پاورپوینت الگوریتم بهینه سازی فاخته دارای 42 اسلاید می باشد . جهت دانلود فایل پاورپوینت بر روی گزینه خرید انتهای متن کلیک نموده و پس از وارد نمودن آدرس ایمیل و کلیک بر روی گزینه خرید به درگاه بانک متصل شده و از کلیه کارت های بانکی عضو شتاب قادر به پرداخت و تهیه آن می باشید. بلافاصله پس از پرداخت لینک دانلود فایل پاورپوینت در اختیارتان قرار می گیرد و می توانید آن را دانلود نمایید . ضمناً همان لحظه لینک دانلود فایل نیز به آدرس ایمیل شما ارسال می گردد.
همچنین در صورت تهیه فایل پاورپوینت مربوطه و مناسب نبودن فایل با اعلام شماره کارت بانکی و آدرس ایمیلی که در سایت ثبت نموده اید مبلغ پرداختی حداکثر ۲۴ ساعت بعد برگشت داده می شود.
بزرگوارانی که به صورت انلاین قادر به تهیه فایل پاورپوینت نمی باشند می توانند عنوان فایل پاورپوینت درخواستی را به همراه آدرس ایمیل و شماره همراه خود را به ایمیل bankmaghalehir@gmail.com ارسال نمایند تا فایل پاورپوینت از طریق ایمیل یا تلگرام برای آنها ارسال گردد و پس از آن هزینه را کارت به کارت به حساب ما واریز نمایند.
بخش اول:
معرفی الگوریتم بهینه سازی فاخته
بخش دوم:
فلوچارت و گام های الگوریتم
بخش سوم:
مثال
بخش چهارم:
کاربردها
بخش پنجم:
معرفی منابع اطلاعاتی
رويكردهای موجود براي طراحي جوابهاي با كيفيت قابل پذيرش
براي بهبود اين الگوريتمها از اواسط دهه هفتاد، موج تازهاي از رويكردها آغاز گرديد.
اين رويكردها شامل الگوريتمهايي است كه صريحاً يا به صورت ضمني تقابل بين ايجاد تنوع جستجو (وقتي علائمي وجود دارد كه جستجو به سمت مناطق بد فضاي جستجو ميرود) و تشديد جستجو (با اين هدف كه بهترين جواب در منطقه مورد بررسي را پيدا كند) را مديريت ميكنند. اين الگوريتمها متاهيوريستيك ناميده ميشوند.
برخی از پرندگان هرگز برای خود لانه نمیسازند و به جای آن تخمهای خود را در لانه سایر انواع پرندگان قرار میدهند و صبر میکنند تا آنها در کنار تخمهای خود به تخمهای این پرندگان نیز رسیدگی کنند.
این پرندگان در اصطلاح “پارازیتهای اولاد” نامیده میشوند.
فاخته مشهورترین پارازیت اولادی میباشد.
فاخته مادر یکی از تخمهای پرنده مادر میزبان را از بین میبرد و تخم خود را لابلای تخمهای دیگر موجود در لانه میزبان قرار میدهد.
فاخته ها لانه های انواع گونه های پرندگان را آلوده به تخم خود میکنند و این کار را به دقت و با تقلید از رنگ و الگوی تخمهای موجود در هر لانه انجام میدهند.
هر فاخته ی ماده روی نوع خاصی از گونه پرندگان تخصص مییابد.
در واقع فاخته ها به طور پیوسته تقلید خود را از تخمهای لانه های هدف بهبود می بخشند و پرندگان میزبان هم روشهای شناسایی تخمهای بیگانه را یاد میگیرند.
جوجه های فاخته زودتر از تخمهای پرنده میزبان از تخم بیرون می آیند و زودتر هم رشد میکنند.
در اکثر موارد جوجه ی فاخته تخمها و یا جوجه های پرنده میزبان را از لانه بیرون میاندازند. این مساله کاملاً غریزی است.
فاخته های پارازیت انداز به گروههایی تقسیم میشوند و هر گروه روی پرنده میزبان خاصی تخصص مییابد. ثابت شده است که هر گروه از فاختهها به صورت ژنتیکی با گروه دیگر اختلاف دارند.
