۴۴ مطلب با موضوع «برنامه نویسی» ثبت شده است

پیاده سازی الگوریتم خفاش (Bat algorithm) در متلب(MATLAB)

پیاده سازی الگوریتم خفاش (Bat algorithm) در متلب(MATLAB):

الگوریتم خفاش یک الگوریتم متاهیورستیک است که در سال 2010 توسط xin she yang ارائه شد. در این الگوریتم از توانایی ردیابی و انعکاس صدا در خفاش ها ی کوچک الهام گرفته شده است. هر خفاش مجازی به طور تصادفی با سرعت v_i در موقعیت مکانی x_i با فرکانس λ متفاوت و بلندی صدا و طول موج متغیر A_i پرواز می کند.

هر خفاش با جستجو و یافتن طعمه، فرکانس، بلندی صدا و میزان نرخ پالس های ارسالی r خود را تغییر می دهد. بهترین مکان در هر تکرار پس از مقایسه ی موقعیت خفاش های مجازی انتخاب می شود. انتخاب بهترین ها تا زمان برآورده شدن معیارهای توقف مشخص شده ادامه می یابد. برای مطالعه ی جزییات بیشتر در مورد الگوریتم خفاش کلیک کنید. در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم خفاش به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پروژه چند وزیر (هشت وزیر) با الگوریتم تکامل تفاضلی در متلب

پروژه هشت وزیر با الگوریتم تکامل تفاضلی (differential evolution) در متلب:

مسئله چند وزیر یک معمای شطرنجی و ریاضیاتی است که بر اساس آن باید n وزیر شطرنج در یک صفحه n×n شطرنج به‌گونه‌ای قرار داده شوند که هیچ‌یک زیر ضرب دیگری نباشند. با توجه به اینکه وزیر به‌صورت افقی، عمودی و اُریب حرکت می‌کند، باید هر وزیر را در طول، عرض و قطر متفاوتی قرار داد. اولین و مشهورترین شکل این مسئله معمای هشت وزیر است که برای حل آن باید ۸ وزیر را در یک صفحهً معمولی (۸×۸) شطرنج قرار داد. این مسئله ۹۲ جواب دارد که ۱۲ جواب آن منحصر به‌فرد است یعنی بقیه جواب‌ها از تقارن جواب‌های اصلی به‌دست می‌آید. برای مطالعه ی بیشتر کلیک کنید.

در این پژوه به کمک روش تکامل تفاضلی (differential evolution) ، مسئله ی هشت وزیر در محیط متلب (Matlab) پیاده سازی شده است.

  • شریف پژوه

پیاده سازی الگوریتم بهینه سازی کرم شب تاب (Firefly algorithm) در متلب(MATLAB)

پیاده سازی الگوریتم بهینه سازی کرم شب تاب (Firefly algorithm) در متلب(MATLAB):

در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم یهینه سازی کرم شب تاب به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی سیستم فازی در متلب (MATLAB)

پیاده سازی ANFIS در متلب :

منطق فازی شکلی از منطق‌های چندارزشی بوده که در آن مقادیر درستی متغیرها ممکن است هر عدد حقیقی بین 0 و 1 و خود صفر و یک باشد. این منطق به منظور به کارگیری مفهوم درستی جزئی استفاده می شود به طوری که مقادیر آن می تواند بین کاملا درست و کاملا غلط باشد. منطق فازی از منطق ارزش‌های «صفر و یک» نرم‌افزارهای کلاسیک فراتر رفته و درگاهی جدید برای دنیای علوم نرم‌افزاری و رایانه‌ها می‌گشاید، زیرا فضای شناور و نامحدود بین اعداد صفر و یک را نیز در منطق و استدلال‌های خود به کار برده و به چالش می‌کشد. 

در این پروژه، با استفاده از متلب (MATLAB)، پیاده سازی سیستم فازی به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی و آموزش سیستم استنتاج عصبی-فازی تطبیقی ANFIS در متلب (MATLAB)

پیاده سازی و آموزش سیستم  استنتاج عصبی-فازی تطبیقی  ANFIS  در متلب (MATLAB) :

یک سیستم استنتاج عصبی-فازی سازگار (adaptive neuro-fuzzy inference system یا adaptive network-based fuzzy inference system که به صورت ANFISخلاصه شده است) نوعی شبکه عصبی مصنوعی است که براساس سیستم فازی تاکاگی-سوگنو (Takagi–Sugeno) می باشد. این شیوه در اوایل ۱۹۹۰ ایجاد شده است. از آنجایی که این سیستم، شبکه های عصبی و مفاهیم منطق فازی را یکی می کند، می‌تواند از امکانات هر دو آنها در یک قاب بهره برد.سیستم استنتاج (inference) آن مطابق با مجموعه قوانین فازی اگر-آنگاهاست که قابلیت یادگیری برای تقریب زدن توابع غیرخطی را دارد.  برای مطالعه جزییات بیشتر در مورد ANFIS کلیک کنید.

