فیلم آموزشی حل مسأله کوچکترین درخت پوشا با الگوریتم رقابت استعماری (به زبان فارسی)

فیلم آموزشی حل مسأله کوچکترین درخت پوشا با الگوریتم رقابت استعماری (به زبان فارسی)

 

مسأله کوچکترین درخت پوشا به صورت یک مسأله بهنیه سازی گسسته باینری (صفر و یک) بیان شده است و از این رو، این فیلم آموزشی، دارای اهمیت ویژه ای است. زیرا در این فیلم نحوه استفاده از الگوریتم رقابت استعماری برای حل مسائل باینری آموزش داده شده است، و این فیلم آموزشی می تواند سرمشق مناسبی برای استفاده از الگوریتم رقابت استعماری برای حل مسائل گسسته و باینری باشد. همچنین با الهام از الگوریتم های ژنتیک باینری، اپراتور انقلاب (یا Revolution) در این فیلم بازنگری شده است، به نحوی که عملکرد الگوریتم را برای حل مسائل باینری، بهبود دهد.

الگوریتم رقابت استعماری یا 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 فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به حل مسأله کوچکترین درخت پوشا یا Minimum Spanning Tree با الگوریتم رقابت استعماری است. مسأله طراحی کوچکترین درخت پوشا، کاربردهای وسیعی در زمینه های علمی و مهندسی دارد، که از میان آن ها می توان به طراحی بهینه سیستم های مخابراتی، شبکه های کامپیوتری و سیستم های انتقال توان الکتریکی اشاره نمود.

مسأله کوچکترین درخت پوشا به صورت یک مسأله بهنیه سازی گسسته باینری (صفر و یک) بیان شده است و از این رو، این فیلم آموزشی، دارای اهمیت ویژه ای است. زیرا در این فیلم نحوه استفاده از الگوریتم رقابت استعماری برای حل مسائل باینری آموزش داده شده است، و این فیلم آموزشی می تواند سرمشق مناسبی برای استفاده از الگوریتم رقابت استعماری برای حل مسائل گسسته و باینری باشد. همچنین با الهام از الگوریتم های ژنتیک باینری، اپراتور انقلاب (یا Revolution) در این فیلم بازنگری شده است، به نحوی که عملکرد الگوریتم را برای حل مسائل باینری، بهبود دهد.

 

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

ادامه مطلب >>

فیلم آموزشی درونیابی توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری (به زبان فارسی)

فیلم آموزشی درونیابی توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری (به زبان فارسی)

 

الگوریتم رقابت استعماری یا 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 فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به درونیابی توابع شعاعی پایه یا RBF با الگوریتم رقابت استعماری است. در واقع در این فیلم آموزشی، تنظیم ضرایب یک شبکه عصبی RBF به صورت یک مسأله بهینه سازی بیان شده است و توسط الگوریتم رقابت استعماری انجام پذیرفته است.

 

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

ادامه مطلب >>

فیلم آموزشی خوشه بندی یا Clustering با الگوریتم رقابت استعماری (به زبان فارسی)

فیلم آموزشی خوشه بندی یا Clustering با استفاده از الگوریتم رقابت استعماری (به زبان فارسی)

 

در این فرادرس، دانشجویان عزیز، با مباحث مختلف خوشه بندی یا Clustering با الگوریتم رقابت استعماری آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، بانی طبقه بندی اطلاعات، تبدیل مسأله خوشه بندی به یک مسأله بهینه سازی، حل مسأله خوشه بندی با استفاده از الگوریتم رقابت استعماری و … می باشد. 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.

الگوریتم رقابت استعماری یا 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 فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ معرفی شده است و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند. بخشی از این مجموعه آموزشی، که در این پست قصد معرفی آن را داریم، مربوط به حل مسأله خوشه بندی (کلاسترینگ) یا Clustering با استفاده از الگوریتم رقابت استعماری است. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

ادامه مطلب >>

فیلم آموزشی جامع الگوریتم رقابت استعماری — شامل مباحث تئوری و عملی (به زبان فارسی)

فیلم جامع آموزش الگوریتم رقابت استعماری -- شامل مباحث تئوری و عملی (به زبان فارسی)

 

در این فرادرس، دانشجویان عزیز، با مباحث مختلف تئوری و عملی  الگوریتم رقابت استعماری آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، مبانی بهینه سازی، تشریح بخش های مختلف الگوریتم رقابت استعماری، پیاده سازی گام به گام الگوریتم ICA و … می باشد. 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.

