شریف پژوه

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

پیاده سازی الگوریتم هارمونی در پایتون(Python):

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

پیاده سازی الگوریتم ژنتیک در پایتون(Python):

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 پایتون، پیاده سازی الگوریتم ژنتیک به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم ممتیک در پایتون(Python):

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

پیاده سازی الگوریتم ممتیک در متلب(MATLAB):

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

پیاده سازی الگوریتم هارمونی در متلب(MATLAB):

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

پیاده سازی الگوریتم بهینه سازی ازدحام در متلب(MATLAB):

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 متلب، پیاده سازی الگوریتم بهینه سازی ازدحام به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم کلونی زنبور عسل در متلب(MATLAB):

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

پیاده سازی الگوریتم سیستم ایمنی مصنوعی در متلب(MATLAB):

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

پیاده سازی الگوریتم بهینه سازی چندهدفه  NSGA-II در متلب(MATLAB):

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

پیاده سازی الگوریتم تکامل تفاضلی در متلب(MATLAB):

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