbee;
        else
            C(i)=C(i)+1;
        end
        
    end
    
    % Scout Bees
    for i=1:nPop
        if C(i)>=L
            pop(i).Position=unifrnd(VarMin,VarMax,VarSize);
            pop(i).Cost=CostFunction(pop(i).Position);
            C(i)=0;
        end
    end
    
    % Update Best Solution Ever Found
    for i=1:nPop
        if pop(i).Cost<=BestSol.Cost
            BestSol=pop(i);
        end
    end
    
    % Store Best Cost Ever Found
    BestCost(it)=BestSol.Cost;
    
    % Display Iteration Information
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
    
end

for it=1:MaxIt

% Recruited Bees

for i=1:nPop

% Choose k randomly, not equal to i

K=[1:i-1 i+1:nPop];

k=K(randi([1 numel(K)]));

% Define Acceleration Coeff.

phi=a*unifrnd(-1,+1,VarSize);

% New Bee Position

newbee.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);

% Evaluation

newbee.Cost=CostFunction(newbee.Position);

% Comparision

if newbee.Cost<=pop(i).Cost

pop(i)=newbee;

else

C(i)=C(i)+1;

end

% Calculate Fitness Values and Selection Probabilities

F=zeros(nPop,1);

MeanCost = mean([pop.Cost]);

for i=1:nPop

F(i) = exp(-pop(i).Cost/MeanCost); % Convert Cost to Fitness

end

P=F/sum(F);

% Onlooker Bees

for m=1:nOnlooker

% Select Source Site

i=RouletteWheelSelection(P);

% Choose k randomly, not equal to i

K=[1:i-1 i+1:nPop];

k=K(randi([1 numel(K)]));

% Define Acceleration Coeff.

phi=a*unifrnd(-1,+1,VarSize);

% New Bee Position

newbee.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);

% Evaluation

newbee.Cost=CostFunction(newbee.Position);

% Comparision

if newbee.Cost<=pop(i).Cost

pop(i)=newbee;

else

C(i)=C(i)+1;

end

% Scout Bees

for i=1:nPop

if C(i)>=L

pop(i).Position=unifrnd(VarMin,VarMax,VarSize);

pop(i).Cost=CostFunction(pop(i).Position);

C(i)=0;

end

% Update Best Solution Ever Found

for i=1:nPop

if pop(i).Cost<=BestSol.Cost

BestSol=pop(i);

end

% Store Best Cost Ever Found

BestCost(it)=BestSol.Cost;

% Display Iteration Information

disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);

end

تصاویر خروجی محصول

الگوریتم زنبور عسل در متلب Bee algorithm

ویدئوی معرفی محصول

درباره محصول

سورس کد سورس الگوریتم زنبور عسل در متلب در محیط Matlab 2014b نوشته و اجرا شده است این سورس کد توسط تیم پشتیبانی پی استور تست و اجرا شده است. کیفیت محصول توسط پی استور تضمین می شود و محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری فرمایید به محض خرید لینک دانلود در دسترس خواهد بود.

1 دیدگاه برای سورس کد الگوریتم زنبور عسل در متلب

امتیاز 5 از 5
programstore – ۱۳۹۸/۰۱/۱۰
نظرات و پیشنهادات خود را با ما در میان بگذارید.
برای پاسخ وارد شوید

دیدگاه خود را بنویسید

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.

اطلاعات فروشنده

نام فروشگاه: پی استور
فروشنده: پی استور
آدرس: خیابان فردوس - بن بست فردوس 1 - پلاک 105
آذربایجان شرقی
5451358816
4.94 4.94 امتیاز از 237 دیدگاه

سورس کد الگوریتم زنبور عسل در متلب

سورس کد الگوریتم زنبور عسل در متلب

الگوریتم زنبور عسل Bee Algorithm

سورس کد الگوریتم زنبور عسل در متلب

قسمتی از سورس کد

تصاویر خروجی محصول

ویدئوی معرفی محصول

درباره محصول

1 دیدگاه برای سورس کد الگوریتم زنبور عسل در متلب

اطلاعات فروشنده

دیگر محصولات این فروشنده

روش‌های تشخیص اسپم و فیلترینگ آن

تعیین درخت پوشای مینیمم با الگوریتم CMAES در متلب

پیاده سازی الگوریتم ژنتیک باينري Binary در متلب

تعیین درخت پوشای مینیمم با الگوریتم پریم در پایتون Python