مسائل بهينه سازی محدب مقيد، به مسائلی اطلاق می گردد که در آنها يک تابع هدف مشخص را که تابعی محدب (مقعر) از متغيرهای مورد نظر می باشد بر روی يک فضای محدوديت که بر روی متغيرها اعمال
می گردد و فضائی فشرده می باشد[68] حداکثر (حداقل) می گردد. اينگونه مسائل، با توجه به فشرده بودن فضای محدوديت ها و محدب (مقعر) بودن تابع هدف، دارای پاسخ منحصر بفرد می باشند [68]. در اين فصل بطور مختصر به معرفي روشهائي براي حل اينگونه مسائل بهينه سازي مي پردازيم [15] .

بطور خلاصه برخي از اين روشها که به دو دسته روشهای عددی ( از جمله روشهای تصوير گراديان وتصوير نيوتن) و روشهای تحليلی ( از جمله روشهای لاگرانژ، تابع جريمه و تابع سد) تقسيم بندی می شوند عبارتند از:

– روش تصوير گراديان

– روش تصوير نيوتن

– روش لاگرانژ

– روش تابع جريمه

– روش تابع سد

5-2  بهينه سازی محدب مقيد

بطوركلي در حل اينگونه مسائل با مسائل غير خطي به فرم زير روبرو هستيم:

                          Minimize                               F(X)

                              Subject to:              h₁(X) = 0         g₁(X)£ 0

                     h₂(X) = 0         g₂(X)£ 0

                     .                          .

                     .                          .

                     .                          .

                     h_m(X) = 0         g_p(X)£ 0

                                                                 X=(x₁,…, x_n)ÎWÌEⁿ

برای اطمينان از وجود جواب بايد داشته باشيم  £ n m+p و توابع F ،h_i, i=1,2,…,m  و g_j, j=1,2,…,p توابعي پيوسته هستند ومعمولاً فرض ميگردد كه داراي مشتق دوم جزئي پيوسته هستند.

Eⁿ فضاي n بعدي اقليدسي است و W فضای محدوديت ها است که فرض می شود فضائی محدب و فشرده باشد.

براي سادگي، توابع برداري H و G را بصورت G=(g₁,…,g_p) و H=(h₁,…,h_m) در نظر مي گيريم در اين صورت، روابط فوق بصورت زير قابل توصيف است:

                            Minimize                            F(X)

                            Subject to:         H(X) = 0      ,       G(X) £ 0

                                                                       XÎW

محدوديت هاي H(X) = 0 و G(X) £ 0 از نوع تابعي و محدوديت XÎW از نوع مجموعه اي
مي باشند. يك نقطه X كه در محدوديت هاي ذكر شده صدق كند را يك نقطه مقبول1  مي ناميم.

يك محدوديت نامساوي بصورت g_i(X)£ 0 را فعال مي گوئيم اگر g_p(X) = 0 و غير فعال مي ناميم اگر g_p(X)<0 . محدوديت تساوي در هر نقطه X كه مقبول باشد، فعال است.

در مطالعه ويژگي هايی که برای تعيين نقاط مينيمم محلي بررسی مي گردند واضح است كه توجه را بايد به محدوديت هاي فعال معطوف كنيم. همانگونه كه در شكل(5-1) مشخص است پاسخ X^*  ترسيم شده در شکل به محدوديت هاي g₂ و g₃ كه غير فعال هستند، بستگي ندارد.

شكل5-1 : محدوديت هاي فعال و غير فعال در يك مسئله بهينه سازي[68]

5-2-1  روش تصوير گراديان

فرض مي كنيم مسئله بهينه سازي بصورت زير باشد :

Minimize    F(X)

XÎW

كه در آن W فضاي محدوديت ها مي باشد. الگوريتم تصوير گراديان بصورت زير است:

(5-1)

كه عملگر {^.}⁺ آرگومان خود را همانند شكل (5-2) به نزديکترين نقطه در فضاي W تصوير
مي كند. g در رابطه (5-1) يك عدد مثبت است.

