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.

محاسبه کردن به معنای انجام محاسبات ریاضی مهارتی است که بشریت طی هزاران سال ایجاد کرده است. از سویی دیگر، برنامه نویسی با تاریخی که بیش از چند دهه از آن نمی گذرد، در مراحل اولیه خود قرار دارد. هر دو مبحث تا حد زیادی جامع هستند و به طور معمول در موسسات سرتاسر جهان به خصوص در دوره های کارشناسی به عنوان موضوعاتی مجزا آموزش داده می شوند. این کتاب درباره ی ترکیب این دو مهارت است چراکه امروزه مهارت محاسبه زمانیکه با برنامه نویسی ترکیب شود به شدت قدرتمندتر خواهد شد.

اکثر دانشگاه ها و دانشکده ها به طور ضمنی از دانشجویان می خواهند تا به منظور یادگیری برنامه نویسی، در علم کامپیوتر مهارت لازم را کسب کنند به این دلیل که دیگر برنامه های دانشجویی دوره های برنامه نویسی را تا حد حرفه ای شدن ارائه نمی کنند. استدلال های رایج مدعی هستند که مقدمه ای کوتاه کفایت می کند و اینکه اینقدر نرم افزار در دسترس هست که اندک افرادی خودشان برنامه نویسی می کنند. یک پیامد این روند این است که دانشجویان کامپیوتر با دانش سطحی پیرامون برنامه نویسی فارغ التحصیل می شوند مگر اینکه اتفاقی مسیر علم کامپیوتر را انتخاب کنند.

ما فکر میکنیم که این وضعیتی تاسف بار است. شکی نیست که مهندسان و دانشمندان باید با ریاضیات قلم و کاغذی خود آشنا باشند. همچنین، آن ها باید توانایی کار کردن با نرم افزارهای موجود برای فعالیت های استاندارد مهم را داشته باشند و بدون شک این کار هم به دفعات مکرر انجام می دهند. با این حال، مزیت های یادگیری برنامه نویسی بیش از این چیزهاست.

چرا برنامه نویسی یاد بگیریم؟

• نرم افزارهای آماده و موجود محدود به مسئله های استاندارد خاصی می باشند. چیکار می کنید اگر مسئله ی مورد نظر شما در نرم افزاری که خریده اید پوشش داده نشده باشد؟

خوشبختانه، بیشتر نرم افزارهای کنونی را می توان از طریق برنامه نویسی ارتقاء داد. در حقیقت، بسیاری از سیستم ها ایجاب می کنند که بخش هایی از ویژگی مسئله (مانند مدل های ماده) با کدهای کامپیوتری مشخص شوند.

• مهارت های برنامه نویسی ما را قادر می سازند تا انعطاف پذیری بسته های نرم افزاری موجود را با ادغام آن ها گسترش دهیم. به طور نمونه، شما می توانید بسته های نرم افزاری که با هم در ارتباط نیستند را از ابتدا با هم ادغام و ترکیب کنید. این امر جریان کار را ساده تر، موثرتر و قابل اعتمادتر می کند و شما را در جایگاهی قرار می دهد تا به مشکل ها و مسئله های جدید حمله کنید.
• استفاده اشتباه از نرم افزارهای عالی موجود خیلی راحت است. بینش موجود در برنامه نویسی و ریاضی برای فهم نرم افزارهای پیچیده، پرهیز از خطا و تبدیل شدن به کاربری امن لازم و حیاتی است.
• اشکال (خطاهای موجود در کدهای کامپیوتری) در برنامه های کامپیوتری بزرگ تر وجود دارند (همچنین در کامپیوترهای موجود در مغازه ها). چیکار میکنید اگر نرم افزار دردسترس شما نتایجی غیرمنتظره ارائه کند؟ آیا این یک اشکال، کاربرد نادرست و یا نتیجه ی ریاضی درستی می باشد؟ تجربه در زمینه ی برنامه نویسی ریاضی به شما این امکان را می دهد تا به این پرسش ها پاسخ دهید. کسی که می تواند برنامه نویسی کند همچنین می تواند برای  مشکلی ساده شده، کدهای خاصی را ایجاد کند و از آن ها برای تایید محاسبات انجام گرفته با نرم افزار موجود استفاده کند.
• بسیاری از افراد خبره در جهان مشکلات محاسباتی را با نوشتن کدهای خود حل می کنند و این کدها را به طور رایگان در اینترنت در دسترس قرار می دهند. برای اینکه از این منبع مفید و عالی نرم افزاری به روشی مطمئن بهره مند شویم، فرد میبایست کد کامپیوتری پیشنهاد شده توسط دیگران را بفهمد و احتمالا آن را نیز تغییر دهد.
• در سرتاسر جهان اینطور به نظر می رسد که دانشجویان به سختی با ریاضی و فیزیک دست و پنجه نرم می کنند و افراد زیادی این مباحث را دشوار و طاقت فرسا توصیف می کنند. از طریق برنامه نویسی، ما قادر خواهیم بود تا مباحث خوب قدیمی را به روشی کاملا جدید اجرا کنیم! طبق تجربه ی شخصی خود نویسنده، زمانیکه برنامه نویسی به بخش لاینفکی از دوره های ریاضی و علموم فیزیک تبدیل می شود، مباحث ترغیب کننده و لذت بخش می شوند. به طور خاص، مسئله ای که در حال حل شدن است می تواند به مراتب واقعی تر از زمانی باشد که ریاضی به چیزیکه می توان با قلم و کاغذ انجام داد محدود شده باشد.
• در نهایت، استدلال مهم خود برای یادگیری برنامه نویسی کامپیوتری را ارئه می کنیم: تفکر الگوریتمی که حین فرایند نوشتن برنامه ای برای مسئله ی محاسباتی ایجاد می شود باعث فهم عمیقی از مسئله و روش حل می شود. در اینجا می توانیم به سادگی از دانشمند کامپیوتر نروژی نقل قول کنیم: “برنامه نویسی فهمیدن است”.

