انجام پروژه متلب الگوریتم زنبور

برای انجام پروژه متلب الگوریتم زنبور Bees algorithm الگوریتم کلونی زنبورهای مصنوعی Artificial bee colony algorithm ABC الگوریتم زنبور عسل بهترین کیفیت و زمان و هزینه با شماره ۰۹۱۹۰۰۹۰۲۵۸ در ارتباط باشید.

الگوریتم­های مبتنی بر هوش جمعی در سال­های اخیر در شاخه­های مختلفی از علوم مورد توجه بوده است. یکی از ویژگی­های مشترک این الگوریتم­ها خاصیت مدیریت خود مختار ست که خود دارای ۴ ویژگی است: ۱- بازخورد مثبت یک قانون سرانگشتی است که برای ارتقاء در تولید ساختارهای مناسب استفاده می­شود مانند مسیر به جای مانده از برخی گونه­های مورچه­ها.۲- بازخورد منفی: ایجاد توازن برای بازخورد مثبت و کمک به حفظ ماندگاری ساختاری که براساس الگوهای جمعی کار می­کند.۳- روش­هایی مانند قدم زدن تصادفی و یا جابه جایی وظایف میان مولفه­های جمعی برای انجام کار خلاقانه ضروری است. ۴- در کل خاصیت مدیریت خود مختار کمترین تقابل در انجام کارها را در سطح مولفه­های اولیه تحمل می­کند که به آن­ها این امکان را می­دهد که همانگونه که از نتایج خود استفاده می­کنند از نتایج دیگران نیز استفاده کنند. در این سیستم­ها چون کارها توسط موجودیت­های منحصربفرد انجام می­گیرد اغلب، قابلیت انجام کارها به صورت موازی نیز وجود دارد. یکی از بهترین زبان های برنامه نویسی برای پیاده سازی زبان برنامه نویسی متلب است.

مولفه های اساسی الگوریتم زنبور

در الگوریتم کلونی زنبور سه مولفه­ی اساسی وجود دارد: ۱- مواد غذایی که همان جواب­های مساله هستند. ۲-کارگران مستخدم ۳- کارگران غیر مستخدم، از طرف دیگر مولفه­های الگوریتم کلونی زنبور می­توانند در دو مد کار کنند، جستجو برای پیدا کردن یک منبع شهد و ترک یک منبع غذایی. ارزش منابع غذایی به فاکتورهای زیادی وابسته است از جمله می­توان به میزان انباشت انرژی و میزان انرژی که می­توان از آن استخراج کرد اشاره کرد. زنبورهای مستخدم زنبورهایی هستند که به یک منبع غذایی مشخص منتصب شده­اند در این وضعیت دو حالت ممکن است رخ بدهد استفاده از آن منبع و یا به اصطلاح استخدام شده در منبع. این زنبورها حامل اطلاعاتی در مورد یک منبع غذایی خاص شامل فاصله، جهت تا کندو و شایستگی منبع غذایی هستند که این اطلاعات را با احتمال مشخصی با زنبورهای دیگر به اشتراک می­گذارند. زنبورهای غیر مستخدم این دسته از زنبورها به طور پیوسته به دنبال یک منبع غذایی برای استفاده هستند به طور کلی دو دسته زنبور غیر مستخدم وجود دارد دسته­ی اول زنبورهای پیشاهنگ هستند که اطراف کندو را برای منابع غذایی جدید جستجو می­کنند. دسته­ی دوم زنبورهای ناظر هستند که در کندو منتظر اطلاعات زنبور­های مستخدم هستند این اطلاعات در بخشی به نام سالن رقص مبادله می­شود تا با استفاده از آن یک منبع غذایی جدید را انتخاب کنند.

گام های الگوریتم کلونی زنبور عسل

ارسال پیشاهنگ به برای یافتن محل غذا

فرستادن زنبورهای مستخدم بر منبع غذایی و اندازه­گیری مقدار شهدشان

اندازه­گیری مقدار احتمال انتخاب یک منبع غذایی با توجه به ترجیحات زنبورهای ناظر

توقف استفاده فرآیند استفاده از منابع غذایی و ترک آن­ها توسط زنبورها

ارسال زنبورهای پیشاهنگ برای جستجوی منطقه برای یافتن منابع غذایی بهتر به صورت تصادفی

به خاطر سپردن محل بهترین منبع غذایی

تکرار مراحل ۲ تا ۶ تا هنگامی که نیازها برآورده شود.

