معرفی متلب برای آموزش و اجرای الگوریتم های هوشمند

در زیر بعضی از الگوریتم های هوشمند الهام گرفته از طبیعت را معرفی میکنیم:

• الگوریتم های ژنتیک GA : این الگوریتم ها با استفاده از مفاهیم ژنتیکی مانند جهش، جابجایی، ترکیب و انتخاب طبیعی، یک جمعیت از راه حل های ممکن را بهبود می بخشند و به سوی راه حل بهینه حرکت می کنند. این الگوریتم ها در مسائلی مانند بهینه سازی، تطبیق و یادگیری کاربرد دارند. آموزش و دانلود الگوریتم ژنتیک

• الگوریتم ازدحام ذرات PSO (Particle Swarm Optimization): این الگوریتم با استفاده از الهام گرفتن از رفتار گروهی حیوانات مانند پرندگان و ماهی ها، یک جمعیت از ذرات را به عنوان راه حل های ممکن در نظر می گیرد و با تنظیم سرعت و جهت آن ها بر اساس اطلاعات شخصی و اجتماعی آن ها، به سوی راه حل بهینه رفته می شود. این الگوریتم در مسائلی مانند بهینه سازی، تطبیق و یادگیری کاربرد دارد. دانلود پروژه تنظیم بهینه کنترل کننده PID بر روی سیستم چند متغیره خلبان خودکار طولی هواپیما براساس الگوریتم اجتماع ذرات (PSO)

• الگوریتم کلونی مورچه (Artificial Ants Algorithm | AAA) , (Ant Colony Optimization | ACO):

  این الگوریتم با استفاده از الهام گرفتن از رفتار مورچه ها در جستجوی غذا، یک جمعیت از مورچه ها را به عنوان راه حل های ممکن در نظر می گیرد و با استفاده از ارتباط غیر مستقیم آن ها از طریق فرمون ها، به سوی راه حل بهینه رفته می شود. این الگوریتم در مسائلی مانند مسیریابی، برنامه ریزی و تخصیص منابع کاربرد دارد. این الگوریتم در سال 1992 توسط دوریگو و همکاران ارائه شد. دانلود پروژه با الگوریتم مورچگان: تشخیص محل دقیق خطا در خطوط انتقال با الگوریتم مورچگان با استفاده از متلب

• الگوریتم کلونی زنبور (ABCO | Artificial bee colony algorithm) BCO: این الگوریتم با استفاده از الهام گرفتن از رفتار زنبورها در جستجوی شهد، یک جمعیت از زنبورها را به عنوان راه حل های ممکن در نظر می گیرد و با استفاده از ارتباط مستقیم آن ها از طریق رقص، به سوی راه حل بهینه رفته می شود. این الگوریتم در مسائلی مانند بهینه سازی، تطبیق و یادگیری کاربرد دارد. الگوریتم در سال 2005 توسط لوکیت و همکاران ارائه شد.

• الگوریتم ملخ (Grasshopper Optimization Algorithm) GOA: این الگوریتم با استفاده از الهام گرفتن از رفتار ملخ ها و پرش از یک نقطه به نقطه دیگر, در جستجوی غذا، یک جمعیت از ملخ ها را به عنوان راه حل های ممکن در نظر می گیرد و با استفاده از ارتباط غیر مستقیم آن ها از طریق بو، به سوی راه حل بهینه رفته می شود. این الگوریتم در مسائلی مانند بهینه سازی، تطبیق و یادگیری کاربرد دارد. معرفی و دانلود الگوریتم ملخ ها با متلب

• الگوریتم کرم شب تاب (Firefly Algorithm | FA): این الگوریتم با استفاده از الهام گرفتن از رفتار کرم های شب تاب در جذب هم نوعان خود، یک جمعیت از کرم های شب تاب را به عنوان راه حل های ممکن در نظر می گیرد و با استفاده از ارتباط مستقیم آن ها از طریق نور، به سوی راه حل بهینه رفته می شود. این الگوریتم در مسائلی مانند بهینه سازی، تطبیق و یادگیری کاربرد دارد.این الگوریتم در سال 2009 توسط یانگ ارائه شد.