شكل5-2 : نمايش عملگر تصوير

اگر بردار X در خارج فضاي W و بردار y درون اين فضا قرار داشته باشند، چون فضاي W محدب است خواهيم داشت[15]:

(5-2)                                             

كه درآن علامت (‘) نمايشگر عملگر ترانهاده1 مي باشد.

اگر  نمايانگر نگاشت مرتبط با تكرارهاي الگوريتم تصوير گراديان باشد يعني داشته باشيم:

(5-3)                                               

و فرضيات زيرنيز همزمان برقرار باشد:

• براي هر XÎW داشته باشيم  .
• تابع ÑF  يک تابع ليپشيتز² باشد به عبارت ديگر تابع F پيوسته و مشتق پذير بوده و يك ثابت K وجود داشته باشد بطوری که:

(5-4)                        

كه در آن ||.||₂ نمايانگر نرم اقليدسي است و براي بردار X با بعد N ، بصورت زير تعريف مي شود:

 گزاره زير نشان مي دهد كه با انتخاب g به حد كافي كوچك، هر تكرار الگوريتم ما را بسمت نقطه بهينه پيش مي برد و تابع هزينه را كاهش مي دهد.

قضيه 5-2-1[15]

اگر F در شرايط  (i)و (ii) فوق، صدق كند و g > 0 و XÎW آنگاه:

(a1-1)                  

(a2-1) داريم T(X)=X اگر و تنها اگر براي هر  yÎWداشته باشيم:  بويژه اگر F روي W محدب باشد داريم T(X)=X اگر و تنها اگر X ، F را روي مجموعه W حداقل كند.

(a3-1) نگاشت T پيوسته است.

قضيه 5-2-2 (همگرائي الگوريتم تصوير گراديان) [15]

اگرF در فرضيات ارائه شده در قبل صدق كند و اگر  و اگر X^* يك نقطه حدي دنباله {X[n]} باشد كه با الگوريتم تصوير گراديان توليد شده باشد، آنگاه داريم:

5-2-2 الگوريتمهاي تصوير گراديان وزن دهي شده1 و نيوتن

فرم كلي الگوريتم تصوير گراديان هنگامی که وزن دهی می شود  بصورت زير است:

(5-5)                                

كه در آن M[n] يك ماتريس معكوس پذير است و بمنظور وزن دهي بردار گراديان بكار مي رود. معمولاً M[n] براي تقريب زدن ماتريس هسيان²بكار ميرود[15]. بعنوان مثال در روش
  Projected Jacobi يا Approximate Newton ماتريسM[n] قطري است و المانهاي قطري آن عناصر قطري ماتريس هسيان هستند. در حالتي كه M[n] همان ماتريس هسيان باشد الگوريتم، تبديل به الگوريتم Newton  Projected ميشود و از نظر سرعت همگرائي نسبت به الگوريتم اوليه تصوير گراديان برتري دارد. اگر بطور موقت فرض كنيم كه M[n] متقارن و مثبت معين است و نرم را به صورت زير در نظر بگيريم:

(5-6)                                           

آنگاه  عبارتست از يك بردار y كه عبارت  را به ازای هر yÎW حداقل كند. اين الگوريتم بصورت زير تعريف مي گردد :

(5-7)                           

حال اگر فرض كنيم {M[n]|n=0,1,…} يك دنباله كراندار از ماتريس هاي N×N متقارن باشد و براي  a > 0  هر M[n] در شرط (5-8) صدق كند:

(5-8)                             

و علاوه بر اين  پيش فرض های ارائه شده در قسمت هاي (a1-1) و (a2-1) بخش قبل را ارضا كند آنگاه قضيه زير برقرار است:

قضيه 5-2-3 [15]

(a1-3) براي هر  يك بردار يكتاي yÎW وجود دارد كه را روي W حداقل مي كند و آن را با نشان مي دهيم.

(a2-3) برای يک  xÎW دلخواه، بردار zÎW برابر است اگر و فقط اگر براي هر yÎWداشته باشيم:

(a3-3) براي مقادير به حد كافي كوچك g، هر نقطه حدي X^* دنباله {X[n]} توليد شده توسط الگوريتم تصوير گراديان وزن دهي شده شرط  را براي هر yÎWارضا مي كند.

