در این بخش به تشریح سورس کد الگوریتم ژنتیک باينری در متلب پرداخته شده است. الگوریتم ژنتیک یکی از الگوریتم های پرکاربرد و محبوب برای حل مسائل سخت می باشد و به وفور از الگوریتم ژنتیک باینری استفاده می شود. مفهوم آسان و قابل درک این الگوریتم آن را به عنوان الگوریتم پرکاربرد در زمینه های الگوریتم های تکاملی بدل کرده است در ادامه توضیحات کاملی درباره الگوریتم ژنتیک باینری ارائه می شود.
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 ژنتیک
الگوریتم ژنتیک روشی برای بهینه سازی با جستجوی وسیع است و کارکرد آن بر اصول انتخاب طبیعی حاکم بر ژنتیک طبیعی استوار است. ایده این الگوریتم از نظریه تکامل داروین الهام گرفته شده است. اگرچه این الگوریتم روشی برای جستجوی تصادفی است، ویژگی های خاص آن موجب می شود که نتوان آن را یک جستجوی تصادفی ساده قلمداد کرد. در این الگوریتم اطلاعات تاریخی از چگونگی تکامل، به شکلی کارا استخراج شده و در روند جستجو استفاده می شود. الگوریتم ژنتیک روشی قدرتمند بوده و بر روی دسته وسیعی از مسائل بهخوبی عمل می کند.
الگوریتم ژنتیک واقعی که بر اساس ایده ی تکامل بیولوژیکی در طبیعت عمل می نمایند، بر روی جمعیتی از راه حل های بالقوه یا کروموزوم ها که هر یک می توانند بهعنوان پاسخی از مسئله تلقی شوند، با اعمال عملگرهای ژنتیکی به جستجوی راه حل نهایی می پردازند. در الگوریتم ژنتیکی، بسیاری از مکانیزم هایی که در زیست شناسی وجود دارد، نظیر انتخاب ژن برتر، ترکیب ژن ها، جهش ژن ها، مهاجرت افراد جمعیت، محلی بودن گونه ها و … شبیه سازی می شوند. در این الگوریتم ها، جستجو بر روی مجموعه هایی از راه حل ها بهصورت موازی انجام می شود، درحالیکه در روش های سنتی جستجو بهصورت ترتیبی است.
سورس کد الگوریتم ژنتیک باينری در متلب
%% Main Loop for it=1:MaxIt % Calculate Selection Probabilities if UseRouletteWheelSelection P=exp(-beta*Costs/WorstCost); P=P/sum(P); end % Crossover popc=repmat(empty_individual,nc/2,2); for k=1:nc/2 % Select Parents Indices if UseRouletteWheelSelection i1=RouletteWheelSelection(P); i2=RouletteWheelSelection(P); end if UseTournamentSelection i1=TournamentSelection(pop,TournamentSize); i2=TournamentSelection(pop,TournamentSize); end if UseRandomSelection i1=randi([1 nPop]); i2=randi([1 nPop]); end % Select Parents p1=pop(i1); p2=pop(i2); % Perform Crossover [popc(k,1).Position, popc(k,2).Position]=Crossover(p1.Position,p2.Position); % Evaluate Offsprings popc(k,1).Cost=CostFunction(popc(k,1).Position); popc(k,2).Cost=CostFunction(popc(k,2).Position); end popc=popc(:); % Mutation popm=repmat(empty_individual,nm,1); for k=1:nm % Select Parent i=randi([1 nPop]); p=pop(i); % Perform Mutation popm(k).Position=Mutate(p.Position,mu); % Evaluate Mutant popm(k).Cost=CostFunction(popm(k).Position); end % Create Merged Population pop=[pop popc popm]; %#ok % Sort Population Costs=[pop.Cost]; [Costs, SortOrder]=sort(Costs); pop=pop(SortOrder); % Update Worst Cost WorstCost=max(WorstCost,pop(end).Cost); % Truncation pop=pop(1:nPop); Costs=Costs(1:nPop); % Store Best Solution Ever Found BestSol=pop(1); % Store Best Cost Ever Found BestCost(it)=BestSol.Cost; % Show Iteration Information disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]); end
ویدئوی معرفی محصول
درباره سورس کد الگوریتم ژنتیک باينری
سورس کد الگوریتم ژنتیک باينری در Matlab 2017 نوشته و اجرا شده است این سورس کد ( الگوریتم ژنتیک باینری ) 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.
مباحث مرتبط با الگوریتم ژنتیک
تاکنون 227 نفر این محصول را تهیه کرده اند و 3 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 39,000 تومان
تاریخ انتشار: | 13 بهمن 1397 |
---|---|
تاریخ بروزرسانی: | 3 مرداد 1398 |
حجم فایل: | 3.5 کیلوبایت |
فرمت فایل | m. در قالب متلب |
نسخه: | 1.0 |
شناسه اثر: | ندارد |
هماهنگی با: | Matlab 2017 و بالاتر |
3 بازخورد (مشاهده نظرات)
قیمت: 39,000 تومان
احمد
خیلی خوبه ممنون
مهسا
ممنون از پی استور عالیییی بود. فقط میشه الگوریتم ژنتیک نخبه گرا رو هم بزارید نمی دنم این الگوریتم چیه
مدیریت و پشتیبانی
پیاده سازی الگوریتم ژنتیک باينري BINARY در متلب به صورت کامل و روان ارائه دیگری از فروشگاه فایل پی استور. programstore.ir