مجموعه آموزش الگوریتم های بهینه سازی هوشمند

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.

در این فرادرس، دانشجویان عزیز، با بهینه سازی سبد سهام در متلب، با استفاده از روش های کلاسیک و هوشمند آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، مدل های ریاضی مساله بهینه سازی سبد سهام و... است. توضیح و برنامه نویسی کامل بهینه سازی سبد سهام، با استفاده از روش های کلاسیک و هوشمند و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه از نقاط قوت این آموزش به شمار می رود.

الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimization) به اختصار PSO یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. 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. هدف این فرادرس آشنایی دانشجویان عزیز، با مباحث مختلف الگوریتم PSO شامل مباحث تئوری و عملی است.

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.

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.

الگوریتم ژنتیک روشی است برای حل مسائل بهینه سازی مقید و نامقید که براساس انتخاب طبیعی کار می کند. این الگوریتم مرتبا جمعیتی از راه حل های منحصر به فرد را اصلاح می کند. این الگوریتم بسیار پرکاربرد است و امروزه در تمام شاخه های علوم و مهندسی به منظور بهینه سازی استفاده می شود. در این فرادرس، پیاده سازی الگوریتم ژنتیک برای بهینه سازی در Python (پایتون) به بحث گذاشته می شود، چرا که امروزه حجم بسیاری از محاسبات علمی با Python انجام می شود که آن هم به دلیل ساده بودن برنامه نویسی با آن و قدرتمند بودن این زبان برنامه نویسی است.

واضح است که مسائل بهینه سازی تقریبا در تمام علوم وجود دارند و شما همیشه به دنبال یافتن بهترین جواب از بین جواب های موجود برای مساله خود هستید. حل دستی بهینه سازی تنها برای مسائل خیلی کوچک امکان پذیر است و برای مسائل علمی که ما روزانه با آن درگیر هستیم، استفاده از کامپیوتر ضروری است. ما در این آموزش از زبان پایتون استفاده می کنیم چرا که همزمان هم برنامه نویسی را ساده کرده و هم بسیار قدرتمند است و به این ترتیب در پایان این آموزش شما هم با بهینه سازی و هم با پیاده سازی آن در پایتون آشنا می شوید که این به شما برای پیاده سازی مسائل بهینه سازی مربوط به خودتان کمک می کند.

مجموعه فرادرس های الگوریتم مورچگان در متلب عنوان یک مجموعه آموزشی کامل است که شامل تقریبا ۷ ساعت فیلم آموزشی ناب به زبان فارسی است.

در این فرادرس به چندین محور از الگوریتم بهینه سازی گرگ خاکستری (GWO) پرداخته شده است که درس یکم به مفاهیم مهم بهینه سازی و تاریخچه بهینه سازی هوشمند در ۵۰ سال گذشته و در درس دوم به تئوری الگوریتم گرگ خاکستری و در ادامه به دو خاصیت مهم Exploitation به معنی استخراج و Exploration به معنی اکتشاف در الگوریتم های بهینه سازی هوشمند پرداخته شده است و در نهایت در درس سوم پیاده سازی عملی الگوریتم گرگ خاکستری در متلب (MATLAB) آموزش داده شده است.

بهینه سازی یکی از مسائل اصلی و حیاتی بشر محسوب می شود و از این رو الگوریتم های گوناگونی با رویکرد فراابتکاری (Metaheuristics) معرفی شده اند. الگوریتم بهینه سازی ملخ یا (Grasshopper Optimization Algorithm (GOA یکی از جدیدترین الگوریتم های فراابتکاری به شمار می رود. در این آموزش به چندین محور از الگوریتم بهینه سازی ملخ (GOA) پرداخته شده است که محور اول آن مفاهیم مهم بهینه سازی و تاریخچه بهینه سازی هوشمند در ۵۰ سال گذشته و در ادامه به دو خاصیت مهم Exploitation به معنی اکتشاف و Exploration به معنی استخراج، در الگوریتم های بهینه سازی هوشمند پرداخته شده است.