• الگوریتم تبرید (Simulated Annealing) SA : این الگوریتم با استفاده از الهام گرفتن از روش تبرید کردن فلزات، یک جمعیت از راه حل های ممکن را با استفاده از یک الگوریتم جستجوی هوشمند مانند الگوریتم ژنتیک یا PSO تولید می کند و سپس با استفاده از یک الگوریتم جستجوی محلی مانند الگوریتم کوهستانی یا الگوریتم تبرید سرد، راه حل های بهتر را پیدا می کند. این الگوریتم در مسائلی مانند بهینه سازی، تطبیق و یادگیری کاربرد دارد.

• الگوریتم ایمنی (immune system Classification) AIS: این الگوریتم با استفاده از الهام گرفتن از روش ایمنی بدن در مقابله با عوامل بیماری زا، یک جمعیت از آنتی بادی ها را به عنوان راه حل های ممکن در نظر می گیرد و با استفاده از مفاهیمی مانند تنوع، تکامل، تشخیص و حافظه، راه حل های بهتر را پیدا می کند. این الگوریتم در مسائلی مانند بهینه سازی، تطبیق و یادگیری کاربرد دارد.

• الگوریتم گله اسب (Horse Herd Optimization | HHO): که بر اساس رفتار گله‌های اسب در طبیعت طراحی شده‌است. این الگوریتم از سه مرحله اصلی تشکیل شده‌است: انتخاب رهبر، تعقیب رهبر و اکتشاف. این الگوریتم در سال 2015 توسط گو و همکاران ارائه شد.
• الگوریتم گله ماهی (Fish School Search | FSS) که بر اساس رفتار گله‌های ماهی در طبیعت که به دنبال غذای بیشتر و محیط مناسب‌تر هستند، مدل‌سازی شده‌است. این الگوریتم از دو عملیات اصلی وزن‌دهی و حرکت استفاده می‌کند تا به جواب بهینه برسد.
• الگوریتم قطره آب (Water Drop Algorithm | WDA) که بر اساس رفتار قطره‌های آب در جریان رودخانه‌ها الهام گرفته شده‌است. این الگوریتم یک جمعیت از قطره‌های آب را به عنوان راه حل‌های ممکن در نظر می‌گیرد و با استفاده از ارتباط غیر مستقیم آن‌ها از طریق سرعت، جرم و فرمون، راه حل‌های بهتر را پیدا می‌کند. این الگوریتم در مسائلی مانند بهینه‌سازی، مسیریابی و تخصیص منابع کاربرد دارد.
• الگوریتم گرانش (Gravitational Search Algorithm | GSA) که بر اساس قانون جذب عمومی نیوتن الهام گرفته شده‌است. این الگوریتم یک جمعیت از عامل‌ها را به عنوان راه حل‌های ممکن در نظر می‌گیرد و با استفاده از ارتباط مستقیم آن‌ها از طریق جرم و نیروی گرانش، راه حل‌های بهتر را پیدا می‌کند. این الگوریتم در مسائلی مانند بهینه‌سازی، تطبیق و یادگیری کاربرد دارد.
• الگوریتم علف هرز مهاجم (Invasive Weed Optimization | IWO) که از رشد علف‌های هرز در یک زمین کشاورزی الهام گرفته‌است. این الگوریتم با استفاده از مکانیزم هایی مانند تولید دانه، رقابت و تطبیق پذیری، جمعیتی از راه حل ها را به سمت بهینه سراسری هدایت می کند. دانلود پروژه شبیه­ سازی الگوریتم بهینه­ سازی علف­های هرز مهاجم بهبود یافته بر اساس تئوری آشوب برای طراحی کنترل­کننده PID بهینه
• الگوریتم گرگ خاکستری (Grey Wolf Optimizer | GWO) که از رفتار گرگ های خاکستری در شکار و سازماندهی گله الهام گرفته است. این الگوریتم با استفاده از مکانیزم هایی مانند تعقیب، تکامل، تغییر رهبر و تنوع ژنتیکی، جمعیتی از گرگ ها را به سمت بهینه سراسری می کشاند. این الگوریتم در سال 2014 توسط میرجلیلی و همکاران ارائه شد. دانلود پروژه پاکت بندی بهینه هسته ترانسفورماتور با استفاده از الگوریتم هوشمند گرگ خاکستری GWO
