فرادرس
درباره سایت
آخرین مطالب
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و ششم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و پنجم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و چهارم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و سوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و دوم
- فرادرس – کلمات کلیدی جستجو شده – بخش بیست و یکم
- وبلاگ های فرادرس
- فراردس – کلمات کلیدی جستجو شده – بخش نهم
- فراردس – کلمات کلیدی جستجو شده – بخش هشتم
- فراردس – کلمات کلیدی جستجو شده – بخش هفتم
امکانات وب
الگوریتم بهینه سازی ازدحام ذرات یا Particle Swarm Optimizatoion (به اختصار PSO) یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. این الگوریتم، توسط جیمز کندی و راسل سی ابرهارت در سال ۱۹۹۵ معرفی گردید، و با الهام از رفتار اجتماعی حیواناتی چون ماهی ها و پرندگان که در گروه هایی کوچک و بزرگ کنار هم زندگی می کنند، طراحی شده است. در الگوریتم PSO، اعضای جمعیت جواب ها، به صورت مستقیم با هم ارتباط دارند و از طریق تبادل اطلاعات با یکدیگر و یادآوری خاطرات خوب گذشته، به حل مسأله می پردازند.
با توجه به موفقیت های کم نظیر الگوریتم PSO در حل مسائل بهینه سازی تک هدفه، دانشمندان و محققین بسیاری، سعی در استفاده از این الگوریتم برای حل مسائل چند هدفه داشته اند و تا کنون نسخه های متعددی از الگوریتم PSO برای حل مسائل چند هدفه ارائه شده است. یکی از معروف ترین الگوریتم هایی که در این راستا معرفی شده است، کاری است که توسط پرفسور کوئلو کوئلو (Coello Coello) و همکارانش معرفی شده است. نامی که آن ها برای الگوریتم شان انتخاب کرده اند MOPSO است، که اغلب این اسم انحصارا برای این الگوریتم به کار برده می شود. این الگوریتم در سال 2004 و در مقاله ای که در مجله محاسبات تکاملی IEEE (با نام کامل IEEE Transactions on Evolutionary Computation) چاپ شده است، معرفی گردید. موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری الگوریتم MOPSO و شیوه پیاده سازی آن در محیط متلب است. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس ارائه شده است.
سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:
- مروری بر مبانی بهینه سازی چند هدفه با الگوریتم های تکاملی
- مرور مختصری بر تئوری الگوریتم بهینه سازی ازدحام ذرات یا PSO
- ایجاد تغییرات لازم در الگوریتم PSO برای تبدیل آن به نسخه چند هدفه
- معرفی مفهوم مخزن یا بایگانی پاسخ های نا مغلوب
- معرفی ساختار جدولی مورد استفاده در MOPSO
- مفهوم انتخاب مبتنی بر ناحیه به جای انتخاب مبتنی بر فرد
- شیوه انتخاب الگو یا Leader در الگوریتم MOPSO
- شیوه کنترل اندازه آرشیو
- چگونگی شکل دهی توزیع های احتمالی به نحوی که تنوع پاسخ ها حفظ شود
- انتخاب چرخه رولت یا Roulette Wheel Selection و استفاده از آن در MOPSO
- بیان شباهت های موجود میان الگوریتم PESA-II و MOPSO
- پیاده سازی یک مثال نمونه از توابع استاندارد چند هدفه
- پیاده سازی بخش های مختلف الگوریتم MOPSO در متلب
- جمع بندی و نتیجه گیری های نهایی
توجه: این محصول بخشی از بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه است.
برای کسب اطلاعات بیشتر بر روی این لینک (+) کلیک کنید.
برچسب: MOPSO, Multicriteria Optimization, Multiobjective Optimization, PESA, PSO, PSO چند هدفه, Vector Optimization, بهینه سازی, بهینه سازی ازدحام ذرات, بهینه سازی برداری, بهینه سازی هوشمند, بهینه سازی چند معیاره, بهینه سازی چند هدفه, بهینه سازی چند هدفه در متلب, بهینه سازی گروه ذرات چند هدفه, تصمیم گیری چند معیاره, متاهیوریستیک,
نویسنده: فرادرس |FaraDars