Name: سورس کد الگوریتم پیروزی JAYA در پایتون Python همراه با 23 تابع تست - پی استور
SKU: 9212
Price: 28000 IRT
Availability: InStock
Rating: 5.00 (1 reviews)

در این بخش سورس کد الگوریتم پیروزی JAYA در پایتون Python قرار گرفته شده است. این سورس کد به زبان پایتون Python برای الگوریتم بهینه سازی الگوریتم JAYA در پایتون Python کد نویسی شده است. نام این الگوریتم از زبان سانسکریت برگرفته شده است و به معنای پیروزی یا victory می باشد. الگوریتم JAYA فرآیند ساده ای برای تعیین جواب های احتمالی خوب دارد و آن هم نزدیک شدن به جواب های خوب Best و دور شدن از جواب های بد worst است.

الگوریتم JAYA در پایتون

در این قسمت سورس کد الگوریتم JAYA 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.
JAYA.py: فایل اصلی برای اجرای الگوریتم JAYA 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

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

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

* 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 Anaconda می باشد که هم پایتون و پکیج های مختلف و هم IDE های مختلفی را همراه با امکان آپدیتشان نصب می کند. ما این سورس کد را با IDE اسپایدر (Spyder (Python 3.8 نوشته و اجرا کرده ایم.

ویدئوی معرفی

درباره محصول

الگوریتم پیروزی JAYA 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.

امین جلیل زاده(مدیریت)
19 دی 1399
نمره 5 از 5

پاسخ

نظرات و پیشنهادات خود را با در میان بگذارید.

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.

لغو پاسخ

اطلاعات فروشنده

نام فروشگاه: مرتضی نصیر اقدم
فروشنده: مرتضی نصیر اقدم
آدرس: تهران
4.93 4.93 امتیاز از 40 دیدگاه

الگوریتم رمزگذاری و رمزگشایی SDES در سی شارپ #C

قسمت هایی از سورس کد توابع محک

* توجه *

ویدئوی معرفی

درباره محصول

امین جلیل زاده(مدیریت)

قوانین ثبت دیدگاه

لغو پاسخ

اطلاعات فروشنده

الگوریتم رمزگذاری و رمزگشایی SDES در سی شارپ #C

مرتضی نصیر اقدم

پاورپوینت الگوریتم جستجوی هارمونی Harmony Search Algorithm

مرتضی نصیر اقدم

پاورپوینت الگوریتم شبیه ساز حرارتی SA

مرتضی نصیر اقدم

پاورپوینت الگوریتم جستجوی بهینه ساز عقب گرد BSO

مرتضی نصیر اقدم

بازی دوز XO تحت شبکه در سی شارپ #C

مرتضی نصیر اقدم

پاورپوینت الگوریتم جستجوی فاخته CS

مرتضی نصیر اقدم

محصولات مشابه

الگوریتم بهینه سازی قورباغه در متلب

امین جلیل زاده

سورس کد الگوریتم گرگ خاکستری بهبود یافته IGWO در متلب

امین جلیل زاده

شبیه سازی شکار در الگوریتم گرگ خاکستری GWO در متلب

امین جلیل زاده

فیلم آموزشی کد الگوریتم وال بهبود یافته LXWOA در متلب

امین جلیل زاده

تعیین درخت پوشای مینیمم با الگوریتم CMAES در متلب

امین جلیل زاده

مرتضی نصیر اقدم

الگوریتم پیروزی JAYA در پایتون Python

الگوریتم JAYA در پایتون

قسمت هایی از سورس کد توابع محک

*** توجه ***

ویدئوی معرفی

درباره محصول

امین جلیل زاده(مدیریت)

قوانین ثبت دیدگاه

اطلاعات فروشنده

محصولات مشابه

مرتضی نصیر اقدم

* توجه *