مجموعه آموزش های بهینه سازی چند هدفه در متلب

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

دکتر سیدمصطفی کلامی هریس
دکتر سیدمصطفی کلامی هریس

عضو هیأت علمی فرادرس

دکترای تخصصی مهندسی برق-کنترل


دکتر سیدمصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیأت علمی آن است. تا کنون، محتوای آموزشی ارائه شده توسط وی بر روی فرادرس، یکی از مراجع اصلی آموزشی دانشجویان و دانش پژوهان علاقه مند به یادگیری حوزه های مختلف مرتبط با هوش مصنوعی و برنامه نویسی بوده است. (+)



اگر قصد دارید که در کمترین زمان ممکن و با بهترین کیفیت، مباحث تئوری و عملی مربوط به بهینه سازی چند هدفه را فرا بگیرید، حتما این پست را بخوانید. محصولی که در این پست قصد معرفی آن را داریم، مجموعه فرادرس های بهینه سازی چند هدفه در متلب است که نه تنها مشابه ایرانی، که مشابه خارجی نیز ندارد و محصولی واقعا بی نظیر است.

👤 مدرس: دکتر سیدمصطفی کلامی هریس
🕓 مدت زمان: ۱۸ ساعت و ۵۰ دقیقه
🎓 تعداد دانشجو: ۱۱۲۸ نفر این آموزش را تهیه کرده اند. — ۱۳ نفر در دو هفته اخیر
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۳۰,۰۰۰ تومان


آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی و ارسال سریع
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش
ارسال پستی به همراه کد رهگیری مرسوله در اولین ساعت اداری روز
ارسال پیک موتوری در تهران، در همان روز ثبت سفارش

(توضیحات بیشتر +)



    توضیحات

    مسائل بهینه سازی از نظر تعداد توابع هدف و معیارهای بهینه سازی، به دو نوع تقسیم پذیر هستند: (۱) مسائل بهینه سازی تک هدفه و (۲) مسائل بهینه سازی چند هدفه. در مسائل بهینه سازی تک هدفه، هدف از حل مسأله بهبود یک شاخص عملکرد (Performance Index) یگانه است که مقدار کمینه یا بیشینه آن، کیفیت پاسخ به دست آمده را به طور کامل منعکس می کند. اما در برخی موارد، نمی توان صرفا با اتکا به یک شاخص، یک پاسخ فرضی برای مسأله بهینه سازی را امتیازدهی نمود. در این نوع مسائل، ناگزیریم که چندین تابع هدف یا شاخص عملکرد را تعریف نماییم و به طور همزمان، مقدار همه آن ها را بهینه کنیم.

    بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:

    • روش های کلاسیک، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند،
    • روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.

    اگر قصد دارید که در کمترین زمان ممکن و با بهترین کیفیت، مباحث تئوری و عملی مربوط به بهینه سازی چند هدفه را فرا بگیرید، حتما این پست را بخوانید. محصولی که در این پست قصد معرفی آن را داریم، بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه در متلب است که نه تنها مشابه ایرانی، که مشابه خارجی نیز ندارد و محصولی واقعا بی نظیر است.

    بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه در متلب، مجموعه ای از چهار فیلم آموزشی است که در مجموع شامل تقریبا ۱۹ ساعت برنامه آموزشی تخصصی است، که به صورت تئوری و عملی ارائه شده اند.

