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 می شود یک الگوریتم بهینه‌سازی مبتنی بر جمعیت و الهام‌گرفته از طبیعت است. این سورس کد در 2 بخش فانکشنال و اسکریپتی می تواند برای استفاده در انواع مسائل بهینه سازی مورد استفاده قرار بگیرد.

الگوریتم شاهین هریس HHO

شاهین هریس پرنده ای شکاری است که به صورت گروهی زندگی می کنند. شاهین هریس به دلیل فعالیت های 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 می دهند تا آن را غافلگیر کنند. از این رفتار شاهین های 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 می شود. الگوریتم شاهین هریس یک روش بهینه سازی مبتنی بر جمعیت و بدون گرادیان است. از این رو، می توان 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 2 تابع و 2 اسکریپت است که اسکریپت HHO.py در واقع کد اصلی برنامه می باشد و بقیه فراخوانی ها از آنجا انجام می شود. توابع تست برای این الگوریتم 12 تابع می باشد که از معروف ترین آنها در زیر تعدادی را مشاهده می کنید.

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

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 زیادی برای تست عملکرد الگوریتم های بهینه سازی وجود دارد که در اینجا ما به این 7 تابع اکتفا کرده ایم ولی در سورس کد با 12 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 کرده ایم 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()

ویدئوی معرفی و اجرا

***  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 پکیج های استفاده شده در این سورس کد numpy و matplotlib می باشد که اولی پکیج مربوط به استفاده از آرایه ها و ماتریس ها در پایتون و دومی مربوط به عملیات های نموداری و Plot گرفتن می باشد. پیشنهاد ما نصب اسپایدر (Spyder (Python 3.7 می باشد که هم پایتون و پکیج های مختلف و هم IDE های مختلفی را همراه با امکان آپدیتشان نصب می کند.

درباره سورس کد الگوریتم شاهین هریس در پایتون

سورس کد الگوریتم شاهین هریس در پایتون Python عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در پایتون و با IDE اسپایدر (Spyder (Python 3.7 نوشته شده و در IDE های دیگر نیز قابل اجرا است. این محصول به صورت 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.

محصولات مرتبط با این سورس کد