زبان کامپیوتر: Matlab

ما به این دلیل از زبان برنامه نویسی Matlab استفاده کردیم که این زبان کدی فشرده و خوانا ارائه می دهد که تا حد زیادی شبیه دستور ریاضی است که با آن مسئله حل می شود. همچنین این زبان منحنی یادگیری دقیقی دارد. در صورتی که آن زبان ترجیح داده شود، همسان Phyton این کتاب نیز موجود است. مقایسه ی ورژن های دوگانه ی این کتاب به خوبی نشان می دهد که چقدر این زبان ها شبیه همدیگر هستند. در این کتاب از واژه ی Matlab برای اشاره به نرم افزار تجاری MATLAB یا جایگزین آن Octave ]4[ استفاده می شود ]12[.  زبان های کامپیوتری دیگر مانند Fortran، C و C++ در علم و مهندسی جایگاهی ویژه دارند. با این حال، طی دو دهه ی اخیر، توجه و تمرکز از این زبان های تالیف یافته به زبان های سطح بالاتر و خواناتر مانند Matlab، Phyton، R، Maple، Mathematica، و IDL تغییر کرده است. این گروه آخر از ربان ها از لحاظ محاسباتی چندان کارآمد نیستند اما با توجه به کارآمدی حل مسئله انسان، این برنامه ها در سطح بالاتری قرار دارند. این کتاب به جای تمرکز بر جزئیات تخصصی زبان، تاکید می کند که چطور مانند یک برنامه نویسی فکر کرد. بنابراین، تصور می شود کتاب خواننده را برای یادگیری دیگر زبان های برنامه نویسی شامل Fortran، C، و C++ در جایگاه بهتری قرار دهد.

لینک دانلود

نوشته برنامه نویسی برای محاسبات با MATLAB/Octave ( مقدمه ای بر شبیه سازی های عددی با MATLAB/Octave ) اولین بار در ايران متلب. پدیدار شد.

پس از معرفي الگوريتم رقابت استعماري روش جديد ديگري به نام الگوريتم بهينه سازي فاخته كه توانايي بيشتري در پيدا كردن نقاط بهينه كلي^[1] دارد، شكل گرفت. اين الگوريتم يكي از جديدترين و قويترين روشهاي بهينهسازي تكاملي ميباشد كه تا كنون معرفي شده است. الگوريتم فاخته با الهام از روش زندگي پرندهاي به نام فاخته^[2] است كه در سال 2009 توسط شين او يانگ^[3] و دب ساوش^[4][5]، توسعه يافته است. الگوريتم فاخته بر اساس زندگي گونهاي از فاخته است .اين الگوريتم توسط پرواز levy به جاي پياده روي ايزوتروپيك تصادفي ساده توسعه يافته است. الگوريتم فاخته بعدها در سال 2011 توسط رامين رجبيون به طور كامل با جزئيات بيشتر مورد بررسي قرار گرفت.

