بالاخره یکی از کاملترین فایل های شبیه سازی برای ااولین بار در مجموعه سایت ها موجود در اینجا قرار داده شده است. این فیال شبیه سازی کامل در مورد پخش بار اقتصادی است که در آن تابع سینوسی و غیر سینوسی و قید های وارده در نظر گرفته شده است. سیستم های که شبیه سازی شده 6-13-15-40 و .... می باشند همه سیستم های اطلاعات قرار دارند. در انتهای شبیه سازی هم همگرایی و هم خروجی ها و انحراف معیار و بدترین و بهترین خروجی را نشان می دهد. برنامه اجرا شدند و در مطلب نوشته شدند. چنین ارشیو کاملی در مورد پخش بار اقتصادی با الگوریتم جستجوی هارمونی در جایی دیگری نخواهید دید.
همچنین برای آگاهی بیشتر دانشجویان یک مرجع در این زمینه ارائه می شود تا دانشجویان با خیال راحت اقدام به دریافت شبیه سازی نمایند. این مقاله برای الزویر بوده اما دانلود رایگان است.
http://www.sciencedirect.com/science/article/pii/S2212017315002996
الگوریتم بهینه سازی توده ذرات در ابتداییترین شکل خود یک روش تکراری دستهجمعی آشفته با تاکید بر همکاری است. این الگوریتم تا حدی تصادفی بوده و بدون مکانیزم انتخاب است و از حرکت گروهی پرندگان و زنبورها الهام گرفته است. رفتار جمعی تمام افراد جمعیت باعث یک همگرایی درنقطهای نزدیک به جواب بهینه مطلق میشود. نقطه قوت این الگوریتم عدم نیاز به یک کنترل سراسری است. هرفرد دراین الگوریتم خود مختاری نسبی دارد که میتواند درسراسر فضای جستجو حرکت کند و میبایست با سایر افراد همکاری داشته باشد. در این گزارش ابتدا نحوه کارکرد کد نوشته شده مورد بررسی قرار میگیرد. در فصل دوم الگوریتم بهینه سازی توده ذرات به طور مفصل توضیح داده میشود. در فصل آخر نیز نحوه پیاده سازی این الگوریتم بر روی کد Matlabتوضیح داده خواهد شد.
الگوریتم PSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دستههای پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینهی دسته به کار گرفته شد . در PSO، ذرات در فضای جستجو جاری میشوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر میگذارد . نتیجهی مدلسازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل میکنند. ذرات از یکدیگر میآموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود میروند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگیاش وجود دارد، تنظیم میکند.
الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راهحل تقریبی برای بهینهسازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیستشناسی فرگشتی مانند وراثت و جهش استفاده میکند. در واقع الگوریتمهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده میکنند. الگوریتمهای ژنتیک اغلب گزینه خوبی برای تکنیکهای پیشبینی بر مبنای تصادف هستند. مختصراً گفته میشود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامهنویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده میکند. مسألهای که باید حل شود ورودی است و راهحلها طبق یک الگو کد گذاری میشوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی میکند که اکثر آنها به صورت تصادفی انتخاب میشوند. کلاً این الگوریتمها از بخش های زیر تشکیل میشوند: تابع برازش، نمایش، انتخاب، تغییر
فهرست :
فصل اول
مقدمه
به دنبال تکامل…
ایدۀ اصلی استفاده از الگوریتم ژنتیک
درباره علم ژنتیک
تاریخچۀ علم ژنتیک
تکامل طبیعی (قانون انتخاب طبیعی داروین)
رابطه تکامل طبیعی با روشهای هوش مصنوعی
الگوریتم
الگوریتمهای جستجوی ناآگاهانه
الف جستجوی لیست
ب جستجوی درختی
پ جستجوی گراف
الگوریتمهای جستجوی آگاهانه
الف جستجوی خصمانه
مسائل NPHard
هیوریستیک
انواع الگوریتمهای هیوریستیک
فصل دوم
مقدمه
الگوریتم ژنتیک
مکانیزم الگوریتم ژنتیک
عملگرهای الگوریتم ژنتیک
کدگذاری
ارزیابی
ترکیب
جهش
رمزگشایی
چارت الگوریتم به همراه شبه کد آن
شبه کد و توضیح آن
چارت الگوریتم ژنتیک
تابع هدف
روشهای کد کردن
کدینگ باینری
کدینگ جایگشتی
کد گذاری مقدار
کدینگ درخت
نمایش رشتهها
انواع روشهای تشکیل رشته
باز گرداندن رشتهها به مجموعه متغیرها
تعداد بیتهای متناظر با هر متغیر
جمعیت
ایجاد جمعیت اولیه
اندازه جمعیت
محاسبه برازندگی (تابع ارزش)
انواع روشهای انتخاب
انتخاب چرخ رولت
انتخاب حالت پایدار
انتخاب نخبه گرایی
انتخاب رقابتی
انتخاب قطع سر
انتخاب قطعی بریندل
انتخاب جایگزینی نسلی اصلاح شده
انتخاب مسابقه
انتخاب مسابقه تصادفی
انواع روشهای ترکیب
جابهجایی دودوئی
جابهجایی حقیقی
ترکیب تکنقطهای
ترکیب دو نقطهای
ترکیب n نقطهای
ترکیب یکنواخت
ترکیب حسابی
ترتیب
چرخه
محدّب
بخش_نگاشته
احتمال ترکیب
تحلیل مکانیزم جابجایی
جهش
جهش باینری
جهش حقیقی
وارونه سازی بیت
تغییر ترتیب قرارگیری
وارون سازی
تغییر مقدار
محک اختتام اجرای الگوریتم ژنتیک
انواع الگوریتمهای ژنتیکی
الگوریتم ژنتیکی سری
الگوریتم ژنتیکی موازی
مقایسه الگوریتم ژنتیک با سیستمهای طبیعی
نقاط قوّت الگوریتمهای ژنتیک
محدودیتهای GAها
استراتژی برخورد با محدودیتها
استراتژی اصلاح عملگرهای ژنتیک
استراتژی رَدّی
استراتژی اصلاحی
استراتژی جریمهای
بهبود الگوریتم ژنتیک
چند نمونه از کاربردهای الگوریتمهای ژنتیک
فصل سوم
مقدمه
حلّ معمای هشت وزیر
جمعیت آغازین
تابع برازندگی
آمیزش
جهش ژنتیکی
الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دورهگرد
حل مسأله TSP به وسیله الگوریتم ژنتیک
مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP
نتیجه گیری
حلّ مسأله معمای سودوکو
حل مسأله
تعیین کروموزم
ساختن جمعیت آغازین یا نسل اول
ساختن تابع از ارزش
ترکیب نمونهها و ساختن جواب جدید
ارزشیابی مجموعه جواب
ساختن نسل بعد
مرتب سازی به کمک GA
صورت مسأله
جمعیت آغازین
تابع برازندگی
انتخاب
ترکیب
جهش
فهرست منابع و مراجع
پیوست
واژهنامه