نوشته حل مساله فروشنده دوره گرد با الگوریتم ژنتیک اولین بار در ایران متلب پدیدار شد.

تکنیک های هوش محاسباتی (CI) طی سال های اخیر توجه بسیاری از مهندسان تحقیق، تصمیم گیرندگان، و محققان برای حل تعداد نامحدودی از مسائل پیچیده ی واقعی به خصوص مربوط به حوزه ی بهینه سازی را جلب کرده است. در متغیرهای تصمیمی چندگانه غیرمطمیئن و بی نظم، محدودیت های پیچیده، محیط مشوش و رویکردهای کلاسیک و سنتی قادر به ارائه ی راه حل های مناسبی برای مسائل بهینه سازی نمی باشد. هوش محاسباتی از تکنیک هایی استقبال می کند که از بهینه سازی جهانی جستجو، یادگیری ماشین، استدلال تقریبی، و سیستم پیوندگرا استفاده می کنند. تکنیک های هوش مصنوعی شامل مجموعه ای از یادگیری، اقتباس و تحول می باشد که برای برنامه های هوش و جدید مورد استفاده قرار می گیرند. همچنین هوش مصنوعی به عنوان یکی از مسیرهای تحقیق پیشرفته محسوب می شود چراکه راه حل های موثر، قوی و راحت برای مسائل پیچیده ی واقعی را می توان ایجاد کرد.

درباره ی این کتاب

راه حل های مسائل مبتنی بر محدودیت برای استفاده از الگوهای MATLAB و SIMULINK به عنوان پایه و ستون این کتاب انتخاب شده اند. کتاب حاضر نگاشته شده است تا عملکرد هوش محاسباتی را به لحاظ ارائه ی دانش، سازگاری، بهینگی و سرعت پردازش برای مسائل واقعی مختلفی را بررسی کند. این کتاب به الگوهای هوش محاسباتی و نقش آن ها در کارکردهای مختلف مهندسی مانند تعهد به واحد و بار پخش بار اقتصادی، کاهش هارمونیک، کنترل فرکانس بار و تنظیم ولتاژ اتوماتیک، برنامه ریزی فروشگاه کار، مسیریابی وسیله نقلیه multi depot( چند مخزنه )و نهان نگاری تصویر دیجیتال می پردازد. تاثیر الگوریتم هوش محاسباتی در حوزه ی سیستم های قدرت، سیستم های کنترل، اتوماسیون صنعتی و پردازش عکس با اجرای کاربردی از طریق MATLAB/SIMULINK توضیح داده می شوند. هر کارکرد با اجرای الگوریتم هوش محاسباتی، روش شناسی برای بکارگیری الگوریتم هوش محاسباتی برای مسئله ی مورد نظر، رویکرد مسئله با استفاده از MATLAB/SIMULINK، و بررسی جامع با آزمون داده مبتنی بر مسئله انجام می شود.

توضیح مفصلی برای هر یک از مباحث ارائه شده است با این هدف تا مهندسان و دانشمندان بتوانند از مقدمه های موجود بر موضوعات کارکرد و تحقیق بهره ببرند. این کتاب دانشجویان لیسانس، ارشد و دکتری و محققین علاقمند به فهم و اجرای الگوریتم های هوش محاسباتی برای کارکردهای متعدد مبتنی بر MATLAB/SIMULINK را مخاطب خود قرار می دهد.

ساختار کتاب

این کتاب شامل 7 فصل می شود. فصل اول مفاهیم بنیادین الگوریتم هوش محاسباتی و همچنین نقش الگوهای هوش محاسباتی در کاربرد مهندسی را توضیح می دهد.

همچنین، طبقه بندی مفصلی از الگوریتم های هوش محاسباتی با شبهه کد، حوزه های کاربرد، و مزایا و معایب هر الگوریتم نیز ارائه شده است. تحقیقی پیرامون حوزه های کاربرد با مقدمه ای بر مسئله های مبتنی بر محدودیت که در فصل های بعدی ارائه می شود نیز فراهم گردیده است.

فصل 2 به فرمول ریاضی تهعد به واحد (UC) و مسائل اعزام بار اقتصادی به همراه چارچوبی برای حل این مسائل می پردازد.