الگوریتم رقابت استعماری یا 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 فرآیند سیاسی استعمار است. به همان صورت که الگوریتم ژنتیک تکامل زیستی را شبیه سازی می کند، در الگوریتم رقابت استعماری، از تکامل سیاسی استفاده شده است. این الگوریتم در سال ۲۰۰۷ توسط اسماعیل آتش پز گرگری و مرحوم پرفسور کارو لوکس (استاد فقید دانشگاه تهران) معرفی شد و تا کنون در کاربردهای فراوان و زمینه های تحقیقاتی متنوعی، به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. قدرت بالای این الگوریتم، به خصوص در برخورد با مسائل پیوسته، باعث شده است که الگوریتم رقابت استعماری به عنوان یکی از ابزارهای مهم در زمینه بهینه سازی به حساب بیاید.

در راستای پوشش نیازهای علمی جامعه هوش محاسباتی ایران، بسته کاملی از فیلم های آموزشی الگوریتم رقابت استعماری توسط متلب سایت تهیه شده اند که می توانند به عنوان مرجع کاملی برای دانشجویان و دانشپژوهان مورد استفاده قرار بگیرند.  بخش ابتدایی این مجموعه آموزشی، فیلم آموزشی جامع الگوریتم رقابت استعماری است که مباحث کاملی بر روی مباحث تئوری و عملی الگوریتم رقابت استعماری دارد. برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

ادامه مطلب >>

نحوه کد کردن کروموزوم، ذره و یا کشور در الگوریتم های بهینه سازی به صورت ماتریس

وبسایت محاسبات تکاملی – در برخی موارد، متغیرهای بهینه سازی ما در قالب یک ماتریس قرار دارند. سوالی که مطرح می شود این هست که چگونه می توان موارد این چنینی را توسط کدهای آماده روشهای مطرح بهینه سازی همچون الگوریتم ژتتیک، الگوریتم ازدحام ذرات و الگوریتم رقابت استعماری حل کرد؛ در حالی که این کدها، غالباً با دنباله متغیرهایی به صورت یک رشته با طول N کار می کندد نه یک ماتریس! مثلاً سوال زیر را در نظر بگیرید، که توسط یکی از دوستان در مورد نحوه انجام این کار در الگوریتم رقابت استعماری پرسیده بودند:

 

آیا می توان به جای این که در تابع ارزیابی برداری از متغیرها داشته باشیم برداری از ماتریس ها یا بردارها داشته باشیم. به عبارت دیگر رمزگذاری مسئله به شکلی باشد که برای  نمایش هر کروموزوم (کشور) یک ماتریس داشته باشیم. آنگاه آیا می توان از کدهای متلب الگوریتم رقابت استعماری که در حال حاضر در وبسایت محاسبات تکاملی (+) قرار دارد برای این رمزگذاری استفاده کرد یا باید نسخه ای دیگر از این برنامه تولید کرد؟ اگر تغییراتی در کدفعلی لازم است، لطفا بفرمایید.

با سپاس فراوان

 

پاسخ سوال بسیار ساده می باشد.

ابتدا لازم به ذکر است که در موارد ماتریسی، نسخه هایی از روشهای مطرح بهینه سازی وجود دارند که در همان ابتدا، مسئله را به صورت یک ماتریس کد می کنند و تمام عملیات را روی آنها بازتعریف می کنند. اما درعمل نیازی به چنین کاری نیست. برای حل مشکل کافی است ما ماتریس متغیرها را reshape کنیم. مثلاً فرض کنید ۲۰ مجهول مسئله بهینه سازی به صورت یک ماتریس ۴*۵ قرار گرفته اند. کاری که ما انجام می دهیم این هست که مسئله بهینه سازی را برای بردار ۲۰*۱ تعریف می کنیم (که در این حالت همانگونه که بیان شد روشهای بهینه سازی با آن مشکلی ندارند). اما در داخل تابع هزینه یک دستور reshape (در صورت استفاده از متلب) به کار می بریم تا قبل از ارزیابی تابع هزینه برای بردار ۲۰*۱، ابتدا آن را به ماتریس ۴*۵ تبدیل کند. یعنی در خط اول تابع هزینه می نویسیم:

