سورس کد الگوریتم شاهین هریس در پایتون

در این بخش سورس کد الگوریتم شاهین هریس در پایتون Python برای استفاده شما عزیزان کدنویسی شده و آماده دانلود است. الگوریتم شاهین هریس یا Harris Hawks Optimizer که به اختصار HHO نامیده می‌شود یک الگوریتم بهینه‌سازی مبتنی بر جمعیت و الهام‌گرفته از طبیعت است. این سورس کد در ۲ بخش فانکشنال و اسکریپتی می‌تواند برای استفاده در انواع مسائل بهینه سازی مورد استفاده قرار بگیرد.

الگوریتم شاهین هریس HHO

شاهین هریس پرنده‌ای شکاری است که به صورت گروهی زندگی می‌کنند. شاهین هریس به دلیل فعالیت‌های منحصر به فردش متمایز از سایر پرندگان شکاری است. این شکارچی، توانایی‌های مبتکرانه‌ای را در تعقیب در ردیابی، محاصره کردن، بیرون ریختن و در نهایت حمله به طعمه احتمالی را از خود نشان می‌دهد.  در این رفتار و استراتژی هوشمند، چندین شاهین با همکاری یکدیگر یک طعمه را از جهات مختلف مورد حمله قرار می‌دهند تا آن را غافلگیر کنند. از این رفتار شاهین‌های هریس برای به دام انداختن طعمه برای حل مسائل بهینه سازی استفاده شده است.

الگوریتم HHO دو مرحله اصلی اکتشاف (exploration) و بهره‌برداری (exploitation) را دارد و با الهام از جستجوی طعمه، حملات غافلگیرکننده و استراتژی‌های مختلف حمله مدل‌سازی می‌شود. الگوریتم شاهین هریس یک روش بهینه سازی مبتنی بر جمعیت و بدون گرادیان است. از این رو، می‌توان آن را برای هر مسئله بهینه سازی با یک فرمول مناسب اعمال کرد.

سورس کد الگوریتم شاهین هریس در پایتون

سورس کد الگوریتم HHO در پایتون شامل ۲ تابع و ۲ اسکریپت است که اسکریپت HHO.py در واقع کد اصلی برنامه می‌باشد و بقیه فراخوانی‌ها از آنجا انجام می‌شود. توابع تست برای این الگوریتم ۱۲ تابع می‌باشد که از معروف‌ترین آنها در زیر تعدادی را مشاهده می‌کنید.

• تابع  SPHERE
• تابع ACKLEY
• تابع SUM SQUARES
•  تابع ROSENBROCK
• تابع SUM OF DIFFERENT POWERS
• تابع ZAKHAROV
• تابع Rastrigin

توابع تست برای ارزیابی الگوریتم‌های بهینه سازی بکار می‌روند که در این سایت برای توضیحات بیشتر در مورد توابع تست الگوریتم‌های بهینه سازی مقاله ای آماده کردیم. توابع زیادی برای تست عملکرد الگوریتم‌های بهینه سازی وجود دارد که در اینجا ما به این ۷ تابع اکتفا کرده‌ایم ولی در سورس کد با ۱۲ نوع تابع مختلف (همانند مقاله) ارزیابی شده است 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 می‌ماند.

بنابراین برای اجرای الگوریتم HHO در پایتون برای بهینه سازی مسئله خودتان تابع هزینه خود را بر اساس پارامترهای مسئله خود تعریف کنید. ما این الگوریتم را بصورت فانکشنال هم تعریف کرده‌ایم و فایل HHO_Fun.py همان سورس کد الگوریتم شاهین هریس در پایتون است فقط بصورت تابع نوشته شده و طرز فراخوانی آن نیز در Main.py نشان داده شده است.

نمونه کد نوشته شده در Main.py

import HHO_Fun
import TestFun as fit
import matplotlib.pyplot as plt 

dim=30
SearchAgents_no=50
lb=-100
ub=100
Max_iter=100
objf=fit.F3;

Rabbit_Location,Rabbit_Energy,convergence_curve=HHO_Fun.HHO(objf,lb,ub,dim,SearchAgents_no,Max_iter)
# Data for plotting
plt.semilogy(convergence_curve)
plt.xlabel('Iteration') 
plt.ylabel('Cost') 
plt.title('Cost Function in Itterations') 
  
# function to show the plot 
plt.show()

***  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 پکیج‌های استفاده شده در این سورس کد numpy و matplotlib می‌باشد که اولی پکیج مربوط به استفاده از آرایه‌ها و ماتریس‌ها در پایتون و دومی مربوط به عملیات‌های نموداری و Plot گرفتن می‌باشد. پیشنهاد ما نصب اسپایدر (Spyder (Python 3.7 می‌باشد که هم پایتون و پکیج‌های مختلف و هم IDE‌های مختلفی را همراه با امکان آپدیتشان نصب می‌کند.

درباره سورس کد الگوریتم شاهین هریس در پایتون

سورس کد الگوریتم شاهین هریس در پایتون Python عنوان اثری است که در این پست به آن پرداخته شده است. اثر در پایتون و با IDE اسپایدر (Spyder (Python 3.7 نوشته شده و در IDEهای دیگر نیز قابل اجرا است. این اثر به صورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است و دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود آن را خریداری کنید.