اجرای تکنیک های بهینه سازی مانند الگوریتم های ژنتیکی (GA)، شبکه ی تابع بنیادین مبتنی بر فازی-شعاعی (FRBFN)، بهینه سازی فزاینده ی ازدحام ذرات (EPSO)، تحول تفاضلی با یادگیری مخالفت-محور (DEOBL)، تحول تفاضلی با یادگیری مخالفت-محور بهبودیافته (IDE-OBL)، کلونی زنبور عسل مصنوعی (ABC)، و بهینه سازی جستجو فاخته (CSO) در حل تعهد به واحد و اعزام بار اقتصادی (UC-ELD) به همراه آنالیز مقایسه ای مبتنی بر هزینه سوخت، توان، کارآمدی محاسباتی و کارآمدی الگوریتمی ارائه شده اند.

فصل 3 به تاثیرات هارمونیک و روش های از بین بردن همسازها از طریق درایوهای اینورتر منبع ولتاژ (VSI) برای اندازه گیری هارمونیک در صنعت خمیر و کاغذ می پردازد.

مدل های MATLAB/SIMULINK برای درایوهای ایجاد شده برای کاهش هارمونیک با بکارگیری الگوریتم های هوش محاسباتی مانند GA و بهینه سازی تغذیه باکتری (BFO) برای کاهش همسازها ایجاد شده اند.

فصل 4 اهمیت کنترل فرکانس بار (LFC) و تنظیم کننده خودکار ولتاژ (AVR) در سیستم های تولید کننده ی قدرت را نشان می دهد.  سیستم های LFC و AVR با کمترل کننده ی PID به همراه پارامترهای مختلف بکاررفته برای شبیه سازی مدل سازی شده اند. همچنین، LFC و AVR با کنترل کننده ی PID که توسط منطق فازی، GA، بهینه سازی کلونی مورچه (ACO) و بهینه سازی ازدحام ذرات (PSO) تنظیم شده اند مورد آزمون قرار گرفتند. بعلاوه، ترکیب الگوریتم های تکاملی با فازی، GA، BF، و ورژن های بهبودیافته ی الگوریتم PSO بکار رفتند تا عملکرد LFC و AVR در سیستم های قدرت به هم متصل را آزمود.

فصل 5 مشکل زمانبندی نغازه کارها (JSSP) را به معنای فازی با استفاده از بهینه سازی فرا-اکتشافی مانند GA، PSO تصادفی، ACO، و بهینه سازی ازدحام ژنتیکی (GSO) حل می کند. فرمول و مدل ریاضی JSSP با اجرای اکتشافی هوشمند با فایل های MATLAB مشخص شده اند. الگوریتم ها با اجرای آزمایش روی مجموعه ای استاندارد از 162نمونه معیار بررسی می شوند که خود عملکد JSSP را ارزیابی می کند.

فصل 6 به مفاهیم پایه ای و مدل ریاضی مشکل مسیریابی وسایل نقلیه (MDVRP) می پردازد. این مسئله با تکنیک های زیستی مانند GA، PSO بهبود یافته، ABC، GSO، و GSO بهبودیافته اجرا می شود. کارآمدی تکنیک های پیشنهادی بر روی 5 نمونه معیار مختلف Cordeau  آزموده و ارزیابی می شوند. اکتشافی هوشمند به منظور ارزیابی عملکرد نمونه های MDVRP اجرا می شوند.

فصل 7 نهان نگاری هوشمند و دیجیتالی تصویر مبتنی بر GA، PSO، و PSO ترکیبی را مشخص می سازد. طرح های پیش از نهان نگاری مانند تقسیم بندی تصویر، استخراج ویژگی، انتساب جهت گیری، و عادی سازی تصویر به همراه الگوریتم های پردازش تصویر ارائه شده اند. فرایند تعبیه ی علامت و استخراج تصویرهای از پیش پردازش ده در DWT به همراه حمله های هندسی و غیرهندسی به تفصیل ارائه شده اند. روند اجرای قدم به قدم الگوریتم های اکتشافی و قطعه فایل های MATLAB در این فصل مورد بحث قرار گرفته اند.

