لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : .ppt ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 21 اسلاید
قسمتی از متن .ppt :
1/19
Informed search algorithms
Chapter 4
Modified by Vali Derhami
2/19
Relaxed problemsمسائل تعدیل شده
A problem with fewer restrictions on the actions is called a relaxed problem
The cost of an optimal solution to a relaxed problem is an admissible heuristic for the original problem
If the rules of the 8-puzzle are relaxed so that a tile can move anywhere, then h1(n) gives the shortest solution
If the rules are relaxed so that a tile can move to any adjacent square, then h2(n) gives the shortest solution
ترکیب هیوریستیک ها: h(n)=max(h1(n), h2(n), .. hm(n))
اگر همه hiها قابل قبول باشند h(n) هم قابل قبول و اگر همه سازگار باشند h(n) هم سازگار خواهد بود
3/19
Local search algorithms
In many optimization problems, the path to the goal is irrelevant; the goal state itself is the solution, such as 8 queens problem
State space = set of "complete" configurations
Find configuration satisfying constraints, e.g., n-queens
In such cases, we can use local search algorithms
keep a single "current" state, try to improve it
4/19
Example: n-queens
Put n queens on an n × n board with no two queens on the same row, column, or diagonal
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : .ppt ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 21 اسلاید
قسمتی از متن .ppt :
Powerpoint Templates
الگوریتم کلونی مورچه
تهیه کننده : ارشک یادگار
استاد راهنما : جناب آقای دکتر جلالی
دانشگاه آزاد اسلامی واحد قوچان
مقدمه
تا کنون روش های بهینه سازی مختلفی برای مسائل متنوع بهینه سازی بکار گرفته
شده اند.
Genetic Algorithm
Artificial neural networks
particle swarm optimization
simulated annealing
ant colony optimization
در این مقاله قصد داریم نکاتی را درباره ی الگورتم کلونی مورچگان بیان کنیم.
فهرست مطالب
1-رفتار طبیعی مورچه ها
2- فاکتورهای موجود در روش مورچه ها
3-مسئله TSP
4- الگوریتم ant system
5- مدلهای مختلف ant system
6- انواع الگوریتم های کلونی مورچه
7- کاربردها
8-منابع
تاریخچه ant colony optimization
Aco توسط فردی بنام Marco Dorigo در سال 1992 معرفی شده است که یک
تکنیک احتمالی برای مسائل محاسباتی (probabilistic) که در پیدا کردن
مسیرهای مناسب در درون یک گراف خلاصه میشوند، میباشد .
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : .ppt ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 12 اسلاید
قسمتی از متن .ppt :
الگوریتم ژنتیکی
تعریف
الگوریتم ژنتیکی، رویه ای تکراری است که راه حل های انتخابیش را بصورت رشته ای از ژنها که کروموزوم نامیده می شوند، بازنمایی می کند.
موفقیت آنها را با تابع fitness اندازه می گیرد.
تابع fitness میزان نزدیکی به هدف را محاسبه می کند.
در هر تکرار الگوریتم، (مانند سیستم های بیولوژیکی) راه حلهای انتخابی، برای تولید فرزند (که generation نامیده می شوند) ترکیب می شوند.
والدین نسل بعدی، با توجه به fitness والدین و فرزندان نسل قبل، از بین آنها انتخاب می شوند.
خود فرزندان نیز می توانند به عنوان راه حل انتخاب شوند.
عملگرهای ژنتیکی، برای تولید فرزندان
Reproduction: از طریق این عملگر، الگوریتمهای ژنتیکی، نسل جدیدی از راه حلهای بهبودیافته را با انتخاب والدینی که بالاترین fitness را دارند تولید می کنند.
Crossover: با توجه به اینکه الگوریتمهای ژنتیکی از رشته هایی از نمادهای باینری برای کروموزومها استفاده می کنند، crossover به معنی انتخاب موقعیتی تصادفی در رشته و تعویض بخشهای چپ و راست این نقاط با رشته دیگر برای تولید دو فرزند جدید می باشد.
Mutation: تغییر دلخواه در موقعیت است. رویه تغییر یک به صفر و یا صفر به یک می باشد و با احتمال خیلی کم (1000/1) رخ می دهد.
نحوه کار الگوریتم ژنتیک
بازنمایی شرح مساله به نحوی که بتواند از طریق الگوریتم ژنتیکی حل شود: بازنمایی راه حل، بصورت رشته ای از صفر و یک ها.
تولید مجموعه اولیه جوابها و محاسبه fitness آنها.
محاسبه مجموع تابع fitness
محاسبه احتمال اینکه هر راه حل برای تولید فرزندان انتخاب شود: تقسیم تابع fitness آن به مجموع
انتخاب والدین
تولید فرزندان از طریق crossover یا (با احتمال کم) mutation
نسل جدید شامل مجموعه ای از بهترین فرزندان و والدین می باشد.
فرایند آنقدر ادامه می یابد تا اینکه راه حل بهینه حاصل شود و یا اینکه در چندین نسل بهبود نداشته باشیم.
