×
۴۱,۰۰۰ تومان ۲۴,۶۰۰ تومان

آموزش بهینه سازی چند هدفه در متلب

آموزش بهینه سازی چند هدفه در متلب

تعداد دانشجو
۴,۱۵۷ نفر
مدت زمان
۱۸ ساعت و ۵۳ دقیقه
هزینه عادی آموزش
۴۱,۰۰۰ تومان
در طرح تخفیف
۲۴,۶۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۵۰ بازخورد (مشاهده نظرات)
آموزش بهینه سازی چند هدفه در متلب

چکیده

اگر قصد دارید که در کمترین زمان ممکن و با بهترین کیفیت، مباحث تئوری و عملی مربوط به بهینه سازی چند هدفه را فرا بگیرید، حتما این پست را بخوانید. محصولی که در این پست قصد معرفی آن را داریم، مجموعه فرادرس های بهینه سازی چند هدفه در متلب است که نه تنها مشابه ایرانی، که مشابه خارجی نیز ندارد و محصولی واقعا بی نظیر است.

آموزش بهینه سازی چند هدفه در متلب

تعداد دانشجو
۴,۱۵۷ نفر
مدت زمان
۱۸ ساعت و ۵۳ دقیقه
هزینه عادی آموزش
۴۱,۰۰۰ تومان
در طرح تخفیف
۲۴,۶۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۵۰ 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

تقسیم بندی بهینه سازی چند هدفه در متلب

مسائل بهینه سازی از نظر تعداد توابع هدف و معیارهای بهینه سازی، به دو نوع تقسیم پذیر هستند: (۱) مسائل بهینه سازی تک هدفه و (۲) مسائل بهینه سازی چند هدفه. در مسائل بهینه سازی تک هدفه، هدف از حل مساله بهبود یک شاخص عملکرد (Performance Index) یگانه است که مقدار کمینه یا بیشینه آن، کیفیت پاسخ به دست آمده را به طور کامل منعکس می کند، اما در برخی موارد، نمی توان صرفا با اتکا به یک شاخص، یک پاسخ فرضی برای مساله بهینه سازی را امتیازدهی نمود. در این نوع مسائل، ناگزیریم که چندین تابع هدف یا شاخص عملکرد را تعریف نماییم و به طور همزمان، مقدار همه آن ها را بهینه کنیم.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • مبانی بهینه سازی چند هدفه و بیان تفاوت های آن با مساله بهینه سازی یک هدفه
  • تقسیم بندی روش های بهینه سازی چند هدفه
  • روش های بهینه سازی چند هدفه کلاسیک
    • روش مجموع وزن دار (Weighted Sum)، مزایا و معایب آن
    • روش برنامه ریزی آرمانی (Goal Programming)
    • روش نیل به آرمان (Goal Attainment)
  • روش چبیشف (Chebyshev)، به عنوان حالت کلی روش های مبتنی بر آرمان
  • روش تبدیل به قید (ε-Constrainet) (بخوانید Epsilon Constraint)
  • مقدمه سازی برای طرح الگوریتم های تکاملی چند هدفه
  • جمع بندی و نتیجه گیری های نهایی
درس یکم: مبانی تئوری و روش های کلاسیک بهینه سازی چند هدفه

در این فرادرس، دانشجویان عزیز با مباحث مختلف مبانی تئوری و روش های کلاسیک بهینه سازی چند هدفه آشنا می شوند. درس هایی که در این آموزش به آن پرداخته می شود، مبانی بهینه سازی چند هدفه، روش های بهینه سازی چند هدفه کلاسیک، روش تبدیل به قید یا ε-Constrainet 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.

بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (Multi-objective Optimization) به نام های بهینه سازی چند معیاره (Multi-criteria Optimization) و بهینه سازی برداری (Vector Optimization) نیز شناخته می شود. روش های فراوانی تاکنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:

  • روش های کلاسیک که اغلب مساله چند هدفه را به یک مساله یک هدفه تقلیل می دهند.
  • روش های تکاملی که اغلب مساله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.

موضوع بحث آموزش که در این بخش قصد معرفی آن را داریم، مبانی تئوری بهینه سازی چند هدفه و روش های بهینه سازی چند هدفه کلاسیک است. روش های کلاسیک، در برخی متون به نام روش های تجزیه (Decomposition) نیز شناخته می شوند.

درس دوم: الگوریتم ژنتیک چند هدفه (NSGA-II) در متلب

الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب (Non-dominated Sorting Genetic Algorithm) یکی از الگوریتم های شاخص و پرکاربرد در زمینه بهینه سازی چندهدفه است. پس از ارائه نسخه اول این الگوریتم در سال ۱۹۹۵، معرفی کنندگان این الگوریتم که از میان آن ها دب (Deb) معروف تر از سایرین است، نسخه دوم آن را در سال ۲۰۰۲ با نام اختصاری NSGA-II ارائه نمودند.

در کنار تمام کارایی هایی که NSGA-II دارد، می توان آن را الگوی شکل گیری بسیاری از الگوریتم های بهینه سازی چند هدفه دانست. این الگوریتم و شیوه منحصر به فرد آن در برخورد با مسائل بهینه سازی چند هدفه، بارها و بارها توسط افراد مختلف برای ایجاد الگوریتم های بهینه سازی چند هدفه جدیدتر، مورد استفاده قرار گرفته است. بدون شک این الگوریتم یکی از اساسی ترین اعضای کلکسیون الگوریتم بهینه سازی چندهدفه تکاملی است که می توان آن ها را نسل دوم این گونه روش ها نامید.

