دانلود آنی
چکیده آموزش
در ادامه مسیر شروع شده در آموزش های الگوریتم ژنتیک در پایتون مقدماتی و تکمیلی بخش اول، در این فرادرس مسائل دیگری را به کمک الگوریتم ژنتیک در پایتون بهینه سازی می کنیم. تا بدین جا مسائل گوناگون بهینه سازی از سطح ساده انتخاب شده و در هر درس مساله پیچیده تری که نیازمند الگوریتم ژنتیک کامل تری بود را بررسی کردیم. همین روند در این آموزش نیز دنبال می شود.
مثل درس های قبل، شما با یک مساله بهینه سازی رو به رو خواهید بود و نحوه فرمولاسیون و پیاده سازی این مساله در پایتون و نحوه ارتباط این مساله با موتور ژنتیک نوشته شده در پایتون را خواهید دید. در زمینه های مختلف علوم و مهندسی، شما همواره با مسائل مختلف بهینه سازی رو به رو خواهید بود که یکی از قدرتمندترین ابزارها برای حل آن ها، استفاده از الگوریتم ژنتیک است.
این فرادرس در ادامه دو آموزش قبل می تواند شما را در مسیر حل یک مساله بهینه سازی با استفاده از الگوریتم ژنتیک در زبان برنامه نویسی پایتون توانمندتر کند و از طریق حل این مسائل، بینش بیشتری نسبت به حل مسائل بهینه سازی با الگوریتم ژنتیک در پایتون به دست آورید.
در پایان این آموزش شما با حل مساله های بهینه سازی جدید و پیچیده تری نسبت به آموزش های مقدماتی و تکمیلی بخش اول آشنا می شوید و قادر خواهید بود برای حل یک مساله بهینه سازی از الگوریتم ژنتیک در پایتون استفاده کنید.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- درس یکم: حل سیستم معادلات خطی - بخش یکم
- معرفی مساله
- سیستم معادلات دو معادله و دو مجهول
- تابع ارزیاب (Fitness Function)
- نمایش
- اجرا
- سیستم معادلات سه معادله و سه مجهول
- بازنویسی کلاس تست
- درس دوم: حل سیستم معادلات خطی - بخش دوم
- بازنویسی تابع ارزیاب (Fitness Function)
- بازنویسی نمایش
- اجرا
- سیستم معادلات چهار معادله و چهار مجهول
- کلاس تست
- اجرا
- بهبود الگوریتم با تعریف Window
- درس سوم: حل سیستم معادلات خطی - بخش سوم
- جهش (Mutate)
- بررسی صد اجرا
- مرور
- درس چهارم: جدول سودوکو - بخش یکم
- معرفی مساله
- کلاس تست
- تابع ارزیاب
- نمایش
- اجرا
- بررسی دلیل عدم اجرای موفق
- تابع ارزیاب جدید
- نوشتن قوانین جدید برای تابع ارزیاب
- درس پنجم: جدول سودوکو - بخش دوم
- نوشتن تابع ارزیاب جدید
- جهش (Mutate)
- بهبود های مختلف روی جهش
- جهش
- بررسی صد اجرا
- مرور
- درس ششم: فروشنده دوره گرد - بخش یکم
- معرفی مساله
- یک داده ساده برای حل مساله
- کلاس تست
- محاسبه فاصله نقاط
- تابع ارزیاب (Fitness Function)
- نمایش
- جهش (Mutate)
- اجرا
- یک داده بزرگتر برای حل مساله
- فراخوانی داده
- خواندن اطلاعات لازم
- اجرا
- بررسی دلیل عدم اجرای موثر این داده
- معرفی Crossover
- درس هفتم: فروشنده دوره گرد - بخش دوم
- نکاتی از روش های مختلف Crossover
- اضافه کردن قابلیت Crossover به موتور ژنتیک
- پیاده سازی Crossover برای مساله فروشنده دوره گرد
- صد بار اجرای مساله با قابلیت Crossover
- مرور
مفید برای رشته های
- تمام رشته های مهندسی
مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند 
