×
۱۷۵,۰۰۰ تومان

آموزش الگوریتم ژنتیک در متلب MATLAB

آموزش الگوریتم ژنتیک در متلب MATLAB

هزینه آموزش
۱۷۵,۰۰۰ تومان

تعداد دانشجو
۱۰,۲۹۶ نفر
مدت زمان
۱۴ ساعت و ۲۳ دقیقه
محتوای این آموزش
تضمین کیفیت
۱۴۴ بازخورد (مشاهده نظرات)
آموزش الگوریتم ژنتیک در متلب MATLAB

آموزش تئوری و عملی الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت الگوریتم تکاملی به ذهن می رسد، الگوریتم ژنتیک است. بسیاری از افراد، سایر روش های بهینه سازی هوشمند را نسخه های تغییر یافته ای از الگوریتم ژنتیک می شناسند و قائل به اصالت وجود و ماهیت سایر الگوریتم ها نیستند. این ابزار محاسباتی، در اوایل دهه ۱۹۷۰ از دل نتایجی پدید آمد که از تلاش های مهندسین و دانشمندان آن روزگار برای شبیه سازی فرایند تکامل صورت پذیرفته بود.

آموزش الگوریتم ژنتیک در متلب MATLAB

تعداد دانشجو
۱۰,۲۹۶ نفر
مدت زمان
۱۴ ساعت و ۲۳ دقیقه
هزینه آموزش
۱۷۵,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۱۴۴ بازخورد (مشاهده نظرات)

دکتر سید مصطفی کلامی هریس

دکتری 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 دکتری تخصصی در رشته مهندسی برق – کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه‌های پژوهشی و کاری تخصصی ایشان در حوزه‌های مختلف مهندسی کنترل و سیستم‌های هوشمند بوده است.

توضیحات تکمیلی

آموزش تئوری و عملی الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت الگوریتم تکاملی به ذهن می رسد، الگوریتم ژنتیک است. بسیاری از افراد، سایر روش های بهینه سازی هوشمند را نسخه های تغییر یافته ای از الگوریتم ژنتیک می شناسند و قائل به اصالت وجود و ماهیت سایر الگوریتم ها نیستند. این ابزار محاسباتی، در اوایل دهه ۱۹۷۰ از دل نتایجی پدید آمد که از تلاش های مهندسین و دانشمندان آن روزگار برای شبیه سازی فرایند تکامل صورت پذیرفته بود. مبتکر ایده الگوریتم های ژنتیک، جان هالند (John L. Holland) بود و پس از وی، یکی از شاگردهایش به نام دیوید گلدبرگ (David Goldberg)، تلاش فراوانی برای توسعه الگوریتم های ژنتیک انجام داده است.

تاکنون محصولات متنوعی برای آموزش مباحث تئوری و عملی الگوریتم ژنتیک بر روی فرادرس ارائه شده اند. در این پست قصد داریم جدیدترین و کامل ترین محصول فرادرس را که مربوط به آموزش تئوری و عملی الگوریتم ژنتیک در متلب (MATLAB) است، به حضور مخاطبین محترم معرفی نماییم. این فرادرس که مشتمل بر بیش از 14 ساعت برنامه آموزشی است، قطعا مرجعی بی نظیر برای آموزش مباحث تخصصی مرتبط با الگوریتم های ژنتیک و از همه مهم تر، پیاده سازی الگوریتم های ژنتیک در محیط متلب است.

