Search
English
All Categories
    Menu Close

    جامع الگوریتم ژنتیک در MATLAB

    تاریخ شروع : جمعه ها مدت : 16 ساعت
    450,000 تومان
    i h

     

    اساسا بهینه سازی یا بهینه یابی یکی از موضوعات جذاب در علوم و مهندسی است. روش های تئوری و کلاسیکی برای این روش ها معرفی شده است. برای مثال می توان به یکی از روش های کلاسیک اشاره کرد که شرط یافتن مینیمم و ماکزیمم در توابع درجه دو، قراردهی مشتق برابر با صفر است.

    این علم توسعه فراوانی یافته تا آنجا که در برخی از دانشگاهها کورس های سه واحدی با عنوان روش های بهینه سازی تدریس میگردد.

    در کنار روش های ریاضی، الگوریتم های هوشمندی نیز برای انجام بهینه سازی معرفی شده اند که در قالبی دیگر به الگوریتم های فرا ابتکاری معروف می باشند.

    شاید مشهورترین این روش ها، الگوریتم ژنتیک می باشد که در اوایل 1970 توسط جان هالند معرفی گردید. معروفیت و مشهوریت این روش تا بدان جاست که برخی الگوریتم های فراابتکاری را با نام الگوریتم ژنتیک می شناسند در حالیکه روش های دیگری چون PSO، AntColony و ... نیز وجود دارد.

    برای درک بهتر این الگوریتم مثالی میزنیم. فرض کنید به دنبال مینیمم یابی تابع y=fx می باشید که متغیر x می تواند یک میلیون ورودی بگیرد. روش سرچ عمومی بدین شکل عمل میکند که هر یک میلیون ورودی را وارد تابع f کرده و خروجی ها چک شده و مینیمم یا ماکزیمم پیدا میگردد.

    اما روش های فراابتکاری (برای نمونه الگوریتم ژنتیک) اینگونه عمل نمیکنند. آنها ایجاد شده اند که به جای ارزیابی یک میلیون ورودی، برای مثال با ارزیابی 500 ورودی به نقطه مینیمم یا ماکزیمم برسند.

    کاربردهای متنوع و متفاوت این الگوریتم ها را در هر علمی میتوان یافت. برای مثال:

    بهینه سازی شکل آیرودینامیکی خودرو برای کاهش مصرف سوخت یا افزایش سرعت!

    بهینه سازی دماغه شاتل های فضایی برای کاهش حرارت در فاز ورود به جو!

    بهینه سازی مکانی سنسورهای تشخیص عیب در هر وسیله ای!

    بهینه سازی شرایط اقتصادی برای ایجاد کمترین تورم!

    و قس علی هذا !

    در این ورکشاپ جامع بر مفاهیم اصلی، تئوری و کاربرد الگوریتم ژنتیک (تک هدفه و چند هدفه) در مسائل بهینه سازی و نحوه پیاده سازی آن در نرم افزار متلب تمرکز خواهد بود.

            مقدمات روش

            بیان کلیدواژهای این روش

            معرفی تک تک کلیدواژها

            بیان روش های مختلف تقاطع و جهش

            معرفی شرایط متفاوت خاتمه الگوریتم

            شیوه کدنویسی

    o       معرفی توابع و دستورات مخصوص نرم افزار متلب

    o       آموزش نحوه نوشتن توابع توسط کاربر

    o       حل یک نمونه مساله باینری

    o       حل یک نمونه مساله حقیقی

    Products specifications
    google MathWorks
    پیش نیاز مقدماتی
    وضعیت پیش ثبت نام
    نحوه برگزاری آنلاین و حضوری
    نوع دوره فشرده
    فیلم دوره موجود است
    مدرک ارائه شده لاتین پارس پژوهان
    0.0 0
    Write your own review Close
    • Only registered users can write reviews
    *
    *
    • Bad
    • Excellent
    *
    *
    *

     

    اساسا بهینه سازی یا بهینه یابی یکی از موضوعات جذاب در علوم و مهندسی است. روش های تئوری و کلاسیکی برای این روش ها معرفی شده است. برای مثال می توان به یکی از روش های کلاسیک اشاره کرد که شرط یافتن مینیمم و ماکزیمم در توابع درجه دو، قراردهی مشتق برابر با صفر است.

    این علم توسعه فراوانی یافته تا آنجا که در برخی از دانشگاهها کورس های سه واحدی با عنوان روش های بهینه سازی تدریس میگردد.

    در کنار روش های ریاضی، الگوریتم های هوشمندی نیز برای انجام بهینه سازی معرفی شده اند که در قالبی دیگر به الگوریتم های فرا ابتکاری معروف می باشند.

    شاید مشهورترین این روش ها، الگوریتم ژنتیک می باشد که در اوایل 1970 توسط جان هالند معرفی گردید. معروفیت و مشهوریت این روش تا بدان جاست که برخی الگوریتم های فراابتکاری را با نام الگوریتم ژنتیک می شناسند در حالیکه روش های دیگری چون PSO، AntColony و ... نیز وجود دارد.

    برای درک بهتر این الگوریتم مثالی میزنیم. فرض کنید به دنبال مینیمم یابی تابع y=fx می باشید که متغیر x می تواند یک میلیون ورودی بگیرد. روش سرچ عمومی بدین شکل عمل میکند که هر یک میلیون ورودی را وارد تابع f کرده و خروجی ها چک شده و مینیمم یا ماکزیمم پیدا میگردد.

    اما روش های فراابتکاری (برای نمونه الگوریتم ژنتیک) اینگونه عمل نمیکنند. آنها ایجاد شده اند که به جای ارزیابی یک میلیون ورودی، برای مثال با ارزیابی 500 ورودی به نقطه مینیمم یا ماکزیمم برسند.

    کاربردهای متنوع و متفاوت این الگوریتم ها را در هر علمی میتوان یافت. برای مثال:

    بهینه سازی شکل آیرودینامیکی خودرو برای کاهش مصرف سوخت یا افزایش سرعت!

    بهینه سازی دماغه شاتل های فضایی برای کاهش حرارت در فاز ورود به جو!

    بهینه سازی مکانی سنسورهای تشخیص عیب در هر وسیله ای!

    بهینه سازی شرایط اقتصادی برای ایجاد کمترین تورم!

    و قس علی هذا !

    در این ورکشاپ جامع بر مفاهیم اصلی، تئوری و کاربرد الگوریتم ژنتیک (تک هدفه و چند هدفه) در مسائل بهینه سازی و نحوه پیاده سازی آن در نرم افزار متلب تمرکز خواهد بود.

    Products specifications
    google MathWorks
    پیش نیاز مقدماتی
    وضعیت پیش ثبت نام
    نحوه برگزاری آنلاین و حضوری
    نوع دوره فشرده
    فیلم دوره موجود است
    مدرک ارائه شده لاتین پارس پژوهان
    Product tags
    Customers who bought this item also bought
    Picture of شبکه های عصبی مصنوعی Artificial Neural Networks (هوافضا)
    Picture of بهینه سازی با الگوریتم ACO و PSO در MATLAB

    بهینه سازی با الگوریتم ACO و PSO در MATLAB

    تاریخ شروع : یک روزه آخر هفته مدت : 8 ساعت
    290,000 تومان