جستجوي فاخته، در سال 2009 توسط شين او يانگ و دب ساوش، توسعه يافته است.
پس از آن در سال 2011 الگوريتم بهينه سازي فاخته توسط رامین رجبيون ارائه گرديد.
همانند سایر الگوریتمهای تکاملی COA هم با یک جمعیت اولیه کار خود را شروع میکند. جمعیتی متشکل از فاختهها.
این جمعیت از فاختهها تعدادی تخم دارند که آنها را در لانه تعدادی پرندهی میزبان خواهند گذاشت.
تعدادی از این تخمها که شباهت بیشتری به تخمهای پرنده میزبان دارند شانس بیشتری برای رشد و تبدیل شدن به فاخته بالغ خواهند داشت. سایر تخمها توسط پرنده میزبان شناسایی شده و از بین میروند.
میزان تخمهای رشد کرده مناسب بودن لانههای آن منطقه را نشان میدهند.
هرچه تخمهای بیشتری در یک ناحیه قادر به زیست باشند و نجات یابند به همان اندازه سود (تمایل) بیشتری به آن منطقه اختصاص مییابد.
پس از آنکه جوجهها از تخم درآمدند و به فاخته بالغ تبدیل شدند، جوامع و گروههایی تشکیل میدهند.
هر گروه منطقه سکونت خود را برای زیست دارد.
بهترین منطقه سکونت تمام گروهها مقصد بعدی فاختهها در سایر گروهها خواهد بود.
تمام گروهها به سمت بهترین منطقه موجود فعلی مهاجرت میکنند. هر گروه در منطقهای نزدیک بهترین موقعیت فعلی ساکن میشود.
با در نظر گرفتن تعداد تخمی که هر فاخته خواهد گذاشت و همچنین فاصله فاختهها از منطقه بهینه فعلی برای سکونت تعدادی شعاع تخمگذاری محاسبه شده و شکل میگیرد.
سپس فاخته ها شروع به تخمگذاری تصادفی در لانههایی داخل شعاع تخمگذاری خود میکنند.
این پروسه تا رسیدن به بهترین محل برای تخمگذاری (منطقه با بیشترین سود) ادامه مییابد. این محل بهینه جایی است که بیشترین تعداد فاختهها در آن گرد میآیند.
برای حل یک مساله بهینه سازی لازم است تا مقادیر متغیرهای مساله به فرم یک آرایه شکل گیرند.
در GA و PSO این آرایه ها با نامهای “کروموزوم” و “موقعیت ذرات” مشخص میشوند. ولی در COA به این آرایه habitat یا “محل سکونت” میگوئیم.
در یک مساله بهینهسازی Nvar بعدی یک habitat یک آرایه 1*Nvar خواهد بود که موقعیت فعلی زندگی فاختهها را نشان میدهد. این آرایه به شکل زیر تعریف میشود:
Habitat = [x1,x2,…,xNvar]
میزان مناسب بودن (یا مقدار سود) در habitat فعلی با ارزیابی تابع سود (fp) در habitat به دست میآید. بنابراین:
Profit = fp)habitat) = fp)x1,x2,…,xNvar)
همانطور که دیده میشود COA الگوریتمی است که تابع سود را ماکزیمم میکند.
برای استفاده از COA برای حل مسایل کمینهسازی کافی است یک علامت منفی در تابع هزینه ضرب کنیم.
برای شروع الگوریتم بهینه سازی یک ماتریس habitat به سایز Npop*Nvarتولید میشود.
سپس برای هر کدام از این habitat ها تعدادی تصادفی تخم تخصیص مییابد.
در طبیعت هر فاخته بین ۵ تا ۲۰ تخم میگذارد. این اعداد به عنوان حد بالا و پایین تخصیص تخم به هر فاخته در تکرارهای مختلف استفاده میشود.
دیگر عادت هر فاخته حقیقی این است که آنها در یک دامنه مشخص تخمهای خود را میگذارند Egg Laying Radius (ELR).
پاورپوینت مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد.
جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ را پرداخت نمایید.
ارسال نظر