آموزش مبانی محاسبات تکاملی و بهینه سازی هوشمند

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها
آموزش مبانی محاسبات تکاملی و بهینه سازی هوشمند

درباره ناشر

فرادرس
فرادرس

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

درباره مدرس

دکتر سید مصطفی کلامی هریس
دکتر سید مصطفی کلامی هریس

عضو هیأت علمی فرادرس

دکترای تخصصی مهندسی برق-کنترل


دکتر سید مصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیات علمی آن است. ایشان دارای مدرک دکترای تخصصی در رشته مهندسی برق - کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه های پژوهشی و کاری تخصصی ایشان، در حوزه های مختلف مهندسی کنترل و سیستم های هوشمند بوده است. (+)



در این آموزش که عملا درس شماره صفر تمام دروس آموزشی بهینه سازی می تواند باشد، مفاهیم پایه و اساسی مربوط به مسائل بهینه سازی و الگوریتم های مورد استفاده برای حل این مسائل، مورد بحث و بررسی قرار می گیرند. تمام افرادی که قصد آموزش تئوری یا عملی روش های بهینه سازی را دارند، به مشاهده این آموزش توصیه می شوند. دانستن مفاهیم مورد بحث در این فرادرس و تسلط بر این موضوعات، ضامن یادگیری بهتر و تسلط بیشتر بر مباحث آتی در حوزه بهینه سازی خواهد بود. لذا، مطالعه و یادگیری آموزش «مبانی محاسبات تکاملی و بهینه سازی هوشمند» یا درس شماره صفر بهینه سازی را از دست ندهید.

👤 مدرس: دکتر سید مصطفی کلامی هریس
🕓 مدت زمان: ۶ ساعت و ۱۲ دقیقه
🎓 تعداد دانشجو: ۶۰۹ نفر این آموزش را تهیه کرده اند. — ۲۹ نفر در یک ماه اخیر

هزینه عادی آموزش: ۱۶,۰۰۰ تومان
در جشنواره عید فطر: ۹,۶۰۰ تومان (کسب اطلاعات بیشتر +)




آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
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:
  • بازگشت و شارژ کل مبلغ پرداختی در حساب کاربری
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش


    توضیحات

    چکیده آموزش


    مبحث بهینه سازی (Optimization) شامل خانواده بزرگی از مسائل کاربردی و روش های پیشنهادی برای حل این مسائل است. تقریبا هیچ رشته کاربردی و تخصصی را نمی توان یافت که نیازمند حل مسائل بهینه سازی نباشد. علاوه بر این، زندگی روزمره ما انسان ها نیز تقریبا بدون حل روازنه ده ها مساله بهینه سازی ریز و درشت نیست. از منظر آکادمیک و یا حرفه ای، دانستن مفاهیم پایه بهینه سازی و آشنایی با روش های حل مسائل بهینه سازی، یکی از ضرورت های مهم است. از این رو، دانشجویان رشته های مختلف و همین طور متخصصین شاغل در صنایع مختلف، نیازمند آشنایی با مفاهیم و روش های بهینه سازی هستند.

    در این آموزش که عملا درس شماره صفر تمام دروس آموزشی بهینه سازی می تواند باشد، مفاهیم پایه و اساسی مربوط به مسائل بهینه سازی و الگوریتم های مورد استفاده برای حل این مسائل، مورد بحث و بررسی قرار می گیرند. مدرس این آموزش، دکتر سید مصطفی کلامی هریس است، که سال ها سابقه کار علمی، عملی و آموزشی در حوزه بهینه سازی را، در کارنامه خود دارد.

    این آموزش، در درس یکم با مرور مفاهیم پایه بهینه سازی و مسائل مطرح در این حوزه شروع می شود. سپس، در درس های دوم و سوم، اجزای یک مساله بهینه سازی، شامل: تابع یا توابع هدف، فضای جستجو، متغیرهای تصمیم و قیدها (محدودیت ها) مورد بررسی قرار می گیرند و مفاهیم بنیادین این مولفه ها، به شکلی نظام مند آموزش داده می شوند.

    یکی از مهم ترین انواع مسائل بهینه سازی، که دارای کاربردهای وسیعی در حوزه های مختلف علمی و صنعتی است، بهینه سازی چندهدفه (Multi-Objective Optimization) یا بهینه سازی برداری (Vector Optimization) است. در درس چهارم از این آموزش، مفاهیم اساسی بهینه سازی چند هدفه مورد بررسی قرار گرفته اند. دانستن این مفاهیم، برای ورود به حوزه بهینه سازی چندهدفه و آشنایی با روش های مورد استفاده در این زمینه، ضروری است.