مسائل بهینه سازی از جمله مواردی است که در زندگی روزمره و همچنین در زمینه های مختلف علمی و مهندسی مطرح می شوند. تقریبا همه مسائل واقعیت و مباحث عملی، به صورت مسائل بهینه سازی مقید می انجامند. با توجه به اهمیت و جایگاه ویژه ای که مسائل بهینه سازی مقید دارند، و نظر به حضور تقریبا همیشگی این نوع از مسائل در زمینه های پژوهشی دانشجویان و پژوهشگران، رویکردهای موجود در میان روش های بهینه سازی تکاملی برای برخورد با مسائل بهینه سازی مقید، در این فرادرس کاملا جامع به حضور مخاطبین گرامی ارائه شده است.

در این فرادرس ابتدا برنامه نویسی الگوریتم ژنتیک مورد بحث قرار می گیرد و سپس الگوریتم بهینه سازی ازدحام ذرات یا PSO پیاده سازی می شود. در ادامه ایده هایی برای ترکیب این دو الگوریتم مطرح می شوند و در محیط نرم افزار متلب پیاده سازی می گردند. زمان این فیلم تقریبا برابر با یک جلسه آموزشی (۹۰ دقیقه) است.

در ادامه مسیر شروع شده در آموزش های الگوریتم ژنتیک در پایتون مقدماتی و تکمیلی بخش اول، در این فرادرس مسائل دیگری را به کمک الگوریتم ژنتیک در پایتون بهینه سازی می کنیم. تا بدین جا مسائل گوناگون بهینه سازی از سطح ساده انتخاب شده و در هر درس مساله پیچیده تری که نیازمند الگوریتم ژنتیک کامل تری بود را بررسی کردیم. همین روند در این آموزش نیز دنبال می شود. در پایان این آموزش شما با حل مساله های بهینه سازی جدید و پیچیده تری نسبت به آموزش های مقدماتی و تکمیلی بخش اول آشنا خواهید شد و قادر خواهید بود برای حل یک مساله بهینه سازی از الگوریتم ژنتیک در پایتون استفاده کنید.

الگوریتم بهینه ساز شیرمورچه یا مورچه گیر (Antlion Optimizer) که به اختصار ALO نامیده می شود، براساس رفتار شیرمورچه ها در طبیعت، برای اولین بار در سال ۲۰۱۵ ارائه شده است. در این فرادرس ضمن آموزش گام به گام الگوریتم بهینه ساز شیرمورچه (ALO) به معرفی ۲۳ تابع هدف پرداخته شده و در پایان نحوه کدنویسی توابع بهینه ساز و الگوریتم شیرمورچه در نرم افزار متلب (MATLAB) تشریح و نتایج بررسی می گردد.

الگوریتم ژنتیک، یک ابزار قدرتمند بهینه سازی و زبان برنامه نویسی پایتون، یک زبان قدرتمند برنامه نویسی است. امروزه بسیاری از مسائل محاسباتی در پروژه های مختلف علوم و مهندسی با استفاده از پایتون و بسیاری از مسائل بهینه سازی با استفاده از الگوریتم ژنتیک حل می شوند. این فرادرس به شما کمک می کند که بتوانید مسائل محاسباتی که نیازمند بهینه سازی با الگوریتم ژنتیک هستند را در پایتون پیاده سازی کنید که هم از قدرت پایتون در محاسبات و هم از قدرت الگوریتم ژنتیک در بهینه سازی در کنار هم بهره ببرید.

در فرادرس جامع شبیه سازی تبرید (Simulated Annealing) در متلب (MATLAB)، پس از مرور مبانی تئوری الگوریتم شبیه سازی تبرید، پیاده سازی عملی این الگوریتم در محیط متلب، برای حل مساله فروشنده دوره گرد (Traveling Salesman Problem) مورد بررسی قرار گرفته است.

در فرادرس جامع الگوریتم کلونی زنبور مصنوعی (Artificial Bee Colony) در متلب (MATLAB)، یکی از نسخه های معروف از دسته الگوریتم های مبتنی بر زنبورهای عسل مورد بررسی قرار گرفته است، که به نام کلونی زنبورهای مصنوعی (Artificial Bee Colony) یا به اختصار ABC شناخته می شود.

