Name: سورس کد الگوریتم CMAES برای حل مسئله فروشنده دوره گرد TSP در متلب
Brand: پی استور
SKU: 5772
Price: 25000 IRT
Availability: instock
Rating: 5.00 (1 reviews)

سورس کد الگوریتم CMAES برای حل مسئله فروشنده دوره گرد TSP در متلب

الگوریتم CMAES ( استراتژی تکاملی انطباق ماتریس کوواریانس ) یکی از الگوریتم های بهینه سازی برای حل مسائل سخت در علوم کامپیوتر مختلف می باشد که در این پست به تشریح و چگونگی عملکرد این الگوریتم برای حل مسئله فروشنده دوره گرد پرداخته می شود. الگوریتم CMA-ES از یک توزیع نرمال، نمونه‌گیری کرده و جمعیت جدید را به وجود می‌آورد. این الگوریتم تکاملی یک ماتریس کواریانس و یک بردار میانگین را از جمعیت تخمین می‌زند. قوانین مختلف به روز‌رسانی، ماتریس کواریانس تطبیق یافته‌ای را در هر نسل ایجاد می‌کند که در کیفیت جمعیت جدید و در نتیجه هدایت تکامل نقش مهمی دارد.

الگوریتم CMAES

این الگوریتم مخفف Covariance Matrix Adaptation Evolution Strategy به معنای استراتژی تکاملی انطباق ماتریس کوواریانس می باشد. دو اصل اصلی برای سازگاری پارامترهای توزیع جستجو در الگوریتم CMA-ES مورد استفاده قرار می گیرند.

ابتدا، یک اصل حداکثر احتمال maximum-likelihood، برای افزایش احتمال موفقیت راه حل های کاندید شده و مراحل جستجو در نظر گرفته می شود. متوسط توزیع به روز می شود به طوری که احتمال موفقیت پیشین موفق به راه حل های حداکثر می شود.

ماتریس کوواریانس توزیع (به طور تدریجی) به روز می شود به طوری که احتمال مراحل پیشین موفق جستجو افزایش می یابد. هر دو به روز رسانی را می توان به عنوان یک شیب طبیعی شناخت. همچنین، در نتیجه، CMA یک مولفه اصلی تکرار شده برای تجزیه و تحلیل مراحل جستجو موفق را در حالی که تمام محورهای اصلی را نگه می دارد انجام می دهد.

دوم، دو مسیر از زمان تکامل میانگین توزیع استراتژی ثبت شده، به نام مسیر جستجو یا تکامل می باشد. این مسیرها حاوی اطلاعات مهمی درباره همبستگی بین مراحل متوالی هستند.

به طور خاص، اگر مراحل متوالی در جهت مشابهی گرفته شود، مسیرهای تکاملی بلند می شوند. مسیرهای تکاملی از دو راه بهره برداری می شوند. یک راه برای روش انطباق ماتریس کوواریانس به جای مراحل موفقیت آمیز موفقیت آمیز استفاده می شود و باعث افزایش احتمال واریانس بسیار بیشتر جهت جهت مطلوب می شود. مسیر دیگر مورد استفاده برای کنترل اضافی اندازه گام است.

مسئله فروشنده دورگرد TSP

مساله فروشنده دوره گرد Travelling salesman problem یا به اختصار TSP مساله اي است که شرح آن خيلي آسان مي باشد. تعريف آن بدين صورت است که تعداد متناهي شهر با هزينه پيمايش بين هر جفت از آنها داده مي شود و هدف مساله اين است که يک فروشنده دوره گرد تمامي اين شهرها را به گونه اي ملاقات کند که هر يک از اين شهرها را فقط يک بارملاقات کرده و دوباره به شهر آغازين برگردد با اين شرط که با کمترين هزينه پيمايش اين کار را انجام دهد.

به طور کلي هدف پيدا کردن کم هزينه ترين تور براي ملاقات همه شهرها و بازگشت به شهر آغازين حرکت است. مساله فروشنده دوره گرد در شکل ساده و اختصاري با نام TSP شناخته مي شود. شکل 3- 1 يک نمونه جواب از مساله فروشنده دوره گرد که در سال 1591 براي 15 شهر از کشور آمريکا مطرح شد را نشان مي دهد که با روش شاخه وحد حل شد.