این محصول شامل همه مطالبی است که شما باید در مورد الگوریتم ژنتیک بدانید و از نظر برنامه نویسی نیز کامل ترین محصولی است که تاکنون در مورد الگوریتم های ژنتیکی ارائه شده است. عناوین بخش های مختلف این بسته آموزشی در ادامه آمده است:

 

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
  • مروری بر مفاهیم مدل سازی و شناسایی سیستم
  • تعریف تابع خطا و تبدیل مساله شناسایی سیستم به مساله بهینه سازی
  • معرفی سیستم غیر خطی شکار و شکارچی (Predator - Prey)
  • بررسی خواص دینامیکی مدل شکار و شکارچی
  • مقدمه ای بر شبیه سازی سیستم های دینامیکی
  • تقریب اویلر برای حل عددی معادلات دیفرانسیل و شبیه سازی سیستم های دینامیکی
  • پیاده سازی تقریب اویلر در محیط متلب
  • ایجاد یک مدل فرضی و شبیه سازی آن برای تعریف یک مساله مدل سازی
  • پیاده سازی تابع خطای مدل سازی
  • اتصال تابع خطای تعریف شده به الگوریتم ژنتیک
  • حل مساله شناسایی سیستم غیر خطی با استفاده از الگوریتم ژنتیک
  • ایجاد مکانیزمی برای نمایش لحظه به لحظه نتایج مدل سازی به صورت نمودارهای گرافیکی
  • جمع بندی و نتیجه گیری نهایی

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
مراجع و فایل های جانبی مرتبط با آموزش
فایل برنامه ها و پروژه های اجرا شده

پیش نمایش‌ها

۱. مبانی تئوری الگوریتم های ژنتیک
۲. پیاده سازی الگوریتم های ژنتیک در محیط متلب
۳. حل مساله مکان یابی هاب یا Hub Location Allocation
۴. حل مساله حمل و نقل یا Transportation Problem
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. حل مساله تخصیص درجه دو یا QAP
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. فرادرس حل مساله کوله پشتی یا Knapsack Problem
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. شناسایی سیستم و مدل‌ سازی سیستم‌ های غیرخطی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۷ جلسه ویدئویی با مجموع ۱۴ ساعت و ۲۳ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش 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 ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش الگوریتم ژنتیک در متلب MATLAB
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۳۰۲۶ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش MVRGA9011
مدت زمان ۱۴ ساعت و ۲۳ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۱ گیگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما


نظرات

تا کنون ۱۰,۲۹۶ نفر از این آموزش استفاده کرده‌اند و ۱۴۴ نظر ثبت شده است.
اعظم
اعظم
۱۴۰۱/۰۳/۳۰
تمام مباحث به صورت کامل گفته شده بود، و بیان مدرس خیلی عالی بود.
امیرعلی
امیرعلی
۱۴۰۱/۰۳/۱۷
دکتر کلامی فوق العاده هستند تمام مطالب به روز را ارائه می دهند.
عدنان
عدنان
۱۴۰۱/۰۳/۰۴
این آموزش از BASE بود و خیلی خوب و جامع توضیح داده شده بود.
رضا
رضا
۱۴۰۱/۰۲/۲۸
من با این آموزش میخواستم داده ها رو با تابع بنویسم. من خیلی راضی بودم. تشکر.
دانیال
دانیال
۱۴۰۱/۰۲/۱۰
خیلی خوب بود. دکتر کلامی روی مباحث خیلی تسلط داشتند. مباحث جامعیت داشت و مثال های خوبی هم طرح شد.
علیرضا
علیرضا
۱۴۰۰/۱۱/۲۳
خیلی خوب بود، من درس مختصری داشتم. این مدرس به خوبی جمع بندی کرده بودند و مجموعه منظمی داشتند.
محمدصالح
محمدصالح
۱۴۰۰/۱۰/۱۸
فعلا ابتداش رو دیدم، در خصوص مفاهیم ژنتیک بسیار عالی و جذاب درس میدند فک میکنم بحث پیاده سازیش هم جالب باشه.
مهسا
مهسا
۱۴۰۰/۱۰/۱۲
کامل و عالی بود. من کل پروژه پایان نامه ام رو با این آموزش سر و سامان دادم. مرسی واقعا.
عبدالله
عبدالله
۱۴۰۰/۰۹/۲۲
تشکر میکنم از شما و مدرس گرامی بابت مطاب و مباحثی که ارائه کردن
الهه
الهه
۱۴۰۰/۱۰/۲۱
واقعا آموزش آقای دکتر بی نظریه.فایلهای آموزشی کاملا کاربردی و مفید
برچسب‌ها:
Additive Penalty | Arithmetic Crossover | Backpack Problem | Binary Genetic Algorithm | Boltzmann methods | Combinatorial Optimization | David Goldberg | Double Point Crossover | Feasible | GA | Genetic Algorithm | Hub Location Allocation | Hub Location Problem | Insertion | John L. Holland | Knapsack Problem | MATLAB | MATLAB software | Mixed Penalty | Multiplicative Penalty | NFE | Number of Function Evaluations | One Fifth Rule | Predator - Prey | QAP | Quadratic Assignment Problem | Reversion | Roulette Wheel | Single Point Crossover | Swap | System Identification | Tournament | Tournament Selection | Transportation Problem | Uniform Crossover | Wireless Sensor Network Design | آموزش GA | آموزش الگوریتم ژنتیک | آموزش تئوری الگوریتم ژنتیک | آموزش تئوری الگوریتم ژنتیک در متلب | آموزش عملی GA | آموزش عملی الگوریتم ژنتیک | آموزش عملی الگوریتم ژنتیک در متلب | اپراتور تقاطع حسابی | اپراتور تقاطع حسابی برای مسائل پیوسته | اپراتورها | اتصال تابع خطای تعریف شده به الگوریتم ژنتیک | ارائه مدل ریاضی مساله | ارائه مدل ریاضی مساله کوله پشتی باینری | ارزیابی عملکرد الگوریتم های بهینه سازی | استراتژی های طراحی و مدیریتی در یک شبکه تخصیص | اعداد حقیقی | افزودن محاسبه تعداد دفعات فراخوانی تابع هدف | افزودن محاسبه تعداد دفعات فراخوانی تابع هدف به الگوریتم ژنتیک | الگوریتم GA | الگوریتم تکاملی | الگوریتم ژنتیک | الگوریتم ژنتیک باینری | الگوریتم ژنتیک پیوسته | الگوریتم ژنتیک در متلب | الگوریتم ژنتیک عملی | الگوریتم های ژنتیک | الگوریتم های عددی | الگوریتم های هوشمند | انتخاب اعضای جمعیت جدید | انتخاب اعضای جمعیت جدید در الگوریتم ژنتیک | انتخاب براساس شایستگی | انتخاب تصادفی | انتخاب توسط چرخه رولت | انتخاب رقابتی | انجام تغییرات لازم بر روی الگوریتم ژنتیک برای حل مسائل جایگشتی | انجام جهش در فضای باینری | انجام جهش در فضای گسسته | انجام عمل جهش در فضای پیوسته | اندازه تورنومنت | انواع عملگرهای جهش برای کروموزوم های جایگشتی | ایجاد تغییرات در مساله حمل و نقل و تبدیل آن به یک مساله ترکیبی پیوسته و باینری | ایجاد رابط گرافیک کاربری برای انتخاب یکی از سه روش انتخاب در هنگام اجرای برنامه | ایجاد راه حل های جایگشتی | ایجاد راه حل های جایگشتی و تبدیل آن ها به راه حلی برای مساله QAP | ایجاد مکانیزمی برای نمایش لحظه به لحظه نتایج مدل سازی به صورت نمودارهای گرافیکی | بررسی تاثیر اندازه تورنومنت در عملکرد این عملگر انتخاب | بررسی تاثیر ضرایب وزنی بر پاسخ مساله | بررسی جامع انواع روش های انتخاب والدین | بررسی جامع انواع ساختارهای ممکن برای تلفیق | بررسی جامع انواع شرایط خاتمه | بررسی خواص دینامیکی مدل شکار و شکارچی | بررسی مفهوم تعداد دفعات فراخوانی تابع | برنامه نویسی متلب | بهبود عملگر تقاطع با افزودن پارامتر برون گرایی | بهینه سازی | بهینه سازی ترکیبی | بهینه سازی هوشمند | بیان مساله QAP به صورت یک مساله جایگشتی | پارامتر برون گرایی | پیاده سازی الگوریتم ژنتیک باینری | پیاده سازی الگوریتم ژنتیک پیوسته | پیاده سازی الگوریتم ژنتیک در متلب | پیاده سازی الگوریتم های ژنتیک در محیط متلب | پیاده سازی انواع روش های تقاطع | پیاده سازی برای حل یک مساله پیوسته نمونه | پیاده سازی تابع خطای مدل سازی | پیاده سازی تقاطع حسابی | پیاده سازی تقریب اویلر در محیط متلب | پیاده سازی جهش برای مسائل باینری | پیاده سازی جهش گاوسی | پیاده سازی جهش نرمال | پیاده سازی روش های مختلف انتخاب والد | پیاده سازی مساله QAP به صورت یک مساله جایگشتی | پیاده سازی مساله حمل و نقل به صورت یک مساله پیوسته حقیقی | پیاده سازی مساله کوله پشتی در قالب یک مساله بهینه سازی باینری | پیاده سازی مساله مکان یابی هاب | پیاده سازی مساله مکان یابی هاب در قالب یک مساله بهینه سازی باینری | تابع جریمه | تابع جریمه ترکیبی | تابع جریمه جمع شونده | تابع جریمه ضرب شونده | تابع خطا و تبدیل مساله شناسایی سیستم به مساله بهینه سازی | تاثیر اندازه تورنومنت | تبدیل مساله شناسایی سیستم به مساله بهینه سازی | تخصیص درجه دو | ترسیم شکل مربوط به راه حل مساله به صورت آنلاین | ترکیب تصادفی سه نوع تقاطع به صورت ساده و با استفاده از چرخه رولت | تعداد دفعات فراخوانی تابع | تعریف تابع خطا | تعریف توزیع احتمالی با استفاده از روش بولتزمن | تعویض دو عضو | تعویض دو عضو یا Swap | تغییرات لازم بر روی الگوریتم ژنتیک برای حل مسائل جایگشتی | تقاطع تک نقطه ای | تقاطع دو نقطه ای | تقاطع قابل استفاده در مسائل باینری | تقاطع قابل استفاده در مسائل گسسته | تقاطع یکنواخت | تقریب اویلر برای حل عددی معادلات دیفرانسیل | تقریب اویلر در محیط متلب | تنظیم فشار انتخاب | تنظیم گام جهش بر اساس قانون یک پنجم | توزیع احتمالی | جان هالند | جهش بر روی اعضای جمعیت | جهش نرمال | چرخه رولت | چگونگی انجام عمل جهش در فضای پیوسته | چگونگی تعریف تخطی | حذف اعضای جمعیت جدید | حذف و جایگذاری | حل مسائل بهینه سازی با استفاده از الگوریتم های هوشمند | حل مسائل بهینه سازی مقید | حل مسائل جایگشتی | حل مساله QAP با استفاده از الگوریتم ژنتیک | حل مساله تخصیص درجه دو | حل مساله تخصیص درجه دو با استفاده از