5-2-3 بررسي همگرائي با استفاده از روش شيب

براي رسيدن به همگرائي الگوريتم هائي كه از فرمول كلي زير تبعيت مي كنند:

(5-9)                                              

كه در حالت كلي:                               

(5-10)                                       

كافي است نشان دهيم كه با تكرار الگوريتم بسمت صفر مي رود. حال فرض مي كنيم F شرايط زير را ارضاءكند.

شرط 1 : براي هر XÎW داشته باشيم:             F(X)³0

شرط 2 : (پيوستگي ليپشيتز ) تابع F بطور پيوسته مشتق پذير بوده و يك ثابت مثبت K وجود داشته باشد بطوريكه:

5-2-4 لم شيب1

اگر F در شرط 2 صدق كند آنگاه:

حال با توجه به فرضيات صورت گرفته و لم شيب به بررسي قضيه زير مي پردازيم. اين قضيه در اثبات همگرائي اغلب الگوريتم هاي شيب كاربرد دارد.

قضيه 5-2-4 (همگرائي الگوريتم هاي شيب) [15]

اگر شروط 1و2 بيان شده در قبل برقرار باشند و K₁ و K₂ اعدادي مثبت باشند و {X[n]} دنباله توليد شده توسط الگوريتم  باشد و s[n] در شرط صدق كند و داشته باشيم:

و اگر داشته باشيم  آنگاه:

يعني درنهايت، الگوريتم شيب همگرا مي شود و به نقطه بهينه خواهيم رسيد.

5-2-5 مفهوم سرعت همگرائي و مقايسة سرعت همگرائي الگوريتم ها

تعريف:

فرض كنيد دنباله {r_k} به r* همگرا شود. مرتبه همگرائي{r_k} طبق تعريف عبارتست از سوپريمم اعداد نامنفي p كه در رابطه زير صدق مي كنند:

(5-11)                                          

كه در آن نماد  همان limit superior  است و بدينصورت تعريف مي گردد:

دررابطه با دنباله كراندار  اعداد حقيقي اگر قرار دهيم s_k=sup{r_i : i ³ k} آنگاه دنباله {s_k} به عددي حقيقي مثل s₀ ميل مي كند كه به آن limit superior دنباله {r_k} گفته می شود و با  نمايش مي دهيم.

براي حصول اطمينان از اينكه تعريف فوق به هر دنباله اي قابل اعمال است از نماد  به جاي  استفاده شده است ولي در عمل در اكثر دنباله هاي خوش رفتار و عادي مي توان از  به جاي  بهره برد.

تعريف:

اگر دنباله {r_k}چنان به سمت r^* ميل كند كه داشته باشيم:

(5-12)                                             

مي گوئيم كه دنباله بصورت خطي به r^* ميل مي كند و نسبت همگرائي آن است. به دنباله اي كه بصورت خطي همگرا شود گاهي دنباله” همگراي هندسي“ نيز مي گويند. حالت حدي   به همگرائي فوق خطي1 موسوم است. توضيح اينكه كليه دنباله هائي كه با مرتبه p>1 همگرا شوند، همگرائي فوق خطي دارند ولي ممكن است يك دنباله همگراي فوق خطي داراي مرتبه واحد(p=1) باشد. حال با توجه به نامعادله فوق و تعاريف ذكر شده به مقايسه بين سرعت همگرائي دو الگوريتم نيوتن و تندترين شيب
مي پردازيم:

بمنظور سادگي مراحل اثبات، فرض مي كنيم x اسكالر باشد ولي در حالت كلي مباحث مطرح شده در حالت x برداري نيز صادق است.

الگوريتم تندترين شيب بصورت زير است:

(5-13)                                           

اگر  باشد داريم:

(5-14)                          

حال با بسط و با توجه به اينكه داريم:

(5-15)            

بنابراين مشاهده مي شود كه مرتبه همگرائي الگوريتم تندترين شيب برابر با واحد است.