فروشنده دوره گرد TSP

سورس حل مسئله فروشنده دوره گرد TSP با الگوریتم CMAES در متلب

در این قسمت سورس برنامه حل مسئله فروشنده دوره گرد TSP با الگوریتم الگوریتم CMAES در متلب آماده شده است این سورس کد شامل 4 فایل می باشد که عبارتند از:

الگوریتمcmaes.m: فایل اصلی برنامه است و فراخوانی دیگر توابع و مقادیر پارامتر ها و الگوریتم الگوریتم CMAES در داخل این فایل قرار دارد.
CreateModel.m: برای ایجاد شهرهای فاصله و مختصات هر یک از شهرها از این تابع استفاده می شود.

function model=CreateModel()

    x=[82 91 12 92 63 9 28 55 96 97 15 98 96 49 12 92 63 9 28 55 96 97 15 98 80 14 42 92 80 96];
    
    y=[12 92 63 9 28 55 96 97 15 98 66 3 85 94 68 76 75 39 66 17 71 3 27 4 9 83 70 32 95 3];
    
    n=numel(x);
    
    D=zeros(n,n);
    
    for i=1:n-1
        for j=i+1:n
            
            D(i,j)=sqrt((x(i)-x(j))^2+(y(i)-y(j))^2);
            
            D(j,i)=D(i,j);
            
        end
    end
    
    model.n=n;
    model.x=x;
    model.y=y;
    model.D=D;

end

function model=CreateModel()

x=[82 91 12 92 63 9 28 55 96 97 15 98 96 49 12 92 63 9 28 55 96 97 15 98 80 14 42 92 80 96];

y=[12 92 63 9 28 55 96 97 15 98 66 3 85 94 68 76 75 39 66 17 71 3 27 4 9 83 70 32 95 3];

n=numel(x);

D=zeros(n,n);

for i=1:n-1

for j=i+1:n

D(i,j)=sqrt((x(i)-x(j))^2+(y(i)-y(j))^2);

D(j,i)=D(i,j);

end

model.n=n;

model.x=x;

model.y=y;

model.D=D;

end

PlotSolution.m: برای رسم مسیر های بین شهرها از این تابع استفاده می شود.

function PlotSolution(tour,model)

    tour=[tour tour(1)];
    
    plot(model.x(tour),model.y(tour),'k-s',...
        'MarkerSize',12,...
        'MarkerFaceColor','y',...
        'LineWidth',2);

end

function PlotSolution(tour,model)

tour=[tour tour(1)];

plot(model.x(tour),model.y(tour),'k-s',...

'MarkerSize',12,...

'MarkerFaceColor','y',...

'LineWidth',2);

end

TourLength.m: این تابع برای محاسبه طول مسیرهای یک تور یا یک پیمایش کامل شهرها بکار می رود.

function L=TourLength(tour,model)

    n=numel(tour);

    tour=[tour tour(1)];
    
    L=0;
    for i=1:n
        L=L+model.D(tour(i),tour(i+1));
    end

end

function L=TourLength(tour,model)

n=numel(tour);

tour=[tour tour(1)];

L=0;

for i=1:n

L=L+model.D(tour(i),tour(i+1));

end

برای دریافت سورس کامل محصول لطفا آن را خریداری کنید.

تصاویر خروجی محصول

الگوریتم CMAES فروشنده دوره گرد

ویدئوی معرفی محصول

درباره محصول

سورس برنامه حل مسئله فروشنده دوره گرد TSP با الگوریتم الگوریتم CMAES در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب 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.

1 دیدگاه برای سورس کد الگوریتم CMAES برای حل مسئله فروشنده دوره گرد TSP در متلب

امتیاز 5 از 5
programstore – ۱۳۹۸/۰۴/۱۴
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 229 دیدگاه

سورس کد الگوریتم CMAES برای حل مسئله فروشنده دوره گرد TSP در متلب