الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) به اختصار ICA یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرایند سیاسی استعمار است. در این فرادرس، دانشجویان عزیز با مباحث مختلف الگوریتم رقابت استعماری در متلب آشنا می شوند. دروسی که در این آموزش به آن پرداخته می شود، الگوریتم رقابت استعماری، خوشه بندی یا Clustering، درون یابی توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری 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.
مجموعه آموزش های الگوریتم رقابت استعماری در متلب
(کسب اطلاعات بیشتر +)
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
الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) به اختصار ICA یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش محاسباتی و محاسبات تکاملی معرفی شده است. جان مایه اصلی این الگوریتم، شبیه سازی فرایند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک (Genetic Algorithm)، تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ توسط اسماعیل آتش پز گرگری و مرحوم پروفسور کارو لوکاس (Caro Lucas) (استاد فقید دانشگاه تهران) معرفی شد و تاکنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.
درس یکم: الگوریتم رقابت استعماری - شامل مباحث تئوری و عملی
در این درس، دانشجویان عزیز، با مباحث مختلف تئوری و عملی الگوریتم رقابت استعماری آشنا می شوند. دروسی که در این آموزش به آن پرداخته می شود، مبانی بهینه سازی، تشریح بخش های مختلف الگوریتم رقابت استعماری، پیاده سازی گام به گام الگوریتم ICA و... است. نقطه قوت این درس 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 بهینه سازی
- مبانی تئوری الگوریتم رقابت استعماری یا ICA
- تشریح بخش های مختلف الگوریتم رقابت استعماری و کارکرد آن ها
- سناریوهای مختلف قابل استفاده در پیاده سازی الگوریتم رقابت استعماری
- ایده های فراگیر در زمینه محاسبات تکاملی و ادغام آن ها در الگوریتم رقابت استعماری
- تاثیر پارامترها و اپراتورها (عملگرها) در عملکرد کلی الگوریتم رقابت استعماری
- پیاده سازی گام به گام الگوریتم ICA در محیط متلب (MATLAB)
- پیاده سازی اپراتورها و اجزای الگوریتم به طرق مختلف
- حل یک مساله نمونه و ساده
- جمع بندی و نتیجه گیری های نهایی
درس دوم: خوشه بندی (Clustering) با الگوریتم رقابت استعماری
در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده است که می توانند به عنوان مرجع کاملی برای دانشجویان و دانش پژوهان مورد استفاده قرار بگیرند. بخشی از این درس، که در اینجا قصد معرفی آن را داریم، مربوط به حل مساله خوشه بندی (کلاسترینگ) یا Clustering با استفاده از الگوریتم رقابت استعماری است.
فهرست سرفصل ها و رئوس مطالب مطرح شده در درس دوم در ادامه آمده است:
- مروری بر مبانی طبقه بندی اطلاعات و اهمیت آن
- بیان ریاضی مساله خوشه بندی (Clustering)
- تبدیل مساله خوشه بندی به یک مساله بهینه سازی
- پیاده سازی مساله خوشه بندی در قالب یک مساله بهینه سازی در محیط متلب
- حل مساله خوشه بندی با استفاده از الگوریتم رقابت استعماری
- بهبود عملکرد و کامل سازی برنامه نوشته شده
- نمایش گرافیکی نتایج حاصل از حل مساله خوشه بندی
- جمع بندی و نتیجه گیری های نهایی
درس سوم: درون یابی توابع شعاعی پایه (Radial Basis Function) یا به اختصار RBF با الگوریتم رقابت استعماری
در این درس که مربوط به درون یابی توابع شعاعی پایه (Radial Basis Function) یا به اختصار RBF با الگوریتم رقابت استعماری است، در واقع تنظیم ضرایب یک شبکه عصبی RBF به صورت یک مساله بهینه سازی بیان شده است و توسط الگوریتم رقابت استعماری انجام پذیرفته است.