در الگوريتم نيوتن داريم:

(5-16)                       

تعريف مي كنيم:

از آنجائيكه داريم:

(5-17)        

كه در آن  در فاصله بين x^* و x_k قرار دارد. از آنجائيكه  داريم:

(5-18)                                         

كه ثابت c به حول x^* بستگي دارد. بنابراين مرتبه همگرائي الگوريتم نيوتن برابر2 مي باشد.

5-2-6 روش لاگرانژ

مسئله)  ‡(  را در نظر مي گيريم:

)  ‡(             

F:Âⁿ®Â تابعي است محدب و e_i و a_j بردارهاي داده شده اي هستند و s_i و t_j اسكالرهاي مشخص
مي باشند. يك بردار X كه در محدوديت هاي مسئله )‡ (صدق كند را مقبول مي نامند. تابع لاگرانژين بفرم (5-19) تعريف مي گردد:

(5-19)                

كه در آن:

p=(p₁,…,p_m) و u=(u₁,…,u_r) ³ 0

جواب بهينة مسئله )‡ ( از حل همزمان دستگاه معادلات زير بدست می آيد.

5-2-7 روش تابع جريمه1

مسئله زير را در نظر بگيريد:

                                    Minimize                 F(X)                                                      (P1)

                                                Subject  to:              XÎW

كه درآن W مجموعه محدوديت هاي تابعي مي باشد. ايده اصلي روش تابع جريمه اين است كه مسئله فوق را با مسئله بهينه سازي بدون قيد زير تعويض مي كنيم:

                                    Minimize         F(X)+m.P(X)                                                (P2)

m عددي مثبت است و P تابعي است پيوسته و نامنفي و داريم P(X)=0 اگر و تنها اگر XÎW. براي مقادير بزرگ m واضح است كه نقطه كمينه مسئله (P2) در ناحيه اي است كه P كوچك است. بنابراين با افزايش m نقاط جواب به سمت ناحيه مقبول W ميل مي كنند. در حالتي كه  m®¥ ميل كند، پاسخ (P2) به پاسخ مسئله (P1) ميل مي كند.

5-2-8  روش تابع سد²

اين روش نيز براي حل مسائلي به فرم زير به كار مي رود:

                                           Minimize                 F(X)                  

                                           Subject  to:              XÎW

اساس اين روش بر اين است كه با ايجاد يك سد در حاشيه ناحيه مقبول W از خارج شدن الگوريتم بهينه سازی از اين ناحيه جلوگيري مي شود. يك تابع سد B(.) بر نقاط دروني W بصورت زير تعريف
مي شود :

1)B پيوسته است.

2) B(X)³0

3) هنگامي كه X به سمت مرز W ميل مي كند B(X)®¥

 مثال: فرض کنيد:

  W={X: g_i(X)£0 , i=1,2,…,p}(5-20)                                        

فرض می کنيم g_i(X) , i=1,…,p بر روي نقاط مرزی W برابر با صفر است و در نقاط دروني
W ،g_i(X)<0  و تابع   بر نقاط دروني W بصورت زير انتخاب شده باشد:

(5-21)                                                 

B(.) يك تابع سد مي باشد. حال مسئله زير را در نظر بگيريد :

اگرچه ظاهراً مسئله فوق يك مسئله مقيد است ولي در عمل با شروع از يك نقطه دروني W هر الگوريتمي را كه به كار ببريم بعلت آنكه در نزديكي مرزها مقدار تابع هزينه بسمت بي نهايت مي رود، عملاً هيچگاه محدوديت ها فعال نمي شوند و با يك مسئله نامقيد مواجه خواهيم شد.

1-Feasible                                                                                                       

1-Transpose                                                                                                                                         2-Lipschitz

1-Scaled Gradient Descent                                                                                                                    2-Hessian

1- Descent Lemma

1- Superlinear

1-Penalty function                                                                                                                    2-Barrier function

نوشته روشهائي براي حل مسائل بهينه سازي محدب مقيد اولین بار در ايران متلب. پدیدار شد.

