فیلم آموزشی پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب (به زبان فارسی)
بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:
- روش های کلاسیک (که روش های تجزیه یا Decomposition نیز نامیده می شوند)، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند، و
- روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.
موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب است. سه روش از میان روش های های کلاسیک بهینه سازی چند هدفه، در این فیلم آموزشی مورد بررسی قرار گرفته و پیاده سازی شده اند. این سه روش عبارتند از: (الف) روش مجموع وزن دار، (ب) روش برنامه ریزی آرمانی یا Goal Programming و (پ) روش نیل به آرمان یا Goal Attainment.
برای کسب اطلاعات بیشتر در مورد این فیلم آموزشی، ادامه مطلب را ببینید.
بهینه سازی چند هدفه، یکی از زمینه های بسیار فعال و پرکاربرد تحقیقاتی در میان مباحث بهینه سازی است. غالبا بهینه سازی چند هدفه (یا Multi-objective Optimization) به نام های بهینه سازی چند معیاره (یا Multi-criteria Optimization) و بهینه سازی برداری (یا Vector Optimization) نیز شناخته می شود. روش های فراوانی تا کنون برای حل این مسائل ارائه شده اند که در حالت کلی می توان آن ها را به دو دسته تقسیم نمود:
- روش های کلاسیک (که روش های تجزیه یا Decomposition نیز نامیده می شوند)، که اغلب مسأله چند هدفه را به یک مسأله یک هدفه تقلیل می دهند، و
- روش های تکاملی، که اغلب مسأله بهینه سازی چند هدفه را واقعا به صورت چند هدفه حل می نمایند.
موضوع بحث فیلم آموزشی که در این پست قصد معرفی آن را داریم، پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب است. سه روش از میان روش های های کلاسیک بهینه سازی چند هدفه، در این فیلم آموزشی مورد بررسی قرار گرفته و پیاده سازی شده اند. این سه روش عبارتند از: (الف) روش مجموع وزن دار، (ب) روش برنامه ریزی آرمانی یا Goal Programming و (پ) روش نیل به آرمان یا Goal Attainment.
مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس (دانشجوی دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.
این محصول بخشی از بسته طلایی فیلم های آموزشی بهینه سازی چند هدفه است.
برای کسب اطلاعات بیشتر بر روی این لینک (+) کلیک کنید.
سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:
- مبانی بهینه سازی چند هدفه و بیان تفاوت های آن با مسأله بهینه سازی یک هدفه
- مروری بر روش های بهینه سازی چند هدفه کلاسیک
- روش مجموع وزن دار یا Weighted Sum، مزایا و معایب آن
- روش برنامه ریزی آرمانی یا Goal Programming
- روش نیل به آرمان یا Goal Attainment
- روش چبیشف، به عنوان حالت کلی روش های مبتنی بر آرمان
- روش تبدیل به قید یا ε-Constrainet (بخوانید Epsilon Constraint)
- پیاده سازی سه روش از روش های مطرح شده در متلب
- پیاده سازی روش مجموع وزن دار با استفاده از تابع fminunc
- پیاده سازی روش برنامه ریزی آرمانی با استفاده از تابع fminunc
- پیاده سازی روش نیل به آرمان با استفاده از تابع fgoalattain
- بهبود عملکرد برنامه های نوشته شده با حذف پاسخ های مغلوب
- جمع بندی و نتیجه گیری های نهایی
برای مشاهده جزئیات و تهیه آموزش فرادرس پیاده سازی روش های بهینه سازی چند هدفه کلاسیک در متلب به این لینک (+) مراجعه نمایید.
مطالب پیشنهادی
مجموعه: بهینه سازی, بهینه سازی چند هدفه, فیلم های آموزشی, محصولات آموزشی برچسب ها: Decomposition, Goal Attainment, Goal Programming, Multicriteria Optimization, Multiobjective Optimization, Vector Optimization, Weighted Sum, برنامه ریزی آرمانی, بهینه سازی, بهینه سازی برداری, بهینه سازی چند معیاره, بهینه سازی چند هدفه, تبدیل مسائل چند هدفه به مسائل مقید, تصمیم گیری چند معیاره, روش مجموع وزن دار, روش های تجزیه, روش های کلاسیک بهینه سازی چند هدفه, نیل به آرمان
با سلام و احترام
و سپاس از تکمیل بسته آموزشی پیشین
سوال من این هست که کسانیکه قبلا نسخه پیشین این مجموعه را تهیه کرده اند برای خرید قسمت های مکمل این مجموعه بایستی آن ها را جداگانه خریداری کنند یا برای خرید قسمت های تکمیلی تسهیلاتی برای آن ها درنظر گرفته شده است؟
با سپاس
در پاسخ به نوید جاوید:
با سلام،
چنانچه قبلا این محصول را تهیه نموده اید می توانید قسمتهای جدید را با تخفیف ۳۰% تهیه نمایید.
از اعتماد شما متشکریم.
با سلام و خسته نباشید. میخواستم تشکر کنم از سایتتون که واقعا تا الان خیلی از مشکلم هامو با کمک شما حل کردم.
با تشکر