     

    درس یکم: مبانی تئوری و روش های کلاسیک بهینه سازی چند هدفه

    در این فرادرس، دانشجویان عزیز، با مباحث مختلف مبانی تئوری و روش های کلاسیک بهینه سازی چند هدفه آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، مبانی بهینه سازی چند هدفه، روش های بهینه سازی چند هدفه کلاسیک، روش تبدیل به قید یا ε-Constrainet و … می باشد. نقطه قوت این آموزش این است که به طور کامل به توضیح مباحث مربوطه پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

    مسائل بهینه سازی از نظر تعداد توابع هدف و معیارهای بهینه سازی، به دو نوع تقسیم پذیر هستند:

    1. مسائل بهینه سازی تک هدفه
    2. مسائل بهینه سازی چند هدفه

    در مسائل بهینه سازی تک هدفه، هدف از حل مسأله بهبود یک شاخص عملکرد (Performance Index) یگانه است که مقدار کمینه یا بیشینه آن، کیفیت پاسخ به دست آمده را به طور کامل منعکس می کند. اما در برخی موارد، نمی توان صرفا با اتکا به یک شاخص، یک پاسخ فرضی برای مسأله بهینه سازی را امتیازدهی نمود. در این نوع مسائل، ناگزیریم که چندین تابع هدف یا شاخص عملکرد را تعریف نماییم و به طور همزمان، مقدار همه آن ها را بهینه کنیم.

    بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:

    • روش های کلاسیک، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند،
    • روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.

    موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری بهینه سازی چند هدفه و روش های بهینه سازی چند هدفه کلاسیک است. روش های کلاسیک، در برخی متون به نام روش های تجزیه یا Decomposition نیز شناخته می شوند.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مبانی بهینه سازی چند هدفه و بیان تفاوت های آن با مسأله بهینه سازی یک هدفه
    • تقسیم بندی روش های بهینه سازی چند هدفه
    • روش های بهینه سازی چند هدفه کلاسیک
      • روش مجموع وزن دار یا Weighted Sum، مزایا و معایب آن
      • روش برنامه ریزی آرمانی یا Goal Programming
      • روش نیل به آرمان یا Goal Attainment
    • روش چبیشف، به عنوان حالت کلی روش های مبتنی بر آرمان
    • روش تبدیل به قید یا ε-Constrainet (بخوانید Epsilon Constraint)
    • مقدمه سازی برای طرح الگوریتم های تکاملی چند هدفه
    • جمع بندی و نتیجه گیری های نهایی

     

    درس دوم: الگوریتم ژنتیک چند هدفه NSGA-II در متلب

    الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب یا Non-dominated Sorting Genetic Algorithm یکی از الگوریتم های شاخص و پرکاربرد در زمینه بهینه سازی چندهدفه است. پس از ارائه نسخه اول این الگوریتم در سال ۱۹۹۵، معرفی کنندگان این الگوریتم، که از میان آن ها دب (Deb) معروف تر از سایرین است، نسخه دوم آن را در سال ۲۰۰۲ با نام اختصاری NSGA-II ارائه نمودند.

    در کنار تمام کارایی هایی که NSGA-II دارد، می توان آن را الگوی شکل گیری بسیاری از الگوریتم های بهینه سازی چند هدفه دانست. این الگوریتم و شیوه منحصر به فرد آن در برخورد با مسائل بهینه سازی چند هدفه، بارها و بارها توسط افراد مختلف برای ایجاد الگوریتم های بهینه سازی چندهدفه جدید تر، مورد استفاده قرار گرفته است. بدون شک این الگوریتم یکی از اساسی ترین اعضای کلکسیون الگوریتم بهینه سازی چندهدفه تکاملی است که می توان آن ها را نسل دوم این گونه روش ها نامید.

    در این فرادرس، دانشجویان عزیز، با مباحث مختلف الگوریتم ژنتیک چند هدفه NSGA-II در متلب آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، مبانی بهینه سازی چند هدفه با الگوریتم های تکاملی، تفاوت های الگوریتم NSGA اولیه با نسخه دوم یا NSGA-II، پیاده سازی بخش های مختلف الگوریتم NSGA-II و … می باشد. نقطه قوت این آموزش این است که به طور کامل به توضیح مباحث مربوطه پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

    موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری الگوریتم NSGA-II و شیوه پیاده سازی آن در محیط متلب است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر مبانی بهینه سازی چند هدفه با الگوریتم های تکاملی
    • بیان رویکردهای کلی در طراحی الگوریتم های تکاملی برای بهینه سازی چند هدفه
    • مرور مختصری بر تئوری الگوریتم ژنتیک
    • تعریف مفهوم غلبه در محیط چند هدفه
    • اعمال تغییرات لازم در الگوریتم ژنتیک تک هدفه برای استفاده از آن در مسائل چند هدفه
    • معرفی اجزای مختلف الگوریتم NSGA-II
      • الگوریتم مرتب سازی نا مغلوب و شیوه رتبه بندی یا Ranking
      • مفهوم فاصله ازدحامی یا Crowding Distance
      • شیوه انتخاب والد به صورت رقابت (تورنمنت) دو دویی یا Binary Tournament Selection
      • مرتب سازی جمعیت به صورت چند مرحله ای
      • انتخاب جمعیت جدید از میان اعضای قدیمی و فرزندان
    • تفاوت های الگوریتم NSGA اولیه با نسخه دوم یا NSGA-II
    • پیاده سازی دو مثال نمونه از توابع استاندارد چند هدفه
    • پیاده سازی بخش های مختلف الگوریتم NSGA-II
    • بیان مسأله کوله پشتی (Knapsack Problem) به صورت چند هدفه و حل آن به صورت چند هدفه
    • جمع بندی و نتیجه گیری های نهایی

     

    درس سوم: الگوریتم PSO چند هدفه یا MOPSO در متلب

    الگوریتم بهینه سازی ازدحام ذرات یا Particle Swarm Optimizatoion (به اختصار PSO) یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. این الگوریتم، توسط جیمز کندی و راسل سی ابرهارت در سال ۱۹۹۵ معرفی گردید، و با الهام از رفتار اجتماعی حیواناتی چون ماهی ها و پرندگان که در گروه هایی کوچک و بزرگ کنار هم زندگی می کنند، طراحی شده است. در الگوریتم PSO، اعضای جمعیت جواب ها، به صورت مستقیم با هم ارتباط دارند و از طریق تبادل اطلاعات با یکدیگر و یادآوری خاطرات خوب گذشته، به حل مسأله می پردازند.

    با توجه به موفقیت های کم نظیر الگوریتم PSO در حل مسائل بهینه سازی تک هدفه، دانشمندان و محققین بسیاری، سعی در استفاده از این الگوریتم برای حل مسائل چند هدفه داشته اند و تا کنون نسخه های متعددی از الگوریتم PSO برای حل مسائل چند هدفه ارائه شده است. یکی از معروف ترین الگوریتم هایی که در این راستا معرفی شده است، کاری است که توسط پرفسور کوئلو کوئلو (Coello Coello) و همکارانش معرفی شده است. نامی که آن ها برای الگوریتم شان انتخاب کرده اند MOPSO است، که اغلب این اسم انحصارا برای این الگوریتم به کار برده می شود. این الگوریتم در سال ۲۰۰۴ و در مقاله ای که در مجله محاسبات تکاملی IEEE (با نام کامل IEEE Transactions on Evolutionary Computation) چاپ شده است، معرفی گردید.

    موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری الگوریتم MOPSO و شیوه پیاده سازی آن در محیط متلب است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر مبانی بهینه سازی چند هدفه با الگوریتم های تکاملی
    • مرور مختصری بر تئوری الگوریتم بهینه سازی ازدحام ذرات یا PSO
    • ایجاد تغییرات لازم در الگوریتم PSO برای تبدیل آن به نسخه چند هدفه
    • معرفی مفهوم مخزن یا بایگانی پاسخ های نا مغلوب
    • معرفی ساختار جدولی مورد استفاده در MOPSO
    • مفهوم انتخاب مبتنی بر ناحیه به جای انتخاب مبتنی بر فرد
    • شیوه انتخاب الگو یا Leader در الگوریتم MOPSO
    • شیوه کنترل اندازه آرشیو
    • چگونگی شکل دهی توزیع های احتمالی به نحوی که تنوع پاسخ ها حفظ شود
    • انتخاب چرخه رولت یا Roulette Wheel Selection و استفاده از آن در MOPSO
    • بیان شباهت های موجود میان الگوریتم PESA-II و MOPSO
    • پیاده سازی یک مثال نمونه از توابع استاندارد چند هدفه
    • پیاده سازی بخش های مختلف الگوریتم MOPSO در متلب
    • جمع بندی و نتیجه گیری های نهایی