الگوریتم ژنتیک | حل مساله توسط الگوریتم ژنتیک باینری | حل مساله توسط الگوریتم ژنتیک پیوسته | حل مساله حمل و نقل | حل مساله حمل و نقل با استفاده از الگوریتم ژنتیک | حل مساله شناسایی سیستم | حل مساله شناسایی سیستم غیرخطی | حل مساله شناسایی سیستم غیرخطی با استفاده از الگوریتم ژنتیک | حل مساله کوله پشتی با الگوریتم ژنتیک | حل مساله کوله پشتی باینری | حل مساله مکان یابی هاب با استفاده از الگوریتم ژنتیک | خواص دینامیکی مدل شکار و شکارچی | دیوید گلدبرگ | روش اعمال همزمان تقاطع | روش اعمال همزمان تقاطع و جهش بر روی اعضای جمعیت | روش انتخاب والدین | روش انجام تقاطع برای کروموزوم های جایگشتی | روش بهینه سازی هوشمند | روش بولتزمن | روش تلفیق | روش تلفیق اعضای جمعیت جدید | روش تلفیق و انتخاب تصادفی | روش سهم های از پیش تعیین شده | روش مرتب سازی و حذف | روش های انتخاب والدین | روش های انتخاب والدین در الگوریتم ژنتیک | روش های برخورد با مسائل مقید | روش های برخورد با مسائل مقید با قید ساختاری | روش های بهینه سازی | روش های مختلف برای تعریف توزیع احتمالی | ساختار پایه الگوریتم های ژنتیک | ساده سازی مکانیزم چرخه رولت | سیستم غیرخطی شکار و شکارچی | شبکه های حسگر بی سیم | شبیه سازی سیستم های دینامیکی | شرایط توزیع احتمالی گسسته | شرایط توزیع احتمالی گسسته برای انجام انتخاب | شرایط خاتمه در روش های بهینه سازی | شناسایی سیستم | شناسایی سیستم با استفاده از الگوریتم ژنتیک | شناسایی سیستم و مدل سازی سیستم های غیر خطی با استفاده از الگوریتم ژنتیک | شیوه عملکرد چرخه رولت | شیوه ی عملکرد چرخه رولت | طراحی شبکه های حسگر بی سیم | عملگر انتخاب | فشار انتخاب | فشار انتخاب در انتخاب رقابتی | فیلم آموزشی الگوریتم ژنتیک | قانون یک پنجم | قواعد عملی برای تنظیم فشار انتخاب | قید مساوی | قید نامساوی | گاوسی | مبانی علم ژنتیک | متاهیوریستیک | مجموعه ای از معادلات دیفرانسیلی | محاسبات تکاملی | محدود کردن جستجو به فضای شدنی | مدل سازی سیستم های دینامیکی | مدل سازی سیستم های غیر خطی | مدل سازی سیستم های غیر خطی با استفاده از الگوریتم ژنتیک | مرتب سازی اعضای جمعیت جدید | مروری بر مساله حمل و نقل (Transportation Problem) | مسأله تخصیص درجه دو | مسأله حمل و نقل | مسأله کوله پشتی | مسائل باینری و گسسته | مسائل پیوسته | مسائل تخصیص | مسائل مکان یابی تاسیسات | مساله باینری نمونه | مساله بهینه سازی باینری | مساله تخصیص درجه دو | مساله جایگشتی | مساله حمل و نقل و حل آن ها توسط الگوریتم ژنتیک | مساله مکان یابی هاب | معادلات دیفرانسیلی | معرفی سیستم غیرخطی شکار و شکارچی | معکوس سازی بخش میان دو عضو | مفاهیم مدل سازی و شناسایی سیستم | مکان یابی | مکان یابی هاب | مکانیزم چرخه رولت | مکانیزمی برای ذخیره اطلاعات مساله در فایل و فراخوانی آن | منشا الهام الگوریتم های تکاملی | نحوه ایجاد راه حل های جایگشتی | نحوه ایجاد راه حل های جایگشتی و تبدیل آن ها به راه حلی برای مساله QAP | نرم افزار MATLAB | نرم افزار متلب | نکات مهم برای پیاده سازی مکانیزم چرخه رولت | نمایش لحظه به لحظه نتایج مدل سازی | نمایش لحظه به لحظه نتایج مدل سازی به صورت نمودارهای گرافیکی | هوش محاسباتی
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۷ جلسه ویدئویی
×