نتیجه قرعه کشی ماه اسفند – برندگان جایزه ماه تعیین شدند

/0 دیدگاه /در /توسط
هر ماه از میان اعضای خبرنامه ایمیلی سایت به ازای هر 50 نفر عضو، یک نفر به قید قرعه انتخاب شده و یکی از محصولات فایل های آموزش مکاتبه ای و چند رسانه ای حوزه های مختلف هوش مصنوعی به رایگان به برنده ماه تعلق میگیرد. قرعه کشی هر ماه، چند روز قبل از آغاز ماه انجام می شود.برندگان این ماه: اعضای محترم با آدرسهای ایمیل زیر می باشند. انتهای آدرسهای ایمیل بریده شده اند.

ادامه مطلب

پایان نامه – انتخاب و بهينه سازی سبد سهام با استفاده از روش هاي فراابتكاري – متن کامل تر

/0 دیدگاه /در , , , , , , /توسط
 
در یکی از پست های قبلی بر روی وبسایت محاسبات تکاملی، بخش هایی کوتاه از پایان نامه آقای آرش طالبی تحت عنوان “انتخاب و بهينه سازی سبد سهام با استفاده از روش هاي فراابتكاري و مقایسه ی آن با سبدهای تشکیلیِ خبرگان و تازه کارها در بازار بورس اوراق بهادار تهران” را منتشر کردیم. همانگونه که در آن پست، وعده انتشار بخش های تکمیل تری از این پایانه را داده بودیم، در این پست می خواهیم، قسمت هایی تکمیلی این کار با ارزش را منتشر کنیم. اگر علاقه مند به مطالعه و تحقیق در این زمینه هستنید، با ما در ادامه این پست، همراه باشید.

محاسبات تکاملی و الگوریتم رقابت استعماری در فیس بوک و سایر شبکه های اجتماعی

/0 دیدگاه /در , , , , , , , , /توسط

علاقه مندان حوزه محاسبات تکاملی (Genetic Algorithms, Particle Swarm Optimization, Ant Colony Optimization, Imperialist Competitive Algorithm) می توانند، مطالب منتشر شده را در فیس بوک و سایر شبکه های اجتماعی ما نیز دنبال نمایید.

 
به زودی فراخوان دوره های جدیدی از وبینار و کارگاه های آموزشی این حوزه از طریق همین شبکه های اجتماعی اعلام خواهند شد.

همکاری با وبسایت محاسبات تکاملی و فرصت های کاری

/0 دیدگاه /در /توسط

 وبسایت محاسبات تکاملی و الگوریتم رقابت استعماری، یکی از وبسایت های علمی مطرح و پربازدید در حوزه محاسبات تکاملی می باشد. کلیه مطالب سایت، توسط اعضای علمی آن، تهیه می شوند و شامل به روز ترین مباحث این حوزه مهم از هوش مصنوعی می باشند.

محورهای علمی همکاری
اگر در حوزه ای از محاسبات و بهینه سازی تکاملی شامل بخشهایی که در ادامه مطلب آمده اند، کار کرده اید و مایل به همکاری در وبسایت محاسبات تکاملی و الگوریتم رقابت استعماری هستید، این فرصت را از دست ندهید و همین امروز همکاری علمی خود را آغاز کنید.

نحوه تعریف یک مسئله مناسب بهینه سازی برای حل با الگوریتم رقابت استعماری

/0 دیدگاه /در , , , , /توسط
آیا شما نیز، با سوالهای زیر مواجه شده اید؟ آیا خواسته اید که از یک روش بهینه سازی همانند الگوریتم رقابت استعماری در مسئله پایان نامه و تحقیق پایانی خود استفاده نمایید، اما در تعریف مناسب مسئله بهینه سازی با مشکل مواجه شده اید؟ در این پست می خواهیم به سوالات زیر پاسخ دهیم، اگر شما نیز علاقه مند به دانستن پاسخ این سوالات هستند، با ما در ادامه این پست همراه باشید.
  • چگونه الگوریتم رقابت استعماری را به یک مسئله معین در یک حوزه اعمال کنیم؟
  • چگونه مسئله مناسبی در حوزه معین را جهت استفاده از الگوریتم رقابت استعماری تعریف نماییم؟

نتیجه قرعه کشی ماه بهمن – برندگان جایزه ماه تعیین شدند.

/0 دیدگاه /در /توسط
هر ماه از میان اعضای خبرنامه ایمیلی سایت به ازای هر 50 نفر عضو، یک نفر به قید قرعه انتخاب شده و یکی از محصولات فایل های آموزش مکاتبه ای و چند رسانه ای حوزه های مختلف هوش مصنوعی به رایگان به برنده ماه تعلق میگیرد. قرعه کشی هر ماه، چند روز قبل از آغاز ماه انجام می شود.

برندگان این ماه: اعضای محترم با آدرسهای ایمیل زیر می باشند.