     

    درس چهارم: پیاده سازی روش های کلاسیک بهینه سازی چند هدفه در متلب

    بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:

    • روش های کلاسیک (که روش های تجزیه یا Decomposition نیز نامیده می شوند)، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند
    • روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.

    موضوع بحث فیلم آموزشی که در این فرادرس قصد معرفی آن را داریم، پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب است. سه روش از میان روش های کلاسیک بهینه سازی چند هدفه، در این فیلم آموزشی مورد بررسی قرار گرفته و پیاده سازی شده اند. این سه روش عبارتند از:

    • روش مجموع وزن دار،
    • روش برنامه ریزی آرمانی یا Goal Programming
    • روش نیل به آرمان یا Goal Attainment.
    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مبانی بهینه سازی چند هدفه و بیان تفاوت های آن با مسأله بهینه سازی یک هدفه
    • مروری بر روش های بهینه سازی چند هدفه کلاسیک
      • روش مجموع وزن دار یا Weighted Sum، مزایا و معایب آن
      • روش برنامه ریزی آرمانی یا Goal Programming
      • روش نیل به آرمان یا Goal Attainment
      • روش چبیشف، به عنوان حالت کلی روش های مبتنی بر آرمان
      • روش تبدیل به قید یا ε-Constrainet (بخوانید Epsilon Constraint)
    • پیاده سازی سه روش از روش های مطرح شده در متلب
      • پیاده سازی روش مجموع وزن دار با استفاده از تابع fminunc
      • پیاده سازی روش برنامه ریزی آرمانی با استفاده از تابع fminunc
      • پیاده سازی روش نیل به آرمان با استفاده از تابع fgoalattain
    • بهبود عملکرد برنامه های نوشته شده با حذف پاسخ های مغلوب
    • جمع بندی و نتیجه گیری های نهایی

     

    درس پنجم: نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو یا SPEA2

    «نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو» یا Strength Pareto Evolutionary Algorithm 2 (به اختصار SPEA2)، یکی از معروف ترین و پر کاربردترین الگوریتم های بهینه سازی تکاملی چند هدفه است. این الگوریتم، ایده های بسیار مهمی را مطرح نموده است و یک مثال بسیار مناسب از همه ویژگی هایی است که باید یک الگوریتم بهینه سازی چند هدفه داشته باشد.

    در «فیلم آموزشی جامع نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو یا SPEA2» که بخشی از بسته طلایی فیلم های آموزشی بهینه سازی چندهدفه (لینک) است، پس از مرور کاملی بر مبانی تئوری الگوریتم SPEA2، پیاده سازی عملی و گام به گام این الگوریتم در محیط متلب، مورد بحث و بررسی واقع شده است. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی مبانی تئوری نسخه یکم الگوریتم SPEA
    • بررسی کاستی ها و اشکالات موجود در الگوریتم SPEA
    • بیان تفاوت های موجود میان SPEA و SEPA2
    • چگونگی تعریف برازندگی ترکیبی در SPEA2 برای انتقال معیار کیفیت پاسخ ها و معیار توزیع
    • چگونگی امتیازدهی به پاسخ ها در SPEA2
    • چگونگی تعریف معیار توزیع (نظم) با استفاده از الگوی KNN (یا k نزدیک ترین همسایه) در الگوریتم SPEA2
    • پیاده سازی گام به گام و عملی الگوریتم SPEA2 در متلب
    • اجرای برنامه برای مثال های عددی از مسائل نمونه بهینه سازی چندهدفه