تکنیک های هوش محاسباتی (CI) طی سال های اخیر توجه بسیاری از مهندسان تحقیق، تصمیم گیرندگان، و محققان برای حل تعداد نامحدودی از مسائل پیچیده ی واقعی به خصوص مربوط به حوزه ی بهینه سازی را جلب کرده است. در متغیرهای تصمیمی چندگانه غیرمطمیئن و بی نظم، محدودیت های پیچیده، محیط مشوش و رویکردهای کلاسیک و سنتی قادر به ارائه ی راه حل های مناسبی برای مسائل بهینه سازی نمی باشد. هوش محاسباتی از تکنیک هایی استقبال می کند که از بهینه سازی جهانی جستجو، یادگیری ماشین، استدلال تقریبی، و سیستم پیوندگرا استفاده می کنند. تکنیک های هوش مصنوعی شامل مجموعه ای از یادگیری، اقتباس و تحول می باشد که برای برنامه های هوش و جدید مورد استفاده قرار می گیرند. همچنین هوش مصنوعی به عنوان یکی از مسیرهای تحقیق پیشرفته محسوب می شود چراکه راه حل های موثر، قوی و راحت برای مسائل پیچیده ی واقعی را می توان ایجاد کرد.

درباره ی این کتاب

راه حل های مسائل مبتنی بر محدودیت برای استفاده از الگوهای MATLAB و SIMULINK به عنوان پایه و ستون این کتاب انتخاب شده اند. کتاب حاضر نگاشته شده است تا عملکرد هوش محاسباتی را به لحاظ ارائه ی دانش، سازگاری، بهینگی و سرعت پردازش برای مسائل واقعی مختلفی را بررسی کند. این کتاب به الگوهای هوش محاسباتی و نقش آن ها در کارکردهای مختلف مهندسی مانند تعهد به واحد و بار پخش بار اقتصادی، کاهش هارمونیک، کنترل فرکانس بار و تنظیم ولتاژ اتوماتیک، برنامه ریزی فروشگاه کار، مسیریابی وسیله نقلیه multi depot( چند مخزنه )و نهان نگاری تصویر دیجیتال می پردازد. تاثیر الگوریتم هوش محاسباتی در حوزه ی سیستم های قدرت، سیستم های کنترل، اتوماسیون صنعتی و پردازش عکس با اجرای کاربردی از طریق MATLAB/SIMULINK توضیح داده می شوند. هر کارکرد با اجرای الگوریتم هوش محاسباتی، روش شناسی برای بکارگیری الگوریتم هوش محاسباتی برای مسئله ی مورد نظر، رویکرد مسئله با استفاده از MATLAB/SIMULINK، و بررسی جامع با آزمون داده مبتنی بر مسئله انجام می شود.

توضیح مفصلی برای هر یک از مباحث ارائه شده است با این هدف تا مهندسان و دانشمندان بتوانند از مقدمه های موجود بر موضوعات کارکرد و تحقیق بهره ببرند. این کتاب دانشجویان لیسانس، ارشد و دکتری و محققین علاقمند به فهم و اجرای الگوریتم های هوش محاسباتی برای کارکردهای متعدد مبتنی بر MATLAB/SIMULINK را مخاطب خود قرار می دهد.

ساختار کتاب

این کتاب شامل 7 فصل می شود. فصل اول مفاهیم بنیادین الگوریتم هوش محاسباتی و همچنین نقش الگوهای هوش محاسباتی در کاربرد مهندسی را توضیح می دهد.

همچنین، طبقه بندی مفصلی از الگوریتم های هوش محاسباتی با شبهه کد، حوزه های کاربرد، و مزایا و معایب هر الگوریتم نیز ارائه شده است. تحقیقی پیرامون حوزه های کاربرد با مقدمه ای بر مسئله های مبتنی بر محدودیت که در فصل های بعدی ارائه می شود نیز فراهم گردیده است.

فصل 2 به فرمول ریاضی تهعد به واحد (UC) و مسائل اعزام بار اقتصادی به همراه چارچوبی برای حل این مسائل می پردازد.

