سورس کد الگوریتم وال (WOA) در پایتون – اجرای الگوریتم با ۱۲ تابع تست

در این پست سورس کد الگوریتم وال در پایتون (الگوریتم نهنگ در Python) قرار گرفته شده است. این سورس کد به زبان پایتون Python برای الگوریتم WOA نوشته شده است. این سورس کد بر اساس ۱۲ توابع تست الگوریتم وال یا نهنگ را اجرا می‌کند. برای اینکه بتوانید مسئله الگوریتم وال یا نهنگ را واضح و کامل درک کنید مقاله‌ای کامل با عنوان الگوریتم WOA در همین سایت آماده کرده‌ایم که می‌توانید مطالعه کنید و یا فیلم آموزش الگوریتم وال یا نهنگ را از همین سایت دانلود کنید.

الگوریتم بهینه سازی وال‌ها یا نهنگ‌ها

یکی از بزرگ‌ترین پستانداران دنیا وال یا نهنگ است از بین ۷ نهنگ دنیا معروف‌ترین آن‌ها، نهنگ گوژپشت یا نهنگ کوهان دار است. یک وال گوژپشت بالغ تقریباً به اندازه یک اتوبوس مدرسه است. شکار مورد علاقه وال‌ها، کریل و گروه‌های ماهی کوچک است. جالب‌ترین نکته در مورد وال‌های گوژپشت روش خاص شکار آن‌ها می‎‌باشد. این رفتار کاوش گرانه به نام روش تغذیه حباب تور (Bubble-net) شناخته می‌شود.

وال‌های گوژپشت ترجیح می‌دهند تا دسته‌ای از کریل‌ها و یا ماهی‎‌های کوچک را در نزدیک سطح آب شکار کنند. این نکته مشاهده شده است که این کاوش و شکار، با ایجاد حباب‌های شاخصی در امتداد یک دایره یا مسیرهایی به انجام می‌رسد. الگوریتم WOA یکی از الگوریتم های بهینه سازی الهام گرفته شده از طبیعت و مبتنی بر جمعیت است که در زمینه‌های مختلف می‌توان از آن استفاده کرد.

مراحل الگوریتم

الگوریتم وال WOA در سه مرحله یا سه فاز انجام می‌شود که بصورت زیر است:

1. شکار محاصره‌ای
2. فاز بهره برداری : روش حمله به حباب تور
3. مرحله اکتشاف: جستجوی شکار

شکار محاصره ای

وال‌ها می‌توانند مکان شکار را شناسایی کرده و آن‌ها را محاصره کنند. از آن‌جایی که مکان طراحی بهینه در فضای جستجو از راه مقایسه شناخته نمی‌شود، الگوریتم فرض می‌کند که بهترین راه حل کاندید حال حاضر، شکار هدف بوده و یا نزدیک به حالت مطلوب است. بعد از اینکه بهترین عامل جستجو شناسایی شد، عوامل دیگر جستجو سعی می‌کنند تا مکان خود را نسبت به بهترین عامل جستجو، به روزرسانی کنند.

فاز بهره برداری : روش حمله به حباب تور

جهت مدل‌سازی ریاضی رفتار حباب تور وال‌ها، ۲ روش طراحی شده است:

1. مکانیزم محاصره‌ی انقباضی
2. مکان در حال بروزرسانی مارپیچی

مرحله اکتشاف: جستجوی شکار

روشی مشابه بر مبنای واریاسیون بردار A را می‌توان جهت جستجوی شکار (اکتشاف) به کار گرفت. در حقیقت، نهنگ‌های گوژپشت، بر طبق مکان یکدیگر، به صورت تصادفی به جستجو می‌‎پردازند. بنابراین، بردار A را با مقادیر تصادفی بزرگ‌تر از او یا کمتر از ۱- به کار گرفته شده تا عامل جستجو را مجبور به دور شدن از نهنگ مرجع کند. بر خلاف فاز استخراج، جهت بروزرسانی موقعیت عامل جستجو در فاز اکتشاف به جای استفاده از داده‌های بهترین عامل جستجو، از انتخاب تصادفی عامل بهره برده شده است.

این مکانیزم به همراه ۱<A بر اکتشاف تاکید دارند و به الگوریتم WOA اجازه می دهند تا جستجویی سراسری را به انجام رساند.

قسمت هایی از سورس کد الگوریتم وال در پایتون Python

import CostFun as fit
import random
import numpy
import math
import matplotlib.pyplot as plt   
  
lb=-10
ub=10
dim=30
SearchAgents_no=50
Max_iter=100

if not isinstance(lb, list):
   lb = [lb] * dim
if not isinstance(ub, list):
   ub = [ub] * dim
        
    
# initialize position vector and score for the leader
Leader_pos=numpy.zeros(dim)
Leader_score=float("inf")  #change this to -inf for maximization problems
    
    
#Initialize the positions of search agents
Positions = numpy.zeros((SearchAgents_no, dim))
for i in range(dim):
   Positions[:, i] = numpy.random.uniform(0,1,SearchAgents_no) *(ub[i]-lb[i])+lb[i]
    
#Initialize convergence
convergence_curve=numpy.zeros(Max_iter)

ویژگی‌های کلیدی سورس کد

• زبان برنامه‌نویسی: پایتون (Python)
• محیط توسعه: اسپایدر (Spyder) نسخه Python 3.7
• کتابخانه‌های مورد استفاده:
  • Numpy: برای مدیریت آرایه‌ها و ماتریس‌ها
  • Matplotlib: برای ایجاد نمودارها و نمایش نتایج بهینه‌سازی

💡 توجه

قبل از اجرای سورس کد الگوریتم وال در پایتون Python در محیط پایتون حتماً از نصب پکیج‌های 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 IDE های مختلفی را همراه با امکان آپدیتشان نصب می‌کند.

چرا این سورس کد؟

• بهترین گزینه برای یادگیری و تحلیل الگوریتم‌های الهام‌گرفته از طبیعت.
• مناسب برای استفاده در پروژه‌های تحقیقاتی و تجاری.
• پشتیبانی و ضمانت کیفیت از تیم تخصصی.

مراحل خرید و دانلود

با خرید این محصول، لینک دانلود بلافاصله در دسترس قرار می‌گیرد. در صورت بروز هرگونه مشکل، با واحد پشتیبانی پی استور تماس بگیرید.

💡 پیشنهاد: مقاله و فیلم آموزشی مرتبط را نیز مطالعه و مشاهده کنید تا درک عمیق‌تری از این الگوریتم پیدا کنید.

🌟 با این محصول یادگیری الگوریتم‌های پیشرفته را به سطح جدیدی ببرید! 🌟