پاورپوینت در مورد الگوریتم های جستجوی آگاهانه

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

پاورپوینت در مورد الگوریتم کلونی مورچه

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 .

پاورپوینت در مورد الگوریتم ژنتیکی

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.

پاورپوینت درباره الگوریتم ژنتیکی

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.

پاورپوینت درباره الگوریتم ژنتیکی

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.