 

function Cost  = CostFunction(X)
XR = reshape(X,5,4);
Cost = evaluate cost at XR
end

 

با این کار بدون اینکه برنامه بهینه سازی متوجه شود، ما تمام ارزیابی ها را به صورت ماتریس انجام می دهیم، در حالی که الگوریتم با یک بردار ۲۰*۱ کار می کند. تابع هزینه محاسبات را برای ماتریس انجام می دهد و مقداری که بر می گرداند، همان هزینه مرتبط با رشته ۲۰*۱ می باشد.

سال نو مبارک + جشنواره نوروزی متلب سایت

سال جدید را خدمت همه مخاطبین متلب سایت و اعضای جامعه علمی هوش مصنوعی و برنامه نویسی متلب ایران، تبریک عرض می کنیم. امیدواریم سال جدید، سالی باشد، سرشار از موفقیت و شادکامی برای شما.

 

متلب سایت، در سال جدید متفاوت از همه سالها خواهد بود. توسعه هر چه بیشتر علمی سایت، اولویت کاری ما در این سال خواهد بود. در این میان، پیشبرد فنی سایت و همراه سازی آن با استانداردهای به روز، نیز در محور فعالیت ها قرار داده شده اند.

 

آنچه در این سال ما بیشتر از همه نیاز خواهیم داشت، حمایت های همیشگی و استوار شماست. امیدواریم، در کنار هم امسال را به سالی تبدیل کنیم که شعار متلب سایت به طور کامل به وقوع بپیوندد:

“دانش در دسترس”، همیشه، همه جا، برای همه


جشنواره نوروزی متلب سایت در فیسبوک: به بهترین چهار پیام تبریک سال نو و یا بیان تجربه و یا خاطره کار با متلب سایت، در صفحه فیس بوک متلب سایت (در این لینک +)، به ترتیب چهل هزار، سی هزار، بیست هزار و ده هزار تومان! (مجموعاً یکصد هزار تومان!!) کوپن رایگان استفاده از محصولات متلب سایت را اهدا خواهیم کرد. مدت زمان شرکت در این جشنواره آخر روز دهم فروردین ۱۳۹۱ می باشد (به پایان رسید. نتایج را در زیر ببینید).

 

اعلام نتایج

از میان شرکت کنندگان در مسابقه افراد زیر به عنوان برنده انتخاب (بر حسب رای عمومی تا روز دهم فروردین) به ترتیب به عنوان نفرات اول تا چهارم انتخاب شده اند. افراد برگزیده با انتخاب محصولات آموزشی مورد علاقه خود (تا ۲۰ فروردین ۱۳۹۱)، می توانند با ما مکاتبه نمایند.

 

  1. Mohammad Saleh Maddah
  2. parisa shojaei
  3. Javad Palizvan
  4. Alireza Eskandari

 

 

سایر افرادی که در مسابقه شرکت کرده بودند ولی در میان چهار نفر برگزیده اول نبوده اند، این امکان را خواهند داشت تا از تمامی بندهای تخفیف ویژه و تکرار نشدنی چهارشنبه سوری که بهترین فرصت آموزشی در سال گذشته بود، تا روز ۱۸ فروردین ۱۳۹۱ بهره مند شوند (برای اطلاعات بیشتر این لینک (+) را ببینید).

 

سایر مخاطبین متلب سایت نیز به مناسبت جشنواره نورورزی، این فرصت را خواهند داشت تا از بند دو و یا سه تخفیف ویژه چهارشنبه سوری تا روز ۱۸ فروردین ۱۳۹۱ استفاده کنند.

