Name: حل مسئله فروشنده دوره گرد TSP با الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی BBO در متلب
Brand: پی استور
SKU: 7198
Price: 22000 IRT
Availability: instock
Rating: 5.00 (1 reviews)

حل مسئله فروشنده دوره گرد TSP با الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی BBO در متلب

در این پست حل مسئله فروشنده دوره گرد TSP با الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی BBO در متلب قرار داده شده است. الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی یا همان الگوریتم BBO در سال 2008 توسط Dan Simon در ژورنال IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. 12, NO. 6, DECEMBER 2008 مطرح شد. در این الگوریتم، از چگونگی انتشار گونه های جانداران در زیستگاه های متعدد الهام گرفته شده است. در ادامه به تشریح حل مسئله فروشنده دوره گرد TSP با الگوریتم Biogeography Based Optimization به اختصار BBO در متلب پرداخته خواهد شد.

الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی BBO

الگوریتم BBO یک الگوریتم مبتنی بر جمعیت است و جزو الگوریتم های بهینه سازی و فرا ابتکاری که از چگونگی انتشار گونه های جانداران در زیست گاه های متعدد الهام گرفته شده است. با ارائه مدلی احتمالی برای چگونگی مهاجرت گونه های مختلف در زیستگاه ها، مدل ریاضی استخراج شده است که نهایتا منجر به ایجاد مدل بهینه سازی جدیدی می شود که در الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی استفاده شده است. در ادامه توضیحاتی درباره الگوریتم داده می شود. الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی یا همان الگوریتم BBO در سال 2008 توسط Dan Simon مطرح شد.

در این الگوریتم، از چگونگی انتشار گونه های جانداران در زیستگاه های متعدد الهام گرفته شده است. با ارائه مدلی احتمالی برای چگونگی مهاجرت گونه در زیستگاه ها، مدل ریاضی استخراج شده است که نهایتاً منجر به ایجاد مدل بهینه سازی جدیدی شده است که در BBO استفاده شده است.

الگوریتم جغرافیای زیستی یک روش تکاملی مبتنی بر جمعیت یا population based می باشد که از پدیده مهاجرت حیوانات و پرندگان بین مکان های مختلف الهام گرفته شده است. در حقیقت، جغرافیای زیستی مطالعه نحوه توزیع جغرافیایی گونه های مختلف جانوری می باشد. در این روش جزایری که مکان مناسبی برای زیست باشند دارای شایستگی بالا برای اسکان هستند که از ویژگی های بارندگی، تنوع گیاهی، خاک منطقه، دما و … تبعیت می کنند. در این روش هر زیستگاه دارای نرخ مهاجرت به داخل و نرخ مهاجرت به خارج متفاوت می باشند که فرایند جستجو برای جواب بهینه را کنترل می کنند.

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.

مسئله TSP با الگوریتم BBO

سورس کد حل مسئله فروشنده دوره گرد TSP با الگوریتم BBO در متلب

در این قسمت سورس برنامه حل مسئله فروشنده دوره گرد TSP با الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی BBO در متلب آماده شده است این سورس کد شامل 5 فایل می باشد که عبارتند از:

main.m: فایل اصلی برنامه است و فراخوانی دیگر توابع و مقادیر پارامتر ها و الگوریتم BBOدر 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 [z sol]=MyCost(s,model) 
 
    d=model.d; 
 
    [~, tour]=sort(s); 
    sol.tour=tour; 
     
    n=numel(tour); 
     
    tour=[tour tour(1)]; 
     
    L=0; 
    for i=1:n 
        L=L+d(tour(i),tour(i+1)); 
    end 
     
    sol.L=L; 
     
    z=L; 
 
end

function [z sol]=MyCost(s,model)

d=model.d;

[~, tour]=sort(s);

sol.tour=tour;

n=numel(tour);

tour=[tour tour(1)];

L=0;

for i=1:n

L=L+d(tour(i),tour(i+1));

end

sol.L=L;

z=L;

end

RouletteWheelSelection.m: این تابع برای انتخاب احتمال مهاجرت با استفاده از چرخه رولت استفاده می شود.

برای دریافت سورس کامل محصول لطفا آن را خریداری کنید.

تصاویر خروجی محصول

فروشنده دوره گرد با الگوریتم جغرافیای زیستی

مسئله TSP با الگوریتم BBO

ویدئوی معرفی محصول

درباره محصول

سورس کد حل مسئله فروشنده دوره گرد TSP با الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی BBO 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.