Name: سورس کد الگوریتم کلونی مورچه پیوسته در متلب
Brand: پی استور
SKU: 5384
Price: 18000 IRT
Availability: instock
Rating: 5.00 (1 reviews)

سورس کد الگوریتم کلونی مورچه پیوسته در متلب

الگوریتم الگوریتم کلونی مورچه پیوسته در متلب عنوان موضوعی است که در این پست به آن پرداخته شده است. این الگوریتم با نام Ant Colony Optimization Continuous یا الگوریتم ACOR نیز نامیده می شود. در این مجموعه سعی می کنیم تا جزئیات بهتری از سورس کد الگوریتم کلونی مورچه پیوسته ACOR در متلب ارائه دهیم.

کد متلب الگوریتم مورچه

الگوریتم کلونی مورچگان یا الگوریتم بهینه سازی کلونی مورچه Ant Colony Optimization الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه هاست. این مطالعات نشان داده که مورچه‌ها حشراتی اجتماعی هستند که در کلونی‌ها زندگی می‌کنند و رفتار آنها بیشتر در جهت بقاء کلونی است تا درجهت بقاء یک جزء از آن. یکی از مهمترین و جالبترین رفتار مورچه‌ها، رفتار آنها برای یافتن غذا است و به ویژه چگونگی پیدا کردن کوتاهترین مسیر میان منابع غذایی و آشیانه.

الگوریتم کلونی مورچه (ACO)

الگوریتم بهینه سازی کلونی مورچگان تحت عنوان الگوریتم های هوش ازدحامی (هوش گروهی) شناخته شده و به مدل سازی رفتار مورچه های واقعی می پردازد. مورچه ها حشراتی هستند که می توانند گروه ها (کلونی ها) را شکل دهند. چنین رویکرد جمعیت محوری این امکان را برای الگوریتم ACO ایجاد می کند تا به حل مسائل بهینه سازی پویا به طور کاملا کارآمد بپردازد. مورچه ها به عنوان مخلوقات خودسازمانده می باشند. چنین ویژگی به عنوان هسته مسئله می باشد زیرا این ویژگی دقیقا همان چیزی است که باعث می شود حشرات به سرعت با شرایط متغیر محیطی شان به منظور دستیابی به اهداف از طریق تعامل سطح پایین، وفق یابند.

از آنجایی که مورچه ها اصلا چشم ندارند، تعاملات آن ها از طریق ماده شیمیایی فرومون Pheromone که از آن برای نشان گذاری مسیر استفاده می شود، انجام می گیرد. هرچه فرومن های بیشتری در مسیر قرار گیرد مابقی مورچه ها از این مسیر بیشتر استفاده می کنند؛ بنابراین، چنین کمیتی نشان می دهد که این مسیر به عنوان یکی از بهینه ترین و کوتاه ترین راه می باشد. اکنون نگاهی به یک نمونه عینی در شکل زیر می اندازیم. هدف پیدا کردن بهترین راه از نقطه آغازی N (آشیانه) به نقطه مقصد F (منبع غذا) می باشد.

کد الگوریتم مورچه

ممکن است این حدس زده شود که احتمال برای مورچه ای که مسیر درست را می پیماید برابر با همان احتمالی می باشد که مسیر اشتباه را انتخاب کند. نکته در اینجا اینست که مورچه ای که کوتاه ترین مسیر را می پیماید، اولین مورچه ای است که به نقطه مقصد رسیده و سپس به آشیانه ( نقطه مبدا حرکت) بر می گردد، بنابراین در این کوتاه ترین مسیر فرمون های بیشتری وجود دارد. از این رو فرمون دقیقا همان چیزی است که نشان می دهد که مورچه باید از چه مسیری برود و در پایان کوتاه ترین راه، بهترین مسیر می باشد. تبخیر شدن فرومون و احتمال-تصادفبه مورچه‌ها امکان پیدا کردن کوتاهترین مسیر را می‌دهد. این دو ویژگی باعث ایجاد انعطاف در حل هرگونه مسئله بهینه‌سازی می‌شوند.

مراحل الگوریتم کلونی مورچگان

مراحل الگوریتم کلونی مورچگان بصورت زیر است.

ارزش دهی مورچه ها (مقداردهی اولیه)
یافتن راه حل
بروز رسانی فررمون ها

توضیح کامل این الگوریتم را می توانید در همین سایت از مقاله ای کامل تحت عنوان الگوریتم کلونی مورچگان مطالعه فرمایید.