نوشته کتاب الگوهای هوش محاسباتی برای مسئله های بهینه با استفاده از MATLAB/SIMULINK اولین بار در ایران متلب پدیدار شد.

الگوريتم ژنتيک را مي­توان يک روش جستجوي کلي ناميد که از قوانين تکامل بيولوژيک طبيعي تقليد مي­کند الگوريتم ژنتيک بر روي يکسري از جواب­هاي مساله به اميد بدست آوردن جوابهاي بهتر قانون بقاي بهترين را اعمال مي کند. درهر نسل به کمک فرآيند انتخابي متناسب با ارزش جواب­ها و توليد مثل جواب-هاي انتخاب شده به کمک عملگرهايي که از ژنتيک طبيعي تقليد شده­ اند ,تقريب­هاي بهتري از جواب نهايي بدست مي­ آيد. اين فرايند باعث مي­شود که نسلهاي جديد با شرايط مساله سازگارتر باشد.

ساختار الگوريتم‏هاي ژنتيكي

به طور كلي, الگوريتم‏هاي ژنتيكي از اجزاء زير تشكيل مي‏شوند:

كروموزوم Chromosome

در الگوريتم‏هاي ژنتيكي, هر كروموزوم نشان دهنده يك نقطه در فضاي جستجو و يك راه‏ حل ممكن براي مسئله مورد نظر است. خود كروموزوم‏ها (راه حل‏ها) از تعداد ثابتي ژن (متغير) تشكيل مي‏شوند. براي نمايش كروموزوم‏ها, معمولاً از كدگذاري‏هاي دودويي (رشته‏ هاي بيتي) استفاده مي‏شود.

جمعيت Population

مجموعه‏اي از كروموزوم‏ها يك جمعيت را تشكيل مي‏دهند. با تاثير عملگرهاي ژنتيكي  بر روي هر جمعيت, جمعيت جديدي با همان تعداد كروموزوم تشكيل مي‏شود.

تابع برازندگي Fitness Function

به منظور حل هر مسئله با استفاده از الگوريتم‏هاي ژنتيكي, ابتدا بايد يك تابع برازندگي براي آن مسئله ابداع شود. براي هر كروموزوم, اين تابع عددي غير منفي را برمي‏گرداند كه نشان دهنده شايستگي يا توانايي فردي آن كروموزوم است.

عملگرهاي الگوریتم  ژنتيك

در الگوريتم‏هاي ژنتيكي, در طي مرحله توليد مثل Reproduction ازعملگرهاي ژنتيكي استفاده مي‏شود. با تاثير اين عملگرها بر روي يك جمعيت, نسل Generation بعدي آن جمعيت توليد مي‏شود. عملگرهاي انتخاب Selection , آميزش Crossover  و جهش Mutation معمولاً بيشترين كاربرد را در الگوريتم‏هاي ژنتيكي دارند.

عملگر انتخاب  (Selection ):

اين عملگر از بين كروموزوم‏هاي موجود در يك جمعيت, تعدادي كروموزوم را براي  توليد مثل انتخاب مي‏كند. كروموزوم‏هاي برازنده ‏تر شانس بيشتري دارند تا براي توليد مثل انتخاب شوند.

روش های انتخاب :

Elitist Selection (انتخاب نخبگان)

مناسب‌ترین عضو هر اجتماع انتخاب می‌شود. با توجه به مقدار شایستگی که از تابع ارزیاب دریافت کرده است.

نمونه ‏برداري به روش چرخ رولت

در اين روش, به هر فرد قطعه ‏اي از يك چرخ رولت مدور اختصاص داده مي‏شود. اندازه اين قطعه متناسب با برازندگي آن فرد است. چرخ N بار چرخانده مي‏شود كه N تعداد افراد در جمعيت است. در هر چرخش, فرد زير نشانگر چرخ انتخاب مي‏شود و در مخزن والدين نسل بعد قرار مي‏گيرد. اين روش مي‏تواند به صورت زير پياده‏ سازي شود:

• نرخ انتظار كل افراد جمعيت را جمع كنيد و حاصل آن را T بناميد.
• مراحل زير را N بار تكرار كنيد:

يك عدد تصادفي r بين 0 و T  انتخاب كنيد.