فهرست سرفصل ها و رئوس مطالب مطرح شده در درس سوم در ادامه آمده است:
- مروری بر مبانی مدل سازی و برازش منحنی
- آشنایی با توابع شعاعی پایه
- بیان مساله مدل سازی و برازش منحنی به صورت یک مساله بهینه سازی
- پیاده سازی مساله مدل سازی RBF به صورت یک مساله بهینه سازی در محیط متلب
- حل مساله مدل سازی با استفاده از الگوریتم رقابت استعماری
- بهبود عملکرد و کامل سازی برنامه نوشته شده
- نمایش گرافیکی نتایج حاصل از حل مساله مدل سازی
- جمع بندی و نتیجه گیری های نهایی
درس چهارم: حل مساله کوچک ترین درخت پوشا (Minimum Spanning Tree Problem) یا به اختصار MSTP با الگوریتم رقابت استعماری
مساله کوچک ترین درخت پوشا (Minimum Spanning Tree Problem) یا به اختصار MSTP به صورت یک مساله بهینه سازی گسسته باینری (صفر و یک) بیان شده است و از این رو، این درس دارای اهمیت ویژه ای است. زیرا در این درس نحوه استفاده از الگوریتم رقابت استعماری برای حل مسائل باینری آموزش داده شده است، و این درس می تواند سرمشق مناسبی برای استفاده از الگوریتم رقابت استعماری برای حل مسائل گسسته و باینری باشد. همچنین با الهام از الگوریتم های ژنتیک باینری (Binary Genetic Algorithms)، اپراتور انقلاب (Revolution) در این درس بازنگری شده است، به نحوی که عملکرد الگوریتم را برای حل مسائل باینری بهبود دهد.
فهرست سرفصل ها و رئوس مطالب مطرح شده در درس چهارم در ادامه آمده است:
- تعریف ریاضی مساله کوچکترین درخت پوشا (Minimum Spanning Tree)
- مروری بر مبانی نظریه گراف
- قضایا و لم های مربوط به تشخیص متصل بودن گراف ها
- پیاده سازی الگوریتم های مورد استفاده از تئوری گراف ها
- چگونگی استفاده از الگوریتم رقابت استعماری برای حل مسائل باینری
- حل مساله کوچکترین درخت پوشا با استفاده از الگوریتم رقابت استعماری
- بهبود عملکرد الگوریتم با الهام از الگوریتم ژنتیک باینری و اصلاح عملگر انقلاب (Revolution)
- نمایش گرافیکی نتایج حاصل از حل مساله
- جمع بندی و نتیجه گیری های نهایی
درس پنجم: حل مسائل جایگشتی با الگوریتم رقابت استعماری
برای کامل تر شدن محتوای فیلم آموزشی، و همچنین افزایش جنبه کاربردی آن، چهار مساله جایگشتی در این درس تعریف شده اند و به طور کامل مورد حل و بررسی قرار گرفته اند. مسائل مورد بحث در این درس از جمله مسائل پایه ای و کاربردی در رشته های مختلف از جمله رشته های مهندسی هستند. عناوین ۴ مساله مورد بحث در این فیلم عبارتند از:
- مساله فروشنده دوره گرد (Traveling Salesman Problem) به اختصار TSP که به جرات می توان گفت که معروف ترین مساله بهینه سازی جایگشتی است و کاربردهای فراوانی دارد.
- مساله تخصیص درجه دو (Quadratic Assignment Problem) به اختصار QAP که دارای کاربردهای وسیعی در علوم مهندسی است.
- مساله n وزیر (n-Queen Probem) به اختصار nQP که یک مساله کلاسیک در بهینه سازی و تحقیق در عملیات است.
- مساله زمان بندی پایه (Basic Scheduling Problem) که مادر تمام مسائل زمان بندی است و قطعا شیوه حل آن می تواند الگوی مناسبی برای حل سایر انواع مسائل زمان بندی باشد.