• الگوریتم چرخه آب (Water Cycle Algorithm | WCA) که از چرخه آب در طبیعت الهام گرفته است. این الگوریتم با استفاده از مکانیزم هایی مانند تبخیر، بارش، جریان سطحی و زیرزمینی، جمعیتی از راه حل ها را به سمت بهینه سراسری می رساند. این الگوریتم در سال 2012 توسط اشکانی و همکاران ارائه شد.
• الگوریتم بهینه‌سازی شیر (Lion Optimization Algorithm) LOA: که از رفتار شیرها در شکار، تقسیم‌بندی قلمرو و تولید مثل الهام گرفته‌است. این الگوریتم در سال 2016 توسط محمدرضا بخشی و همکارانش ارائه شده‌است. این الگوریتم شامل چهار مرحله اصلی است: تقسیم‌بندی شیرها به گروه‌های نر و ماده، شکار طعمه توسط گروه‌های ماده، تولید مثل شیرها و تغییر قلمرو شیرها. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته با توابع هدف مختلف قابل استفاده است.
• الگوریتم بهینه‌سازی سیاه‌چاله (Black Hole Optimization) که از فیزیک سیاه‌چاله‌ها و جاذبه‌شان برای جسم‌های دیگر الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی چندمُدی و تابع‌های محدب مناسب است.
• الگوریتم بهینه‌سازی کلاغ (Crow Search Algorithm) که از رفتار کلاغ‌ها در جستجوی غذا و انتقال اطلاعات در گروه الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته مناسب است. دانلود الگوریتم جستجوی کلاغ ها با متلب
• الگوریتم بهینه‌سازی میگو (Shrimp Optimization Algorithm) که از رفتار میگوها در جستجوی غذا و تغییر مکان در محیط آبی الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی پیچیده و غیرخطی کارآمد است.
• الگوریتم بهینه‌سازی مار (Snake Optimization Algorithm) که از رفتار مارها در جستجوی غذا و انعطاف‌پذیری بدنشان الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی چندمُدی و تابع‌های غیرمحدب قابل استفاده است.
• الگوریتم بهینه‌سازی گل‌ها (Flower Pollination Algorithm) که از رفتار گل‌ها و حشرات در فرآیند گرده‌افشانی الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته مناسب است. معرفی و دانلود الگوریتم گرده افشانی گل ها FPA
• الگوریتم جستجوی فاخته (Cuckoo Search Algorithm) یا جستجوی کوکو، یک الگوریتم بهینه‌سازی است که در سال ۲۰۰۹ توسط زین-شی یانگ و سوآش دب ارائه شده است. این الگوریتم الهام گرفته از رفتار انگلی نوعی فاخته است که در آشیانه ی پرندگانی از گونه های دیگر (پرندگان میزبان) تخم گذاری می کند.. این الگوریتم برای حل مسائل بهینه‌سازی چندمُدی و تابع‌های محدب کارآمد است. دانلود پروژه بهینه سازی زمانبندی در شبکه های گرید محاسباتی با استفاده از الگوریتم فاخته
• الگوریتم بهینه‌سازی خفاش (Bat Algorithm) که از رفتار خفاش‌ها در جستجوی غذا و ارتباط با صدا الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته قابل استفاده است.
• الگوریتم ازدحام مرغ ها (Chicken Swarm Optimization) CSO: به الگوریتم ازدحام جوجه ها نیز شناخته میشود. که از رفتار گله‌ای مرغ‌ها در جستجوی غذا و رهبری توسط خروس الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته مناسب است.
• الگوریتم بهینه‌سازی گله کبوتر (Pigeon-Inspired Optimization) PIO: که از رفتار کبوترها در جستجوی غذا و مسیریابی با استفاده از میدان مغناطیسی زمین الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته کارآمد است.