    در درس پنجم، ساختار کلی و نحوه عملکرد الگوریتم های بهینه سازی بررسی شده است و الگویی مشترک برای نحوه عملکرد این روش ها، ارائه شده است. در درس ششم، با تمرکز بر روش های هوشمند، ساختار کلی الگوریتم های تکاملی، که به نام الگوریتم های فراابتکاری (متاهیوریستیک) هم شناخته می شوند، مورد بحث و بررسی قرار گرفته است. داشتن یک تصویر بزرگ و مشترک از الگوریتم های تکاملی، باعث آسان تر شدن یادگیری روش های بهینه سازی در آینده خواهد شد و این درس ها امکان رسیدن به یک مدل واحد را برای دانشجویان این فرادرس، فراهم می کنند.

    در درس های هفتم و هشتم، روش های مدل سازی فضای جستجو و توصیف متغیرهای تصمیم در انواع مسائل بهینه سازی مورد بررسی قرار گرفته اند و یکی از جامع ترین مرورهای موجود بر روی کدینگ پاسخ در مسائل بهینه سازی، در این درس ها انجام می شود. شناخت از ساختار فضای جستجو و متغیرهای تصمیم، و تسلط بر روش های مدل سازی و کدینگ آن ها در زمان پیاده سازی عملی روش ها و مسائل بهینه سازی، یکی از ضرورت های مهم است که تا پیش از این، مرجع جامعی نیز برای آن در دسترس نبود.

    در درس های نهم و دهم از این مجموعه آموزشی، روش های مدل سازی و برخورد با محدودیت ها (قیدها) در مسائل بهینه سازی مقید، مورد بررسی قرار گرفته اند. در این درس ها، رویکرد کلی برخورد با قیدها، در قالب مراحلی ارائه می شود که از حذف قیدها با اطمینان از برآورده شدن شروع و سپس با مکانیزم های اصلاح یا تعمیر پاسخ و نیز تکنیک های تابع جریمه، ادامه می یابد. نهایتا، کاربرد دو روش بهینه سازی چندهدفه و بهینه سازی چند لایه (از طریق فرایند هم تکاملی) مباحث پایانی این درس ها هستند.

