در این پست سورس کدی برای شما آماده کرده ایم که به مقایسه و تحلیل الگوریتم های بهینه سازی در متلب می پردازد. شاید مهم ترین سوال و دغدغه اکثر محققان در استفاده از الگوریتم های بهینه سازی و مخصوصاً الگوریتم های فرا ابتکاری یا Metaheuristic، انتخاب یک الگوریتم مناسب برای حل مسئله است. به طور قاطع نمی توان گفت برای حل یک مسئله کدام الگوریتم بهینه سازی یا متاهیورستیک مناسب است و فقط با مقایسه نتایج می توان ادعا کرد کدام الگوریتم روش بهتری را ارائه می کند. در ادامه به مقایسه 12 الگوریتم بهینه سازی می پردازیم.
برنامهنویس: تیم برنامه نویسی پی استور
متشکل از اساتید و فارغ التحصیلان رشته های فنی - مهندسی
تیم برنامه نویسی پی استور یکی از اولین گروه های تشکیل شده در مجموعه آموزشی پی استور می باشد. این تیم از اساتید مجرب و فارغ التحصیلان رشته های فنی و مهندسی تشکیل شده که در زمینه های مختلف برنامه نویسی و تهیه سورس کد فعال هستند.
فرآیند بهینه سازی
هدف از الگوریتم های بهینه سازی یافتن یک جواب قابل قبول، با توجه به محدودیت و نیاز مسئله است. در تعیین جواب یك مسئله، ممكن است جوابهای مختلفی برای آن وجود داشته باشد. برای مقایسه جواب های یک مسئله و انتخاب جواب بهینه، تابعی به نام تابع هدف یا تابع هزینه که Cost Function نیز نامیده می شود، تعریف میشود. انتخاب این تابع به ماهیت مسئله وابسته است. به عنوان مثال، زمان یا هزینه از جمله اهداف رایج بهینهسازی شبكههای حمل و نقل است.
فرآیند بهینه سازی بطور کلی در چهار مرحله فرموله کردن، مدل سازی، بهینه سازی و استقرار مسئله انجام می شود که در ادامه به توضیح هر یک از این مراحل پرداخته می شود.
فرموله كردن مسئله
در این مرحله، یك مسئله ی تصمیم گیری، همراه با یك ساختار كلی از آن تعریف میشود. این ساختار كلی ممكن است خیلی دقیق نباشد اما وضعیت كلی مسئله را، كه شامل فاكتورهای ورودی و خروجی و اهداف مسئله است، بیان می كند. شفاف سازی و ساختاردهی به مسئله، ممكن است برای بسیاری از مسایل بهینه سازی، كاری پیچیده باشد.
مدل سازی مسئله
در این مرحله یك مدل ریاضی كلی برای مسئله، ساخته می شود. مدلسازی ممكن است از مدل های مشابه در پیشینه ی موضوع كمك بگیرد. این گام موجب تجزیه مسئله به یك یا چند مدل بهینهسازی می گردد.
بهینه سازی مسئله
پس از مدل سازی مسئله، روال حل، یك راه حل خوب برای مسئله تولید می كند. این راهحل ممكن است بهینه یا تقریباً بهینه باشد. نكته ای كه باید به آن توجه داشت این است كه راه حل به دست آمده، راه حلی برای مدل طراحی شده است، نه برای مسئله ی واقعی. در هنگام فرموله كردن و مدلسازی ممكن است تغییراتی در مسئله واقعی به وجود آمده و مسئله ی جدید، نسبت به مسئله ی واقعی تفاوت زیادی داشته باشد.
استقرار مسئله
راه حل به دست آمده توسط تصمیم گیرنده بررسی می شود و در صورتی كه قابل قبول باشد، مورد استفاده قرار می گیرد و در صورتی كه راهحل قابل قبول نباشد، مدل یا الگوریتم بهینه سازی باید توسعه داده شده و فرایند بهینه سازی تكرار گردد.
مقایسه الگوریتم ها
در سورس کدی که در متلب برای شما آماده شده است به مقایسه 12 الگوریتم بهینه سازی و نتایج حاصل از آنها پرداخته شده است. این الگوریتم ها مبتنی بر جمعیت یا population based بوده که با الهام گیری از طبیعت و محیط پیرامون ما اقدام به حل مسئله می کنند. این الگوریتم ها عبارتند از:
- الگوریتم ژنتیک GA
- الگوریتم ازدحام ذرات PSO
- الگوریتم کلونی مورچگان ACO
- الگوریتم زنبور عسل مصنوعی BEE
- الگوریتم استراتژی تکاملی انطباق ماتریس کوواریانس CMA-ES
- الگوریتم تفاضل تکاملی DE
- الگوریتم کرم شب تاب FA
- الگوریتم جهش قورباغه SFLA
- الگوریتم رقابت استعماری ICA
- الگوریتم گرگ خاکستری GWO
- الگوریتم وال یا نهنگ WOA
- الگوریتم شمع و پروانه MFO
برای مقایسه عملکرد الگوریتم های فوق از 23 تابع تست یا تابع محک استفاده کرده ایم. توابع زیادی برای تست عملکرد الگوریتم های بهینه سازی وجود دارد که در اینجا ما به این 23 تابع اکتفا کرده ایم. 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 می ماند.
قسمتی از سورس کد
clc close all clear addpath('GA'); addpath('PSO'); addpath('ACO'); addpath('BEE'); addpath('CMA-ES'); addpath('DE'); addpath('FA'); addpath('GWO'); addpath('ICA'); addpath('SFLA'); addpath('WOA'); addpath('MFO'); SearchAgents_no=30; % Number of search agents Function_name='F5'; % Name of the test function that can be from F1 to F23 Max_iteration=1000; % Maximum numbef of iterations % Load details of the selected benchmark function [lb,ub,dim,fobj]=Get_Functions_details(Function_name); Positions=initialization(SearchAgents_no,dim,ub,lb); [Best_SolGA,GA_cg_curve]=GA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_SolPSO,PSO_cg_curve]=PSO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_SolACO,ACO_cg_curve]=ACO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_SolBEE,BEE_cg_curve]=BEE(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_Solcmaes,cmaes_cg_curve]=cmaes(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_SolDE,DE_cg_curve]=DE(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_SolFA,FA_cg_curve]=FA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_SolICA,ICA_cg_curve]=ICA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_SolSFLA,SFLA_cg_curve]=SFLA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_scoreGWO,Best_posGWO,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_scoreWOA,Best_posWOA,WOA_cg_curve]=WOA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); [Best_scoreMFO,Best_posMFO,MFO_cg_curve]=MFO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,Positions); %Draw objective space semilogy(GA_cg_curve,'Color','[0 0 0]','LineWidth',2) hold on; semilogy(PSO_cg_curve,'Color','[0 0 1]','LineWidth',2) semilogy(ACO_cg_curve,'Color','[0 1 0]','LineWidth',2) semilogy(BEE_cg_curve,'Color','[0 1 1]','LineWidth',2) semilogy(cmaes_cg_curve,'Color','[1 0 0]','LineWidth',2) semilogy(DE_cg_curve,'Color','[1 0 1]','LineWidth',2) semilogy(FA_cg_curve,'Color','[1 1 0]','LineWidth',2) semilogy(ICA_cg_curve,'--','Color','[0 0 1]','LineWidth',2) semilogy(SFLA_cg_curve,'--','Color','[0 1 0]','LineWidth',2) semilogy(GWO_cg_curve,'--','Color','[0 1 1]','LineWidth',2) semilogy(WOA_cg_curve,'--','Color','[1 0 0]','LineWidth',2) semilogy(MFO_cg_curve,'--','Color','[1 0 1]','LineWidth',2) xlabel('Iteration'); ylabel('Best score obtained so far'); grid on legend('GA','PSO','ACO','BEE','CMA-ES','DE','FA','ICA','SFLA','GWO','WOA','MFO','Location','bestoutside')
تصاویر خروجی
ویدئوی معرفی
درباره سورس کد مقایسه الگوریتم های بهینه سازی
سورس کد مقایسه الگوریتم های بهینه سازی در متلب در محیط Matlab 2017b نوشته و اجرا شده است. این سورس کد توسط تیم پشتیبانی پی استور تست و اجرا شده است. کیفیت محصول توسط پی استور تضمین می شود و محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری فرمایید به محض خرید لینک دانلود در دسترس خواهد بود.
مباحث مرتبط با الگوریتم های بهینه سازی
مباحث مرتبط با دیگر الگوریتم های بهینه سازی
پاورپوینت الگوریتم های بهینه سازی
تاریخ انتشار: | 5 اسفند 1398 |
---|---|
تاریخ بروزرسانی: | 4 مهر 1399 |
حجم فایل: | 25.3 کیلوبایت |
فرمت فایل | m. |
هماهنگی با: | متلب 2017 و بالاتر |
سفارش تدریس: | توضیحات تکمیلی |
تاکنون 539 نفر این محصول را تهیه کرده اند و 3 نظر برای آن ثبت شده است.
نظرات و دیدگاه ها
قوانین ثبت دیدگاه
- لطفاً دیدگاه های خود را فارسی تایپ کنید.
- دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- سوالات تخصصی خودتان را از طریق تیکت پشتیبانی مطرح کنید.
قیمت 69,000 تومان
تاریخ انتشار: | 5 اسفند 1398 |
---|---|
تاریخ بروزرسانی: | 4 مهر 1399 |
حجم فایل: | 25.3 کیلوبایت |
فرمت فایل | m. |
هماهنگی با: | متلب 2017 و بالاتر |
سفارش تدریس: | توضیحات تکمیلی |
3 بازخورد (مشاهده نظرات)
قیمت: 69,000 تومان
علی
سلام و خسته نباشید
ممنون بابت مطالب مفیدی که قرار میدهید
سوالی داشتم؛ برای الگوریتمهای بهینه سازی که بیان شده فرمولهای ریاضی ارائه دادند. چگونه این فرمولهای ریاضی رو بدست میاورند؟
مدیریت و پشتیبانی
سلام و وقت بخیر
اکثر کارهایی که ما در پیرامون خود می بینیم به طور نظام مند و تکراری در حال انجام هستند مانند کوچ پرندگان، شکار حیوانات، پدیده های طبیعی و غیره. بر همین اساس می توان یک سیستم منظم را فرموله کرد. در ریاضیات، فیزیک و زیست شناسی و دیگر علوم الگوهایی که از قبل کشف و اثبات شده اند که توسط افراد صاحب نظر انجام شده است. به عنوان نمونه تعیین فاصله بین دو نقطه در محیط دوبعدی توسط رابطه فیثاغورث می تواند انجام شود و این فرمول توسط آقای فیثاغورث اثبات شده است. حالا با فرمول های اثبات شده علوم دیگر می توان رفتارهای طبیعی موجودات و اجرام و غیره را شبیه سازی کرد. حالا چطور؟ این همان چیزی هست که یک نفر یا یک تیم سال ها مطالعه و تحقیق می کنه تا این الگوبرداری رو به شکل ریاضی بیان کنه.
مجید
باسلام
لطفا مرجع اصلی این مقاله را لطف میکنید ؟
سپاس
مدیریت و پشتیبانی
سلام
مجید عزیز این محصول پیاده سازی مقاله نیست. ما چند الگوریتم بهینه سازی مهم رو کنار هم گذاشتیم و با 23 تابع محک آنها را باهم مقایسه کردیم. از خود این محصول میشه مقاله نوشت.
مدیریت و پشتیبانی
نظرات و پیشنهادات خود را با ما در میان بگذارید.