در این فرادرس، دانشجویان عزیز، با مباحث مختلف الگوریتم ژنتیک چند هدفه (NSGA-II) در متلب آشنا می شوند. درس هایی که در این آموزش به آن پرداخته می شود، مبانی بهینه سازی چند هدفه با الگوریتم های تکاملی، تفاوت های الگوریتم NSGA اولیه با نسخه دوم یا NSGA-II، پیاده سازی بخش های مختلف الگوریتم NSGA-II 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. موضوع بحث آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری الگوریتم NSGA-II و شیوه پیاده سازی آن در محیط متلب است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • مروری بر مبانی بهینه سازی چند هدفه با الگوریتم های تکاملی
  • بیان رویکردهای کلی در طراحی الگوریتم های تکاملی برای بهینه سازی چند هدفه
  • مرور مختصری بر تئوری الگوریتم ژنتیک
  • تعریف مفهوم غلبه در محیط چند هدفه
  • اعمال تغییرات لازم در الگوریتم ژنتیک تک هدفه برای استفاده از آن در مسائل چند هدفه
  • معرفی اجزای مختلف الگوریتم NSGA-II
    • الگوریتم مرتب سازی نا مغلوب و شیوه رتبه بندی (Ranking)
    • مفهوم فاصله ازدحامی (Crowding Distance)
    • شیوه انتخاب والد به صورت رقابت (تورنمنت) دو دویی (Binary Tournament Selection)
    • مرتب سازی جمعیت به صورت چند مرحله ای
    • انتخاب جمعیت جدید از میان اعضای قدیمی و فرزندان
  • تفاوت های الگوریتم NSGA اولیه با نسخه دوم (NSGA-II)
  • پیاده سازی دو مثال نمونه از توابع استاندارد چند هدفه
  • پیاده سازی بخش های مختلف الگوریتم NSGA-II
  • بیان مساله کوله پشتی (Knapsack Problem) به صورت چند هدفه و حل آن به صورت چند هدفه
  • جمع بندی و نتیجه گیری های نهایی

درس سوم: الگوریتم PSO چند هدفه (MOPSO) در متلب

الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimizatoion) یا به اختصار PSO یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. این الگوریتم، توسط جیمز کندی و راسل سی ابرهارت در سال ۱۹۹۵ معرفی گردید، و با الهام از رفتار اجتماعی حیواناتی چون ماهی ها و پرندگان که در گروه هایی کوچک و بزرگ کنار هم زندگی می کنند، طراحی شده است. در الگوریتم PSO، اعضای جمعیت جواب ها، به صورت مستقیم با هم ارتباط دارند و از طریق تبادل اطلاعات با یکدیگر و یادآوری خاطرات خوب گذشته، به حل مساله می پردازند.

با توجه به موفقیت های کم نظیر الگوریتم PSO در حل مسائل بهینه سازی تک هدفه، دانشمندان و محققین بسیاری، سعی در استفاده از این الگوریتم برای حل مسائل چند هدفه داشته اند و تاکنون نسخه های متعددی از الگوریتم PSO برای حل مسائل چند هدفه ارائه شده است. یکی از معروف ترین الگوریتم هایی که در این راستا معرفی شده است، کاری است که توسط پرفسور کوئلو کوئلو (Coello Coello) و همکارانش معرفی شده است. نامی که آن ها برای الگوریتم شان انتخاب کرده اند MOPSO است، که اغلب این اسم انحصارا برای این الگوریتم به کار برده می شود. این الگوریتم در سال ۲۰۰۴ و در مقاله ای که در مجله محاسبات تکاملی IEEE (با نام کامل IEEE Transactions on Evolutionary Computation) چاپ شده است، معرفی گردید.

موضوع بحث آموزشی که در این پست قصد معرفی آن را داریم، مبانی تئوری الگوریتم MOPSO و شیوه پیاده سازی آن در محیط متلب است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • مروری بر مبانی بهینه سازی چند هدفه با الگوریتم های تکاملی
  • مرور مختصری بر تئوری الگوریتم بهینه سازی ازدحام ذرات (PSO)
  • ایجاد تغییرات لازم در الگوریتم PSO برای تبدیل آن به نسخه چند هدفه
  • معرفی مفهوم مخزن یا بایگانی پاسخ های نا مغلوب
  • معرفی ساختار جدولی مورد استفاده در MOPSO
  • مفهوم انتخاب مبتنی بر ناحیه به جای انتخاب مبتنی بر فرد
  • شیوه انتخاب الگو (Leader) در الگوریتم MOPSO
  • شیوه کنترل اندازه آرشیو
  • چگونگی شکل دهی توزیع های احتمالی به نحوی که تنوع پاسخ ها حفظ شود
  • انتخاب چرخه رولت (Roulette Wheel Selection) و استفاده از آن در MOPSO
  • بیان شباهت های موجود میان الگوریتم PESA-II و MOPSO
  • پیاده سازی یک مثال نمونه از توابع استاندارد چند هدفه
  • پیاده سازی بخش های مختلف الگوریتم MOPSO در متلب
  • جمع بندی و نتیجه گیری های نهایی
درس چهارم: پیاده سازی روش های کلاسیک بهینه سازی چند هدفه در متلب

موضوع بحث آموزشی که در این فرادرس قصد معرفی آن را داریم، پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب است. سه روش از میان روش های کلاسیک بهینه سازی چند هدفه، در این آموزش مورد بررسی قرار گرفته و پیاده سازی شده اند. این سه روش عبارتند از:

  • روش مجموع وزن دار
  • روش برنامه ریزی آرمانی (Goal Programming)
  • روش نیل به آرمان (Goal Attainment)
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • مبانی بهینه سازی چند هدفه و بیان تفاوت های آن با مساله بهینه سازی یک هدفه
  • مروری بر روش های بهینه سازی چند هدفه کلاسیک
    • روش مجموع وزن دار (Weighted Sum)، مزایا و معایب آن
    • روش برنامه ریزی آرمانی (Goal Programming)
    • روش نیل به آرمان (Goal Attainment)
    • روش چبیشف، به عنوان حالت کلی روش های مبتنی بر آرمان
    • روش تبدیل به قید (ε-Constrainet) (بخوانید Epsilon Constraint)
  • پیاده سازی سه روش از روش های مطرح شده در متلب
    • پیاده سازی روش مجموع وزن دار با استفاده از تابع fminunc
    • پیاده سازی روش برنامه ریزی آرمانی با استفاده از تابع fminunc
    • پیاده سازی روش نیل به آرمان با استفاده از تابع fgoalattain
  • بهبود عملکرد برنامه های نوشته شده با حذف پاسخ های مغلوب
  • جمع بندی و نتیجه گیری های نهایی
درس پنجم: نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو (Strength Pareto Evolutionary Algorithm 2) به اختصار SPEA2

نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو (Strength Pareto Evolutionary Algorithm 2) به اختصار SPEA2، یکی از معروف ترین و پرکاربردترین الگوریتم های بهینه سازی تکاملی چند هدفه است. این الگوریتم، ایده های بسیار مهمی را مطرح نموده است و یک مثال بسیار مناسب از همه ویژگی هایی است که باید یک الگوریتم بهینه سازی چند هدفه داشته باشد.

در آموزش جامع نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو (SPEA2) که بخشی از بسته طلایی آموزش بهینه سازی چند هدفه است، پس از مرور کاملی بر مبانی تئوری الگوریتم SPEA2، پیاده سازی عملی و گام به گام این الگوریتم در محیط متلب، مورد بحث و بررسی واقع شده است. مطالب و مباحث این آموزش به زبان فارسی روان، و توسط سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • بررسی مبانی تئوری نسخه یکم الگوریتم SPEA
  • بررسی کاستی ها و اشکالات موجود در الگوریتم SPEA
  • بیان تفاوت های موجود میان SPEA و SEPA2
  • چگونگی تعریف برازندگی ترکیبی در SPEA2 برای انتقال معیار کیفیت پاسخ ها و معیار توزیع
  • چگونگی امتیازدهی به پاسخ ها در SPEA2
  • چگونگی تعریف معیار توزیع (نظم) با استفاده از الگوی KNN (الگوریتم k نزدیک ترین همسایه) در الگوریتم SPEA2
  • پیاده سازی گام به گام و عملی الگوریتم SPEA2 در متلب
  • اجرای برنامه برای مثال های عددی از مسائل نمونه بهینه سازی چند هدفه
درس ششم: الگوریتم تکاملی چند هدفه مبتنی بر تجزیه (Multiobjective Evolutionary Algorithm based on Decomposition) به اختصار MOEA/D

الگوریتم تکاملی چند هدفه مبتنی بر تجزیه (Multiobjective Evolutionary Algorithm based on Decomposition) به اختصار MOEA/D، یکی از جدیدترین الگوریتم های بهینه سازی تکاملی چند هدفه است، که دارای ماهیتی کاملا متفاوت با سایر الگوریتم های تکاملی چند هدفه ای است که پیش از آن معرفی شده اند. در ساختار این الگوریتم، مساله بهینه سازی چند هدفه به چندین زیر مساله تک هدفه تجزیه می شود و همه این زیر مسائل، به صورت یک جا حل می شوند. اما حل این زیر مسائل، که توسط اعضای یک جمعیت و به صورت موازی انجام می شود، به صورت تعاملی پیش می رود و با استفاده از مولفه های رقابتی (Competitive) و همکاری (Cooperative) که در ساختار الگوریتم گنجانده شده است، تکامل راه حل های پیشنهادی، به مرور انجام می شود.

در آموزش جامع الگوریتم تکاملی چند هدفه مبتنی بر تجزیه (MOEA/D) که بخشی از بسته طلایی آموزش بهینه سازی چند هدفه است، پس از مرور کاملی بر مبانی تئوری الگوریتم MOEA/D، پیاده سازی عملی و گام به گام این الگوریتم در محیط متلب، مورد بحث و بررسی واقع شده است. مطالب و مباحث این آموزش به زبان فارسی روان، و توسط سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • مروری بر مبانی روش های تجزیه (Decomposition) در مسائل بهینه سازی چند هدفه
  • روش مبتنی بر وزن دهی
  • روش های مبتنی بر رویکرد چبیشف (Tchybecheff)
  • مبانی تئوری و شیوه عملکرد الگوریتم MOEA/D
  • پیاده سازی گام به گام الگوریتم MOEA/D در محیط متلب
  • مباحثی در روش های تعیین وزن های اولیه
  • تعریف وزن های دوبعدی منظم (توزیع بر روی کمان دایره)
  • حل مسائل نمونه بهینه سازی چند هدفه با استفاده از الگوریتم MOEA/D
درس هفتم: نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو (Pareto Envelope-based Selection Algorithm II) به اختصار PESA-II

نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو (Pareto Envelope-based Selection Algorithm II) به اختصار PESA-II، یکی از معروف ترین و پرکاربردترین الگوریتم های بهینه سازی تکاملی چند هدفه است. این الگوریتم، ایده های بسیار مهمی را مطرح نموده است و یک مثال بسیار مناسب از همه ویژگی هایی است که باید یک الگوریتم بهینه سازی چند هدفه داشته باشد. از طرفی، ایده اصلی الگوریتم MOPSO نیز از همین الگوریتم گرفته شده است.