     

    درس ششم: الگوریتم تکاملی چند هدفه مبتنی بر تجزیه یا MOEA/D

    «الگوریتم تکاملی چند هدفه مبتنی بر تجزیه» یا Multiobjective Evolutionary Algorithm based on Decomposition (به اختصار MOEA/D)، یکی از جدیدترین الگوریتم های بهینه سازی تکاملی چند هدفه است، که دارای ماهیتی کاملا متفاوت با سایر الگوریتم های تکاملی چند هدفه ای است که پیش از آن معرفی شده اند. در ساختار این الگوریتم، مسأله بهینه سازی چندهدفه به چندین زیر مسأله تک هدفه تجزیه می شود و همه این زیر مسائل، به صورت یکجا حل می شوند. اما حل این زیر مسائل، که توسط اعضای یک جمعیت و به صورت موازی انجام می شود، به صورت تعاملی پیش می رود و با استفاده از مولفه های رقابتی (Competitive) و همکاری (Cooperative) که در ساختار الگوریتم گنجانده شده است، تکامل راه حل های پیشنهادی، به مرور انجام می شود.

    در «فیلم آموزشی جامع الگوریتم تکاملی چند هدفه مبتنی بر تجزیه یا MOEA/D» که بخشی از بسته طلایی فیلم های آموزشی بهینه سازی چندهدفه است، پس از مرور کاملی بر مبانی تئوری الگوریتم MOEA/D، پیاده سازی عملی و گام به گام این الگوریتم در محیط متلب، مورد بحث و بررسی واقع شده است. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • مروری بر مبانی روش های تجزیه (Decomposition) در مسائل بهینه سازی چند هدفه
    • روش مبتنی بر وزن دهی
    • روش های مبتنی بر رویکرد چبیشف (Tchybecheff)
    • مبانی تئوری و شیوه عملکرد الگوریتم MOEA/D
    • پیاده سازی گام به گام الگوریتم MOEA/D در محیط متلب
    • مباحثی در روش های تعیین وزن های اولیه
    • تعریف وزن های دو بعدی منظم (توزیع بر روی کمان دایره)
    • حل مسائل نمونه بهینه سازی چند هدفه با استفاده از الگوریتم MOEA/D

     

    درس هفتم: نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو یا PESA-II

    «نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو» یا Pareto Envelope-based Selection Algorithm II (به اختصار PESA-II)، یکی از معروف ترین و پر کاربردترین الگوریتم های بهینه سازی تکاملی چند هدفه است. این الگوریتم، ایده های بسیار مهمی را مطرح نموده است و یک مثال بسیار مناسب از همه ویژگی هایی است که باید یک الگوریتم بهینه سازی چند هدفه داشته باشد. از طرفی، ایده اصلی الگوریتم MOPSO نیز از همین الگوریتم گرفته شده است.

    در «فیلم آموزشی جامع نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو یا PESA-II» که بخشی از بسته طلایی فیلم های آموزشی بهینه سازی چندهدفه است، پس از مرور کاملی بر مبانی تئوری الگوریتم PESA-II، پیاده سازی عملی و گام به گام این الگوریتم در محیط متلب، مورد بحث و بررسی واقع شده است. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • بررسی مبانی تئوری نسخه یکم الگوریتم انتخاب مبتنی بر شکل دهی پارتو یا PESA
    • بررسی تفاوت عملکرد نسخه یکم (PESA) و نسخه دوم (PESA-II) از الگوریتم انتخاب مبتنی بر شکل دهی پارتو
    • بررسی ساختار احتمالی موجود در PESA و PESA-II و یکسان سازی این دو روش از طریق تعریف فاکتور «فشار انتخاب»
    • پیاده سازی گام به گام و عملی الگوریتم PESA-II در متلب
    • اعمال تغییرات در برنامه پیاده سازی شده برای بهبود عملکرد آن
    • حل یک مسدله نمونه بهینه سازی چندهدفه