    تمام افرادی که قصد آموزش تئوری یا عملی روش های بهینه سازی را دارند، به مشاهده این آموزش توصیه می شوند. دانستن مفاهیم مورد بحث در این فرادرس و تسلط بر این موضوعات، ضامن یادگیری بهتر و تسلط بیشتر بر مباحث آتی در حوزه بهینه سازی خواهد بود. لذا، مطالعه و یادگیری آموزش «مبانی محاسبات تکاملی و بهینه سازی هوشمند» یا درس شماره صفر بهینه سازی را از دست ندهید.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: مفاهیم پایه بهینه‌ سازی
      • مقدمه‌ ای در باب چرایی و اهمیت این آموزش
      • تعریف مساله بهینه‌ سازی (Optimization)
      • ویژگی‌ های مهم مسائل بهینه‌ سازی
      • انواع تابع هدف و مسائل بهینه‌ سازی
      • مفهوم تابع هزینه، تابع خطا و تابع تلفات
      • مفهوم تابع برازندگی، تابع عملکرد و تابع مطلوبیت
      • روش‌ های تبدیل مسائل کمینه‌ سازی و بیشینه‌ سازی به یکدیگر
      • تعریف بهینه سراسری و بهینه محلی (موضعی)
      • مثال‌ هایی از انواع مسائل بهینه‌ سازی
      • بررسی مسائل قابل تبدیل به بهینه‌ سازی
    • درس دوم: اجزای یک مساله بهینه‌ سازی-تابع هدف و فضای جستجو
      • اجزای تشکیل دهنده یک مساله بهینه‌ سازی
      • تابع هدف و جایگاه آن
      • تعریف فضای جستجو و متغیرهای تصمیم
      • قیدها و محدویت‌ها در مسائل بهینه‌ سازی
      • انواع مسائل بهینه‌ سازی
      • انواع متغیر های تصمیم و ساختارهای پاسخ
    • درس سوم: اجزای یک مساله بهینه‌ سازی-قیدها و محدودیت‌ ها
      • قیدها و محدودیت‌ ها در مسائل بهینه‌ سازی
      • تقسیم‌ بندی انواع قیدها
      • بررسی مساله کوله‌ پشتی و مولفه‌ های تشکیل دهنده آن
      • مدل‌سازی مساله کوله‌پشتی
    • درس چهارم: مبانی بهینه‌ سازی چند هدفه
      • ساختار مسائل بهینه‌ سازی چند هدفه
      • مفهوم جبهه یا مجموعه پارتو
      • مفهوم بهینگی در فضای چند هدفه
      • نقطه ایده‌آل و جهت‌ دهی جبهه پارتو در حالات مختلف
      • مفهوم غلبه در بهینه‌ سازی چند هدفه
      • کیفیت و توزیع پاسخ‌ های مساله بهینه‌ سازی چند هدفه
      • آشنایی با ساختار کلی روش‌ های بهینه‌ سازی چند هدفه
      • استفاده از بهینه‌ سازی چند هدفه برای بهینه‌ سازی مقید
      • تبدیل مساله کوله پشتی به مساله بهینه‌ سازی چند هدفه
    • درس پنجم: ساختار کلی الگوریتم‌ های بهینه‌ سازی
      • کارکرد اصلی الگوریتم‌ های بهینه‌ سازی
      • مفهوم جستجو (Exploration)
      • مفهوم بهره‌ برداری یا استخراج (Exploitation)
      • موازنه میان استخراج و بهره‌ برداری و اهمیت آن
      • طیف الگوریتم‌ های بهینه‌ سازی از جستجوی تصادفی تا جستجوی حریصانه
      • انواع الگوریتم‌ های بهینه‌ سازی از نظر تعداد پاسخ و جمعیت
      • مدل احتمالی کلی برای الگوریتم‌ های بهینه‌ سازی
      • نحوه عملکرد احتمالی روش‌ های بهینه‌ سازی مبتنی بر جمعیت
      • الگوریتم‌ های بهینه‌ سازی هوشمند، الگوریتم‌ های تکاملی و روش‌ های فراابتکاری (متاهیوریستیک ها)
      • آشنایی با تعدادی از روش‌ های بهینه‌ سازی هوشمند و تکاملی
    • درس ششم: ساختار کلی و نحوه عملکرد الگوریتم‌ های تکاملی
      • ساختار کلی یک الگوریتم تکاملی
      • ایجاد جمعیت اولیه و اهمیت آن
      • حلقه تکامل اصلی در الگوریتم‌ های بهینه‌ سازی هوشمند
      • مولفه‌ های اساسی الگوریتم‌ های تکاملی
      • انواع شرایط خاتمه و مکانیزم‌ های توقف در فرایند بهینه‌ سازی
      • تعامل مساله و روش‌ های بهینه‌ سازی
      • اصل تفکیک پیاده‌ سازی مساله و روش
    • درس هفتم: روش‌ های توصیف متغیرها و فضای جستجو – بخش یکم
      • اهمیت پیاده‌ سازی و تعریف مسائل بهینه‌ سازی
      • ساختار کلی کدینگ پاسخ در بهینه‌ سازی
      • مفهوم تابع هدف از دید الگوریتم
      • نگاشت بازه‌های مشخص پیوسته به بازه استاندارد صفر تا یک
      • کدینگ متغیرهای باینری با متغیر استاندارد پیوسته
      • کدینگ متغیرهای عدد صحیح با متغیر استاندارد پیوسته
    • درس هشتم: روش‌ های توصیف متغیرها و فضای جستجو – بخش دوم
      • متغیرهای تصمیم جایگشتی
      • روش کلید تصادفی (Random Key) برای تولید جایگشت
      • مسائل بهینه‌ سازی با پاسخ جایگشتی
      • مساله فروشنده دوره‌گرد (TSP)
      • بررسی مدل‌های MTZ و DFJ برای مساله TSP
      • متغیرهای تصمیم از نوع انتخاب و تخصیص
      • توصیف تخصیص/انتخاب با جایگشت
      • متغیرهای تصمیم افراز یا تقسیم بندی
      • تبدیل مساله افراز به جایگشت
      • کدینگ و مدل‌ سازی متغیرهای تصمیم از نوع تابع
      • جمع‌ بندی روش‌ های کدینگ پاسخ
    • درس نهم: روش‌ های برخورد با قیدها – بخش یکم
      • روش‌ های اصولی برخورد با قیدها
      • جایگاه کدینگ پاسخ در بهینه‌ سازی مقید
      • روش حذف قید با اطمینان از برآورده شدن آن
      • شرایط ریاضی حذف قید
      • روش‌ های مبتنی بر اصلاح یا تعمیر پاسخ
      • اصلاح قیدهای ظرفیت، تعهد و تساوی
      • روش کدینگ متغیرهای دارای ظرفیت یا تعهد مشترک
      • اصلاح قید ظرفیت غیرخطی با فرض مرز دایره‌ ای
      • قیدهای ظرفیت یا تعهد روی سطر، ستون یا کل ماتریس
      • اصلاح پاسخ متوالی و چند مرحله‌ ای
    • درس دهم: روش‌ های برخورد با قیدها – بخش دوم
      • رویکرد جریمه در بهینه‌ سازی مقید
      • تعریف و نحوه عملکرد تابع جریمه
      • تعریف تخطی از قیود و ارتباط آن با تابع جریمه
      • تخطی برای قید‌های نامساوی و مساوی
      • نحوه اعمال جریمه در تابع هدف
      • تابع جریمه جمع شونده
      • تابع جریمه ضرب شونده
      • رویکرد بهینه‌ سازی چند هدفه برای مواجهه با قیود
      • بهینه‌ سازی چند لایه و هم‌ تکاملی (Co-Evolutionary) در بهینه‌ سازی مقید
      • اصول اساسی بهینه‌ سازی هم‌ تکاملی برای برخورد با قیدها
      • جمع‌ بندی مباحث

