بهینه سازی کلونی مورچه ها یا Ant Colony Optimization و (به اختصار ACO)، که در سال ۱۹۹۲ توسط مارکو دوریگو (Marco Dorigo) و در رساله دکتری وی مطرح شد، یکی از بارزترین نمونه ها برای روش های هوش جمعی است. این الگوریتم از روی رفتار جمعی مورچه ها الهام گرفته شده است. مورچه ها با همکاری یکدیگر کوتاه ترین مسیر را میان لانه و منابع غذایی پیدا می کنند تا بتوانند در کمترین زمان، مواد غذایی را به لانه منتقل کنند. هیچ کدام از مورچه ها به تنهایی قادر به انجام چنین کاری نیستند، اما با همکاری و پیروی از چند اصل ساده بهترین راه را پیدا می کنند. الگوریتم مورچه ها، یک مثال بارز از هوش جمعی هستند که در آن عامل هایی که قابلیت چندان بالایی ندارند، در کنار هم و با همکاری یکدیگر می توانند نتایج بسیار خوبی به دست بیاورند. مجموعه فرادرس های الگوریتم مورچگان در متلب، عنوان یک مجموعه آموزشی کامل است که شامل تقریبا ۷ ساعت فیلم آموزشی ناب به زبان فارسی است. این مجموعه آموزشی از چندین قسمت تشکیل شده است که اطلاعات آن در ادامه آمده اند. درس یکم: الگوریتم مورچگان کلاسیک یا ACO در متلب در این فرادرس، دانشجویان عزیز با مباحث مختلف تئوری و عملی الگوریتم مورچگان در متلب آشنا می شوند. دروسی که در این آموزش به آن پرداخته می شود، مبانی و مفاهیم اساسی هوش جمعی، مبانی تئوری الگوریتم مورچگان، پیاده سازی الگوریتم مورچگان در متلب و… است. توضیح کامل مباحث مربوطه و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه از نقاط قوت این آموزش به شمار می رود. فهرست سرفصل ها و رئوس مطالب مطرح شده در درس یکم در ادامه آمده است: مروری بر مبانی و مفاهیم اساسی هوش جمعی (Swarm Intelligence) مبانی تئوری الگوریتم مورچگان یا ACO تشریح بخش های مختلف الگوریتم مورچگان بررسی انواع نسخه های الگوریتم مورچگان پیاده سازی الگوریتم مورچگان در متلب بیان ریاضی مساله فروشنده دوره گرد یا TSP پیاده سازی گام به گام الگوریتم مورچگان در محیط متلب برای حل مساله فروشنده دوره گرد نمایش نتایج حاصل از حل مساله TSP به صورت گرافیکی جمع بندی و نتیجه گیری های نهایی درس دوم: حل مسائل گسسته با استفاده از الگوریتم مورچگان در متلب الگوریتم مورچگان برای حل و بررسی محدوده وسیعی از مسائل بهینه سازی به کار برده شده است. از این میان می توان به حل مساله کلاسیک فروشنده دوره گرد و همچنین مساله راهیابی در شبکه های مخابرات راه دور اشاره نمود. در این درس، آموزش عملی حل مسائل گسسته با استفاده از الگوریتم مورچگان، روش های حل مسائل گسسته (از نوع باینری، عدد صحیح و جایگشتی) مورد بحث و بررسی واقع شده است. در این درس با حل سه مساله به صورت عملی، نکات عملی مربوطه به طور گام به گام آموزش داده شده اند. سه مساله مورد بررسی در این درس عبارتند از: مساله کوله پشتی باینری یا Binary Knapsack Problem مساله کوله پشتی عدد صحیح یا Integer Knapsack Problem مساله تخصیص درجه دو یا Quadratic Assignment Problem (به اختصار QAP) فهرست سرفصل ها و رئوس مطالب مطرح شده در درس دوم در ادامه آمده است: بیان ریاضی مساله کوله پشتی باینری شیوه نمایش راه حل مساله باینری به صورت لایه ای در الگوریتم مورچگان پیاده سازی گام به گام و حل مساله کوله پشتی باینری در متلب بهبود عملکرد و تکمیل برنامه نوشته شده بیان ریاضی مساله کوله پشتی عدد صحیح طراحی راه حل به صورت لایه های نامتجانس در الگوریتم مورچگان پیاده سازی گام به گام و حل مساله کوله پشتی عدد صحیح در متلب بیان ریاضی مساله QAP و کاربردهای آن نمایش راه حل مساله QAP به صورت لایه ای در الگوریتم مورچگان پیاده سازی گام به گام برنامه مربوط به حل QAP در متلب بررسی تاثیر تغییر پارامترهای مساله در پاسخ نهایی نمایش گرافیکی نتایج حاصل از حل مساله QAP جمع بندی و نتیجه گیری های نهایی درس سوم: الگوریتم مورچگان پیوسته یا ACOR در متلب درس جامع الگوریتم مورچگان برای فضای پیوسته یا ACOR در متلب، شامل مباحث تئوری و عملی در خصوص الگوریتم مورچگان پیوسته است و می تواند به عنوان یک مرجع بسیار کامل برای استفاده دانشجویان و دانش پژوهان مورد استفاده قرار بگیرد. فهرست سرفصل ها و رئوس مطالب مطرح شده در درس سوم در ادامه آمده است: مروری بر مبانی الگوریتم مورچگان پیوسته و تعریف فرومون (Pheromone) در فضای پیوسته بیان ارتباط میان مدل سازی احتمال و توزیع گوسی با تعریف فرومون پیوسته معرفی مفهوم بایگانی جواب یا Solution Archive و جایگاه آن در الگوریتم مورچگان مفاهیم اساسی مربوط به نمونه برداری از طریق یک ترکیب گوسی یا Gaussian Mixture بیان مراحل الگوریتم ACOR به صورت گام به گام و بررسی دقیق عملکرد هر مرحله پیاده سازی الگوریتم ACOR در محیط متلب به صورت مرحله به مرحله مباحث تکمیلی در خصوص نحوه در نظر گرفتن همبستگی متغیرها توسط PCA و الگوریتم گرام-اشمیت (Gram – Schmidt algorithm) در ACOR



دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.