     


    پیش نمایش

    پیش نمایش ۱ : فرادرس مبانی تئوری و روش‌های کلاسیک بهینه‌سازی چندهدفه - ۲۸ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۸۲ مگابایت (کلیک کنید +)


    پیش نمایش ۲ : فرادرس جامع الگوریتم ژنتیک چند هدفه NSGA-II در متلب - بخش A - ۳۱ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۹۲ مگابایت (کلیک کنید +)


    پیش نمایش ۳ : فرادرس جامع الگوریتم ژنتیک چند هدفه NSGA-II در متلب - بخش B - ۴۷ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۶۹ مگابایت (کلیک کنید +)


    پیش نمایش ۴ : فرادرس جامع الگوریتم PSO چند هدفه یا MOPSO در متلب - بخش D - ۲۰ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۵ : فرادرس جامع الگوریتم PSO چند هدفه یا MOPSO در متلب - بخش E - ۴۲ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۶ : فرادرس پیاده‌سازی روش‌های کلاسیک بهینه‌سازی چند هدفه در متلب - ۳۲ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۷ : فرادرس جامع نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو یا SPEA2 - ۲۶ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۸ : فرادرس جامع الگوریتم تکاملی چند هدفه مبتنی بر تجزیه یا MOEA/D - ۴۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۹ : فرادرس جامع نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو یا PESA-II - ۲۹ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.


    اطلاعات تکمیلی

    نام آموزش مجموعه آموزش های بهینه سازی چند هدفه در متلب
    ناشر فرادرس
    شناسه اثر ۸-۱۱۰۳۸-۰۴۳۰۲۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش MVRMO9012
    مدت زمان ۱۸ ساعت و ۵۰ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۲۷۷۷ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)
    تعداد DVD ۲ عدد (در صورت دریافت غیر آنلاین)


    ​راهنمای تهیه آموزشها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟ 
    • با شماره تلفن واحد مخاطبین ۸۸۳۱۲۲۷۶ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • از طریق بخش چت آنلاین، با پشیبان های فرادرس گفتگو کنید.- همه روزهای کاری هفته از ساعت ۸ صبح تا ۱۲ شب
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    مجموعه آموزش های بهینه سازی چند هدفه در متلب

    هزینه آموزش: ۳۰,۰۰۰ تومان




    سایر آموزش های دکتر سیدمصطفی کلامی هریس



    مطالب مرتبط


    دیدگاه ها

    ( امتیاز ۴٫۸ از ۵ )
    4.8 از 5


    تا کنون ۱۱۲۸ نفراز این آموزش استفاده کرده اند و ۲۲ نظر ثبت شده است.
    1. 0 از 5

      :

      من خیلی خوشحال هستم که با فرادرس اشنا شدم واقعا مطالبی که میبایست طول ماها بخونیم تا یاد بگیریم رو میشه به سرعت اموخت مخصوصا برای رشته های غیر مهندسی که پایه علمی در این زمینه ها ندارن من به تمام دانشجویان هم رشته خودم توصیه میکنم که یادگیری مباحث مربوط به این نوع برنامها انها را در علم اقتصاد وارد کنند

    2. 0 از 5

      :

      من از این آموزش استفاده کردم، فیلم ها مفید و باکیفیت بود ولی بهتر بود کدهای نمونه بیشتری همراه با بسته ارائه می‌شد

    3. 0 از 5

      :

      سلام و خسته نباشید فراوان،
      من این فیلم آموزشی را تهیه کردم و آنرا دیدم و یاد گرفتم. خیلی عااااااالی بود، اصلا محشر بود. هر کسی که به دردش می خوره این مطالب یا علاقه مند به بهینه سازی چند هدفه است حتما تهیه کند و ببیند که اگر نبیند از دستش رفته.

