×
۸۵,۰۰۰ تومان تا ۱۶۰ هزار تومان تخفیف

آموزش تئوری و عملی الگوریتم ژنتیک

آموزش تئوری و عملی الگوریتم ژنتیک

تعداد دانشجو
۹,۶۹۵ نفر
مدت زمان
۱۴ ساعت و ۲۳ دقیقه
هزینه عادی آموزش
۸۵,۰۰۰ تومان
در طرح تخفیف
تا ۱۶۰ هزار تومان تخفیف (کسب اطلاعات بیشتر +)
محتوای این آموزش
تضمین کیفیت
۱۲۸ بازخورد (مشاهده نظرات)
آموزش تئوری و عملی الگوریتم ژنتیک

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 تئوری و عملی الگوریتم ژنتیک

مدت زمان
۱۴ ساعت و ۲۳ دقیقه
هزینه عادی آموزش
۸۵,۰۰۰ تومان
در طرح تخفیف
تا ۱۶۰ هزار تومان تخفیف

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۱۲۸ بازخورد (مشاهده نظرات)
مدرس
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 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.

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 ۱۴ 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:

درس یکم: الگوریتم های ژنتیک در متلب - مباحث تئوری و عملی

در درس یکم، دانشجویان عزیز، با مباحث مختلف الگوریتم های ژنتیک در متلب آشنا می شوند. دروسی که در این آموزش به آن پرداخته می شود، مروری بر مبانی علم ژنتیک، معرفی اجزا و ساختار پایه الگوریتم های ژنتیک، بررسی جامع انواع روش های انتخاب والدین و... است. 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.

فهرست سرفصل ها و رئوس مطالب مطرح شده در درس یکم در ادامه آمده است:
  • مروری بر مبانی علم ژنتیک و منشا الهام الگوریتم های تکاملی و الگوریتم های ژنتیک
  • معرفی اجزا و ساختار پایه الگوریتم های ژنتیک
  • بررسی جامع انواع شرایط خاتمه در روش های بهینه سازی و الگوریتم های عددی
  • بررسی جامع انواع ساختارهای ممکن برای تلفیق و انتخاب اعضای جمعیت جدید
    • روش تلفیق، مرتب سازی و حذف
    • روش سهم های از پیش تعیین شده
    • روش تلفیق و انتخاب تصادفی
    • روش اعمال همزمان تقاطع و جهش بر روی اعضای جمعیت
  • بررسی جامع انواع روش های انتخاب والدین
    • انتخاب تصادفی
    • انتخاب بر اساس شایستگی
      • مفاهیم ابتدایی و شرایط توزیع احتمالی گسسته برای انجام انتخاب
      • روش های مختلف برای تعریف توزیع احتمالی، از جمله روش بولتزمن (Boltzmann methods)
      • فشار انتخاب و قواعد عملی برای تنظیم آن
      • چرخه رولت (Roulette Wheel) و شیوه عملکرد آن
      • ساده سازی مکانیزم چرخه رولت به همراه بیان نکات مهم برای پیاده سازی
    • انتخاب رقابتی (Tournament Selection)
      • بررسی تاثیر اندازه تورنومنت (Tournament) در عملکرد این عملگر انتخاب
      • فشار انتخاب در انتخاب رقابتی
  • انواع اپراتورها برای مسائل مختلف
    • مسائل باینری و گسسته
      • بررسی انواع تقاطع قابل استفاده در مسائل باینری و گسسته
      • چگونگی انجام جهش در فضای باینری و گسسته
    • مسائل پیوسته (اعداد حقیقی)
      • اپراتور تقاطع حسابی برای مسائل پیوسته
      • بهبود عملگر تقاطع با افزودن پارامتر برون گرایی
      • چگونگی انجام عمل جهش در فضای پیوسته
      • جهش نرمال (گاوسی)
      • تنظیم گام جهش بر اساس قانون یک پنجم (One Fifth Rule)
  • بررسی مفهوم تعداد دفعات فراخوانی تابع (Number of Function Evaluations) و یا به اختصار NFE
  • جمع بندی و نتیجه گیری های نهایی

