لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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