    پیش نمایش

    بخش ۱ : مفاهیم پایه بهینه سازی - ۳۷ 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. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم - حجم دانلود ۴۵ مگابایت (کلیک کنید +)

    بخش ۲ : اجزای یک مساله بهینه سازی - تابع هدف و فضای جستجو - ۴۱ 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. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم - حجم دانلود ۵۴ مگابایت (کلیک کنید +)

    پیش نمایش ۳ : اجزای یک مساله بهینه سازی - قیدها و محدودیت ها - ۱۲ 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. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۳ مگابایت (کلیک کنید +)

    پیش نمایش ۴ : مبانی بهینه سازی چند هدفه - ۱۱ 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. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۱ مگابایت (کلیک کنید +)

    بخش ۵ : ساختار کلی الگوریتم های بهینه سازی - ۴۳ دقیقه


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

    پیش نمایش ۶ : ساختار کلی و نحوه عملکرد الگوریتم های تکاملی - ۱۲ دقیقه


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

    بخش ۷ : روش های توصیف متغیرها و فضای جستجو - بخش یکم - ۳۱ دقیقه


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

    پیش نمایش ۸ : روش های توصیف متغیرها و فضای جستجو - بخش دوم - ۱۲ دقیقه


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

    بخش ۹ : روش های برخورد با قیدها - بخش یکم - ۳۵ دقیقه


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

    پیش نمایش ۱۰ : روش های برخورد با قیدها - بخش دوم - ۱۳ دقیقه


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


    آموزش‌های پیشنهادی و مرتبط




    اطلاعات تکمیلی

    نام آموزش آموزش مبانی محاسبات تکاملی و بهینه سازی هوشمند
    ناشر فرادرس
    شناسه اثر ۸-۱۲۴۵۲-۰۷۳۶۷۹ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVREA101
    مدت زمان ۶ ساعت و ۱۲ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۴۸۸ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


    ​راهنمای تهیه آموزش ها

    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 ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • 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.

    آموزش مبانی محاسبات تکاملی و بهینه سازی هوشمند

    هزینه عادی آموزش: ۱۶,۰۰۰ تومان
    در جشنواره عید فطر: ۹,۶۰۰ تومان (کسب اطلاعات بیشتر +)




    دیدگاه ها

    تا کنون ۶۰۹ نفراز این آموزش استفاده کرده اند.
    1. 5 از 5

      :

      مثل تمام آموزش هایی که از آقای کلامی دیدم عالی بود !
      چه به مبتدی ها در زمینه ی بهینه سازی و چه به کسایی که تجربه دارن تو این زمینه توصیه میشه !

    2. 5 از 5

      :

      واقعا این آموزش فوق العاده هست


    نظر شما در مورد این فرادرس چیست؟

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

    امتیاز شما به این آموزش:



​همین امروز شروع به آموختن کنید​

آموزش مبانی محاسبات تکاملی و بهینه سازی هوشمند

هزینه عادی آموزش: ۱۶,۰۰۰ تومان
در جشنواره عید فطر: ۹,۶۰۰ تومان (کسب اطلاعات بیشتر +)


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