آموزش پیاده‌سازی الگوریتم ژنتیک در Python - تکمیلی - بخش اول درس پنجم: مساله موقعیت‌های اسب



0
5

برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید: https://fdrs.ir/3lsm/ الگوریتم ژنتیک، یک ابزار قدرتمند بهینه سازی و زبان برنامه‌نویسی پایتون، یک زبان قدرتمند برنامه‌نویسی است. امروزه بسیاری از مسائل محاسباتی در پروژه‌های 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 پیاده‌سازی کنید که هم از قدرت پایتون در محاسبات و هم از قدرت الگوریتم ژنتیک در بهینه سازی در کنار هم بهره ببرید. سرفصل‌های مورد بحث در این فیلم آموزشی عبارت‌اند از: درس یکم: مساله کارت‌‌های بازی – بخش یکم معرفی مساله کلاس تست و ژن‌ها (Test Class and Genes) ارزیاب (Fitness) نمایش (Display) کلاس تست درس دوم: مساله کارت‌‌های بازی – بخش دوم اجرا (Run) بررسی دلیل عدم دست یابی به نتیجه دلخواه مطالعه نتایج (Study the Result) معرفی جهش (Mutate) اولیه به مساله بهبود فرایند جهش اجرا مرور درس سوم: مساله موقعیت‌‌های اسب – بخش یکم معرفی مساله‌ها ژن‌ها (Genes) موقعیت (Position) حمله‌ها (Attacks) Create برای ساختن ژن‌های اولیه جهش کلاس Board برای نمایش نمایش ارزیاب درس چهارم: مساله موقعیت‌‌های اسب – بخش دوم کلاس تست برای حل این مساله اجرای صفحه ۳ در ۴ اجرای صفحه ۸ در ۸ اجرای صفحه ۱۰ در ۱۰ بررسی دلیل عدم اجرای موفق صد تکرار بهبود جهش بهبود الگوریتم با بررسی نتایج درس پنجم: مساله موقعیت‌‌های اسب – بخش سوم پیدا کردن اسب‌هایی که حمله‌های آن‌ها توسط دیگر اسب‌ها پوشش داده شده است پیدا کردن مربع‌هایی که تحت حمله نیستند منتقل کردن اسب‌ها به مربع‌های جدید برای حمله به مربع‌هایی که تحت حمله نیستند اجرا مرور درس ششم: مساله مربع جادویی – بخش یکم کلاس تست (Test Class) ارزیاب نمایش درس هفتم: مساله مربع جادویی – بخش دوم Create برای ژن‌های والد جهش اجرا بهبود ارزیاب معرفی الگوریتم Simulated Annealing) SA) برای حل مشکل Local Optimum درس هشتم: مساله مربع جادویی – بخش سوم پیاده‌سازی SA بررسی صد اجرا مرور درس نهم: مساله کوله‌ پشتی – بخش یکم معرفی مساله منابع (Resources) کلاس تست Item Quantity ارزیاب Max Quantity Create جهش درس دهم: مساله کوله‌ پشتی – بخش دوم جهش نمایش Test اجرا حل یک مساله کوله پشتی بزرگ تر خواندن اطلاعات از روی فایل داده‌ها درس یازدهم: مساله کوله‌ پشتی – بخش سوم پیدا کردن قیود پیدا کردن ابتدا و انتهای داده‌ها پیدا کردن راه حل الگوریتم Branch and Bound برای بهبود حل مساله کوله پشتی بررسی صد اجرا مرور مفید برای رشته‌های تمام رشته‌های مهندسی مدرس: مهندس پژمان اقبالی برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید: https://faradars.org/ الگوریتم ژنتیک، یک ابزار قدرتمند بهینه سازی و زبان برنامه‌نویسی پایتون، یک زبان قدرتمند برنامه‌نویسی است. امروزه بسیاری از مسائل محاسباتی در پروژه‌های 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 پیاده‌سازی کنید که هم از قدرت پایتون در محاسبات و هم از قدرت الگوریتم ژنتیک در بهینه سازی در کنار هم بهره ببرید. سرفصل‌های مورد بحث در این فیلم آموزشی عبارت‌اند از: درس یکم: مساله کارت‌‌های بازی – بخش یکم معرفی مساله کلاس تست و ژن‌ها (Test Class and Genes) ارزیاب (Fitness) نمایش (Display) کلاس تست درس دوم: مساله کارت‌‌های بازی – بخش دوم اجرا (Run) بررسی دلیل عدم دست یابی به نتیجه دلخواه مطالعه نتایج (Study the Result) معرفی جهش (Mutate) اولیه به مساله بهبود فرایند جهش اجرا مرور درس سوم: مساله موقعیت‌‌های اسب – بخش یکم معرفی مساله‌ها ژن‌ها (Genes) موقعیت (Position) حمله‌ها (Attacks) Create برای ساختن ژن‌های اولیه جهش کلاس Board برای نمایش نمایش ارزیاب درس چهارم: مساله موقعیت‌‌های اسب – بخش دوم کلاس تست برای حل این مساله اجرای صفحه ۳ در ۴ اجرای صفحه ۸ در ۸ اجرای صفحه ۱۰ در ۱۰ بررسی دلیل عدم اجرای موفق صد تکرار بهبود جهش بهبود الگوریتم با بررسی نتایج درس پنجم: مساله موقعیت‌‌های اسب – بخش سوم پیدا کردن اسب‌هایی که حمله‌های آن‌ها توسط دیگر اسب‌ها پوشش داده شده است پیدا کردن مربع‌هایی که تحت حمله نیستند منتقل کردن اسب‌ها به مربع‌های جدید برای حمله به مربع‌هایی که تحت حمله نیستند اجرا مرور درس ششم: مساله مربع جادویی – بخش یکم کلاس تست (Test Class) ارزیاب نمایش درس هفتم: مساله مربع جادویی – بخش دوم Create برای ژن‌های والد جهش اجرا بهبود ارزیاب معرفی الگوریتم Simulated Annealing) SA) برای حل مشکل Local Optimum درس هشتم: مساله مربع جادویی – بخش سوم پیاده‌سازی SA بررسی صد اجرا مرور درس نهم: مساله کوله‌ پشتی – بخش یکم معرفی مساله منابع (Resources) کلاس تست Item Quantity ارزیاب Max Quantity Create جهش درس دهم: مساله کوله‌ پشتی – بخش دوم جهش نمایش Test اجرا حل یک مساله کوله پشتی بزرگ تر خواندن اطلاعات از روی فایل داده‌ها درس یازدهم: مساله کوله‌ پشتی – بخش سوم پیدا کردن قیود پیدا کردن ابتدا و انتهای داده‌ها پیدا کردن راه حل الگوریتم Branch and Bound برای بهبود حل مساله کوله پشتی بررسی صد اجرا مرور مفید برای رشته‌های تمام رشته‌های مهندسی مدرس: مهندس پژمان اقبالی

Published by: FaraDars — فرادرس Published at: 2 years ago Category: مردم و وبلاگ