اجرای تکنیک های بهینه سازی مانند الگوریتم های ژنتیکی (GA)، شبکه ی تابع بنیادین مبتنی بر فازی-شعاعی (FRBFN)، بهینه سازی فزاینده ی ازدحام ذرات (EPSO)، تحول تفاضلی با یادگیری مخالفت-محور (DEOBL)، تحول تفاضلی با یادگیری مخالفت-محور بهبودیافته (IDE-OBL)، کلونی زنبور عسل مصنوعی (ABC)، و بهینه سازی جستجو فاخته (CSO) در حل تعهد به واحد و اعزام بار اقتصادی (UC-ELD) به همراه آنالیز مقایسه ای مبتنی بر هزینه سوخت، توان، کارآمدی محاسباتی و کارآمدی الگوریتمی ارائه شده اند.

فصل 3 به تاثیرات هارمونیک و روش های از بین بردن همسازها از طریق درایوهای اینورتر منبع ولتاژ (VSI) برای اندازه گیری هارمونیک در صنعت خمیر و کاغذ می پردازد.

مدل های MATLAB/SIMULINK برای درایوهای ایجاد شده برای کاهش هارمونیک با بکارگیری الگوریتم های هوش محاسباتی مانند GA و بهینه سازی تغذیه باکتری (BFO) برای کاهش همسازها ایجاد شده اند.

فصل 4 اهمیت کنترل فرکانس بار (LFC) و تنظیم کننده خودکار ولتاژ (AVR) در سیستم های تولید کننده ی قدرت را نشان می دهد.  سیستم های LFC و AVR با کمترل کننده ی PID به همراه پارامترهای مختلف بکاررفته برای شبیه سازی مدل سازی شده اند. همچنین، LFC و AVR با کنترل کننده ی PID که توسط منطق فازی، GA، بهینه سازی کلونی مورچه (ACO) و بهینه سازی ازدحام ذرات (PSO) تنظیم شده اند مورد آزمون قرار گرفتند. بعلاوه، ترکیب الگوریتم های تکاملی با فازی، GA، BF، و ورژن های بهبودیافته ی الگوریتم PSO بکار رفتند تا عملکرد LFC و AVR در سیستم های قدرت به هم متصل را آزمود.

فصل 5 مشکل زمانبندی نغازه کارها (JSSP) را به معنای فازی با استفاده از بهینه سازی فرا-اکتشافی مانند GA، PSO تصادفی، ACO، و بهینه سازی ازدحام ژنتیکی (GSO) حل می کند. فرمول و مدل ریاضی JSSP با اجرای اکتشافی هوشمند با فایل های MATLAB مشخص شده اند. الگوریتم ها با اجرای آزمایش روی مجموعه ای استاندارد از 162نمونه معیار بررسی می شوند که خود عملکد JSSP را ارزیابی می کند.

فصل 6 به مفاهیم پایه ای و مدل ریاضی مشکل مسیریابی وسایل نقلیه (MDVRP) می پردازد. این مسئله با تکنیک های زیستی مانند GA، PSO بهبود یافته، ABC، GSO، و GSO بهبودیافته اجرا می شود. کارآمدی تکنیک های پیشنهادی بر روی 5 نمونه معیار مختلف Cordeau  آزموده و ارزیابی می شوند. اکتشافی هوشمند به منظور ارزیابی عملکرد نمونه های MDVRP اجرا می شوند.

فصل 7 نهان نگاری هوشمند و دیجیتالی تصویر مبتنی بر GA، PSO، و PSO ترکیبی را مشخص می سازد. طرح های پیش از نهان نگاری مانند تقسیم بندی تصویر، استخراج ویژگی، انتساب جهت گیری، و عادی سازی تصویر به همراه الگوریتم های پردازش تصویر ارائه شده اند. فرایند تعبیه ی علامت و استخراج تصویرهای از پیش پردازش ده در DWT به همراه حمله های هندسی و غیرهندسی به تفصیل ارائه شده اند. روند اجرای قدم به قدم الگوریتم های اکتشافی و قطعه فایل های MATLAB در این فصل مورد بحث قرار گرفته اند.

لینک دانلود

نوشته کتاب الگوهای هوش محاسباتی برای مسئله های بهینه با استفاده از MATLAB/SIMULINK اولین بار در ايران متلب. پدیدار شد.