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : .ppt ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 12 اسلاید
قسمتی از متن .ppt :
الگوریتم ژنتیکی
تعریف
الگوریتم ژنتیکی، رویه ای تکراری است که راه حل های انتخابیش را بصورت رشته ای از ژنها که کروموزوم نامیده می شوند، بازنمایی می کند.
موفقیت آنها را با تابع fitness اندازه می گیرد.
تابع fitness میزان نزدیکی به هدف را محاسبه می کند.
در هر تکرار الگوریتم، (مانند سیستم های بیولوژیکی) راه حلهای انتخابی، برای تولید فرزند (که generation نامیده می شوند) ترکیب می شوند.
والدین نسل بعدی، با توجه به fitness والدین و فرزندان نسل قبل، از بین آنها انتخاب می شوند.
خود فرزندان نیز می توانند به عنوان راه حل انتخاب شوند.
عملگرهای ژنتیکی، برای تولید فرزندان
Reproduction: از طریق این عملگر، الگوریتمهای ژنتیکی، نسل جدیدی از راه حلهای بهبودیافته را با انتخاب والدینی که بالاترین fitness را دارند تولید می کنند.
Crossover: با توجه به اینکه الگوریتمهای ژنتیکی از رشته هایی از نمادهای باینری برای کروموزومها استفاده می کنند، crossover به معنی انتخاب موقعیتی تصادفی در رشته و تعویض بخشهای چپ و راست این نقاط با رشته دیگر برای تولید دو فرزند جدید می باشد.
Mutation: تغییر دلخواه در موقعیت است. رویه تغییر یک به صفر و یا صفر به یک می باشد و با احتمال خیلی کم (1000/1) رخ می دهد.
نحوه کار الگوریتم ژنتیک
بازنمایی شرح مساله به نحوی که بتواند از طریق الگوریتم ژنتیکی حل شود: بازنمایی راه حل، بصورت رشته ای از صفر و یک ها.
تولید مجموعه اولیه جوابها و محاسبه fitness آنها.
محاسبه مجموع تابع fitness
محاسبه احتمال اینکه هر راه حل برای تولید فرزندان انتخاب شود: تقسیم تابع fitness آن به مجموع
انتخاب والدین
تولید فرزندان از طریق crossover یا (با احتمال کم) mutation
نسل جدید شامل مجموعه ای از بهترین فرزندان و والدین می باشد.
فرایند آنقدر ادامه می یابد تا اینکه راه حل بهینه حاصل شود و یا اینکه در چندین نسل بهبود نداشته باشیم.
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : .ppt ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 12 اسلاید
قسمتی از متن .ppt :
الگوریتم ژنتیکی
تعریف
الگوریتم ژنتیکی، رویه ای تکراری است که راه حل های انتخابیش را بصورت رشته ای از ژنها که کروموزوم نامیده می شوند، بازنمایی می کند.
موفقیت آنها را با تابع fitness اندازه می گیرد.
تابع fitness میزان نزدیکی به هدف را محاسبه می کند.
در هر تکرار الگوریتم، (مانند سیستم های بیولوژیکی) راه حلهای انتخابی، برای تولید فرزند (که generation نامیده می شوند) ترکیب می شوند.
والدین نسل بعدی، با توجه به fitness والدین و فرزندان نسل قبل، از بین آنها انتخاب می شوند.
خود فرزندان نیز می توانند به عنوان راه حل انتخاب شوند.
عملگرهای ژنتیکی، برای تولید فرزندان
Reproduction: از طریق این عملگر، الگوریتمهای ژنتیکی، نسل جدیدی از راه حلهای بهبودیافته را با انتخاب والدینی که بالاترین fitness را دارند تولید می کنند.
Crossover: با توجه به اینکه الگوریتمهای ژنتیکی از رشته هایی از نمادهای باینری برای کروموزومها استفاده می کنند، crossover به معنی انتخاب موقعیتی تصادفی در رشته و تعویض بخشهای چپ و راست این نقاط با رشته دیگر برای تولید دو فرزند جدید می باشد.
Mutation: تغییر دلخواه در موقعیت است. رویه تغییر یک به صفر و یا صفر به یک می باشد و با احتمال خیلی کم (1000/1) رخ می دهد.
نحوه کار الگوریتم ژنتیک
بازنمایی شرح مساله به نحوی که بتواند از طریق الگوریتم ژنتیکی حل شود: بازنمایی راه حل، بصورت رشته ای از صفر و یک ها.
تولید مجموعه اولیه جوابها و محاسبه fitness آنها.
محاسبه مجموع تابع fitness
محاسبه احتمال اینکه هر راه حل برای تولید فرزندان انتخاب شود: تقسیم تابع fitness آن به مجموع
انتخاب والدین
تولید فرزندان از طریق crossover یا (با احتمال کم) mutation
نسل جدید شامل مجموعه ای از بهترین فرزندان و والدین می باشد.
فرایند آنقدر ادامه می یابد تا اینکه راه حل بهینه حاصل شود و یا اینکه در چندین نسل بهبود نداشته باشیم.