الگوریتم گروه میگوها (krill herd algorithm) که به اختصار KHA نامیده می شود، براساس رفتار توده وار میگوها در پاسخ به بیولوژی و زیست محیطی خاص برای اولین بار در سال ۲۰۱۲ ارائه گردیده است. روش های بهینه سازی متعددی تاکنون ارائه گردیده است اما بسیاری از آن ها در مواجهه با توابع بهینه سازی چالشی مانند تابع اکلی (Ackley Function) در بهینه های محلی متوقف می شوند، در حالی که الگوریتم گروه میگوها به سادگی از بهینه های محلی اجتناب نموده و به بهینه سراسری همگرا می گردد. در این آموزش، ضمن آموزش گام به گام الگوریتم گروه میگوها (KHA)، تابع هدف اکلی نیز معرفی می گردد و در پایان نحوه کدنویسی آن ها در نرم افزار MATLAB توضیح داده شده و نتایج آن بررسی می شود.

الگوریتم تجزیه بندرز یک روش قدرتمند برای حل مسائل بهینه سازی ریاضی در فرم های (IP/MIP/MILP/MINLP) است که در سال ۱۹۶۲ توسط آقای بندرز ارائه شد. این الگوریتم یک روش ساختار یافته و هوشمندانه برای مواجه با متغیرهای سخت و پیچیده مدل های ریاضی است. این الگوریتم مبتنی بر تجزیه مساله اولیه به دو مساله اصلی و زیر مساله و با ثابت کردن بردار متغیرهای سخت مساله پیچیدگی محاسباتی مساله را بطور قابل توجهی کاهش می دهد و سپس بردار متغیرهای سخت مساله را با اعمال صفحات برشی اصلاح و به سمت مقادیر بهینه شان همگرا می نماید.

الگوریتم بهینه سازی فاخته (Cuckoo) یکی از الگوریتم های فراابتکاری مبتنی بر جمعیت و بر مبنای رفتار موجودات است. این الگوریتم بر اساس نحوه تخم گذاری و تولد پرنده فاخته عمل می کند و در مسائل بهینه سازی مختلفی در حوزه: پردازش تصویر، یادگیری ماشین، مهندسی کنترل و… به کار می رود و دارای توانایی بالایی در فرار از بهینه های محلی است. در این فرادرس، جنبه های مختلف الگوریتم فاخته را از نظر تئوری بررسی می کنیم و بعد از کدنویسی الگوریتم در MATLAB، کارایی آن را بر روی چندین تابع محک مهم بررسی می کنیم. دانشجویان در حوزه های مختلف مهندسی و انسانی به خصوص مدیریت و اقتصاد می توانند از این الگوریتم در تحقیقات خود به بهترین نحو استفاده کنند.

در آموزش الگوریتم کرم شب تاب (Firefly Algorithm) در متلب (MATLAB)، پس از مرور مبانی تئوری الگوریتم کرم شب تاب، پیاده سازی عملی این الگوریتم در محیط متلب برای حل یک مساله بهینه سازی پیوسته مورد بررسی قرار گرفته است. این برنامه به صورت گام به گام در محیط متلب پیاده سازی شده است و به راحتی می توان با اعمال تغییرات کوچک، آن را برای حل انواع مسائل پیوسته و یا گسسته مورد استفاده قرار داد.

الگوریتم آزاد سازی لاگرانژ یکی از روش های ابتکاری پرکاربرد در حل مسائل بهینه سازی ترکیباتی ریاضی است. این الگوریتم که مبتنی بر قضیه لاگرانژ برای حل مسائل بهینه سازی مقید توسعه داده شده است با آزاد سازی همه یا برخی قیودات مساله ضمن فراهم نمودن اطلاعاتی از جواب بهینه مساله اصلی، جواب های تقریبی قابل قبولی را برای مساله اصلی ایجاد می کند که عمدتا از این جواب ها می توان به عنوان یک کران در سایر الگوریتم های بهینه سازی بهره گرفت.

این فرادرس به گونه ای تهیه شده است که در کنار ارائه کاربردی و برنامه نویسی عملی الگوریتم گسسته ازدحام ذرات، آن را با زبان ساده برای افراد مبتدی نیز مفید می کند. استفاده از این فرادرس نیاز به داشتن هیچ پیش نیازی ندارد. تنها آشنایی با زبان برنامه نویسی متلب برای درک بخش آموزش برنامه نویسی آن توصیه می شود.

