زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

در این فیلم آموزشی نحوه برنامه نویسی الگوریتم بهینه سازی کلونی مورچه در پایتون را توضیح خواهیم داد.

سرفصل مطالب :

معرفی الگوریتم ACO

معرفی پارامترهای ورودی الگوریتم ACO

معرفی مسئله TSP (فروشنده دوره گرد)

برنامه نویسی پایتون الگوریتم بهینه سازی کلونی مورچه

نوشته الگوریتم کلونی مورچه در پایتون اولین بار در ايران متلب. پدیدار شد.

زبان برنامه نویسی پایتون یکی از زبان های برنامه نویسی است که به سرعت در حال افزایش محبوبیت و کاربرد در بین برنامه نویسان می باشد.

در این فیلم آموزشی نحوه برنامه نویسی الگوریتم های ژنتیک در پایتون را توضیح خواهیم داد.

سرفصل :

معرفی الگوریتم ژنتیک

برنامه نویسی پایتون الگوریتم ژنتیک

چند مثال بهینه سازی با الگوریتم ژنتیک در پایتون

نوشته الگوریتم ژنتیک (genetic algorithm) در پایتون 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.

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.

ساختار الگوريتم‏هاي ژنتيكي

به طور كلي, الگوريتم‏هاي ژنتيكي از اجزاء زير تشكيل مي‏شوند:

كروموزوم Chromosome

در الگوريتم‏هاي ژنتيكي, هر كروموزوم نشان دهنده يك نقطه در فضاي جستجو و يك راه‏ حل ممكن براي مسئله مورد نظر است. خود كروموزوم‏ها (راه حل‏ها) از تعداد ثابتي ژن (متغير) تشكيل مي‏شوند. براي نمايش كروموزوم‏ها, معمولاً از كدگذاري‏هاي دودويي (رشته‏ هاي بيتي) استفاده مي‏شود.

جمعيت Population

مجموعه‏اي از كروموزوم‏ها يك جمعيت را تشكيل مي‏دهند. با تاثير عملگرهاي ژنتيكي  بر روي هر جمعيت, جمعيت جديدي با همان تعداد كروموزوم تشكيل مي‏شود.

تابع برازندگي Fitness Function

به منظور حل هر مسئله با استفاده از الگوريتم‏هاي ژنتيكي, ابتدا بايد يك تابع برازندگي براي آن مسئله ابداع شود. براي هر كروموزوم, اين تابع عددي غير منفي را برمي‏گرداند كه نشان دهنده شايستگي يا توانايي فردي آن كروموزوم است.

عملگرهاي الگوریتم  ژنتيك

در الگوريتم‏هاي ژنتيكي, در طي مرحله توليد مثل Reproduction ازعملگرهاي ژنتيكي استفاده مي‏شود. با تاثير اين عملگرها بر روي يك جمعيت, نسل Generation بعدي آن جمعيت توليد مي‏شود. عملگرهاي انتخاب Selection , آميزش Crossover  و جهش Mutation معمولاً بيشترين كاربرد را در الگوريتم‏هاي ژنتيكي دارند.

عملگر انتخاب  (Selection ):

اين عملگر از بين كروموزوم‏هاي موجود در يك جمعيت, تعدادي كروموزوم را براي  توليد مثل انتخاب مي‏كند. كروموزوم‏هاي برازنده ‏تر شانس بيشتري دارند تا براي توليد مثل انتخاب شوند.

روش های انتخاب :

Elitist Selection (انتخاب نخبگان)

مناسب‌ترین عضو هر اجتماع انتخاب می‌شود. با توجه به مقدار شایستگی که از تابع ارزیاب دریافت کرده است.

نمونه ‏برداري به روش چرخ رولت

در اين روش, به هر فرد قطعه ‏اي از يك چرخ رولت مدور اختصاص داده مي‏شود. اندازه اين قطعه متناسب با برازندگي آن فرد است. چرخ N بار چرخانده مي‏شود كه N تعداد افراد در جمعيت است. در هر چرخش, فرد زير نشانگر چرخ انتخاب مي‏شود و در مخزن والدين نسل بعد قرار مي‏گيرد. اين روش مي‏تواند به صورت زير پياده‏ سازي شود:

• نرخ انتظار كل افراد جمعيت را جمع كنيد و حاصل آن را T بناميد.
• مراحل زير را N بار تكرار كنيد:

يك عدد تصادفي r بين 0 و T  انتخاب كنيد.

در ميان افراد جمعيت بگرديد و نرخ‏هاي انتظار( مقدار شایستگی) آنها را با هم جمع كنيد تا اين كه مجموع بزرگتر يا مساوي r شود. فردي كه نرخ انتظارش باعث بيشتر شدن جمع از اين حد مي‏شود, به عنوان فرد برگزيده انتخاب مي‏شود.

Tournament Selection (انتخاب تورنومنت) :

یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیر‌گروه برای تولید انتخاب می‌شوند.

عملگر آميزش (Crossover ):

در جریان عمل تلفیق  به صورت اتفاقی بخشهایی از کروموزوم ها با یکدیگر تعویض می شوند. این موضوع باعث می شود که فرزندان ترکیبی از خصوصیات والدین خود را به همراه داشته باشند و دقیقاً مشابه یکی از والدین نباشند.

هدف تولید فرزند جدید می باشد  به این امید که خصوصیات خوب دو موجود در فرزندشان جمع شده و یک موجود بهتری را تولید کند.