 

موفق باشید.
متلب سایت – مرجع برنامه نویسی هوش مصنوعی
www.MatlabSite.com

انقلابی جدید در آموزش آکادمیک – آموزش برای ۹۹ درصدی ها

 

 

انقلابی جدید در آموزش آکادمیک

 

سرویس خبری متلب سایت – به نظر می رسد که همان اتفاقی که فروشگاههای زنجیره ای بر سر بقالی ها آوردند، در حوزه دانش و آموزش نیز در حال وقوع می باشد. اما اینبار بقالی ها، خیلی هم کوچک نیستند. آنها همان دانشگاههای بزرگ و سنتی امروز هستند و در مقابل توسط اینترنت و روشهای آموزشی جدید در حال به چالش کشیده شدن هستند. جایی که می توان هوش مصنوعی را از اساتید به نام این حوزه در دانشگاههای راهبر جهان، یاد گرفت، شاید انگیزه حضور در کلاسهای حضوری، حداقل برای خیلی ها، کاهش یابد. Coursera عنوان یکی از مجموعه هایی هست که به تازگی در زمینه های مختلف، از اساتید به نام در جهت آموزش عمومی استفاده می کند. کلاس Probabilistic Graphical Models عنوان یکی از کلاسهای این مجموعه است که در روزهای اخیر شروع خواهد شد (اگر علاقه مند هستید، فرصت حضور رایگان را ازدست ندهید). لیست کامل دوره های این مجموعه را در این لینک (+) ببینید. سباستین ترون، از استاتید دانشگاه استنفورد نیز کمپانی آموزشی udacity را ایجاد کرده است با شعار آموزش برای ۹۹ درصدها. او در صفحه شخصی خود می نویسد:

ادامه مطلب >>

چهارشنبه سوری ۱۳۹۰ با متلب سایت

 

جشنواره چهارشنبه سوری متلب سایت

 

متلب سایت قصد دارد، به مناسبت چهارشنبه آخر سال در مورد تمام محصولات آموزشی هوش مصنوعی و برنامه نویسی، تخفیف ویژه ای را ارائه کند. به همین منظور، قواعد تخفیفی ویژه ای برای ۲۰ درصد، ۲۵ درصد و ۳۳ درصد تخفیف در نظر گرفته شده است:

 

  • بند یک: اگر مجموع محصولات انتخابی شما بالاتر از ۲۰ هزار تومان باشد،

یک یا چند محصول دیگر تا سقف ۵ هزار تومان را به رایگان انتخاب کنید [ ۲۰ درصد تخفیف! ]


  • بند دو: اگر مجموع محصولات انتخابی شما بالاتر از ۳۰ هزار تومان باشد،

یک یا چند محصول دیگر تا سقف ۱۰ هزار تومان را به رایگان انتخاب کنید [ ۲۵ درصد تخفیف! ]

 

  • بند سه: اگر مجموع محصولات انتخابی شما بالاتر از ۵۰ هزار تومان باشد،

یک یا چند محصول دیگر تا سقف ۲۵ هزار تومان را به رایگان انتخاب کنید [ ۳۳ درصد تخفیف! ]

 

این تخفیف ویژه دانشجویان می باشد و هر فرد تنها یکبار و تنها از یکی از تخفیف های فوق می تواند استفاده نماید. مهلت استفاده از این تخفیف تا پایان روز جمعه، ۲۶ اسفند ماه ۱۳۹۰ است، و شما تا پایان هفته جاری می توانید از این فرصت ویژه برای خرید محصولات آموزشی متلب سایت استفاده نمایید. برای استفاده از این تخفیف، کافی است در هنگام ثبت سفارش خود، کد تخفیف GD4SUR90S را در فرم سفارش و خرید وارد نمایید.

 

سخن پایانی:

برای تمامی ایرانیان، به ویژه مخاطبین محترم متلب سایت، چهارشنبه سوری شاد، پر رونق، و توأم با سلامتی آرزو می کنیم، و امیدواریم مقدمه ای برای ورود به یک سال پر برکت باشد.

 

متلب سایت
مرجع هوش مصنوعی و کاربران متلب