سرفصل های مورد بحث در بخش عملی:
  • پیاده سازی الگوریتم ژنتیک باینری
    • پیاده سازی برای حل یک مساله باینری نمونه
    • پیاده سازی انواع روش های تقاطع
      • تقاطع تک نقطه ای (Single Point Crossover)
      • تقاطع دو نقطه ای (Double Point Crossover)
      • تقاطع یکنواخت (Uniform Crossover)
      • ترکیب تصادفی سه نوع تقاطع به صورت ساده و با استفاده از چرخه رولت
    • پیاده سازی جهش برای مسائل باینری
    • پیاده سازی روش های مختلف انتخاب والد
      • انتخاب تصادفی
      • انتخاب توسط چرخه رولت (Roulette Wheel)
      • انتخاب رقابتی (Tournament Selection)
      • ایجاد رابط گرافیک کاربری برای انتخاب یکی از سه روش انتخاب در هنگام اجرای برنامه
    • افزودن محاسبه تعداد دفعات فراخوانی تابع هدف یا NFE به الگوریتم ژنتیک
  • پیاده سازی الگوریتم ژنتیک پیوسته
    • پیاده سازی برای حل یک مساله پیوسته نمونه
    • پیاده سازی تقاطع حسابی (Arithmetic Crossover) و بهبود عملکرد آن
    • پیاده سازی جهش نرمال یا گاوسی
  • جمع بندی و نتیجه گیری نهایی

درس دوم: حل مساله مکان یابی هاب با استفاده از الگوریتم ژنتیک

در درس دوم، آشنایی دانشجویان عزیز، با مباحث مختلف حل مساله مکان یابی هاب (Hub Location Problem) با استفاده از الگوریتم ژنتیک صورت می گیرد. دروسی که در این آموزش نام می بریم، مساله مکان یابی هاب، ارائه مدل ریاضی مساله، پیاده سازی مساله مکان یابی هاب و... است. توضیح کامل مباحث مربوطه و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه از نقاط قوت این آموزش به شمار می رود.

فهرست سرفصل ها و رئوس مطالب مطرح شده در درس دوم در ادامه آمده است:
  • مروری بر مساله مکان یابی هاب (Hub Location Allocation) و طراحی شبکه های حسگر بی سیم (Wireless Sensor Network Design)
  • ارائه مدل ریاضی مساله
  • بحث بر روی روش های کلی برای حل مسائل بهینه سازی
  • پیاده سازی مساله مکان یابی هاب در قالب یک مساله بهینه سازی باینری
  • حل مساله توسط الگوریتم ژنتیک باینری
  • ترسیم شکل مربوط به راه حل مساله به صورت آنلاین (همگام با اجرای برنامه)
  • جمع بندی و نتیجه گیری نهایی

درس سوم: حل مساله حمل و نقل با استفاده از الگوریتم ژنتیک

در درس سوم، دانشجویان عزیز، با مباحث مختلف حل مساله حمل و نقل با استفاده از الگوریتم ژنتیک آشنا می شوند. دروسی که در این آموزش به آن پرداخته می شود، مساله حمل و نقل، ارائه مدل ریاضی مساله، پیاده سازی مساله حمل و نقل به صورت یک مساله پیوسته حقیقی و... است. 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.

فهرست سرفصل ها و رئوس مطالب مطرح شده در درس سوم در ادامه آمده است:
  • مروری بر مساله حمل و نقل (Transportation Problem)
  • ارائه مدل ریاضی مساله
  • بحث بر روی روش های کلی برای حل مسائل بهینه سازی مقید
  • چگونگی تعریف تخطی برای انواع قیدهای مساوی و نامساوی
  • بررسی انواع تابع جریمه
    • تابع جریمه جمع شونده (Additive Penalty)
    • تابع جریمه ضرب شونده (Multiplicative Penalty)
    • تابع جریمه ترکیبی (Mixed Penalty)
  • چگونگی تغییر در ساختار پاسخ، برای محدود کردن جستجو به فضای شدنی (Feasible)
  • ارائه مکانیزم کلی برای حل مسائل بهینه سازی با استفاده از الگوریتم های هوشمند
  • ایجاد مکانیزمی برای ذخیره اطلاعات مساله در فایل و فراخوانی آن
  • پیاده سازی مساله حمل و نقل به صورت یک مساله پیوسته حقیقی
  • حل مساله توسط الگوریتم ژنتیک پیوسته
  • ایجاد تغییرات در مساله حمل و نقل و تبدیل آن به یک مساله ترکیبی پیوسته و باینری
  • نحوه تعریف کروموزم برای مسائلی که چندین نوع متغیر از انواع مختلف دارند
  • بررسی نسخه های دیگری از مساله حمل و نقل و حل آن ها توسط الگوریتم ژنتیک
  • جمع بندی و نتیجه گیری نهایی

