شبیه سازی شکار در الگوریتم گرگ خاکستری GWO در متلب

در این پست سورس کد شبیه سازی شکار در الگوریتم گرگ خاکستری GWO در متلب قرار داده شده است. بسیاری از کدهایی که در سایت های مختلف قرار دارد بر اساس توابع تست الگوریتم گرگ خاکستری را توضیح و تشریح می دهند. برای اینکه مسئله الگوریتم گرگ خاکستری واضح و بصورت گرافیکی در طول اجرای الگوریتم حمله گرگ ها بدرستی نشان داده شود از یک طعمه فرضی استفاده کردیم و در هر تکرار گرگ ها به طعمه نزدیک و نزدیکتر می شوند. در واقع این سورس کد حمله واقعی گرگ ها به طعمه در الگوریتم را نشان می دهد. در ضمن مقاله ای کامل با عنوان الگوریتم گرگ خاکستری در همین سایت آماده کرده ایم که می توانید مطالعه کنید.

الگوریتم گرگ خاکستری چیست؟

الگوریتم گرگ خاکستری GWO یک الگوریتم متاهیورستیک یا فرا ابتکاری است است و برای مسائل بهینه سازی از آن استفاده می شود. که از ساختار سلسله مراتبی hieratical و رفتار اجتماعی گرگ های خاکستری در هنگام شکار کردن و حمله به طعمه الهام گرفته است. این الگوریتم مبتنی بر جمعیت Population-Based بوده، روال ساده ای دارد. در هر گله از گرگ ها برای شکار کردن ۴ درجه وجود دارد که مانند شکل زیر به صورت یک ساختار هرمی مدل می شود.

سلسله مراتب گرگ های خاکستری

گرگ های رهبر گروه alpha نامیده می شوند که می توانند مذکر یا مونث باشند. این گرگ ها بر گله تسلط دارند
گرگ های beta: کمک به گرگ های alpha در فرایند تصمیم گیری بوده و همچنین مستعد انتخاب شدن به جای آن ها هستند.
گرگ های delta: پایین تر از گرگ های beta و شامل گرگ های پیر، شکارچی ها و گرگ های مراقبت کننده از نوزادان
گرگ های omega: پایین ترین مرتبه در هرم سلسله مراتب که کمترین حق را نسبت به بقیه اعضای گروه دارند. بعد از همه غذا می خورند و در فرایند تصمیم گیری مشارکتی ندارند.

روش شکار در گرگ های خاکستری :

شامل ۳ مرحله اصلی است:

مشاهده شکار، ردیابی و تعقیب آن (tracking and approaching)
نزدیک شدن، احاطه کردن (حلقه زدن) به دور شکار و گمراه کردن آن تا زمانی که از حرکت باز بماند (Pursing and encircling)
حمله به شکار (attacking)

در این سورس کد ساختار سلسله مراتبی و رفتار اجتماعی گرگ ها در حین فرآیند شکار به صورت ریاضی مدل شده و برای طراحی الگوریتمی برای بهینه سازی مورد استفاده قرار گرفته است.

بهینه سازی با استفاده از گرگ های alpha, beta و delta انجام می شود. یک گرگ به عنوان alpha هدایت کننده اصلی الگوریتم فرض می شود و یک گرگ beta و delta نیز مشارکت دارند و بقیه گرگ ها به عنوان دنبال کننده آن ها محسوب می شوند. گرگ های خاکستری توانایی تخمین موقعیت شکار را دارند. برای مدل سازی این فرایند مراحل زیر را ببینید:

در جستجوی اولیه هیچ ایده ای در مورد موقعیت شکار نداریم. فرض می شود گرگ های alpha, beta, delta دانش اول بهتری در خصوص موقعیت شکار (نقه بهینه جواب) دارند.

وقتی شکار توسط گرگ ها احاطه شده و از حرکت بایستد حمله به رهبری گرگ alpha شروع می شود. مدل کدن این فرایند با استفاده از کاهش بردار a انجام می شود. از آنجا که A برداری تصادفی در بازه [-۲a,2a] است، با کاهش a، بردار ضرایب A هم کاهش می یابد. اگر |A|<1 باشد، گرگ alpha به شکار ( و بقیه گرگ ها) نزدیک می شود و اگر |A|>1 گرگ از شکار ( و بقیه گرگ ها) دور خواهد شد. الگوریتم گرگ خاکستری الزام دارد که تمام گرگ ها موقعت خود را برحسب موقعیت گرگ های alpha, beta, delta آپدیت کنند.

مرحله جستجو

مرحله جستجو پروسه ای دقیقا عکس فرایند حمله دارد: در هنگام جستجو گرگ ها از یکدیگر دور می شوند تا شکار را ردیابی کنند (|A|>1) در حالی ک.ه پس از ردیابی شکار، گرگ ها در فاز حمله به یکدیگر نزدیک می شوند (|A|<1). به این پروسه واگرایی در جستجو – همگرایی در حمله می گویند.

Exploration: |A|>1

Exploitation: |A|<1

نقش بردار C: بردار C به عنوان موانع موجود در طبیعت که نزدیک شدن گرگ ها به شکار را کند می کنند در نظر گرفته می شود. بردار C به شکار وزن داده و ان را برای گرگ ها غیر قابل دستیابی تر می کند. این بردار برخلاف a به صورت خطی از ۲ تا صفر کاهش نمی یابد.