الگوریتم زنبور براساس رفتارکلونی زنبورها عمل می­کند. در الگوریتم زنبور هر منبع غذایی نشان دهنده یک جواب شدنی مسئله می­باشد. مقدار شهد هر منبع غذایی متناظر با مقدار تابع هدف جواب شدنی می­باشد. سه نوع زنبور در این الگوریتم تعریف می­گردد. زنبورهاي راهنما، آن دسته از زنبورهایی هستند که نسبت به دیگر زنبورها از موقعیت بهتري برخوردارهستند. زنبورهاي سرباز زنبورهایی هستند که به صورت تصادفی در همسایگی زنبورهاي راهنما به دنبال منبع غذایی می­گردند. در نهایت زنبورهاي دسته سوم به صورت تصادفی منابع غذایی جدید را جستجو می­کنند. هر چرخه الگوریتم شامل سه گام اساسی می­باشد. گام اول انتخاب زنبورهاي راهنما می­باشد. گام دوم، فرستادن زنبورهاي سرباز در همسایگی زنبورهاي راهنما براي پیدا کردن منابع غذایی جدید،گام سوم فرستادن زنبورهاي کاوشگر به صورت تصادفی به دنبال منابع غذایی جدید می­باشد. در پیاده­سازی الگوریتم زنبورها در مسئله RCPSP از یک لیست اولویت استفاده می­شود. هر زنبور نشان دهنده یک موقعیت در فضای جستجو می­باشد. اگر مسئله n فعالیت داشته­باشد آنگاه زنبورها در یک فضای n بعدی حرکت می­کنند. هر موقعیت بعنوان یک لیست اولویت در نظر گرفته می­شود. هر عنصر این لیست یک فعالیت را نمایندگی می­کند و مقدار متناظر با آن عنصر، اولویت آن فعالیت را مشخص می­کند. بردار موقعیت هر زنبور، مقادیر اولویتn فعالیت را مشخص می­کنند. در الگوریتم مصنوعی زنبورها نیز سه نوع زنبور داریم. زنبورهاي کارگر، زنبورهایی می­باشند که با در نظر گرفتن منابع غذایی شناخته شده­ي قبلی خود به دنبال پیدا کردن یک منبع غذایی جدید می­گردند. زنبورهاي ناظر با استفاده از اطلاعاتی که زنبورهاي کارگر در اختیارشان می­گذارند، به دنبال منبع غذایی جدید می­باشند. در نهایت زنبورهاي دسته سوم به صورت تصادفی منابع غذایی جدید را جستجو می­کنند. در سال ۲۰۱۱ اکبری و همکارانش الگوریتم زنبورهای مصنوعی را برای حل مسئله RCPSP بکار برده­اند. الگوریتم گروهی زنبورها درسال ۲۰۱۰ توسط اکبري ارائه­گردید. این الگوریتم تلفیقی از الگوریتم پرندگان و الگوریتم مصنوعی زنبورها می­باشد. در این الگوریتم سه نوع زنبور تعریف می­گردد: زنبورهاي کارگر، زنبورهاي ناظر و زنبورهاي کاوشگر. زنبورهاي کارگر، زنبورهایی می­باشند که با در نظر گرفتن منابع غذایی شناخته شده قبلی خود و بهترین جواب یافته شده تاکنون توسط خود زنبور و بهترین جواب یافت شده تاکنون دربین تمامی زنبورها، به دنبال پیداکردن یک منبع غذایی جدید می­گردند. زنبورهاي ناظر به استفاده از اطلاعاتی که زنبورهاي کارگر در اختیارشان می­گذارند و با در نظر گرفتن منابع غذایی شناخته شده قبلی خود، به دنبال منبع غذایی جدید می­باشند. در نهایت زنبورهاي کاوشگر به صورت تصادفی در همسایگی خودشان منابع غذایی جدید را جستجو می­کنند. در سال ۲۰۱۱ اکبری و زیارتی و ضیغمی الگوریتم­های زنبور، زنبور مصنوعی و گروهی زنبورها را برای حل RCPSP بکار گرفتند و کارایی آنها را با هم مقایسه نمودند. این الگوریتم­ها پاسخ­های رقابت­پذیری با دیگر الگوریتم­ها را ارائه می­دهند. در سال ۲۰۱۲ نیز ضیغمی و اکبری الگوریتم زنبور مصنوعی را با الگوریتم ژنتیک پیوند زدند و برای حل مسئله RCPSP استفاده­کردند.

الگوریتم HBMO

دسته دیگر از الگوریتم­ها بر اساس فرآیند آمیزش زنبورعسل طراحی شده­اند. هر کلونی زنبورعسل دارای یک ملکه بوده که وظیفه اصلی آن تخم­گذاری می­باشد. در هر کلونی، علاوه بر ملکه چندین هزار زنبور نر و بین ۱۰ تا ۶۰ هزار زنبور کارگر نیز وجود دارد. زنبورهای نر درواقع پدرهای یک کلونی بوده، این درحالیست که وظیفه اصلی کارگرهای نر نیز مراقبت از نوزادان و تخم­ها می­باشد. الگوریتم HBMO از ۵ مرحله اصلی تشکیل شده است:

الگوریتم با پرواز آغاز می­گردد، که در آن ملکه(بهترین جواب) بصورت احتمالی با زنبورهای نر آمیزش کرده و اسپرم آن‌ها را در اسپرم دان خود ذخیره می­کند. سپس یک زنبور نر بصورت تصادفی برای ایجاد نوزاد از لیست انتخاب می­شود.

ایجاد نوزادهای جدید از طریق ترکیب ژن زنبورهای نر با ژن ملکه.

استفاده از زنبورهای کارگر برای انجام جستجوی محلی بر روی نوزادان.

بهنگام کردن میزان برازش کارگرها مطابق با میزان بهبود ایجاد شده در نوزادان.

جایگزینی ملکه ضعیف­تر با نوزاد قوی­تر.

فتحیان و همکاران از الگوریتم آمیزش زنبورعسل برای حل مشکل همگرایی k-means به نقاط محلی، استفاده کردند. آن‌ها با پیاده­سازی این الگوریتم بر روی داده­های Iris، wine و Breast Cancer و مقایسه نتایج بدست آمده با نتایج سایر الگوریتم­ها نظیر(ACO، GA، TS و SA)، عنوان کردند که خوشه­بندی با الگوریتـم HBMO می­تواند نتـایج بهتـری نسبت به سایر الگوریتـم­هـا تولید می­کند.

یکی دیگر از مطالعات انجام‌شده با استفاده از الگوریتم زنبورعسل است که در آن ابتدا با استفاده از الگوریتم SOM تعداد بهینه­ها خوشه­ها تعیین شـده و سپس با استفاده از HBMO فرآینـد خوشه­بندی انجام می­شود.

خانه متلب اولین و بهترین سایت در زمینه انجام پروژه های متلب است. در خانه متلب هیچ گونه واسطه ای وجود ندارد و به صورت مستقیم می توانید با مجری در ارتباط باشید.