درس چهارم: حل مساله تخصیص درجه دو یا QAP با استفاده از الگوریتم ژنتیک

در درس چهارم قصد داریم فیلم آموزشی جدیدی را که مربوط به حل مساله تخصیص درجه دو (Quadratic Assignment Problem) و یا به اختصار QAP است، معرفی نماییم. این مساله یکی از مسائل پایه ای در بهینه سازی ترکیبی (Combinatorial Optimization) و تحقیق در عملیات است. از نظر دسته بندی کلی، این مساله در میان مسائل مکان یابی تاسیسات قرار می گیرد و کاربردهای فراوانی در رشته های مختلف علمی و فنی دارد.

فهرست سرفصل ها و رئوس مطالب مطرح شده در درس چهارم در ادامه آمده است:
  • مروری بر مساله تخصیص درجه دو (Quadratic Assignment Problem) یا QAP
  • ارائه مدل ریاضی مساله
  • مروری بر روش های برخورد با مسائل مقید با قید ساختاری
  • بیان مساله QAP به صورت یک مساله جایگشتی
  • نحوه ایجاد راه حل های جایگشتی و تبدیل آن ها به راه حلی برای مساله QAP
  • روش انجام تقاطع برای کروموزوم های جایگشتی
  • انواع عملگرهای جهش برای کروموزوم های جایگشتی
    • تعویض دو عضو یا Swap
    • معکوس سازی بخش میان دو عضو یا Reversion
    • حذف و جایگذاری یا Insertion
  • پیاده سازی مساله QAP به صورت یک مساله جایگشتی
  • انجام تغییرات لازم بر روی الگوریتم ژنتیک برای حل مسائل جایگشتی
  • حل مساله QAP با استفاده از الگوریتم ژنتیک
  • ترسیم شکل مربوط به راه حل مساله به صورت آنلاین (همگام با اجرای برنامه)
  • بررسی تاثیر ضرایب وزنی بر پاسخ مساله
  • استراتژی های طراحی و مدیریتی در یک شبکه تخصیص
  • جمع بندی و نتیجه گیری های نهایی

درس پنجم: حل مساله کوله پشتی با الگوریتم ژنتیک

مساله کوله پشتی (Knapsack Problem) یکی از مسائل معروف در ریاضیات کاربردی و تحقیق در عملیات است، که به نام Backpack Problem نیز شناخته می شود. این مساله دارای نسخه های مختلفی است و حالات پیچیده تر آن، در حل مسائل روزمره و صنعتی، کاربردهای فراوانی دارد. گذشته از اهمیت عملی این مساله، نسخه های استانداردی نیز برای این مساله تعریف شده اند که برای ارزیابی عملکرد الگوریتم های بهینه سازی، مورد استفاده قرار می گیرد. در این فیلم آموزشی با استفاده از الگوریتم ژنتیک به حل مساله کوله پشتی باینری پرداخته شده است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در درس پنجم در ادامه آمده است:
  • مروری بر مساله کوله پشتی (Knapsack Problem)
  • ارائه مدل ریاضی مساله کوله پشتی باینری
  • پیاده سازی مساله کوله پشتی در قالب یک مساله بهینه سازی باینری
  • حل مساله توسط الگوریتم ژنتیک باینری
  • جمع بندی و نتیجه گیری های نهایی

درس ششم: شناسایی سیستم و مدل سازی سیستم های غیر خطی با استفاده از الگوریتم ژنتیک

به جرات می توان گفت که یکی از مسائل مهم در تمامی رشته های علمی و مهندسی، مساله مدل سازی است و در بسیاری از رشته ها، این مساله مهم ترین مساله ای است که در آن حوزه تعریف می شود. تبدیل داده های برگرفته از مشاهدات، به مدلی ریاضی که بتواند سیستم مورد مطالعه را توصیف نماید، گاهی اوقات بزرگ ترین هدفی است که یک محقق دارد. اگر هدف از مدل سازی، ایجاد یک مدل دینامیکی، به صورت مجموعه ای از معادلات دیفرانسیلی باشد، مساله مدل سازی غالبا با نام شناسایی سیستم (System Identification) شناخته می شود. شناسایی سیستم مختص هیچ رشته خاصی نیست، اما اغلب مهندسین کنترل و ریاضیدان ها به کار توسعه الگوریتم ها و روش های شناسایی مبادرت می ورزند.