ترتیب الگوریتم

برازندگی کلیه جواب ها محاسبه شده و سه جواب برتر به عنوان alpha, beta, deltaتا پایان الگوریتم انتخاب می شوند.
در هر تکرار سه جواب برتر (گرگ های alpha, beta, delta) قابلیت تخمین موقعیت شکار را داشته و این کار را در هر iteration با استفاده از رابطه زیر انجام می دهند:

در هر تکرار بعد از تعیین موقعیت گرگ های alpha, beta, delta، آپدیت موقعیت بقیه جواب ها با تبعیت از آن ها انجام می شود.
در هر تکرار بردار a (و به تبع آن A) و C آپدیت می شوند.
در پایان تکرارها موقعیت گرگ alpha به عنوان نقطه بهینه معرفی می شود.

برای دریافت سورس کامل محصول لطفا آن را خریداری کنید.

قسمت هایی از سورس کد

clc;
clear;
close all;

h = figure(1); 
axis square; axis([0 100 0 100]); grid on; 
title('Use the left click (First Click Pos Prey other Whales)');
xlabel('Press a right click for exitting');
      
%% Input postion of Whales and Prey
exit = 0; X = cat(1); Y = cat(1); count=0;
while exit == 0
  [x, y, button] = ginput(1);     % Mouse input
  if(button == 3), exit = 1;      % Right click
   else    % Storing the coordinates
  
    if count==0
       Xprey = x;
       Yprey = y;
       plot(Xprey,Yprey,'ks','MarkerSize',12,'MarkerFaceColor',[1 0 1]);
     else
       X(length(X)+1) = x;
       Y(length(Y)+1) = y;
       plot(X,Y,'ro','MarkerSize',8,'MarkerFaceColor',[0 0 1]);
    end
    hold on;
    axis square; axis([0 100 0 100]); grid on; 
    title('Use the left click (First Click Pos Prey other Whales)');
    xlabel('Press a right click for exitting');
    count=count+1;
  end
end
hold off; close(h);


plot(Xprey,Yprey,'ks','MarkerSize',12,'MarkerFaceColor',[1 0 1]);
hold on;
plot(X,Y,'ro','MarkerSize',8,'MarkerFaceColor',[0 0 1]);

%% set GWO parametr
Costfunction=@(position,xprey,yprey) distance(position,xprey,yprey);
Max_iter=500; % Maximum numbef of iterations

dim=2;
lb=0;
ub=100;

%% % initialize alpha, beta, and delta_pos
Alpha_pos=zeros(1,dim);
Alpha_score=inf; %change this to -inf for maximization problems

Beta_pos=zeros(1,dim);
Beta_score=inf; %change this to -inf for maximization problems

Delta_pos=zeros(1,dim);
Delta_score=inf; %change this to -inf for maximization problems

clc;

clear;

close all;

h = figure(1);

axis square; axis([0 100 0 100]); grid on;

title('Use the left click (First Click Pos Prey other Whales)');

xlabel('Press a right click for exitting');

%% Input postion of Whales and Prey

exit = 0; X = cat(1); Y = cat(1); count=0;

while exit == 0

[x, y, button] = ginput(1); % Mouse input

if(button == 3), exit = 1; % Right click

else % Storing the coordinates

if count==0

Xprey = x;

Yprey = y;

plot(Xprey,Yprey,'ks','MarkerSize',12,'MarkerFaceColor',[1 0 1]);

else

X(length(X)+1) = x;

Y(length(Y)+1) = y;

plot(X,Y,'ro','MarkerSize',8,'MarkerFaceColor',[0 0 1]);

end

hold on;

axis square; axis([0 100 0 100]); grid on;

title('Use the left click (First Click Pos Prey other Whales)');

xlabel('Press a right click for exitting');

count=count+1;

end

hold off; close(h);

plot(Xprey,Yprey,'ks','MarkerSize',12,'MarkerFaceColor',[1 0 1]);

hold on;

plot(X,Y,'ro','MarkerSize',8,'MarkerFaceColor',[0 0 1]);

%% set GWO parametr

Costfunction=@(position,xprey,yprey) distance(position,xprey,yprey);

Max_iter=500; % Maximum numbef of iterations

dim=2;

lb=0;

ub=100;

%% % initialize alpha, beta, and delta_pos

Alpha_pos=zeros(1,dim);

Alpha_score=inf; %change this to -inf for maximization problems

Beta_pos=zeros(1,dim);

Beta_score=inf; %change this to -inf for maximization problems

Delta_pos=zeros(1,dim);

Delta_score=inf; %change this to -inf for maximization problems

ویدئوی معرفی محصول

بیشتر بدانید

فیلم آموزشی الگوریتم گرگ خاکستری GWO در متلب

حل مسئله فروشنده دوره گرد TSP با الگوریتم گرگ خاکستری GWO در متلب

درباره محصول

سورس کد شبیه سازی شکار در الگوریتم گرگ خاکستری GWO 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 شبیه سازی شکار در الگوریتم گرگ خاکستری GWO در متلب

امتیاز 5 از 5
programstore – 2019/09/22
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
4.95 4.95 امتیاز از 186 دیدگاه

شبیه سازی شکار در الگوریتم گرگ خاکستری GWO در متلب