لینک دانلود

[1] . Global Optima

[2] . Cuckoo

[3] . Yang, X.S

[4] . Brood Parasite

[5] . Deb, S

روش جالب زندگي و تخمگذاري فاخته

همه ي 9000 نوع پرنده موجود در دنيا روش يكساني براي مادر شدن دارند: همه آنها تخم ميگذارند. هيچ پرندهاي نوزاد خود را نميزايد. بلكه تخم گذاشته و جوجه خود را در بيرون از بدنشان پروش ميدهند. هر چه تخمها بزرگتر باشند احتمال كمتري دارد كه پرنده ماده بتواند به طور همزمان بيشتر از يك تخم در بدن خود داشته باشد، چرا كه تخمهاي بزرگتر پرواز را سخت ميكنند و نياز به انرژي بيشتري براي پرواز خواهد بود. از طرف ديگر چون تخمها منبع سرشار پروتئين براي ساير شكارچي ها ميباشد لازم است تا پرندگان محل امني جهت تخمگذاري و به دنيا آمدن جوجه ها انتخاب كنند. اكثر پرندگان لانه هاي خود را به صورت جداشده، نامعلوم و مستتر در پوشش گياهي ايجاد ميكنند تا از شناسايي توسط شكارچيان جلوگيري نمايند. در اين بين برخي از پرندگان خود را از دردسر هرگونه لانه سازي و وظايف والدين رهانيده و به نوعي زيركي جهت پرورش جوجه هاي خود متوسل شدند .اين پرندگان در اصطلاح “پارازيتهاي اولاد”^١٤ ناميده ميشوند كه هرگز براي خود لانه نميسازند و به جاي آن تخمهاي خود را در لانه ساير انواع پرندگان قرار داده و صبر ميكنند تا آنها در كنار تخم- هاي خود به تخمهاي اين پرندگان نيز رسيدگي نمايند  .

فاخته مشهورترين پارازيت اولادي ميباشد كه به نوعي يك متخصص در زمينه فريب بيرحمانه ميباشد. استراتژي اين پرنده شامل خفيهكاري، شگفت زده كردن و سرعت عمل است. فاخته مادر يكي از تخمهاي پرنده مادر ميزبان را از بين ميبرد و تخم خود را لابلاي تخمهاي ديگر موجود در لانه ميزبان قرار ميدهد و سريعاً از محل دور ميشود. با اين عمل، نگهداري از تخم را به عهده پرنده ماده ميزبان ميگذارد. كل اين پروسه به زحمت 01 ثانيه به طول ميانجامد. فاختهها لانههاي انواع گونه -هاي پرندگان را آلوده به تخم خود ميكنند و اين كار را به دقت و با تقليد از رنگ و الگوي^[1] تخمهاي موجود در هر لانه انجام ميدهند تا تخمهاي جديد لانه شبيه تخمهاي قبلي و واقعي ميزبان باشند. فاختههاي پارازيت انداز به گروههايي تقسيم مي-شوند و هر گروه روي پرنده ميزبان خاصي تخصص مييابد. ثابت شده است كه هر گروه از متخصص از فاختهها به صورت ژنتيكي با گروه ديگر اختلاف دارند. تخصص روي ميزبان براي نياز به تقليد از تخمهاي پرنده ميزبان رفته رفته بهبود و تكامل مييابد. در اين بين هستند پرندگاني كه تخمهاي فاختهها را در لانههاي خود تشخيص ميدهند و حتي بعضاً تخمهاي فاخته را از لانه بيرون مياندازند .برخي هم لانه لو رفته را كلاً ترك كرده و يك لانه جديد برپا ميكنند .در واقع فاختهها به طور پيوسته تقليد خود را از تخمهاي لانههاي هدف بهبود ميبخشند و پرندگان ميزبان هم روشهاي شناسايي تخمهاي بيگانه را ياد ميگيرند. اين تلاش و مبارزه براي بقا بين پرندگان مختلف و فاختهها يك فرايند مداوم و پيوسته است.

جوجههاي فاخته زودتر از تخمهاي پرنده ميزبان از تخم بيرون ميآيند و زودتر هم رشد ميكنند. در اكثر موارد جوجهي فاخته تخمها و يا جوجههاي پرنده ميزبان را از لانه بيرون مياندازند. اين مساله كاملاً غريزي ميباشد.