در این آموزش، همانند سایر آموزش های فرادرس، در ابتدای مبانی تئوری و نظری الگوریتم IWO به صورت کامل تشریح گردیده و سپس به صورت کاملا عملی و گام به گام، در محیط نرم افزار متلب، برنامه نویسی و پیاده سازی شده است. پس از پیاده سازی IWO برای حل یک مساله نمونه نسبتا ساده، از این الگوریتم برای حل مساله بسته بندی یا Bin Packing Problem استفاده شده است.

از مدل سازی و شبیه سازی فرایندی که یک آهنگ ساز برای هارمونیزه کردن یک قطعه موسیقی طی می کند، الگوریتمی استخراج شده است که امروزه آن را به نام جستجوی هارمونی (Harmony Search) یا به اختصار HS می شناسیم. در فرادرس جامع الگوریتم جستجوی هارمونی (Harmony Search) در متلب (MATLAB)، مبانی تئوری و نظری مربوط به جستجوی هارمونی و همچنین پیاده سازی عملی آن در محیط متلب به صورت گام به گام مورد بررسی واقع شده است.

مساله فروشنده دوره گرد یکی از مسائل بهینه سازی ترکیباتی است که از الگوریتم های ژنتیک معمولا برای حل این مساله استفاده می شود. برای بهبود کارایی الگوریتم ژنتیک در حل مساله فروشنده دوره گرد روش ها و عملگرهای متفاوتی اعمال شده است. تعداد بهینه چرخه ها در زمان محدود و ایجاد سود مطلوب به عنوان هدف تعیین می شود. هدف این فرادرس آموزشی استفاده از عملگرهای گسسته و پیوسته برای حل مساله فروشنده دوره گرد است.

در فرادرس جامع الگوریتم زنبورها یا Bees Algorithm در متلب، یکی از نسخه های معروف از دسته الگوریتم های مبتنی بر زنبورهای عسل مورد بررسی قرار گرفته است، که به نام الگوریتم زنبورها (زنبوران) و یا Bees Algorithm (به اختصار BA) شناخته می شود.

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.

الگوریتم های تکاملی و فرا ابتکاری (متاهیوریستیک ها) از جمله ابزارهای بسیار قدرتمند هوش مصنوعی، برای حل مسائل بهینه سازی از طریق روش های هوشمند محسوب می شوند. در واقع روش های جستجو هستند که در فضای همه پاسخ های ممکن، برای یک مساله بهینه سازی جستجو می کنند و بهترین پاسخ (یا پاسخ ها) را پیشنهاد می دهند. امروزه در شاخه های مختلفی از علوم و مهندس، کاربردهای فراوانی را به خود اختصاص داده اند. هدف این فرادرس، مورد بررسی قرار دادن موضوع محاسبات تکاملی و بیان مثال از نحوه کاربرد شی شارپ در محاسبات علمی و آکادمیک است.

در این فرادرس دانشجویان عزیز، با مباحث مختلف الگوریتم تکامل تفاضلی آشنا می شوند. دروسی که در این آموزش به آن پرداخته می شود، معرفی الگوریتم تکامل تفاضلی، تفاوت ها و شباهت های الگوریتم تکامل تفاضلی، آموزش پیاده سازی الگوریتم تکامل تفاضلی 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.

در مجموعه فرادرس های آموزش الگوریتم بهینه سازی جهش قورباغه یا SFLA در متلب، در ابتدا مبانی تئوری و نظری الگوریتم SCE و ساختار و نحوه عملکرد آن به صورت کامل تشریح می شود. در ادامه، پیاده سازی عملی و گام به گام این الگوریتم با استفاده از زبان برنامه نویسی متلب (MATLAB) انجام می شود، که بعدها، با تغییر آن، کد مربوط به الگوریتم قورباغه نیز، ایجاد می گردد. در ادامه، مبانی تئوری و نظری الگوریتم جهش قورباغه مخلوط شده یا SFLA با مروری بر مبانی نظری الگوریتم های ممتیک، مورد بحث و بررسی قرار می گیرد. در نهایت، با استفاده از کدی که قبلا برای الگوریتم SCE-UA نوشته شده بود، و با اعمال تغییرات لازم در ساختار برنامه، پیاده سازی عملی الگوریتم جهش قورباغه نیز، انجام می شود.

الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری یا Teaching-Learning-Based Optimization (به اختصار TLBO)، یکی از جدیدترین الگوریتم های بهینه سازی هوشمند است که در سال ۲۰۱۱ و با الهام گرفتن از فرایند یادگیری و آموزش، ابداع شده است. یکی از مهم ترین ویژگی های این الگوریتم، عدم وابستگی به پارامترها است. چرا که این الگوریتم، کمترین تعداد پارامتر ممکن را دارد و از این نظر، می تواند یک امتیاز ویژه را داشته باشد.

در فرادرس جامع جستجوی ممنوع (Tabu Search) در متلب، پس از مرور مبانی تئوری الگوریتم جستجوی ممنوع، پیاده سازی عملی این الگوریتم در محیط متلب، برای حل مساله n وزیر (N - Queens Problem) مورد بررسی قرار گرفته است.

در فرادرس جامع بهینه سازی مبتنی بر جغرافیای زیستی (Biogeography-Based Optimization) یا به اختصار BBO در متلب، پس از مرور مبانی تئوری الگوریتم BBO، پیاده سازی عملی این الگوریتم در محیط متلب، برای حل یک مساله بهینه سازی پیوسته مورد بررسی قرار گرفته است.

روش های بهینه سازی فراابتکاری دریچه ای نو به سوی حل مسائل مهندسی، کامپیوتر و علوم پایه گشوده است. در محاسبات سنگین تحلیلی در عرصه خودروسازی و هوافضا، الگوریتم های بهینه سازی هوشمند، نقش بسزایی در بهینه کردن پارامترهای ساخت و طراحی ایفا می کنند. آشنایی با روش های بهینه سازی، ابزاری مهم و حیاتی در اختیار طراحان، مهندسان و سازندگان قرار می دهد تا با استفاده از قابلیت جستجو موثر و توانمندی بالای این روش ها به دنبال جواب بهینه مورد نظر باشند. از طرفی طیف وسیعی از این الگوریتم ها امکان مقایسه عملکرد و سنجش این الگوریتم ها را فراهم می کند.

الگوریتم های فرهنگی (Cultural Algorithms) به اختصار CA در متلب (MATLAB)، همسان فرهنگی - اجتماعی الگوریتم های ژنتیک هستند و به جای تکامل زیستی، تکامل فرهنگی - اجتماعی به عنوان جان مایه بهینه سازی در نظر گرفته شده است. در فیلم آموزشی جامع الگوریتم فرهنگی (Cultural Algorithm) در متلب، به آموزش گام به گام و عملی، مباحث مربوط به این الگوریتم پرداخته شده است و تصویری جامع از مبانی تئوری و روش های پیاده سازی عملی را به مخاطب ارائه می نماید.

در این آموزش، ضمن آموزش گام به گام الگوریتم بهینه‌ساز سینوس کسینوس، روند اجرایی آن بیان و تفاوت‌های آن با سایر الگوریتم‌های بهینه‌سازی شرح داده می‌شود. سپس تعداد ۲۳ تابع هدف اصلی در مسائل بهینه‌سازی معرفی می‌گردد تا توسط این الگوریتم حل شوند. در پایان نیز، نحوه کدنویسی الگوریتم بهینه‌ساز سینوس کسینوس و تمامی ۲۳ تابع هدف ذکر شده در نرم افزار MATLAB توضیح داده شده و نتایج آن تحلیل می‌شود.

الگوریتم های سیستم ایمنی مصنوعی از جمله الگوریتم های الهام گرفته شده از مکانیزم بدن انسان هستند که در دسته سیستم های تکاملی قرار می گیرند. این الگوریتم ها برای اهداف بهینه سازی و تشخیص ناهنجاری طراحی شده اند و در مسائل مبتنی بر این دو مورد، قابل استفاده هستند. سیستم ایمنی بدن انسان یکی از سیستم های دقیق و حیرت انگیز زنده است که مکانیزم کارکرد آن در مقابل ویروس ها و میکروب ها می تواند الهام بخش سیستم های: کشف تقلب، کشف نفوذ، بهینه سازی سیستم های دفاعی مبتنی بر عامل ها و... باشد. هدف از این فرادرس، یادگیری مکانیزم سیستم ایمنی و الهام از آن برای حل مسائل است که در این آموزش می‌ توانید مکانیزم و الگوریتم‌ های سیستم ایمنی مصنوعی را بیاموزید.