روش کار به صورت زیر است:

بصورت تصادفی یک نقطه از کروموزوم را انتخاب می کنیم

ژن های مابعد آن نقطه از کروموزوم ها را جابجا می کنیم

تلفیق تک نقطه ای (Single Point Crossover)

اگر  عملیات تلفیق را در یک نقطه انجام دهیم به آن تلفیق تک نقطه ای می گویند.

تلفیق بدين صورت انجام مي گيرد که حاصل ترکيب کروموزومهاي پدر و مادر مي باشد. روش توليد مثل نيز بدين صورت است که ابتدا بصورت تصادفي ,نقطه اي که قرار است توليد مثل از آنجا آغاز گردد ,انتخاب مي گردد. سپس اعداد بعد از آن به ترتيب از بيت هاي کروموزومهاي پدر و مادر قرار مي گيرد که در شکل زير نيز نشان داده شده است.

در شکل بالا کروموزومهاي 1 و2 در نقش والدين هستند. و حاصل توليد مثل آنها در رشته هائي بنام Offspring ذخيره شده است.دقت شود که علامت  “|” مربوط به نقطه شروع توليد مثل مي باشد و در رشته هاي Offspring اعدادي که بعد از نقطه شروع توليد مثل قرار مي گيرند مربوط به کروموزومهاي مربوط به خود مي باشند. بطوريکه اعداد بعد از نقطه شروع مربوط به Offspring1  مربوط به اعداد بعد از نقطه شروع مربوط به کروموزوم 1 و اعداد بعد از نقطه شروع توليد مثل مربوط به Offspring2 مربوط به اعداد بعد از نقطه شروع توليد مثل مربوط به کروموزوم 2 مي باشند

روش ادغام دو نقطه ای Two-point CrossOver :

در این روش دو مکان را به صورت تصادفی انتخاب کرده و مقادیر بین این دو نقطه را جابجا می کنیم.

تلفیق نقطه ای (Multipoint Crossover) :

می توانیم این عملیات را در چند نقطه انجام دهیم ، که به آن بازترکیبی چند نقطه ای می گویند

تلفیق جامع (Uniform Crossover) :

اگر تمام نقاط کروموزوم را بعنوان نقاط بازترکیبی انتخاب کنیم به آن بازترکیبی جامع می گوئیم.  مثال)

عملگر جهش (Mutation ):

پس از اتمام عمل آميزش, عملگر جهش بر روي كروموزوم‏ها اثر داده مي‏شود. اين عملگر يك ژن از يك كروموزوم را به طور تصادفي انتخاب نموده و سپس محتواي آن ژن را تغيير مي‏دهد. اگر ژن از جنس اعداد دودويي باشد, آن را به وارونش تبديل مي‏كند و چنانچه متعلق به يك مجموعه باشد, مقدار يا عنصر ديگري از آن مجموعه را به جاي آن ژن قرار مي‏دهد. در شكل زیر چگونگي جهش يافتن پنجمين ژن يك كروموزوم نشان داده شده است.

پس از اتمام عمل جهش, كروموزوم‏هاي توليد شده به عنوان نسل جديد شناخته شده و براي دور بعد اجراي الگوريتم ارسال مي‏شوند.

قبل از اين كه يك الگوريتم ژنتيكي بتواند اجرا شود, ابتدا بايد كدگذاري (يا نمايش) مناسبي براي مسئله مورد نظر پيدا شود. معمولي ترين شيوه نمايش کروموزومها در الگوريتم ژنتيک به شکل رشته هاي دودويي است. هر متغير تصميم گيري به صورت دودويي در آمده و سپس با کنار هم قرار گرفتن اين متغيرها کروموزوم ايجاد مي­شود . گرچه اين روش گسترده ترين شيوه کدگذاري است اما شيوه هاي ديگري مثل نمايش با اعداد حقيقي در حال گسترش هستند. همچنين يك تابع برازندگي نيز بايد ابداع شود تا به هر راه‏ حل كدگذاري شده ارزشي را نسبت دهد. در طي اجرا, والدين براي توليد مثل انتخاب مي‏شوند و با استفاده از عملگرهاي آميزش و جهش با هم تركيب مي‏شوند تا فرزندان جديدي توليد كنند. اين فرآيند چندين بار تكرار مي‏شود تا نسل بعدي جمعيت توليد شود. سپس اين جمعيت بررسي مي‏شود و در صورتي كه ضوابط همگرايي رآورده شوند, فرآيند فوق خاتمه مي‏ يابد.

پیش نیاز : 

در ادامه آموزش الگوریتم های بهینه سازی ، فیلم آموزشی الگوریتم ژنتیک برای دانش پذیران گرامی تهیه شده است. پیش نیاز این فیلم آموزشی، آموزش بهینه سازی می باشد. لذا به دانش پذیران گرامی توصیه می شود ابتدا فیلم آموزشی بهینه سازی را مشاهده کنند و سپس فیلم آموزشی الگوریتم ژنتیک را ببینند. 

.

.

مدت زمان      : 104 دقیقه

حجم فایل ها : 154 مگابایت

.

.

نتیجه سالها تجربه :

این فیلم آموزشی نتیجه سالها کدنویسی و کار با الگوریتم ژنتیک در پروژه های مختلف می باشد و هزینه ای که شما برای تهیه آن می پردازید در برابر سالها تجربه ای که صرف تهیه این فیلم آموزشی شده بسیار ناچیز است. 

.

لینک دریافت

تصویرهایی از محیط 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 جامع آموزش فارسی الگوریتم ژنتیک در متلب MATLAB اولین بار در ايران متلب. پدیدار شد.