رویکردهای ارائه شده در این درس بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده برای حل سایر مسائل جایگشتی نیز استفاده نمود. همچنین، به راحتی می توان نکات مورد بحث در این درس را با سایر الگوریتم های بهینه سازی پیوسته مانند: بهینه سازی ازدحام ذرات (Particle Swarm Optimization) و تکامل تفاضلی (Differential Evolutuion)، مورد استفاده قرار داد. در این درس اپراتور انقلاب (Revolution) مورد بازنگری قرار گرفته است و تغییراتی در آن اعمال شده است که عمکلرد الگوریتم رقابت استعماری برای حل مسائل جایگشتی بهبود یابد.
فهرست سرفصل ها و رئوس مطالب مطرح شده در درس پنجم در ادامه آمده است:
- تعریف ریاضی مساله فروشنده دوره گرد (TSP)
- نحوه کدینگ پاسخ یک مساله جایگشتی به صورت پیوسته
- پیاده سازی تابع هزینه و مدل ریاضی مربوط به مساله فروشنده دوره گرد
- حل مساله TSP با استفاده از الگوریتم رقابت استعماری
- نمایش گرافیکی نتایج حل مساله TSP با استفاده از الگوریتم رقابت استعماری
- بهبود عملکرد الگوریتم رقابت استعماری با اصلاح اپراتور انقلاب (Revolution)
- تعریف ریاضی مساله تخصیص درجه دو (Quadratic Assignment Problem) یا به اختصار QAP
- پیاده سازی تابع هدف و مدل ریاضی مربوط به مساله QAP
- حل مساله QAP با استفاده از الگوریتم رقابت استعماری
- نمایش گرافیکی نتایج حاصل از حل مساله QAP
- تعریف ریاضی مساله n وزیر (n - Queen Problem)
- پیاده سازی تابع هدف و مدل ریاضی مربوط به مساله n وزیر
- حل مساله n وزیر با استفاده از الگوریتم رقابت استعماری
- نمایش گرافیکی نتایج حاصل از حل مساله n وزیر
- تعریف ریاضی مساله زمان بندی ساده و مفاهیم بنیادی مربوطه
- پیاده سازی تابع هزینه و مدل ریاضی مربوط به مساله زمان بندی
- حل مساله زمان بندی با استفاده از الگوریتم رقابت استعماری
- نمایش گرافیکی چارت زمان بندی حاصل از حل مساله زمان بندی
- جمع بندی و نتیجه گیری های نهایی
آنچه در این آموزش خواهید دید:
پیش نمایش‌ها
۱.
مبانی تئوری الگوریتم رقابت استعماری یا ICA
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: ۹۹ مگابایت -- (کلیک کنید +))
۲.
پیاده سازی الگوریتم رقابت استعماری یا ICA در 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: ۱۸۹ مگابایت -- (کلیک کنید +))
۳.
خوشه بندی یا Clustering با الگوریتم رقابت استعماری یا ICA
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: ۷۸ مگابایت -- (کلیک کنید +))
۴.
درون یابی توسط توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری یا ICA
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵.
حل مساله کوچکترین درخت پوشا یا Minimum Spanning Tree
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶.
حل مسائل جایگشتی با الگوریتم رقابت استعماری یا ICA
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.
راهنمای سفارش آموزش‌ها
.svg)
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 | مجموعه آموزش های الگوریتم رقابت استعماری در متلب |
|---|---|
| ناشر | فرادرس |
| شناسه اثر | ۸–۱۲۴۵۲–۰۴۳۰۶۵ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد) |
| کد آموزش | MVRIC9012 |
| مدت زمان | ۱۳ ساعت و ۸ دقیقه |
| زبان | فارسی |
| نوع آموزش | آموزش ویدئویی (نمایش آنلاین + دانلود) |
| حجم دانلود | ۱ گیگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس) |
- ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
- و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.
نظرات
رامتین
از نظر محتوا و کدنویسی خیلی خوب گفته شده اما
متاسفانه مثل بقیه آموزش های استاد کلامی طولانی و جاهایی خارج از حوصله بود.