در این پروژه، با استفاده از متلب (MATLAB)، پیاده سازی سیستم  استنتاج عصبی-فازی تطبیقی ANFIS به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم بهینه سازی چندهدفه NSGA-II در پایتون(Python)

پیاده سازی الگوریتم بهینه سازی چندهدفه  NSGA-II در پایتون(Python):

در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم بهینه سازی چندهدفه  NSGA-II به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم تکامل تفاضلی در پایتون(Python)

پیاده سازی الگوریتم تکامل تفاضلی در پایتون(Python):

در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم بهینه سازی ازدحام ذرات در پایتون(Python)

پیاده سازی الگوریتم بهینه سازی ازدحام در پایتون(Python):

الگوریتم PSO یک الگوریتم جستجوی جمعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده‌است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز هم‌زمان پرندگان و تغییر ناگهانی مسیر آن‌ها و تغییر شکل بهینهٔ دسته به کار گرفته شد. در PSO، ذرات در فضای جستجو جاری می‌شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است؛ بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر می‌گذارد. نتیجهٔ مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته‌است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند. برای مطالعه جزییات بیشتر در مورد الگوریتم بهینه سازی ازدحام ذرات کلیک کنید.

در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم بهینه سازی ازدحام به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم تکامل تفاضلی در جاوا (Java)

پیاده سازی الگوریتم تکامل تفاضلی در جاوا (Java):

در این پروژه، با استفاده از جاوا (Java)، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم تکامل تفاضلی در سی شارپ

پیاده سازی الگوریتم تکامل تفاضلی در #C:

در این پروژه، با استفاده از #C، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم ژنتیک در دلفی (Delphi)

پیاده سازی الگوریتم ژنتیک در دلفی (Delphi):

الگوریتم‌های ژنتیک (به انگلیسی: Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.. برای مطالعه جزییات بیشتر در مورد الگوریتم ژنتیک کلیک کنید.

در این پروژه، با استفاده از دلفی (Delphi)، پیاده سازی الگوریتم ژنتیک به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم تکامل تفاضلی در سی پلاس پلاس

پیاده سازی الگوریتم تکامل تفاضلی در ++C:

در این پروژه، با استفاده از ++C، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم جستجوی فاخته (Cuckoo search) در متلب(MATLAB)

پیاده سازی الگوریتم جستجوی فاخته (Cuckoo search) در متلب(MATLAB):

جستجوی فاخته (Cuckoo search)، جستجوی کوکو یا جستجوی بلبل، الگوریتم بهینه سازی است که زین شی یانگ و سوآش دب در سال ۲۰۰۹ طراحی کردند. این الگوریتم برگرفته از ملزوم کردن تخم انگلی بعضی گونه های بلبل به قرار دادن تخم هایش در آشیانه پرندگان میزان دیگر (از گونه های دیگر) است. بعضی پرندگان میزبان می توانند با فاخته های سربار و مزاحم جنگ و دعوا کنند. برای مثال اگر پرنده میزبان تخم هایی را پیدا کند که متعلق به آن ها نیست، او این تخم های بیگانه را دور می اندازد یا آشیانه ش را به راحتی ترک می کند و جای دیگر آشیانه ی جدیدی می سازد. تعدادی از تخم ها که شباهت بیشتری به تخم های میزبان دارند، شانس بیشتری برای رشد و تبدیل شدن به فاخته خواهند داشت. میزان تخم های رشد کرده مناسب بودن لانه های منطقه را نشان می دهد. برای مطالعه ی جزییات بیشتر در مورد الگوریتم فاخته کلیک کنید. در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم جستجوی فاخته به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم بهینه سازی ازدحام ذرات در دلفی (Delphi)

پیاده سازی الگوریتم بهینه سازی ازدحام در دلفی (Delphi):

الگوریتم PSO یک الگوریتم جستجوی جمعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده‌است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز هم‌زمان پرندگان و تغییر ناگهانی مسیر آن‌ها و تغییر شکل بهینهٔ دسته به کار گرفته شد. در PSO، ذرات در فضای جستجو جاری می‌شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است؛ بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر می‌گذارد. نتیجهٔ مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته‌است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند. برای مطالعه جزییات بیشتر در مورد الگوریتم بهینه سازی ازدحام ذرات کلیک کنید.

در این پروژه، با استفاده از دلفی (Delphi)، پیاده سازی الگوریتم بهینه سازی ازدحام به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم ژنتیک در جاوا (JAVA)

پیاده سازی الگوریتم ژنتیک در جاوا (JAVA):

الگوریتم‌های ژنتیک (به انگلیسی: Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.. برای مطالعه جزییات بیشتر در مورد الگوریتم ژنتیک کلیک کنید.

در این پروژه، با استفاده از جاوا، پیاده سازی الگوریتم ژنتیک به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم ژنتیک در زبان R

پیاده سازی الگوریتم ژنتیک در زبان R:

الگوریتم‌های ژنتیک (به انگلیسی: Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.. برای مطالعه جزییات بیشتر در مورد الگوریتم ژنتیک کلیک کنید.

در این پروژه، با استفاده از زبان R، پیاده سازی الگوریتم ژنتیک به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم تکامل تفاضلی در دلفی (Delphi)

پیاده سازی الگوریتم تکامل تفاضلی در دلفی (Delphi):

در این پروژه، با استفاده از دلفی (Delphi)، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم رقابت استعماری در پایتون(Python)

پیاده سازی الگوریتم رقابت استعماری در پایتون(Python):

در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم رقابت استعماری به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم سیستم ایمنی مصنوعی در پایتون(Python)

پیاده سازی الگوریتم سیستم ایمنی مصنوعی در پایتون(Python):

در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم سیستم ایمنی مصنوعی به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه

پیاده سازی الگوریتم کلونی زنبور عسل در پایتون(Python)

پیاده سازی الگوریتم کلونی زنبور عسل در پایتون(Python):

در این پروژه، با استفاده از پایتون(Python)، پیاده سازی الگوریتم کلونی زنبور عسل به همراه توضیحات مربوطه، ارائه می گردد.

  • شریف پژوه
موضوعات
آخرین مطالب