آموزش الگوریتم ژنتیک: A تا Z با مسائل ترکیبی

Genetic Algorithm: A to Z with Combinatorial Problems

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بیاموزید که چگونه الگوریتم ژنتیک را در مسائل تحقیق عملیاتی در دنیای واقعی اعمال کنید مفاهیم و اصطلاحات اساسی مربوط به الگوریتم ژنتیک (GA) قوانین اساسی برنامه نویسی Matlab که برای اجرای هر فراابتکاری لازم است استفاده از الگوریتم ژنتیک برای طیف گسترده ای از مسائل تحقیق عملیات تعیین بهترین مقادیر برای پارامترهای الگوریتم ژنتیک با استفاده از دو روش معروف تحلیل آماری برای مقایسه فراابتکاری پیش نیازها: دانش پایه در برنامه نویسی دانش پایه در تحقیق در عملیات و بهینه سازی - (ضروری نیست، اما مفید) دانش پایه در تجزیه و تحلیل آماری - (ضروری نیست، اما مفید)

این دوره در مورد الگوریتم های ژنتیک (GA) یکی از کاربردی ترین و جامع ترین دوره های موجود است که برای ارائه یک چارچوب یکپارچه برای حل مسائل بهینه سازی دنیای واقعی به ساده ترین روش طراحی شده است. این اولین مورد از نوع خود است که رویکرد عملی را در حوزه الگوریتم‌های فراابتکاری ارائه می‌کند و آن را برای دانشجویان، محققان و متخصصان ضروری می‌سازد.


این دوره با مقدمه‌ای بر نظریه پایه GA آغاز می‌شود و سپس ساده‌ترین نسخه GA، Binary GA، در Matlab پیاده‌سازی می‌شود. سپس به نسخه پیوسته یعنی Real GA پیشرفت می کند. تمرکز اصلی بر روی الگوریتم ژنتیک خواهد بود، یک الگوریتم بهینه سازی بسیار مورد توجه در ادبیات. بخش‌های بعدی مشکلات شناخته‌شده تحقیقات عملیاتی مانند حمل‌ونقل، مکان مرکزی (HLP)، انتساب درجه دوم، و مسائل فروشنده دوره‌ای (TSP) را معرفی می‌کنند و نحوه حل آنها را با استفاده از GA نشان می‌دهند. این رویکرد شما را با یک چارچوب جامع برای مقابله با مشکلات بهینه سازی ترکیبی مجهز می کند. علاوه بر این، این دوره دو روش معروف برای تنظیم پارامترهای GA را پوشش می دهد: روش تاگوچی و روش سطح پاسخ (RSM). در نهایت، یک تحلیل آماری با استفاده از نرم افزار Minitab و Design Expert برای مقایسه موثر فراابتکاری های مختلف ارائه خواهیم کرد.


ویژگی های کلیدی این دوره عبارتند از:

• حل مسائل چالش برانگیز مختلف در دنیای واقعی

• مدیریت عملکردهای جریمه در مشکلات دنیای واقعی

• انجام تجزیه و تحلیل آماری جامع

• تعریف کروموزوم برای مشکلات مختلف

• کنترل پارامترهای الگوریتم


این دوره شامل مجموعه‌ای از ویدئوهای کدگذاری است که فرصت کافی برای تمرین تئوری مطرح شده در سخنرانی‌ها را فراهم می‌کند. همچنین دارای چندین مطالعه موردی واقعی است که به شما امکان می دهد فرآیند حل مسائل چالش برانگیز با استفاده از GA را بیاموزید.


پس از اتمام این دوره، در پیاده سازی GA در طیف گسترده ای از مشکلات تحقیق عملیات در Matlab به خوبی مسلط خواهید شد. در نتیجه، شما مجهز به اعمال الگوریتم های فراابتکاری مختلف برای حل مسائل مختلف خواهید بود.


این دوره فقط یک سفر نظری نیست. این یک راهنمای عملی برای تسلط بر کاربرد الگوریتم های ژنتیک در چالش های دنیای واقعی است. امروز با ثبت نام در این دوره، خود را به دانش و مهارت های مورد نیاز برای برتری در زمینه تحقیق در عملیات مجهز کنید.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • نرم افزار متلب Matlab Software

  • متغیرها Variables

  • عملیات حسابی Arithmatic operations

  • عملیات رابطه ای Relational operations

  • بردار Vector

  • ماتریس Matrix

  • 08- نمایه سازی 08-Indexing

  • عملیات ماتریسی Matrix Operations

  • تولید ماتریس Generating matrix

  • حداقل، حداکثر، مرتب سازی Min,Max,Sort

  • اگر شرط If Condition

  • توابع رند Rand functions

  • حلقه Loop

  • طرح Plot

  • تابع Function

الگوریتم ژنتیک Genetic Algorithm

  • الهام GA GA Inspiration

  • مشکل بهینه سازی Optimization Problem

  • شروع با BGA Starting with BGA

  • تعریف مشکل Problem Definition

  • پارامترها را تعریف کنید Define Parameters

  • مقداردهی اولیه Initialization

  • راه حل های مرتب سازی Sorting Solutions

  • حلقه اصلی و متقاطع تک نقطه ای Main loop and single point crossover

  • جهش Mutation

  • جمعیت را برای نسل بعدی آماده کنید PreparePopulation for NextGeneration

  • بهبود کراس اوور Improving Crossover

  • بهبود جهش Improving Mutation

  • بهبود روش انتخاب Improving Selection Procedure

  • GA واقعی Real GA

مشکلات مکان یابی هاب Hub location problems

  • مقدمه ای بر مشکل موقعیت مکانی هاب An Introduction To Hub Location Problem

  • مراحل اصلی برای اتصال مسائل به فراابتکاری Main Steps To Connect Problems To Metaheuristic