[1] . Pattern

جزئيات الگوريتم بهينه سازي فاخته

در شكل 1,2 فلوچارت الگوريتم بهينه سازي فاخته رسم شده است. همانند ساير الگوريتمهاي تكاملي COA هم با يك جمعيت اوليه كار خود را شروع ميكند. جمعيتي متشكل از فاخته ها .اين جمعيت از فاخته ها تعدادي تخم دارند كه آنها را در لانه تعدادي پرندهي ميزبان خواهند گذاشت. تعدادي از اين تخمها كه شباهت بيشتري به تخمهاي پرنده ميزبان دارند شانس بيشتري براي رشد و تبديل شدن به فاخته بالغ خواهند داشت. ساير تخمها توسط پرنده ميزبان شناسايي شده و از بين مي روند. ميزان تخمهاي رشد كرده مناسب بودن لانه هاي آن منطقه را نشان ميدهند. هرچه تخمهاي بيشتري در يك ناحيه قادر به زيست باشند و نجات يابند به همان اندازه سود (تمايل) بيشتري به آن منطقه اختصاص مييابد. بنابراين موقعيتي كه در آن بيشترين تعداد تخمها نجات يابند پارامتري خواهد بود كه COA قصد بهينه سازي آن را دارد.

فاخته ها براي بيشينه كردن نجات تخمهاي خود به دنبال بهترين منطقه ميگردند. پس از آنكه جوجهها از تخم درآمدند و به فاخته بالغ تبديل شدند، جوامع و گروههايي تشكيل ميدهند. هر گروه منطقه سكونت خود را براي زيست دارد. بهترين منطقه سكونت تمام گروهها مقصد بعدي فاختهها در ساير گروهها خواهد بود. تمام گروهها به سمت بهترين منطقه موجود فعلي مهاجرت ميكنند. هر گروه در منطقهاي نزديك بهترين موقعيت فعلي ساكن ميشود. با در نظر گرفتن تعداد تخمي كه هر فاخته خواهد گذاشت و همچنين فاصله فاخته ها از منطقه بهينه فعلي براي سكونت تعدادي شعاع تخمگذاري محاسبه شده و شكل ميگيرد. سپس فاخته ها شروع به تخمگذاري تصادفي در لانههايي داخل شعاع تخمگذاري خود ميكنند. اين پروسه تا رسيدن به بهترين محل براي تخمگذاري (منطقه با بيشترين سود) ادامه مييابد. اين محل بهينه جايي است كه بيشترين تعداد فاخته ها در آن گرد ميآيند.

.

.

مدت زمان  : 100 دقیقه

.

.

تعدادی از تصاویر این فیلم آموزشی :

گنجینه فیلم های آموزشی فارسی الگوریتم های بهینه سازی تکاملی-هوش مصنوعی

ردیف	عنوان	مدت زمان	لینک
1	فیلم آموزش فارسی الگوریتم تکامل گرامری Grammatical Evolution	35 دقیقه	لینک دریافت (کلیک کنید)
2	فیلم آموزشی فارسی الگوریتم بازی تکاملی Evolutionary Game Algorithm	35 دقیقه	لینک دریافت (کلیک کنید)
3	فیلم آموزش فارسی الگوریتم جستجوی فاخته cuckoo search	100 دقیقه	لینک دریافت (کلیک کنید)
4	فیلم آموزش فارسی بررسی قیود در مسائل بهینه سازی مقید	34 دقیقه	لینک دریافت (کلیک کنید)
5	فیلم آموزش فارسی الگوریتم دسته ماهی مصنوعی	30 دقیقه	لینک دریافت (کلیک کنید)
6	فیلم آموزش فارسی الگوریتم کلونی زنبور عسل	65 دقیقه	لینک دریافت (کلیک کنید)
7	فیلم آموزش فارسی بهینه سازی مبتنی بر جغرافیای زیستی	30 دقیقه	لینک دریافت (کلیک کنید)
8	فیلم آموزش فارسی الگوریتم ژنتیک در متلب	190 دقیقه	لینک دریافت (کلیک کنید)

نوشته فیلم آموزش فارسی الگوریتم جستجوی فاخته cuckoo search اولین بار در ايران متلب. پدیدار شد.