در آموزش جامع نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو (PESA-II) که بخشی از بسته طلایی آموزش بهینه سازی چندهدفه است، پس از مرور کاملی بر مبانی تئوری الگوریتم PESA-II، پیاده سازی عملی و گام به گام این الگوریتم در محیط متلب، مورد بحث و بررسی واقع شده است. مطالب و مباحث این آموزش به زبان فارسی روان، و توسط سید مصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • بررسی مبانی تئوری نسخه یکم الگوریتم انتخاب مبتنی بر شکل دهی پارتو (PESA)
  • بررسی تفاوت عملکرد نسخه یکم (PESA) و نسخه دوم (PESA-II) از الگوریتم انتخاب مبتنی بر شکل دهی پارتو
  • بررسی ساختار احتمالی موجود در PESA و PESA-II و یکسان سازی این دو روش از طریق تعریف فاکتور «فشار انتخاب»
  • پیاده سازی گام به گام و عملی الگوریتم PESA-II در متلب
  • اعمال تغییرات در برنامه پیاده سازی شده برای بهبود عملکرد آن
  • حل یک مساله نمونه بهینه سازی چندهدفه
مشاهده بیشتر مشاهده کمتر

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس



پیش نمایش‌ها

۱. مبانی تئوری بهینه سازی چند هفته و روش های کلاسیک

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: ۸۲ مگابایت -- (کلیک کنید +))

۲. تئوری الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب یا NSGA-II

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: ۹۲ مگابایت -- (کلیک کنید +))

۳. پیاده سازی الگوریتم ژنتیک چند هدفه NSGA-II 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: ۱۶۹ مگابایت -- (کلیک کنید +))

۴. تئوری الگوریتم بهینه سازی ازدحام ذرات چند هدفه یا MOPSO
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. پیاده سازی الگوریتم MOPSO در متلب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. پیاده سازی روش های کلاسیک در متلب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. مبانی تئوری الگوریتم SPEA2
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. پیاده سازی عملی الگوریتم SPEA2 در متلب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. مبانی تئوری و پیاده سازی عملی الگوریتم MOEA/D در متلب
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. مبانی تئوری و پیاده سازی عملی الگوریتم PESA-II
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.

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 بهینه سازی چند هدفه در متلب
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۳۰۲۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش MVRMO9012
مدت زمان ۱۸ ساعت و ۵۳ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (لینک دانلود)
حجم دانلود ۲۷۷۵ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۴,۱۵۷ نفر از این آموزش استفاده کرده اند و ۵۰ نظر ثبت شده است.
مهناز
مهناز

از زحمات فرادرس به خاطر آموزش های مفید سپاسگزارم.
عالی بود.

علیرضا
علیرضا

با سلام. برای توصیف این مجموعه ی آموزشی، فقط کافی است که عرض کنم: برای یادگیری الگوریتم NSGA-II مقاله ی اصلی، که توسط خالق این الگوریتم منتشر شده است، را ده بار با دقت خواندم و نفهمیدم. این آموزش رو یک بار گوش کردم، و تمام. تشکر

زهرا
زهرا

بهترین دوره آموزشی ای بود که تهیه کردم، برای کارای دانشگام تهیه کردم و به همه هم توصیه کردم.

شیرین
شیرین

نحوه بیان مدرس راضی کننده بود. ممنونم از فرادرس.

زینب
زینب

خیلی با جزییات و کامل بود و همه مفاهیم رو قشنگ مطرح می کردند.

شروین
شروین

یه بخشیشو دیدم و کامل ندیدم. اما یادمه که محتوای کاملی داشت.

محمد علی
محمد علی

به نظر من جز یکی از بهترین آموزش های فرادرس هست.
همه چی عالی بود.

yousef
yousef

با تشکر از مجموعه فرادرس و دکتر کلامی هریس بابت تهیه این مجموعه آموزشی
نکته ای که قابل ذکره برای درصد بسیار بالایی از آموزش های فرادرس اینه که آموزش ها بسیار طولانی هستند البته این به نوبه خود یک نکته مثبت تو این مجموعه ها است که سعی شده هیچ چیزی از قلم نیفته ولی گاها روی بعضی مسائل بیشتر زوم میشه در حالی که نیاز چندانی برای این همه وقت گذاشتن نیست البته نکته ای رو که میگم مخصوص این آموزش نیست من چندین آموزش از فرادرس خریداری کردم و این یک نکته عمومی برای فرادرسه .
البته مجموعه فرادرس برای دانشجویانی مثل من که تا حدودی با این مجموعه در ارتباط هستند و هر چند ماه یک بار از این سایت خرید میکنن لطف دارند و همیشه تخفیف هایی در نظر میگیرند که من ازشون تشکر ویژه دارم

امین
امین

در کل خیلی خوب بود. اما کاش مشاور و پاسخگویی به ایراد ها از طریق سایت فرادرس امکان پذیر بود.

سید عباس
سید عباس

بد نبود من از فرادرس کلا خیلی آموزش می گیرم و این هم قابل قبول بود.

مسعود
مسعود

صد در صد به مباحث مسلط هستند.

امیر حسن
امیر حسن

خیلی وقت پیش این آموزش رو تهیه کردم و اون زمان برام خیلی مفید بود.

حسین
حسین

واقعا عالی بود از همه لحاظ.

محمد
محمد

ايشان جز بهترين مدرسين مجموعه هستند.

صادق
صادق

یک هفته وقت داشتم روی پایان نامه ام بهینه سازی MOPSO بزنم. دانشی که از بهینه سازی داشتم فقط باعث ترس و نا امیدی بود و میدونستم وقت نمیشه. این آموزش رو دیدم، از کد هاش استفاده کردم و توی یک هفته بهینه سازیی زدم که همه استادها لذت بردند.