  • نحوه ایجاد مدل How To Create Model

  • ایجاد راه حل تصادفی Create Random Solution

  • تعریف تابع هزینه Defining Cost Function

  • اتصال تابع هزینه به BinaryGA Connecting Cost Function To BinaryGA

  • تجسم راه حل Visualization The Solution

حمل و نقل Transportation

  • مقدمه ای بر مدل حمل و نقل An Introduction To Transportation Model

  • ایجاد مشکلات Generate Problems

  • تعریف کروموزوم Defining Chromosome

  • پیاده سازی کروموزوم در Matlab Implementation Chromosom In Matlab

  • توضیح عملکرد پنالتی Penalty Function Explanation

  • اندازه گیری توابع هزینه Measuring Cost Functions

  • اتصال مشکل به RealGa Connecting Problem To RealGa

  • تبیین مدل جدید حمل و نقل The Explaination of New Trasnportation Model

  • ایجاد مدل جدید حمل و نقل Createing New Trasnportation Model

  • ایجاد نمایندگی راه حل جدید Createing New Solution Representation

  • ایجاد راه حل پارس جدید Creating New Parse Solution

  • اصلاح کراس اوور Modifying Crossover

  • اصلاح جهش Modifying Mutation

  • تغییر تابع هزینه Modifying Cost Function

  • اتصال مشکل جدید به RealGa Connecting New Problem To RealGa

مشکل تخصیص درجه دوم Quadratic assignment problem

  • مقدمه ای بر QAP An Introduction To QAP

  • ایجاد مدل QAP Creating QAP Model

  • نمایندگی راه حل برای QAP Solution Representation For QAP

  • نمایندگی راه حل کدنویسی برای QAP Coding Solution Representation For QAP

  • تابع هزینه برای QAP Cost Function For QAP

  • کراس اوور برای QAP Crossover For QAP

  • 07-کراس اوور کاربردی برای QAP 07-Appied Crossover For QAP

  • جهش برای QAP Mutation For QAP

  • کد جهش برای QAP Mutation Code For QAP

  • اتصال QAP به GA Connetcing QAP to GA

  • طراحی QAP Plotting QAP

مشکل کوله پشتی Knapsack Problem

  • مقدمه ای بر مشکل کوله پشتی An Introduction To Knapsack Problem

  • ایجاد پارامترها Create Parameters

  • نمایندگی راه حل Solution Representation

  • نمایندگی راه حل کدنویسی Coding Solution Representation

  • استراتژی های عملکرد پنالتی Penalty Function Strategies

  • تابع هزینه کدگذاری Coding Cost Function

  • اتصال مشکل کوله پشتی به GA Connecting Knapsack Problem to GA

مشکل فروشنده دوره گرد Traveling Salesman Problem

  • مقدمه ای بر مشکل فروشنده دوره گرد An Introductio to Traveling Salesman Problem

  • ایجاد مدل تصادفی Create Random Model

  • ایجاد و ذخیره مدل ها Create and Save Models

  • ایجاد راه حل تصادفی Create Random Solution

  • تابع هزینه برای TSP Cost Function for TSP

  • کراس اوور برای TSP Crossover for TSP

  • کدگذاری متقاطع برای TSP Coding Crossover for TSP

  • جهش برای TSP Mutation for TSP

  • جهش کدگذاری برای TSP Coding Mutation for TSP

  • اتصال TSP به GA Connecting TSP to GA

  • تجسم Visualization

  • مدل جدید TSP New TSP model

طراحی آزمایش Experiment Design

  • مقدمه ای بر تنظیم فراابتکاری An Introduction To Tuning Metaheuristics

  • توابع هدف عادی سازی Normalization Objective Functions

  • روش تاگوچی Taguchi Method

  • شناسایی پارامترها Identifying Parameters

  • تعیین سطوح پارامترها Determing levels of Parameters

  • تعیین آرایه متعامد Determining orthogonal array

  • انجام آزمایشات Carrying Out Experiments

  • تجزیه و تحلیل آزمایش ها Anlyzing Experiments

  • روش RSM RSM Method

  • شناسایی پارامترها در RSM Identifying Parameters in RSM

  • تعیین آزمایش طراحی برای RSM Determing design Experiment for RSM

  • انجام آزمایش در RSM Carrying Out Experiment in RSM

  • تجزیه و تحلیل آزمایش RSM AnlyzingExperiment of RSM

آزمون آماری Statistical Test

  • مقدمه تجزیه و تحلیل آماری An Introduction Statistical Anlysis

  • پیاده سازی WilcoxonTest Rank برای مقایسه الگوریتم ها Implementing WilcoxonTest Rank for comparing algorithms

نمایش نظرات

آموزش الگوریتم ژنتیک: A تا Z با مسائل ترکیبی
جزییات دوره
12 hours
97
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
102
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Operation Research Group Operation Research Group

گروهی از محققین