فرادرس

الگوریتم های فرا ابتکاری (metaheuristic algorithms) رویکرد مؤثری برای حل مسائل بهینه سازی پیچیده در علوم مختلف هستند. در سالهای اخیر، با الهام از رفتار موجودات زنده برای یافتن منابع مورد نیاز برای زندگی، الگوریتم های فرا ابتکاری جدید و متنوعی پیشنهاد شده اند. الگوریتم جهش قورباغه مخلوط شده (Shuffled Frog Leaping Algorithm)، که بر مبنای الگوریتم دیگری با نام الگوریتم تکامل مجتمع های مخلوط شده (Shuffled Complex Evolution Algorithm or SCE-UA) پیشنهاد شده است، از جمله همین روش های جدید است. این روش برای حل مسائل مختلفی از قبیل مدیریت شبکه های آبی، بهینه سازی سیستم های قدرت، و طراحی مهندسی با موفقیت به کار رفته است. این الگوریتم در اصل برای مسائل بهینه سازی با متغیرهای تصمیم گیری گسسته پیشنهاد شد...

الگوریتم های فرا ابتکاری (metaheuristic algorithms) رویکرد مؤثری برای حل مسائل بهینه سازی پیچیده در علوم مختلف هستند. در سالهای اخیر، با الهام از رفتار موجودات زنده برای یافتن منابع مورد نیاز برای زندگی، الگوریتم های فرا ابتکاری جدید و متنوعی پیشنهاد شده اند. الگوریتم جهش قورباغه مخلوط شده (Shuffled Frog Leaping Algorithm)، که بر مبنای الگوریتم دیگری با نام الگوریتم تکامل مجتمع های مخلوط شده (Shuffled Complex Evolution Algorithm or SCE-UA) پیشنهاد شده است، از جمله همین روش های جدید است. این روش برای حل مسائل مختلفی از قبیل مدیریت شبکه های آبی، بهینه سازی سیستم های قدرت، و طراحی مهندسی با موفقیت به کار رفته است. این الگوریتم در اصل برای مسائل بهینه سازی با متغیرهای تصمیم گیری گسسته پیشنهاد شد...

«الگوریتم تکاملی چند هدفه مبتنی بر تجزیه» یا Multiobjective Evolutionary Algorithm based on Decomposition (به اختصار MOEA/D)، یکی از جدیدترین الگوریتم های بهینه سازی تکاملی چندهدفه است، که دارای ماهیتی کاملا متفاوت با سایر الگوریتم های تکاملی چندهدفه ای است که پیش از آن معرفی شده اند. در ساختار این الگوریتم، مسأله بهینه سازی چندهدفه به چندین زیر مسأله تک هدفه تجزیه می شود و همه این زیر مسائل، به صورت یکجا حل می شوند. اما حل این زیر مسائل، که توسط اعضای یک جمعیت و به صورت موازی انجام می شود، به صورت تعاملی پیش می رود و با استفاده از مولفه های رقابتی (Competitive) و همکاری (Cooperative) که در ساختار الگوریتم گنجانده شده است، تکامل راه حل های پیشنهادی، به مرور انجام می شود. در «فیلم آموزشی جامع...

«نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو» یا Strength Pareto Evolutionary Algorithm 2 (به اختصار SPEA2)، یکی از معروف ترین و پر کاربردترین الگوریتم های بهینه سازی تکاملی چندهدفه است. این الگوریتم، ایده های بسیار مهمی را مطرح نموده است و یک مثال بسیار مناسب از همه ویژگی هایی است که باید یک الگوریتم بهینه سازی چندهدفه داشته باشد. در «فیلم آموزشی جامع نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو یا SPEA2» که بخشی از بسته طلایی فیلم های آموزشی بهینه سازی چندهدفه (لینک) است، پس از مرور کاملی بر مبانی تئوری الگوریتم SPEA2، پیاده سازی عملی و گام به گام این الگوریتم در محیط متلب، مورد بحث و بررسی واقع شده است. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط سید مصطفی کلامی هریس ارائه شده...

الگوریتم تکامل تفاضلی (Differential Evolutuion) و یا به اختصار DE، یک الگوریتم بهینه سازی هوشمند و مبتنی بر جمعیت است که در سال 1995 توسط Sto و Price معرفی گردید. نسخه ابتدایی این الگوریتم برای حل مسائل پیوسته ارائه شده بود، اما به مرور زمان نسخه هایی از این الگوریتم ارائه شدند که برای حل مسائل بهینه سازی گسسته طراحی شده اند. فهرست مطالبی که در این ویدئوی آموزشی مورد بحث و بررسی قرار می گیرند، عبارتند از: معرفی الگوریتم تکامل تفاضلی مروری بر مفاهیم اساسی محاسبات تکاملی تفاوت ها و شباهت های الگوریتم تکامل تفاضلی با سایر الگوریتم های تکاملی تعریف بردارهای تفاضل مروری بر مزایای استفاده از بردارهای تفاضل ارتباط بردارهای تفاضل با قضیه حد مرکزی (Central Limit Theorem) چگونگی انجام عمل جهش (Mutatio...