جدی میگم این رو. هرچی از بهینه سازی میدونید رو بگذارید کنار. چرا که هر دانش مندی یک نظری روی بهینه سازی داده. آقای کلامی هریس به صورت کاملا مسلط روی همه جوانب بهینه سازی، مفید ترین و در عین حال کامل ترین روند بهینه سازی رو برای خودش مشخص کرده و انقدر جذاب و شیرین درس میده که من رو شدیدا به مبحث بهینه سازی علاقه مند کرد.

فقط هرچی از بهینه سازی میدونید رو بگذارید کنار و آموزش های آقای کلامی هریس رو ببنید و از کد هایی که نوشته هم استفاده کنید. تمام

روزبه
روزبه

عالی بود این آموزش من خیلی راضی بودم

احسان
احسان

واقعا عالی بود. مدرس قشنگ و آروم آروم توضیح می دادند. قشنگ مطلب رو متوجه میشدم و واقعا رضایت داشتم.

شهاب
شهاب

لحن، توضیح آقای دکتر کلامی واقعا عالی هست از 0 تا 100 آموزش رو شمرده شمرده بیان می کنند و این در روند یادگیری خیلی تاثیر گذار هستش و برای پایان نامم تونستم از این آموزش استفاده کنم.

محمد
محمد

من خیلی خوشحالم که تونستم با دیدن آموزش های دکتر کلامی خیلی از مطالب رو یاد بگیرم و باهاشون کار کنم. کاملا مسلط به درس با ارائه عالی. ممنون از دکتر کلامی به خاطر آموزش های بی نظیرشون

الهام
الهام

تشکر ا زحمات استاد گرامی بابت تهیه این فایل اموزشی ارزشمند

vahid
vahid

با عرض سلام و احترام و عرض خسته نباشین خدمت دست اندرکاران فرادرس، من این آموزش رو تهیه کردم و دوبار کامل دیدمش. انصافا واقعا عالی و خوب هستش. بهترین آموزش را جع به بهینه سازی چند هدفه به زبان فارسی هستش.
فقط یه ایرادی داره اونم اینه که فایل های جلسات قرار داده نشده. بهتر بود یادداشت های استاد در هرجلسه رو در فایل همن جلسه قرار میدادین تا موقع دوره کردن و یاآوری مطالب گذشته از فایل pdf جلسات گذشته استفاده میکردیم.درضمن در قسمت های الگوریتم های کلاسیک از 4 الگوریتم کلاسیک به پیاده سازی 3 تا از الگوریتم ها پرداختن و مورد 4 رو فقط توضیح دادن که خوب بود اونو هم پیاده سازیش بکنن.
از طرفی جا داره روی الگوریتم های بیشتر بحث بشه تا کامل کامل بشه.
ولی انصافا فوقالعادس و عالیه. هم مطالب خیلی خوبه و هم بیان استاد بی نظیره.
باتشکر از دست اندرکارن مجموعه فرادرس و استاد بی نظر آقای کلامی هریس.

محمد
محمد

با سلام و وقت بخیر. این آموزش خیلی مفید بود بخاطر اینکه بعضی از رشته ها خودشونو از این نرم افزار متلب محروم کردن. علتشم اینه که معمولا اساتید بلد نیستن و به همین خاطر وارد آموزش این نرم افزار نمی شن. ولی فرادرس این امکانو برای همه فراهم کرده که تو جهل باقی نمونن. پیشنهاد می کنم کد های بیشتری رو همراه آموزش آپلود کنین. خیلی کمک کننده است. باز هم ممنون از شما

آرمان
آرمان

با تشکر از اساتید بزرگوار فرادرس

پیشنهاد من برای مطالب آموزشی اینکه مثلا این آموزش حدود 19ساعته که اگه هر بخش به صورت بخشهای مجزا قابل تهیه باشه دانشجو از همون بخش مورد نظرش میتونه استفاده کنه

موفق باشید

بهراد
بهراد

با سلام.
آموزش بهینه سازی چندهدفه بسیار جامع و عالی بود.به نظر من یکی از نقاط قوت و جالب آموزش در بخش اجرای الگوریتم نمود پیدا میکند.
نظر به اینکه در هر تکرار الگوریتم بهترین پاسخ با دستورات نمایشی متلب اجرا میشود , به مانند آن است که از مسیر حل فیلم تهیه شده باشد.شخصا نمایش حل الگوریتم MOPSO را بسیار دوست میدارم و آن را در کلاس های دانشگاهی اجرا کرده و توضیح داده ام.

محمد
محمد

با سلام؛
تدریس های دکتر بسیار ارزشمند بوده اند و در این آموزش تدریس گام به گام از صفر تا صد انجام شده.
آموزش مجموعه فرادرس های بهینه سازی چند هدفه در متلب بسیار عالی تدریس شده است و انصافاً آموزش ها گام به گام هستند مخصوصاً الگوریتم ژنتیک چند هدفه NSGA-II و الگوریتم PSO چند هدفه MOPSO که اگر با آموزش انتخاب ویژگی با استفاده از الگوریتم های فرا ابتکاری و تکاملی مورد استفاده قرار گیرد کاربرد بسیار زیادی برای دانشجویان عزیز دارد.
اما خواهشاً در صورت امکان فایل pdf منابع هم در آموزش ها گنجانده شود، یا نام مقالات درفایلی گنجانده شود تا بتوان از آنها استفاده کرد مثلاً در بخش مربوط به آموزش pso برای لحظاتی منابع استفاده شده نمایش داده می شود، ولی متأسفانه نام فایل های pdf به صورت کامل نمایش داده نمی شود. خواهشمند است در صورت امکان همه منابع استفاده شده معرفی گردد.