روش های مختلفی برای حل مساله شناسایی سیستم و مدل سازی سیستم های دینامیکی به وجود آمده اند که در حوزه های مختلفی نظیر: مهندسی برق، مهندسی پزشکی، مهندسی مکانیک، مهندسی شیمی و فرایند، اقتصاد، هواشناسی و کشاورزی کاربرد دارند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در درس ششم 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

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: –۱ بایت -- (کلیک کنید +))

۲. پیاده سازی الگوریتم های ژنتیک در محیط متلب

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: –۱ بایت -- (کلیک کنید +))

۳. حل مساله مکان یابی هاب یا Hub Location Allocation

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: –۱ بایت -- (کلیک کنید +))

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 تئوری و عملی الگوریتم ژنتیک
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 ۹,۶۹۵ نفر از این آموزش استفاده کرده اند و ۱۲۸ نظر ثبت شده است.
مهدی
مهدی

به نظرم کیفیت و نوع تدریس استاد عالی و جامع هستش که البته دلیل این موضوع هم تسلط ایشون رو بحث الگوریتمهای تکاملی و نرم افزار متلب هست.

حمید
حمید

بعضی موضوعات را نمی توان از این آموزش فراگرفت. مثلا بحـث جایابی ها.جایابی تولید پراکنده یا خازن یا PMU یا…چه خوب می شد که الگوریتم ژنتیک بهمراه شبیه سازی 5 مقاله و 5 موضوع بیان می شد. اینطوری کاربرد استفاده از الگوریتم ژنتیک بهتر و کاربردی تر جا می افتاد.
البته بدون شک یکی از باکیفیت ترین آموزش های فرادرس مدیون دکتر سیدمصطفی کلامی هریس می باشد.تسلط ایشان بر الگوریتم ژنتیک و بیان شیوای ایشان دانشجو را مبرا از هر کتاب یاددهی الگوریتم ژنتیک می نماید.همچنین تسلط و سرعت ایشان در برنامه نویسی متلب از نقاط قوت این آموزش می باشد.با دیدن یک بخش اتگیزه بر دیدن بخش های دیگر همچنان وجود دارد.این که از پایه ژنتیک بیان می شود و بسرعت وارد فاز برنامه نویسی می شوند خیلی کاربردی و مثمر به ثمر بوده است.بازهم منتظر آموزش های دیگر ایشان هستم.سپاس

سیدرضی
سیدرضی

من با این آموزش با سایت فرادرس آشنا شدم. آموزش فوق العاده ای بود.

سینا
سینا

خوب بود. از همه بهتر بود و آموزش های فرادرس تقریبا خوبن و مشکل خاصی در آموزش ها مشاهده نمی کنم.

ایمان
ایمان

الگوریتم هاشون و کدهایی که نوشتن با اینکه برای سال 2012 یا 2013 هست هنوزم تازگی داره.

شایان
شایان

خیلی به دردم خورد، به دلیل گستردگی درس، مخاطب نحوه بیانشون مثل آموزش حضوری و کلاس درس بود، نه به صورت مجازی.

زینب
زینب

کلا این مباحث خیلی تخصصی هست و مدرس با توانایی و اشرافی که روی مطالب داشتن خیلی خوب تونستن آموزش ارائه کنند.

زهرا
زهرا

فوق العااااده ست جوری مطالب گفته شده که هنوز بعد از چندین ماه هنوز که هنوزه یادم مونده. دکتر کلامی از پایه مرحله به مرحله اول از ژنتیک شروع کردند بعد پایه ریاضی رو گفتند، بعد به هم ارتباطش دادند و بعد برنامه نویسی کردند.

مجید
مجید

نکات رو به طور کامل بررسی می کردند و از جوانب مختلف مسائل رو مورد بررسی قرار دادند.

شروین
شروین

در خصوص حوزه تحقیقاتی و مطالعه شخصیم این آموزش رو تهیه کردم و بسیار جامع و کاربردی بود.

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