در ميان افراد جمعيت بگرديد و نرخ‏هاي انتظار( مقدار شایستگی) آنها را با هم جمع كنيد تا اين كه مجموع بزرگتر يا مساوي r شود. فردي كه نرخ انتظارش باعث بيشتر شدن جمع از اين حد مي‏شود, به عنوان فرد برگزيده انتخاب مي‏شود.

Tournament Selection (انتخاب تورنومنت) :

یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیر‌گروه برای تولید انتخاب می‌شوند.

عملگر آميزش (Crossover ):

در جریان عمل تلفیق  به صورت اتفاقی بخشهایی از کروموزوم ها با یکدیگر تعویض می شوند. این موضوع باعث می شود که فرزندان ترکیبی از خصوصیات والدین خود را به همراه داشته باشند و دقیقاً مشابه یکی از والدین نباشند.

هدف تولید فرزند جدید می باشد  به این امید که خصوصیات خوب دو موجود در فرزندشان جمع شده و یک موجود بهتری را تولید کند.

روش کار به صورت زیر است:

بصورت تصادفی یک نقطه از کروموزوم را انتخاب می کنیم

ژن های مابعد آن نقطه از کروموزوم ها را جابجا می کنیم

تلفیق تک نقطه ای (Single Point Crossover)

اگر  عملیات تلفیق را در یک نقطه انجام دهیم به آن تلفیق تک نقطه ای می گویند.

تلفیق بدين صورت انجام مي گيرد که حاصل ترکيب کروموزومهاي پدر و مادر مي باشد. روش توليد مثل نيز بدين صورت است که ابتدا بصورت تصادفي ,نقطه اي که قرار است توليد مثل از آنجا آغاز گردد ,انتخاب مي گردد. سپس اعداد بعد از آن به ترتيب از بيت هاي کروموزومهاي پدر و مادر قرار مي گيرد که در شکل زير نيز نشان داده شده است.

در شکل بالا کروموزومهاي 1 و2 در نقش والدين هستند. و حاصل توليد مثل آنها در رشته هائي بنام Offspring ذخيره شده است.دقت شود که علامت  “|” مربوط به نقطه شروع توليد مثل مي باشد و در رشته هاي Offspring اعدادي که بعد از نقطه شروع توليد مثل قرار مي گيرند مربوط به کروموزومهاي مربوط به خود مي باشند. بطوريکه اعداد بعد از نقطه شروع مربوط به Offspring1  مربوط به اعداد بعد از نقطه شروع مربوط به کروموزوم 1 و اعداد بعد از نقطه شروع توليد مثل مربوط به Offspring2 مربوط به اعداد بعد از نقطه شروع توليد مثل مربوط به کروموزوم 2 مي باشند

روش ادغام دو نقطه ای Two-point CrossOver :

در این روش دو مکان را به صورت تصادفی انتخاب کرده و مقادیر بین این دو نقطه را جابجا می کنیم.

تلفیق نقطه ای (Multipoint Crossover) :

می توانیم این عملیات را در چند نقطه انجام دهیم ، که به آن بازترکیبی چند نقطه ای می گویند

تلفیق جامع (Uniform Crossover) :

اگر تمام نقاط کروموزوم را بعنوان نقاط بازترکیبی انتخاب کنیم به آن بازترکیبی جامع می گوئیم.  مثال)

عملگر جهش (Mutation ):

پس از اتمام عمل آميزش, عملگر جهش بر روي كروموزوم‏ها اثر داده مي‏شود. اين عملگر يك ژن از يك كروموزوم را به طور تصادفي انتخاب نموده و سپس محتواي آن ژن را تغيير مي‏دهد. اگر ژن از جنس اعداد دودويي باشد, آن را به وارونش تبديل مي‏كند و چنانچه متعلق به يك مجموعه باشد, مقدار يا عنصر ديگري از آن مجموعه را به جاي آن ژن قرار مي‏دهد. در شكل زیر چگونگي جهش يافتن پنجمين ژن يك كروموزوم نشان داده شده است.