کامران
کامران

با سلام و تشکر فراوان از آقای کلامی هریس به خاطر بیا بسیار شیوا و روانشون. واقعا استفاده کردم. مطالب ارائه شده بسیار منظم و طبقه بندی شده و مناسب بود. واقعا از هر کلاس درسی تو دانشگاه که اگه این درس رو ارائه بدن که اکثرا نمیدن بهتر و جامع تر و کاربردی تر بود. مثال های ارائه شده خیلی خوب بود طوری که با کمی تغییر به راحتی تونستم تو پروژه ام ازشون استفاده کنم. اگه کسی آشنایی قبلی با مباحث هوشمند نداشته باشه با این مجموعه حتما به این مباحث علاقه مند میشه. در مورد من که اینجور بود.

لیلا
لیلا

برای انجام پروژه ام بسیار به من کمک کرد. ممنونم.

امین
امین

واقعا باید به دکتر کلامی آفرین گفت. خدمت بزرگی به جامعه علم مهندسی کردند. خدا خیرشان دهد.

رز
رز

ضمن تشکر از سایت بسیار خوب شما، اگر ممکن هست کد بهینه سازی MOABC رو برای دانلود در سایت قرار دهید. بسیار ممنون می شوم.

ابراهیم آریان
ابراهیم آریان

جامع بود و توضیحات بسیار کاملی داشت. لطفا آموزش جدید تر هم در این زمینه ارائه کنید.

مهسا آقایی
مهسا آقایی

روش تدریس به گونه ای بود که روی یک مثال عملی آموزش می دادند و گام به گام از ابتدا تا پایان کد را تدریس و اجرا میکردند. بسیار عالی بود.

رضا آصفی نژاد
رضا آصفی نژاد

سلام. آموزش کاملا تخصصی است. بسیار راضی بودم. متشکرم.

امیر مخترع
امیر مخترع

سلام و خسته نباشید. من قصد داشتم روش های کلاسیک را یاد بگیرم و پیاده سازی کنم. این آموزش خیلی برایم مفید و کامل بود. متشکرم.

آذر کاظمی
آذر کاظمی

من هر وقت در انجام پروژه درس ها و مفاهیم به مشکل بر میخورم از آموزش های سایت شما استفاده میکنم و همیشه هم مطمئن هستم مشکلم رفع میشود. در حقیقت فیلم های آموزشی سایت شما برای من برای من مانند کتاب های کمک درسی است. از شما متشکرم.

مولود ابراهیمی
مولود ابراهیمی

سلام. من این آموزش را تهیه کردم ولی هنوز دقیق مطالعه نکردم. قبلا از الگوریتم ژنتیک استفاده کردم عالی بوده. ممنونم.

هادی
هادی

کیفیت و کمیت عالی بود. و مطلب کاملا مفهوم بود.

مهدی
مهدی

سلام بر تیم فرادرس. لطفا در آموزش هایی که ارائه می دهید از مثال های بیشتری استفاده نمایید.

نوید جمالی
نوید جمالی

مطالب انقدی خوب بود که تو پروژه منو چندین ماه جلو انداخت و به خیلی از دوستانم نیز سایت خوبتونو پیشنهاد دادم .

فریبا شیرازی
فریبا شیرازی

به نظرم این آموزش از بخش مقدماتی با پیشرفته را پوشش داده است. ممنونم.

مریم نظری
مریم نظری

سلام. اینکه شروع آموزش از سطح مقدماتی بود عالی بود. بهتر بود استاد کتاب یا منبع برای مطالعه بیشتر معرفی میکردند.

بهنام
بهنام

از آقای دکتر کلامی بخاطر تدریس روان و جامع متشکرم.

یوسف صفیران
یوسف صفیران

لطفا در آموزش هایی که ارائه می دهید نحوه تغییر کد ها را نیز آموزش دهید.

فرج
فرج

سلام. این فرادرس بسیار مفید بود. علاوه بر این، من از الگوریتم کرم شب تاب و کاربرد فازی در سیستم های قدرت نیز استفاده کرده ام. برایتان آرزوی موفقیت دارم.

شیرین خراسانیان
شیرین خراسانیان

ابتدا میخواستم بخاطر این آموزش مفید و بی نقص تشکر کنم ولی لازم است از همکاران بخش روابط عمومی بخاطر برخورد خوبی که در رفع مشکل بنده داشتند تشکر ویژه داشته باشم. برایتان آرزوی موفقیت دارم.

پویان انکاری اردجانی
پویان انکاری اردجانی

سلام. کاربردی و کامل بود. ممنون.

سعید بهرامی
سعید بهرامی

این فیلم آموزشی در انجام پروژه ام خیلی مفید و موثر بود. ممنونم.

فرزاد
فرزاد



با سلام و خسته نباشید. تشکر میکنم از آقای دکتر کلامی که واقعا محصولات آموزشی ایشون بینظیره با استفاده از این محصولات آموزشی ره چند سالرو میشه یک شبه پیمود. برای ایشون و تمامی دست اندرکاران متلب سایت آرزوی سلامتی و توفیق دارم

کمال
کمال


سلام و خسته نباشید فراوان،
من این فیلم آموزشی را تهیه کردم و آنرا دیدم و یاد گرفتم. خیلی عااااااالی بود، اصلا محشر بود. هر کسی که به دردش می خوره این مطالب یا علاقه مند به بهینه سازی چند هدفه است حتما تهیه کند و ببیند که اگر نبیند از دستش رفته.