.

.

.

.

.

.

بعد از مدتها ایران متلب تصمیم گرفت فیلم آموزشی تهیه شده توسط مهندس قیصری مدیر گروه ایران متلب را برای استفاده کاربران ایران متلب جهت دانلود قرار دهد.

این فیلم آموزشی یک محصول منحصربفرد از ایران متلب می باشد که هیچ جای دیگری مشابه آن را پیدا نخواهید کرد. آموزش های متلب زیاد هستند اما آموزشی که توسط متخصص با تجربه و با سابقه متلب تهیه شده است ، کمیاب است.

مهندس قیصری دارای سابقه نه ساله در کدنویسی متلب در پروژه های مختلف دانشجویی و صنعتی می باشد. ایشان تاکنون بیش از چند میلیون خط کد متلب را نوشته است و با بیشتر قسمت ها و دستورات متلب آشنایی دارند.

این مجموعه فیلم آموزشی بیش از 100 قسمت یا 200 قسمت شاید هم بیشتر خواهد بود که به مرور برای خریداران این محصول ایمیل خواهد شد. کاربران محترمی که می خواهند بقیه قسمت ها را به مرور دریافت کنند ، می توانند هزینه این آموزش را پرداخت کنند.

مهندس قیصری قصد دارند در این محموعه بزرگ فیلم آموزشی ، همه چیزهایی که از متلب بلد هستند را به دیگران یاد بدهند. 

چرا این آموزش به مرور برای کاربران ایمیل می شود؟

یادگیری یک نرم افزار برنامه نویسی مانند متلب یک شبه اتفاق نمی افتد و نیاز به تمرین و ممارست دارد. لذا ایران متلب تصمیم گرفت قسمت های آموزش را به مرور برای کاربران خود ارسال کند تا زمان داشته باشند با تمرین های مختلف آموزش را در ذهن خود نهادینه کنند.

هر چند مدت یک بار قسمتی از این آموزش ایمیل خواهد شد؟

به طور متوسط هر هفته ، سه تا چهار قسمت ایمیل خواهد شد.

لینک دانلود

نوشته سیر تا پیاز متلب MATLAB اولین بار در ايران متلب. پدیدار شد.

یک الگوریتم بهنیه سازی عاشقانه

شمع و گل و پروانه !

شعر بالا را خودم گفتم. در این پست می خواهم شما را با یک الگوریتم بهینه سازی آشنا کنیم که یکی از اعضای ایران متلب خواسته در مورد این الگوریتم برای شما پستی بنویسیم. این الگوریتم توسط یک ایرانی معرفی شده است و همه ما وظیفه داریم که از تولید ایرانی حمایت کنیم.

به نظر من دیگه دوره الگوریتم های اسم حیوانی مثل زنبور و مورچه و ماهی و پشه و قورباغه و فاخته و … می بایست تموم بشه و یک الگوریتم خاص عشاق معرفی میشد که بالاخره این کار انجام شد. امیدواریم تمامی محققین به فراگیر شدن این الگوریتم توجه کنند و باعث بشوند این الگوریتم را در مقالات بهینه سازی بیشتر ببینیم.

همینک نیازمند یاری سبزتان هستیم

ایران متلب

(بنیاد حمایت از الگوریتم های هوش مصنوعی گمنام)

بعد از این مقدمه طنز ، برای آشنایی بیشتر با این الگوریتم می تونید به سایت ما مراجعه کنید که یک محصول در این زمینه در حال تولید داریم و به علاقه مندان الگوریتم های بهینه سازی تقدیم خواهیم کرد.

مخترع این الگوریتم در مقمه معرفی الگوریتم خود اینگونه نوشته است :

در فرهنگ من پروانه سمبل عشق پاک است زیرا توسط شعله جذب می شود و اینقدر به سمتش حرکت می کند تا می میرد.

اشاره این دوستمون به شعر زیر از سعدی شیرین سخن می باشد :

نوشته الگوریتم بهینه سازی عاشقانه اولین بار در ايران متلب. پدیدار شد.