سورس کد الگوریتم کلونی مورچه پیوسته در متلب

سورس کد الگوریتم ACOR در Matlab شامل یک فایل با یک Script که در واقع کد اصلی برنامه می باشد و بقیه فراخوانی ها از آنجا انجام می شود. 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 مورچه در متلب برای بهینه سازی مسئله خودتان تابع هزینه خود را بر اساس پارامترهای مسئله خود تعریف کنید. در ادامه قسمت هایی از سورس کد الگوریتم کلونی مورچه پیوسته در Matlab آورده شده است.

for it=1:MaxIt
    
    % Means
    s=zeros(nPop,nVar);
    for l=1:nPop
        s(l,:)=pop(l).Position;
    end
    
    % Standard Deviations
    sigma=zeros(nPop,nVar);
    for l=1:nPop
        D=0;
        for r=1:nPop
            D=D+abs(s(l,:)-s(r,:));
        end
        sigma(l,:)=zeta*D/(nPop-1);
    end
    
    % Create New Population Array
    newpop=repmat(empty_individual,nSample,1);
    for t=1:nSample
        
        % Initialize Position Matrix
        newpop(t).Position=zeros(VarSize);
        
        % Solution Construction
        for i=1:nVar
            
            % Select Gaussian Kernel
            l=RouletteWheelSelection(p);
            
            % Generate Gaussian Random Variable
            newpop(t).Position(i)=s(l,i)+sigma(l,i)*randn;
            
        end
        
        % Evaluation
        newpop(t).Cost=CostFunction(newpop(t).Position);
        
    end
    
    % Merge Main Population (Archive) and New Population (Samples)
    pop=[pop
         newpop]; %#ok
     
    % Sort Population
    [~, SortOrder]=sort([pop.Cost]);
    pop=pop(SortOrder);
    
    % Delete Extra Members
    pop=pop(1:nPop);
    
    % Update Best Solution Ever Found
    BestSol=pop(1);
    
    % Store Best Cost
    BestCost(it)=BestSol.Cost;
    
    % Show Iteration Information
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
    
end

for it=1:MaxIt

% Means

s=zeros(nPop,nVar);

for l=1:nPop

s(l,:)=pop(l).Position;

end

% Standard Deviations

sigma=zeros(nPop,nVar);

for l=1:nPop

D=0;

for r=1:nPop

D=D+abs(s(l,:)-s(r,:));

end

sigma(l,:)=zeta*D/(nPop-1);

end

% Create New Population Array

newpop=repmat(empty_individual,nSample,1);

for t=1:nSample

% Initialize Position Matrix

newpop(t).Position=zeros(VarSize);

% Solution Construction

for i=1:nVar

% Select Gaussian Kernel

l=RouletteWheelSelection(p);

% Generate Gaussian Random Variable

newpop(t).Position(i)=s(l,i)+sigma(l,i)*randn;

end

% Evaluation

newpop(t).Cost=CostFunction(newpop(t).Position);

end

% Merge Main Population (Archive) and New Population (Samples)

pop=[pop

newpop]; %#ok

% Sort Population

[~, SortOrder]=sort([pop.Cost]);

pop=pop(SortOrder);

% Delete Extra Members

pop=pop(1:nPop);

% Update Best Solution Ever Found

BestSol=pop(1);

% Store Best Cost

BestCost(it)=BestSol.Cost;

% Show Iteration Information

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

end

ویدئوی معرفی محصول

درباره محصول

سورس کد الگوریتم کلونی مورچه پیوسته 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 کلونی مورچه پیوسته در متلب

امتیاز 5 از 5
programstore – ۱۳۹۸/۰۱/۰۸
نظرات و پیشنهادات خود را با ما درمیان 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 229 دیدگاه

سورس کد الگوریتم کلونی مورچه پیوسته در متلب

سورس کد الگوریتم کلونی مورچه پیوسته در متلب

الگوریتم کلونی مورچه (ACO)

مراحل الگوریتم کلونی مورچگان

سورس کد الگوریتم کلونی مورچه پیوسته در متلب

ویدئوی معرفی محصول

درباره محصول

1 دیدگاه برای سورس کد الگوریتم کلونی مورچه پیوسته در متلب

اطلاعات فروشنده

دیگر محصولات این فروشنده

تشخیص و شمارش چهره در متلب از وب کم

تعیین درخت پوشای مینیمم با الگوریتم پریم در سی پلاس پلاس

پیمایش درخت postorder در سی پلاس پلاس ++C

داکیومنت رمزنگاری تصویر با استفاده از تابع آشوب لجستیک سه بعدی