همانطور که قبلا پیشنهاد دادم بهتره آموزش های کوتاهتری
با همین محتوا ارایه بشه
زینب
مطالب جامع و مفید بود.
محمود
آموزش الگوریتم رقابت استعماری
خیلی خوب بود که ابتدا با خود الگوریتم با مقاله رفرنس و مباحث تئوریک توضیح داده‌شده . بعد به کد نویسی خود الگوریتم پرداخته البته در حین کد نویسی نکته در رابطه با برنامه‌نویسی متلب وجود داشته باشد به‌طور کاملاً مجزا ابتدا توضیح میدهید استاد کلامی هریس بعد به‌صورت داخل پرانتز بعد از ادامه کد نویسی الگوریتم را ادامه می‌دهد .
این‌ها واقعاً از نقاط قوت آموزش‌های استاد کلامی هریس می‌باشد و البته به ارائه مثال‌ها مختلف و توضیح تئوریک مثال هم خیلی خوب پرداخته شد است به نظر بنده خیلی عالیه .
با تشکر
امیر
سلام
بسیار خووب و عالی
فقط کاش یکم بیشتر مثال و نمونه حل میکردین
ashrafi
آموزش به صورت بسیار خوبی شده است. مخصوصا برای دانشجویان دوره های ارشد می تواند بسیار مفید باشد.
اگر کدهای #C یا ++C آن نیز ارائه شوند بسیار خوب و مفید فایده خواهد بود.
با تشکر از تهیه کنندگان این مجموعه.
روابط عمومی
در پاسخ به ashrafi:
با سلام؛
ضمن تشکر از مکاتبه شما و ارائه دیدگاه تان؛ پیشنهاد می شود لینک های زیر را مطالعه نمایید. امیدواریم در راستای هدف شما باشد:
کد رایگان الگوریتم رقابت استعماری
دانلود رایگان کدهای الگوریتم رقابت استعماری در جاوا
دانلود رایگان کد الگوریتم رقابت استعماری در سی شارپ و متلب
موفق و پیروز باشید.
سامان
سلام از آموزش هایی که قرار میدهید ممنونم. من بشخصه بدلیل علاقه ای که به مسائل بهینه سازی دارم بسیاری از آموزش ها را دنبال میکنم و نکات بسیار زیادی را تا به حال آموخته ام. بسیار الگوریتم رقابت استعماری برایم جالب است و یکی از مباحثی است که در مقالات علمی معتبر از ان استفاده شده است. بنده این اموزش را تهیه کردم و بسیار از اموزش استفاده بردم از سایت خوب شما هم ممنونم که این سیر علمی را فراهم کرد تا باعث پیشرفت دانشجویان ایرانی بشود. امیدوارم مباحث ادامه پیدا کند و مثال های عملی در متلب افزایش یابد. تشکر.
فاطمه
با عرض سلام و خسته نباشید.این مجموعه آموزشی برای من بسیار آموزنده و مفید بود. من هیچ چیز در مورد این الگوریتم نمیدونستم. اما الان با مجموعه ویدیوهایی که دیدم میتونم با این الگوریتم مسئله زیادی رو حل کنم. واقعا دستتون درد نکنه. من به چند تا از دوستام هم توصیه کردم که علاوه بر این آموزش، ویدیو های آموزشی شبکه عصبی شما رو ببینند. ممنون از زحمات زیادی که می کشین. خسته نباشید.
واحد
سلام. خسته نباشید.
آموزش صوتی تصویری خیلی عالی است. اگر در الگوریتم هایی که استفاده میکنید از مقالات بیشتری استفاده کنید بهتر است.
زینب
سلام. من در این موضوع هیچ اطلاعاتی نداشتم ولی با تهیه این آموزش بدون کلاس رفتن موضوع را بخوبی آموختم. به نظرم آموزش خیلی جزئی است می شود آموزش را خلاصه تر کرد و فقط به کلیات پرداخت.
منوچهر
سلام. آموزش های آقای دکتر کلامی فوق العاده هستند.