مجموعه آموزش الگوریتم‌ های بهینه‌ سازی هوشمند

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.

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. 

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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 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.

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.

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.

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.

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.