    4. 0 از 5

      :

      با سلام و خسته نباشید. تشکر میکنم از آقای دکتر کلامی که واقعا محصولات آموزشی ایشون بینظیره با استفاده از این محصولات آموزشی ره چند سالرو میشه یک شبه پیمود. برای ایشون و تمامی دست اندرکاران متلب سایت آرزوی سلامتی و توفیق دارم

    5. 4 از 5

      :

      این فیلم آموزشی در انجام پروژه ام خیلی مفید و موثر بود. ممنونم.

    6. 4 از 5

      :

      سلام. کاربردی و کامل بود. ممنون.

    7. 5 از 5

      :

      ابتدا میخواستم بخاطر این آموزش مفید و بی نقص تشکر کنم ولی لازم است از همکاران بخش روابط عمومی بخاطر برخورد خوبی که در رفع مشکل بنده داشتند تشکر ویژه داشته باشم. برایتان آرزوی موفقیت دارم.

    8. 5 از 5

      :

      سلام. این فرادرس بسیار مفید بود. علاوه بر این، من از الگوریتم کرم شب تاب و کاربرد فازی در سیستم های قدرت نیز استفاده کرده ام. برایتان آرزوی موفقیت دارم.

    9. 4 از 5

      :

      لطفا در آموزش هایی که ارائه می دهید نحوه تغییر کد ها را نیز آموزش دهید.

    10. 4 از 5

      :

      از آقای دکتر کلامی بخاطر تدریس روان و جامع متشکرم.

    11. 4 از 5

      :

      سلام. اینکه شروع آموزش از سطح مقدماتی بود عالی بود. بهتر بود استاد کتاب یا منبع برای مطالعه بیشتر معرفی میکردند.

    12. 4 از 5

      :

      به نظرم این آموزش از بخش مقدماتی با پیشرفته را پوشش داده است. ممنونم.

    13. 5 از 5

      :

      مطالب انقدی خوب بود که تو پروژه منو چندین ماه جلو انداخت و به خیلی از دوستانم نیز سایت خوبتونو پیشنهاد دادم .

    14. 4 از 5

      :

      سلام بر تیم فرادرس. لطفا در آموزش هایی که ارائه می دهید از مثال های بیشتری استفاده نمایید.

    15. 5 از 5

      :

      کیفیت و کمیت عالی بود. و مطلب کاملا مفهوم بود. اگر همراه آموزش ها فایل پی دی اف نیز ارائه شود عالی است.

    16. 5 از 5

      :

      سلام. من این آموزش را تهیه کردم ولی هنوز دقیق مطالعه نکردم. قبلا از الگوریتم ژنتیک استفاده کردم عالی بوده. ممنونم.

    17. 5 از 5

      :

      من هر وقت در انجام پروژه درس ها و مفاهیم به مشکل بر میخورم از آموزش های سایت شما استفاده میکنم و همیشه هم مطمئن هستم مشکلم رفع میشود. در حقیقت فیلم های آموزشی سایت شما برای من برای من مانند کتاب های کمک درسی است. از شما متشکرم.

    18. 5 از 5

      :

      سلام و خسته نباشید. من قصد داشتم روش های کلاسیک را یاد بگیرم و پیاده سازی کنم. این آموزش خیلی برایم مفید و کامل بود. متشکرم.

    19. 5 از 5

      :

      سلام. آموزش کاملا تخصصی است. بسیار راضی بودم. متشکرم.

    20. 5 از 5

      :

      روش تدریس به گونه ای بود که روی یک مثال عملی آموزش می دادند و گام به گام از ابتدا تا پایان کد را تدریس و اجرا میکردند. بسیار عالی بود.

    21. 4 از 5

      :

      جامع بود و توضیحات بسیار کاملی داشت. لطفا آموزش جدید تر هم در این زمینه ارائه کنید.