ادامه مطلب

آیا الگوریتم رقابت استعماری، انتخاب مناسبی برای موضوع پایان نامه می باشد؟

/0 دیدگاه /در , , /توسط
اگر شما نیز در مراحل تعریف موضوع پایان نامه هستید و یا اگر قرار است، به زودی این کار را انجام دهید و پایان نامه شما به بهینه سازی و الگوریتم ها و محاسبات تکاملی مربوط است، حتماً این پست را بخوانید. تا به حال این سوال بسیار مطرح شده است که آیا، الگوریتم جدید بهینه سازی تکاملی یعنی الگوریتم رقابت استعماری (Imperialist Competitive Algorithm – ICA) موضوع مناسبی برای یک پایان نامه دوره تحصیل می باشد؟ در این پست می خواهیم با مراجعه کیفی به آمار و مقایسه چند الگوریتم شناخته شده بهینه سازی با الگوریتم رقابت استعماری، پاسخ این سوال را بررسی کنیم.

انتخاب تعداد مناسب کشورهای اولیه و شرط توقف در الگوریتم رقابت استعماری – پرسش و پاسخ

/2 دیدگاه /در , , /توسط
http://www.icasite.info/icasite/post_i/ques_ans.png

سوالات زیر در مورد الگوریتم رقابت استعماری، ممکن است برای شما نیز مطرح شده باشند و پاسخ آنها برای شما نیز مفید باشد. اگر پرسش های زیر برای شما نیز مطرح هستند، ادامه مطلب را ببینید.

 پرسش ها:
  • درطی فرآیند بهینه سازی در الگوریتم رقابت استعماری، از تعداد کشورها کاسته شود، بهتر است یا تا پایان بهینه سازی تعداد کشورها ثابت باشد؟
  • آیا شرایط دیگری را هم می شود برای سقوط امپراطوری و همچنین شرایط همگرائی در نظر گرفت؟
  • برای مسئله ای که تعداد کشورهای اولیه آن در حدود 300 تا 500 می باشد؛ چه تعداد امپراطوری اولیه برای الگوریتم مناسب می باشد؟
  • انتخاب کمتر کشور و بیشتر تکرار ها بهتر هست یا برعکس؟ اگر مثلا تعداد کشورهای اولیه را 40  و تکرار را 100 در نظر بگیریم، بهتر هست یا اینکه تعداد کشورها را 50 و تعداد تکرار را 60 بگیرم؟
  • چگونه می توان در متلب، اعداد تصادفی را به گونه ای ایجاد کرد که دارای میانگین و واریانس مشخصی باشند؟ 
 پاسخ ها:

روش کلی ایجاد نسخه های گسسته الگوریتم رقابت استعماری

/0 دیدگاه /در , , /توسط
با اینکه الگوریتم رقابت استعماری، در نسخه های اولیه آن برای حل مسائل بهینه سازی پیوسته معرفی شد، اما از همان ابتدای معرفی در کار های پژوهشی متنوعی در حل مسائل گسسته نیز به کار رفته است. در این پست می خواهیم نحوه ایجاد تغییرات در کدهای پیوسته الگوریتم رقابت استعماری را جهت تبدیل آن به روش حل مسائل گسسته بررسی کنیم.
در الگوریتم رقابت استعماری دو دسته از پارامترها را می توان تقسیم بندی نمود.

نحوه پیاده سازی عملی عملگر جذب (Assimilation) در الگوریتم رقابت استعماری – پرسش و پاسخ

/0 دیدگاه /در , , , /توسط
http://www.icasite.info/icasite/post_i/ques_ans.png
پرسش:  من کد متلب ICA را قبلا دانلود کرده ام. اما به نظر می رسد، از AssimilationAngleCoefficient که مربوط به  زاویه است، استفاده نشده است. میخواهم بدانم از زاویه تتا (theta) به چه صورت در یک مسئله چند بعدی می شود استفاده کرد؟ از نظر شکلی زاویه قابل درک است ولی در عمل چطور اعمال می شود؟
پاسخ:نگاهی به کدهای آماده دانلود الگوریتم رقابت استعماری می توانند مفید باشند. لینک زیر:
http://www.icasite.info/2010/05/blog-post_01.htmlنقش تتا (theta) ایجاد انحراف در مسیر حرکت مستعمره است (شکلهای موجود در متن آموزشی (+) را ببینید). فرض کنید، می خواهیم در دو بعد از نقطه (0,0)، محل مستعمره به سمت نقطه (2,2)، موقعیت استعمارگر حرکت کنیم. فاصله بین این دو نقطه برابر خواهد بود با:
D = sqrt(4+4) = sqrt(8);
حال با فرض قرار دادن بتا مساوی 2، خواهیم داشت:

x ~ U(0,Beta*D) ~ U(0,2*sqrt(8))

ادامه مطلب