محمد
محمد



من از این آموزش استفاده کردم، فیلم ها مفید و باکیفیت بود ولی بهتر بود کدهای نمونه بیشتری همراه با بسته ارائه می‌شد

مالک خجسته نژاد
مالک خجسته نژاد



من خیلی خوشحال هستم که با فرادرس اشنا شدم واقعا مطالبی که میبایست طول ماها بخونیم تا یاد بگیریم رو میشه به سرعت اموخت مخصوصا برای رشته های غیر مهندسی که پایه علمی در این زمینه ها ندارن من به تمام دانشجویان هم رشته خودم توصیه میکنم که یادگیری مباحث مربوط به این نوع برنامها انها را در علم اقتصاد وارد کنند


برچسب‌ها:
bfo | Binary Tournament Selection | Chebyshev | Clustering | Competitive | Cooperative | Crowding Distance | Decomposition | Epsilon Constraint | Goal Attainment | Goal Programming | ICA | ICA چیست؟ | Imperialist Competitive Algorithm | Knapsack Problem | Leader | MATLAB | MATLAB software | MOEAD | MOPSO | Multi-criteria Optimization | Multi-objective Optimization | Multicriteria Optimization | Multiobjective Evolutionary Algorithm based on Decomposition | Multiobjective Optimization | Non-dominated Sorting Genetic Algorithm | NSGA | NSGA-II | NSGA2 | Pareto Envelope | Pareto Envelope-based Selection Algorithm | Pareto Envelope-based Selection Algorithm II | Particle Swarm Optimizatoion | Performance Index | PESA | PESA-II | PSO | PSO چند | PSO چند هدفه | Radial Basis Function | Ranking | RBF | Roulette Wheel Selection | SPEA | SPEA2 | Strength Pareto Evolutionary Algorithm | Strength Pareto Evolutionary Algorithm 2 | Swarm Intelligence | Tchybecheff | Vector Optimization | Weighted Sum | ε-Constrainet | آموزش Clustering با الگوریتم رقابت استعماری | آموزش GA چند هدفه | آموزش ICA | آموزش MOPSO | آموزش NSGA-II، آموزش ژنتیک چند هدفه | آموزش RBF با ICA | آموزش RBF با رقابت استعماری | آموزش ازدحام ذرات چند هدفه | آموزش الگوریتم انتخاب با PESA | آموزش الگوریتم انتخاب با PESA-II | آموزش الگوریتم انتخاب با پارتو | آموزش الگوریتم تکاملی تجزیه | آموزش الگوریتم تکاملی قوت پارتو | آموزش الگوریتم رقابت استعماری | آموزش الگوریتم ژنتیک چند هدفه | آموزش بهینه سازی چند هدفه | آموزش بهینه سازی چند هدفه در متلب | آموزش پارتیکل سوارم چند هدفه | آموزش پارتیکل سوارم چند هدفهالگوریتم ژنتیک چند هدفه چیست؟ | آموزش توابع شعاعی با الگوریتم رقابت استعماری | آموزش خوشه بندی با ICA | آموزش درونیابی توابع شعاعی با ICA | آموزش عملی الگوریتم رقابت استعماری | آموزش کلاسترینگ با ICA | اعمال تغییرات لازم در الگوریتم ژنتیک تک هدفه برای استفاده از آن در مسائل چند هدفه | الگوریتم PESA-II | الگوریتم k نزدیک ترین همسایه | الگوریتم MOEA/D | الگوریتم MOPSO | الگوریتم NSGA | الگوریتم PESA-II | الگوریتم PSO | الگوریتم PSO چند هدفه چیست؟ فیلم آموزشی MOPSO | الگوریتم انتخاب | الگوریتم انتخاب چیست؟ | الگوریتم انتخاب مبتنی بر شکل دهی پارتو | الگوریتم بهینه سازی ازدحام ذرات | الگوریتم تکاملی | الگوریتم تکاملی با MOEA/D | الگوریتم تکاملی با SPEA | الگوریتم تکاملی با SPEA2 | الگوریتم تکاملی با تجزیه | الگوریتم تکاملی با قوت پارتو | الگوریتم تکاملی چند هدفه | الگوریتم تکاملی چند هدفه مبتنی بر تجزیه | الگوریتم تکاملی چند هدفه مبتنی بر تجزیه یا MOEA/D | الگوریتم تکاملی چندهدفه | الگوریتم تکاملی چیست؟ | الگوریتم تکاملی مبتنی بر قوت پارتو | الگوریتم رقابت استعماری | الگوریتم رقابت استعماری چیست؟ آموزش الگوریتم رقابت استعماری | الگوریتم ژنتیک | الگوریتم ژنتیک با مرتب سازی نا مغلوب | الگوریتم ژنتیک با مرتب سازی نامغلوب | الگوریتم ژنتیک چند هدفه | الگوریتم مرتب سازی نا مغلوب و شیوه رتبه بندی | الگوریتم های بهینه سازی تکاملی چند هدفه | الگوریتم های بهینه سازی هوشمند | الگوریتم های تکاملی | الگوی KNN | الهام از رفتار اجتماعی حیوانات | انتخاب جمعیت جدید از میان اعضای قدیمی و فرزندان | انتخاب چرخه رولت و استفاده از آن در MOPSO | انتقال معیار کیفیت پاسخ ها و معیار توزیع | ایجاد تغییرات لازم در الگوریتم PSO برای تبدیل آن به نسخه چند هدفه | بایگانی پاسخ های نا مغلوب | برازش منحنی | بررسی تفاوت عملکرد نسخه یکم و نسخه دوم از الگوریتم انتخاب مبتنی بر شکل دهی پارتو | بررسی ساختار احتمالی موجود در PESA و PESA-II | برنامه ریزی آرمانی | برنامه ریزی تکاملی | بهبود عملکرد برنامه های نوشته شده با حذف پاسخ های مغلوب | بهینه سازی | بهینه سازی ازدحام ذرات | بهینه سازی برداری | بهینه سازی تک هدفه | بهینه سازی تکاملی | بهینه سازی تکاملی چند هدفه | بهینه سازی چند معیاره | بهینه سازی چند هدفه | بهینه سازی چند هدفه با استفاده از الگوریتم MOEA/D | بهینه سازی چند هدفه با الگوریتم های تکاملی | بهینه سازی چند هدفه جیست؟ | بهینه سازی چند هدفه چیست؟ | بهینه سازی چند هدفه در متلب | بهینه سازی گروه ذرات چند هدفه | بهینه سازی هوشمند | بیان شباهت های موجود میان الگوریتم PESA-II و MOPSO | بیان مساله کوله پشتی به صورت چند هدفه و حل آن به صورت چند هدفه | پیاده سازی بخش های مختلف الگوریتم MOPSO در متلب | پیاده سازی بخش های مختلف الگوریتم NSGA-II | پیاده سازی روش برنامه ریزی آرمانی | پیاده سازی روش مجموع وزن دار | پیاده سازی روش نیل به آرمان | پیاده سازی روش های کلاسیک بهینه سازی چند هدفه در متلب | پیاده سازی عملی الگوریتم PESA-II در متلب | پیاده سازی گام به گام الگوریتم MOEA/D در محیط متلب | پیاده سازی گام به گام و عملی الگوریتم SPEA2 در متلب | تئوری الگوریتم بهینه سازی ازدحام ذرات | تئوری الگوریتم ژنتیک | تئوری نسخه یکم الگوریتم SPEA | تئوری نسخه یکم الگوریتم انتخاب مبتنی بر شکل دهی پارتو | تابع fgoalattain | تابع fminunc | تبدیل مسائل چند هدفه به مسائل مقید | تجزیه مسائل بهینه سازی چند هدفه | تصمیم گیری چند معیاره | تعداد توابع هدف | تعریف وزن های دو بعدی منظم | تفاوت های الگوریتم NSGA اولیه با نسخه دوم | تفاوت های بهینه سازی چند هفته با مساله بهینه سازی یک هدفه | تفاوت های موجود میان SPEA و SEPA2 | تقسیم بندی بهینه سازی چند هدفه | تقسیم بندی روش های بهینه سازی چند هدفه | تک هدفه | توابع استاندارد چند هدفه | توابع شعاعی پایه | توزیع بر روی کمان دایره | چبیشف | چگونگی امتیازدهی به پاسخ ها در SPEA2 | چگونگی تعریف برازندگی ترکیبی در SPEA2 | چگونگی تعریف معیار توزیع (نظم) با استفاده از الگوی KNN در الگوریتم SPEA2 | چگونگی شکل دهی توزیع های احتمالی به نحوی که تنوع پاسخ ها حفظ شود | چند هدفه | چندهدفه | حل مسائل چند هدفه | حل مساله بهبود یک شاخص عملکرد | حوزه هوش ازدحامی | خوشه بندی | خوشه بندی چیست؟ | درونیابی | روش برنامه ریزی آرمانی | روش تبدیل به قید | روش تجزیه | روش چبیشف | روش چبیشف، | روش مبتنی بر وزن دهی | روش مجموع وزن دار | روش نیل به آرمان | روش های بهینه سازی چند هدفه کلاسیک | روش های تجزیه | روش های تجزیه در مسائل بهینه سازی چند هدفه | روش های تعیین وزن های اولیه | روش های تکاملی | روش های قدیمی بهینه سازی چند هدفه | روش های کلاسیک | روش های کلاسیک بهینه سازی چند هدفه | روش های مبتنی بر آرمان | روش های مبتنی بر رویکرد چبیشف | رویکرد چبیشف | زنتیک | ژنتیک | ژنتیک چند | ژنتیک چند هدفه | ژنتیک هدفه | ساختار جدولی مورد استفاده در MOPSO | شاخص عملکرد | شکل دهی پارتو | شیوه انتخاب الگو در الگوریتم MOPSO | شیوه انتخاب والد به صورت رقابت (تورنمنت) دو دویی | شیوه رتبه بندی | شیوه عملکرد الگوریتم MOEA/D | شیوه کنترل اندازه آرشیو | طبقه بندی | طراحی الگوریتم های تکاملی برای بهینه سازی چند هدفه | طرح الگوریتم های تکاملی چند هدفه | غلبه در محیط چند هدفه | فاصله ازدحامی | فیلم آموزشی | فیلم آموزشی NSGA-II | فیلم آموزشی الگوریتم تکاملی مبتنی بر تجزیه | فیلم آموزشی الگوریتم رقابت استعماری | فیلم آموزشی بهینه سازی چند هدفه | قوت پارتو | کاستی ها و اشکالات موجود در الگوریتم SPEA | کلاسترینق | کلاسترینگ | مبانی بهینه سازی چند هدفه | مبانی بهینه سازی چند هدفه خیر | متاهیوریستیک | مدل سازی | مرتب سازی جمعیت به صورت چند مرحله ای | مرتب سازی نامغلوب | مسأله کوله پشتی | مسأله کوله پشتی خیر | مساله کوله پشتی | معرفی اجزای مختلف الگوریتم NSGA-II | معرفی مفهوم مخزن | معیارهای بهینه سازی | مفهوم انتخاب مبتنی بر ناحیه به جای انتخاب مبتنی بر فرد | مفهوم فاصله ازدحامی | مولفه های رقابتی | نرم افزار متلب | نسخه دوم الگوریتم انتخاب مبتنی بر شکل دهی پارتو | نسخه دوم الگوریتم تکاملی مبتنی بر قوت پارتو | نسخه دوم الگوریتم ژنتیک با مرتب سازی نا مغلوب | نیل به آرمان
مشاهده بیشتر مشاهده کمتر