    22. 0 از 5

      :

      ضمن تشکر از سایت بسیار خوب شما، اگر ممکن هست کد بهینه سازی MOABC رو برای دانلود در سایت قرار دهید. بسیار ممنون می شوم.

    23. 5 از 5

      :

      واقعا باید به دکتر کلامی آفرین گفت. خدمت بزرگی به جامعه علم مهندسی کردند. خدا خیرشان دهد.

    24. 5 از 5

      :

      برای انجام پروژه ام بسیار به من کمک کرد. ممنونم.

    25. 5 از 5

      :

      با سلام و تشکر فراوان از آقای کلامی هریس به خاطر بیا بسیار شیوا و روانشون. واقعا استفاده کردم. مطالب ارائه شده بسیار منظم و طبقه بندی شده و مناسب بود. واقعا از هر کلاس درسی تو دانشگاه که اگه این درس رو ارائه بدن که اکثرا نمیدن بهتر و جامع تر و کاربردی تر بود. مثال های ارائه شده خیلی خوب بود طوری که با کمی تغییر به راحتی تونستم تو پروژه ام ازشون استفاده کنم. اگه کسی آشنایی قبلی با مباحث هوشمند نداشته باشه با این مجموعه حتما به این مباحث علاقه مند میشه. در مورد من که اینجور بود.

    26. 5 از 5

      :

      با سلام؛
      تدریس های دکتر بسیار ارزشمند بوده اند و در این آموزش تدریس گام به گام از صفر تا صد انجام شده.
      آموزش مجموعه فرادرس های بهینه سازی چند هدفه در متلب بسیار عالی تدریس شده است و انصافاً آموزش ها گام به گام هستند مخصوصاً الگوریتم ژنتیک چند هدفه NSGA-II و الگوریتم PSO چند هدفه MOPSO که اگر با آموزش انتخاب ویژگی با استفاده از الگوریتم های فرا ابتکاری و تکاملی مورد استفاده قرار گیرد کاربرد بسیار زیادی برای دانشجویان عزیز دارد.
      اما خواهشاً در صورت امکان فایل pdf منابع هم در آموزش ها گنجانده شود، یا نام مقالات درفایلی گنجانده شود تا بتوان از آنها استفاده کرد مثلاً در بخش مربوط به آموزش pso برای لحظاتی منابع استفاده شده نمایش داده می شود، ولی متأسفانه نام فایل های pdf به صورت کامل نمایش داده نمی شود. خواهشمند است در صورت امکان همه منابع استفاده شده معرفی گردد.

    27. 5 از 5

      :

      با سلام.
      آموزش بهینه سازی چندهدفه بسیار جامع و عالی بود.به نظر من یکی از نقاط قوت و جالب آموزش در بخش اجرای الگوریتم نمود پیدا میکند.
      نظر به اینکه در هر تکرار الگوریتم بهترین پاسخ با دستورات نمایشی متلب اجرا میشود , به مانند آن است که از مسیر حل فیلم تهیه شده باشد.شخصا نمایش حل الگوریتم MOPSO را بسیار دوست میدارم و آن را در کلاس های دانشگاهی اجرا کرده و توضیح داده ام.


    نظر شما در مورد این فرادرس چیست؟

    درج دیدگاه

    امتیاز شما به این آموزش:

    *



​همین امروز شروع به آموختن کنید​

مجموعه آموزش های بهینه سازی چند هدفه در متلب

هزینه آموزش: ۳۰,۰۰۰ تومان



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,




فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران

عضویت در خبرنامه فرادرس

برای دریافت اخبار مربوط به آخرین فرادرس های منتشر شده، ایمیل خود را در کادر زیر وارد نمایید.

Please leave this field empty.

تمامی محصولات و خدمات این وبسایت، حسب مورد دارای مجوزهای لازم از مراجع مربوطه می‌باشند و فعالیت‌های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است.
فرادرس مجوز نشر دیجیتال از وزرات فرهنگ و ارشاد اسلامی logo-samandehi پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان