• مقالات آموزشی
    • آموزش برنامه نویسی
    • آموزش الگوریتم
    • آموزش شبکه های کامپیوتری
    • آموزش های عمومی
  • ترجمه مقاله
    • لیست ترجمه کامل مقالات
    • لیست ترجمه مفهومی مقالات
  • تحقیق و پژوهش
    • لیست داکیومنت پایان‌نامه
    • لیست داکیومنت سمینار
  • پیاده سازی
    • سی پلاس پلاس ++C
    • برنامه نویسی OpenGL
    • سی شارپ #C
    • پایتون Python
    • اندروید Android
    • پی اچ پی PHP
    • متلب Matlab
  • پاورپوینت
    • پاورپوینت الگوریتم های بهینه سازی
    • پاورپوینت شبکه‌های کامپیوتری
    • پاورپوینت مهندسی کامپیوتر
    • پاورپوینت یادگیری ماشین
    • پاورپوینت درس و تحقیق
    • قالب آماده پاورپوینت
  • فیلم آموزشی
    • لیست فیلم های آموزشی
  • قالب آماده
    • لیست قالب آماده HTML
  • دانلود رایگان
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین
  • سفارش تدریس آنلاین
  • آموزش برنامه نویسی
  • آموزش الگوریتم
  • آموزش شبکه
  • آموزش عمومی

ورود

رمز عبور را فراموش کرده اید؟

هنوز عضو نشده اید؟ عضویت در سایت
  • درباره ما
  • تماس با ما
  • سفارش تدریس آنلاین
پی استور
0

ورود و ثبت نام

مقالات آموزشی
  • ترجمه مقاله
    • لیست ترجمه کامل مقالات
    • لیست ترجمه مفهومی مقالات
  • تحقیق و پژوهش
    • لیست داکیومنت پایان‌نامه
    • لیست داکیومنت سمینار
  • پیاده سازی
    • سی پلاس پلاس ++C
    • برنامه نویسی OpenGL
    • سی شارپ #C
    • پایتون Python
    • اندروید Android
    • پی اچ پی PHP
    • متلب Matlab
  • پاورپوینت
    • پاورپوینت الگوریتم های بهینه سازی
    • پاورپوینت شبکه‌های کامپیوتری
    • پاورپونت مهندسی کامپیوتر
    • پاورپوینت یادگیری ماشین
    • پاورپوینت درس و تحقیق
      • عمومی
      • مشاهیر و اشخاص
      • واقعیت مجازی
      • طراحی سایت
      • برنامه نویسی
      • علوم کامپیوتر
      • اینترنت اشیاء
      • سیستم عامل
      • ارز دیجیتال
      • کسب و کار
      • تکنولوژی
      • علوم
    • قالب آماده پاورپوینت
  • فیلم آموزشی
    • لیست فیلم های آموزشی
  • قالب آماده
    • قالب آماده HTML
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین

مقایسه الگوریتم های بهینه سازی در متلب

خانهفروشگاهبرنامه نویسیمتلبمقایسه الگوریتم های بهینه سازی در متلب
https://dl2.programstore.ir/files/Uploades/Previews/Matlab/Compare-Metaheurestic-algorithm.mp4

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.

cropped-fav2.png

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

مقایسه الگوریتم های بهینه سازی

 

مقایسه الگوریتم های بهینه سازی

ویدئوی معرفی

نحوه اجرای سورس کد

Your browser does not support the video tag.
این محصول فقط شامل سورس کد پیاده سازی مقایسه در متلب است.
برای آموزش خصوصی این محصول می توانید درخواست تدریس آنلاین داشته باشید.

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.

گارنتی 7 روزه بازگشت هزینه

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این محصول توسط پی استور تضمین شده و در صورت عدم رضایت از محصول، به انتخاب شما:

  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا 80 درصد مبلغ پرداختی به حساب بانکی شما عودت داده می‌شود.

مباحث مرتبط با الگوریتم های بهینه سازی

پاورپوینت الگوریتم ژنتیک GA
پاورپوینت الگوریتم ژنتیک GA
پیاده سازی الگوریتم ژنتیک واقعی یا پیوسته در متلب
پیاده سازی الگوریتم ژنتیک واقعی یا پیوسته در متلب
کد الگوریتم ژنتیک در پایتون Python
کد الگوریتم ژنتیک در پایتون Python
حل مسئله 8 وزیر با الگوریتم ژنتیک در سی شارپ #C
حل مسئله 8 وزیر با الگوریتم ژنتیک در سی شارپ #C
پاورپوینت الگوریتم PSO یا ازدحام ذرات
پاورپوینت الگوریتم PSO یا ازدحام ذرات
آموزش الگوریتم PSO در متلب — مفاهیم تئوری و نحوه پیاده سازی
آموزش الگوریتم PSO در متلب — مفاهیم تئوری و نحوه پیاده سازی
کد الگوریتم PSO در پایتون Python
کد الگوریتم PSO در پایتون Python
آموزش الگوریتم PSO در پایتون
آموزش الگوریتم PSO در پایتون
پاورپوینت الگوریتم کلونی مورچه ACO
پاورپوینت الگوریتم کلونی مورچه ACO
سورس کد الگوریتم کلونی مورچه پیوسته در متلب
سورس کد الگوریتم کلونی مورچه پیوسته در متلب
الگوریتم مورچه فروشنده دوره گرد – سورس کد الگوریتم مورچه ACO برای حل مسئله فروشنده دوره گرد TSP در متلب
الگوریتم مورچه ACO برای حل مسئله فروشنده دوره گرد TSP در متلب
الگوریتم مورچه و حل مسئله فروشنده دوره گرد TSP در پایتون
الگوریتم مورچه و حل مسئله فروشنده دوره گرد TSP در پایتون

مباحث مرتبط با دیگر الگوریتم های بهینه سازی

پاورپوینت الگوریتم وال ها یا نهنگ ها WOA
پاورپوینت الگوریتم وال ها یا نهنگ ها WOA
سورس کد الگوریتم وال WOA در متلب
سورس کد الگوریتم وال WOA در متلب
آموزش شبکه عصبی با الگوریتم وال WOA در متلب
آموزش شبکه عصبی با الگوریتم وال WOA در متلب
کد الگوریتم وال در پایتون Python
کد الگوریتم وال در پایتون Python
پاورپوینت الگوریتم گرگ خاکستری GWO
پاورپوینت الگوریتم گرگ خاکستری GWO
الگوریتم گرگ خاکستری GWO در متلب
الگوریتم گرگ خاکستری GWO در متلب
فیلم آموزشی الگوریتم گرگ خاکستری GWO در متلب
فیلم آموزشی الگوریتم گرگ خاکستری GWO در متلب
کد الگوریتم گرگ خاکستری در پایتون Python
کد الگوریتم گرگ خاکستری در پایتون Python
پاورپوینت الگوریتم شمع و پروانه MFO
پاورپوینت الگوریتم شمع و پروانه MFO
سورس کد الگوریتم شعله پروانه MFO در متلب
سورس کد الگوریتم شعله پروانه MFO در متلب
فیلم آموزش الگوریتم شمع و پروانه MFO در متلب
فیلم آموزش الگوریتم شمع و پروانه MFO در متلب
کد الگوریتم شعله پروانه در پایتون (شمع و پروانه) Python
کد الگوریتم شعله پروانه در پایتون (شمع و پروانه) Python

پاورپوینت الگوریتم های بهینه سازی

پاورپوینت الگوریتم بهینه سازی کلونی زنبور مصنوعی ABC
پاورپوینت الگوریتم بهینه سازی کلونی زنبور مصنوعی ABC
پاورپوینت الگوریتم کرم شب تاب FA
پاورپوینت الگوریتم کرم شب تاب FA
پاورپوینت الگوریتم بهینه سازی ملخ GOA
پاورپوینت الگوریتم بهینه سازی ملخ GOA
پاورپوینت الگوریتم بهینه ساز خفاش BA
پاورپوینت الگوریتم بهینه ساز خفاش BA
امتیاز
5.00 از 3 رأی
5.00 3 رای
49,000 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
دانلود شده توسط: 467 نفر

تاکنون 467 نفر این محصول را تهیه کرده اند و 3 نظر برای آن ثبت شده است.

نظرات و دیدگاه ها
  • علی
    15 آبان 1401
    امتیاز 5 از 5
    پاسخ

    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
      15 آبان 1401
      پاسخ

      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
    14 اردیبهشت 1399
    امتیاز 5 از 5
    پاسخ

    باسلام
    لطفا مرجع اصلی این مقاله را لطف میکنید ؟

    سپاس

    • مدیریت و پشتیبانی
      14 اردیبهشت 1399
      پاسخ

      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
    5 اسفند 1398
    امتیاز 5 از 5
    پاسخ

    نظرات و پیشنهادات خود را با ما در میان بگذارید.

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.

لغو پاسخ

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دسته‌بندی موضوعی: الگوریتم‌های تکاملی الگوریتم‌های فرا ابتکاری برنامه نویسی متلب

قیمت 49,000 تومان

افزودن به علاقه مندی ها
امتیاز
5.00 از 3 رأی
5.00 3 رای
49,000 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
دانلود شده توسط: 467 نفر

3 بازخورد (مشاهده نظرات)

قیمت: 49,000 تومان

تماس با ما
  • دفتر پشتیبانی: 04144225175 (ساعت کاری 8:00 الی 16:00)
  • آی دی تلگرام: programerPstore
درباره پی استور

تیم توسعه پی استور با هدف ارائه مطالب مفید علمی در گرایش های مختلف پروژه های علمی مختلف را جمع آوری می کند و در قالب یک محصول تست شده و قابل اجرا همراه با توضیحات و نحوه اجرا، انتشار می دهد. امید است با عنایت الهی و کوشش اساتید و دانشجویان همراهمان بتوانیم قدم کوچکی در تولید محتوای علمی کشور داشته باشیم.

مجوز های اخذ شده
اینماد نشان ملی   پروانه نشر دیجیتال
  • حساب کاربری من
  • سوالات متداول
  • راهنمای خرید و دانلود
پی استور
  • همکاری با ما
  • قوانین و مقررات
  • حریم خصوصی
تمامی حقوق برای پی استور محفوظ است.
keyboard_arrow_up