پس از اتمام عمل جهش, كروموزوم‏هاي توليد شده به عنوان نسل جديد شناخته شده و براي دور بعد اجراي الگوريتم ارسال مي‏شوند.

قبل از اين كه يك الگوريتم ژنتيكي بتواند اجرا شود, ابتدا بايد كدگذاري (يا نمايش) مناسبي براي مسئله مورد نظر پيدا شود. معمولي ترين شيوه نمايش کروموزومها در الگوريتم ژنتيک به شکل رشته هاي دودويي است. هر متغير تصميم گيري به صورت دودويي در آمده و سپس با کنار هم قرار گرفتن اين متغيرها کروموزوم ايجاد مي­شود . گرچه اين روش گسترده ترين شيوه کدگذاري است اما شيوه هاي ديگري مثل نمايش با اعداد حقيقي در حال گسترش هستند. همچنين يك تابع برازندگي نيز بايد ابداع شود تا به هر راه‏ حل كدگذاري شده ارزشي را نسبت دهد. در طي اجرا, والدين براي توليد مثل انتخاب مي‏شوند و با استفاده از عملگرهاي آميزش و جهش با هم تركيب مي‏شوند تا فرزندان جديدي توليد كنند. اين فرآيند چندين بار تكرار مي‏شود تا نسل بعدي جمعيت توليد شود. سپس اين جمعيت بررسي مي‏شود و در صورتي كه ضوابط همگرايي رآورده شوند, فرآيند فوق خاتمه مي‏ يابد.

پیش نیاز : 

در ادامه آموزش الگوریتم های بهینه سازی ، فیلم آموزشی الگوریتم ژنتیک برای دانش پذیران گرامی تهیه شده است. پیش نیاز این فیلم آموزشی، آموزش بهینه سازی می باشد. لذا به دانش پذیران گرامی توصیه می شود ابتدا فیلم آموزشی بهینه سازی را مشاهده کنند و سپس فیلم آموزشی الگوریتم ژنتیک را ببینند. 

.

.

مدت زمان    :   104 دقیقه

حجم فایل ها :    154 مگابایت

.

.

ارسال لینک های دانلود به ایمیل شما

نتیجه سالها تجربه :

این فیلم آموزشی نتیجه سالها کدنویسی و کار با الگوریتم ژنتیک در پروژه های مختلف می باشد و هزینه ای که شما برای تهیه آن می پردازید در برابر سالها تجربه ای که صرف تهیه این فیلم آموزشی شده بسیار ناچیز است. 

.

مشاهده خلاصه قسمت اول

تصویرهایی از محیط این فیلم آموزشی :

گنجینه فیلم های آموزشی فارسی الگوریتم های بهینه سازی تکاملی-هوش مصنوعی

ردیف	عنوان	مدت زمان	لینک
1	فیلم آموزش فارسی الگوریتم تکامل گرامری Grammatical Evolution	35 دقیقه	لینک دریافت (کلیک کنید)
2	فیلم آموزشی فارسی الگوریتم بازی تکاملی Evolutionary Game Algorithm	35 دقیقه	لینک دریافت (کلیک کنید)
3	فیلم آموزش فارسی الگوریتم جستجوی فاخته cuckoo search	19 دقیقه	لینک دریافت (کلیک کنید)
4	فیلم آموزش فارسی بررسی قیود در مسائل بهینه سازی مقید	34 دقیقه	لینک دریافت (کلیک کنید)
5	فیلم آموزش فارسی الگوریتم دسته ماهی مصنوعی	30 دقیقه	لینک دریافت (کلیک کنید)
6	فیلم آموزش فارسی الگوریتم کلونی زنبور عسل	65 دقیقه	لینک دریافت (کلیک کنید)
7	فیلم آموزش فارسی بهینه سازی مبتنی بر جغرافیای زیستی	30 دقیقه	لینک دریافت (کلیک کنید)
8	فیلم آموزش فارسی الگوریتم ژنتیک در متلب	190 دقیقه	لینک دریافت (کلیک کنید)

نوشته فیلم جامع آموزش فارسی الگوریتم ژنتیک در متلب MATLAB اولین بار در ایران متلب پدیدار شد.