• الگوریتم بهینه‌سازی مگس ها (Fly Optimization Algorithm) FOA: که از رفتار مگس‌ها در جستجوی غذا و انتقال اطلاعات در گروه الهام گرفته‌است. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته قابل استفاده است.
• الگوریتم ترکیبی جهش قورباغه (Shuffled Frog Leaping Algorithm) SFLA: الگوریتم جهش قورباغه یا SFLA یک الگوریتم بهینه‌سازی فراابتکاری است که از رفتار اجتماعی قورباغه‌ها در جستجوی غذا و همکاری در گروه الهام گرفته‌است. این الگوریتم شامل دو مرحله اصلی است: مرحله جهش و مرحله مخلوط کردن. در مرحله جهش، قورباغه‌ها به چند دسته تقسیم می‌شوند و هر دسته به صورت محلی در اطراف قورباغه بهترین خود جستجو می‌کند. در مرحله مخلوط کردن، قورباغه‌ها بر اساس شایستگی خود مرتب می‌شوند و دسته‌ها به روزرسانی می‌شوند. این فرآیند تا رسیدن به شرط توقف ادامه می‌یابد. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته با توابع هدف مختلف قابل استفاده است.
• الگوریتم ازدحام گربه ها (cat swarm optimization) CSO: الگوریتم ازدحام گربه‌ها یا CSO یک الگوریتم فراابتکاری است که از رفتار گربه‌ها در طبیعت الهام گرفته‌است. این الگوریتم در سال 2006 توسط شو، تسای و پان ارائه شده‌است. این الگوریتم شامل دو حالت عملیاتی است: حالت ردیابی و حالت جستجو. در حالت ردیابی، گربه‌ها به صورت تصادفی در فضای جستجو حرکت می‌کنند و به دنبال طعمه‌هایی مانند موش‌ها هستند. در حالت جستجو، گربه‌ها به صورت محلی در اطراف بهترین جواب خود یا بهترین جواب کل گربه‌ها جستجو می‌کنند. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته با توابع هدف مختلف قابل استفاده است. معرفی و دانلود الگوریتم ازدحام گربه ها با متلب
• الگوریتم بهینه سازی پروانه (BOA): یک الگوریتم فراابتکاری است که از رفتار پروانه‌ها در جستجوی غذا و تطبیق با محیط الهام گرفته‌است. این الگوریتم شامل دو مرحله اصلی است: مرحله پرواز و مرحله تطبیق. در مرحله پرواز، پروانه‌ها به صورت تصادفی در فضای جستجو حرکت می‌کنند و به دنبال بهترین جواب ممکن هستند. در مرحله تطبیق، پروانه‌ها بر اساس شایستگی خود مرتب می‌شوند و برخی از آن‌ها با یکدیگر ترکیب می‌شوند تا جواب‌های جدید تولید کنند. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته با توابع هدف مختلف قابل استفاده است.
• الگوریتم بهینه‌سازی نهنگ (Whale Optimization Algorithm): یک روش جدید برای حل مسائل بهینه‌سازی است که از رفتار نهنگ‌های گوژپشت در شکار طعمه الهام گرفته‌است. این الگوریتم در سال ۲۰۱۶ توسط سید علی جلالیان در مقاله The Whale Optimization Algorithm ارائه شده‌است. این الگوریتم دو فاز اصلی دارد: فاز اکتشاف و فاز استخراج. در فاز اکتشاف، نهنگ‌ها به صورت تصادفی در فضای جستجو حرکت می‌کنند و به دنبال بهترین جواب ممکن هستند. در فاز استخراج، نهنگ‌ها به صورت محلی در اطراف بهترین جواب کنونی جستجو می‌کنند و از دو روش محاصره انقباضی و مارپیچی برای بهبود جواب استفاده می‌کنند. این الگوریتم برای حل مسائل بهینه‌سازی پیوسته و گسسته با توابع هدف مختلف قابل استفاده است.

این تنها بخشی از الگوریتم های جستجوی هوشمند است که در اینجا معرفی کردیم.