تخفیف نوروزی پی استور
هزینه سفارش:
۱۸۹,۰۰۰ تومان قیمت اصلی: ۱۸۹,۰۰۰ تومان بود.۷۵,۶۰۰ تومانقیمت فعلی: ۷۵,۶۰۰ تومان.
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.
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 ۲۰۰۵ توسط Dervis Karaboga، برای بهینهسازی ارائه شد. در این مدل، کلونی زنبور عسل مصنوعی دارای سه نوع زنبورهای کارگر، ناظر و دیدهبان 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 هر نقطه را در فضای پارامتری متشکل از پاسخهای ممکن به عنوان منبع غذا تحت بررسی قرار میدهد. زنبورهای دیدهبان به صورت تصادفی فضای پاسخها را ساده میکنند و به وسیلهی تابع شایستگی کیفیت موقعیتهای بازدید شده را گزارش میدهند.
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 نقطهی بیشینهی تابع شایستگی جستجو میکند.
رفتار هوشمند ناپایدار زنبورهای عسل را میتوان در چند گام زیر خلاصه کرد:
برای درک الگوریتم زنبور عسل در متلب توضیح کامل این الگوریتم را میتوانید در همین سایت از مقالهای کامل تحت عنوان الگوریتم کلونی زنبور عسل Artificial Bee Colony Algorithm مطالعه فرمایید.
سورس کد الگوریتم زنبور عسل مصنوعی در GUI Matlab شامل سه الگوریتم زنبور عسل (Artificial Bee Colony, Standard Bees Algorithm, Probabilistic Bees Algorithm) است.
تابع Main در واقع کد اصلی برنامه میباشد و بقیه فراخوانیها از آنجا انجام میشود. 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 شدهاند. همچنین این برنامه با ۶ تابع تست ارائه شده است.
توابع تست برای ارزیابی الگوریتمهای بهینه سازی بکار میروند که در این سایت برای توضیحات بیشتر در مورد توابع تست الگوریتمهای بهینه سازی مقاله ای آماده کردیم. توابع تست این پروژه عبارتند از :
توابع زیادی برای تست عملکرد الگوریتمهای بهینه سازی وجود دارد که در اینجا ما به این ۶ تابع اکتفا کردهایم. 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 میماند بنابراین برای اجرای الگوریتم زنبور عسل در متلب برای بهینه سازی مسئله خودتان تابع هزینه خود را بر اساس پارامترهای مسئله خود تعریف کنید.
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
سورس کد 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 اثر توسط پی استور تضمین میشود و دارای نشان تضمین کیفیت پی استور میباشد. برای دانلود اثر آن را خریداری فرمایید به محض خرید لینک دانلود در دسترس خواهد بود.
تیم برنامه نویسی پی استور یکی از اولین گروههای تشکیل شده در مجموعه آموزشی پی استور میباشد. این تیم از اساتید مجرب و فارغ التحصیلان رشتههای فنی و مهندسی تشکیل شده که در زمینههای مختلف برنامهنویسی و تهیه سورس کد فعال هستند.
نام اثر: | سورس کد الگوریتم زنبور عسل در متلب |
نوع اثر: | سورس کد |
برنامهنویس: | تیم برنامهنویسی پیاستور |
زبان برنامه نویسی: | Matlab |
ویژگی: | قابل دانلود و ویرایش |
توجه: کیفیت این محصول توسط پی استور تضمین شده و در صورت عدم رضایت از محصول، به انتخاب شما:
هزینه سفارش:
۱۸۹,۰۰۰ تومان قیمت اصلی: ۱۸۹,۰۰۰ تومان بود.۷۵,۶۰۰ تومانقیمت فعلی: ۷۵,۶۰۰ تومان.
نظرات
مدیریت و پشتیبانی
نظرات و پیشنهادات خود را با ما در میان بگذارید.