انجام پروژه های بهینه سازی pso

برای یک مساله زمانبندی با وجود دو پارامتر غیر قطعی، یک مدل ریاضی توسعه دادیم..برای حل مساله هم قرار هست از pso و بهینه سازی استوار استفاده کنیم..

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

بخش استوار سازی انجام و با کمک mosek حل شده(از سری توابع cvx)

با توجه به سه هدفه بودن مساله و np-hard بودن، در حال حاضر برای مسایل با ابعاد کوچک حل میشه مدل اما باید ازpso استفاده کنیم تا در ابعاد بزرگ هم حل بشه.

مدل ریاضی گسسته و شامل متغیرهای باینری هست که مدل ریاصی رو جهت استعلام قیمت براتون میفرستم

کل مدل ریاضی و استوار اون کدنویسی شده و موجود هست
هینه سازی ازدحام ذرات (Particle Swarm Optimization | PSO) به طور کامل و همراه با مثال مورد بررسی قرار گرفته و پیاده‌سازی الگوریتم PSO در پایتون، متلب و جاوا انجام شده است. شایان توجه است که به منظور تشریح محاسبات ریاضی نهفته در پس الگوریتم بهینه سازی ازدحام ذرات یا همان الگوریتم PSO از نسخه کلاسیک این الگوریتم استفاده خواهد شد. در مطلب «الگوریتم بهینه سازی ازدحام ذرات | کد الگوریتم PSO در پایتون ، متلب و جاوا | راهنمای جامع» ابتدا به مفهوم بهینه‌سازی پرداخته شده و سپس، الگوریتم بهینه سازی ازدحام ذرات به طور جامع و کامل مورد بررسی قرار گرفته است. در ادامه مطلب، انواع الگوریتم بهینه سازی ازدحام ذرات تشریح می‌شود. همچنین، روش‌های ترکیبی موجود با بهره‌گیری از الگوریتم بهینه سازی ازدحام ذرات که ترکیبی از روش‌های بهینه‌سازی هیوریستیک و قطعی هستند نیز معرفی می‌شوند.
فهرست مطالب این نوشته
مقدمه‌ای بر بهینه‌سازی و الگوریتم‌های آن
الگوریتم بهینه سازی ازدحام ذرات (PSO)
ترکیب الگوریتم ازدحام ذرات با روش‌های قطعی
کاربردهای الگوریتم PSO و چالش‌های آن
مثال از الگوریتم PSO: هزینه یک سیستم تولید هم‌زمان
معرفی فیلم‌های آموزش بهینه سازی فرادرس
پیاده‌سازی الگوریتم بهینه سازی ازدحام ذرات در پایتون
کد الگوریتم بهینه‌سازی ازدحام ذرات در متلب
کد الگوریتم بهینه سازی ازدحام ذرات در جاوا
معرفی فیلم‌های آموزش الگوریتم PSO فرادرس
نتیجه‌گیری


ین ویدیو به آموزش تئوری و مبانی الگوریتم بهینه سازی ازدحام ذرات (PSO) میپردازیم. مقدمه این الگوریتم بیان می شود سپس به بیان تعریف ذره در این الگوریتم می پردازیم و موقعیت، سرعت، کیفیت یک ذره را بیان میکنیم. و سپس تولید جمعیت و شرایط توقف الگوریتم را بیان میکنیم. در انتها نیز جزوه الگوریتم pso قرار داده شده است.

دانلود جزوه
الگوریتم بهینه سازی ازدحام ذرات (PSO)

در بیشتر گونه های جانوران رفتارهای گروهی دیده می شود. چه بسا که بعضی از این گونه ها نیز توسط یک عضو برتر گروه راهنمایی می شوند. به عنوان مثال در شیرها، میمون ها گوزن ها این امر کاملا مشاهده میشود. در اوایل سال ۱۹۰۰ با تحقیقاتی که بر روی رفتار اجتماعی میمون ها صورت گرفت مشخص شد که در این گونه از میمون ها عملکرد و رفتار هر عضو از گروه به صورت سلسله مراتبی از طرف جامعه بالاتر ، فرمان داده می شود . مطلب جالب تر یکه وجود دارد این است که گونه هایی از جانوران وجود دارند که به صورت گروهی زندگی می کنند اما راهنمایی ندارند. هر عضو یک رفتار خودسازمانده دارد که بدون استفاده از یک راهنما می تواند در محیط حرکت نموده و نیازهای طبیعی خود را برطرف نماید مانند گروه پرندگان ، ماهی ها و گله گوسفندان . این گونه از جانوران هیچ دانشی نسبت به رفتار عمومی کل گروه ندارند و یا حتی هیچ دانشی نسبت به محیطی که در آن قرار دارند، ندارند. در عوض قادرند با رد و بدل نمودن اطلاعات با اعضای همجوار خود در محیط حرکت نمایند. این تعامل ساده بین ذرات باعث ایجاد رفتار پیچیده تر گروه می شود . مانند جستجوی یک محیط توسط نرات. تحقیقات زیادی بر روی رفتارهای اجتماعی ذرات انجام شده است که در ادامه به چند نمونه از آنها می پردازیم : رفتار پرندگان ، رفتار گروه ماهی ها، رفتار شکار کردن وال های گوزیست، رفتار جستجوی غذا در میمون های وحشی و … . اولین بار کندی و ایرهارت پس از شبیه سازی رفتار اجتماعی پرندگان روس بهینه سازی گروه ذرات را ارائه دادند. اجزای یک گروه از یک رفتار ساده تبعیت می نمایند. بدین نحو که هر عضو از گروه از موفقیت سایر همسایگانشان تقلید می نماید. هدف از این الگوریتم ها این است که اعضای گروه در فضای جستجو حرکت نموده و در یک نقطه بهینه ( مانند منبع غذا) جمع شوند.
تاریخچه الگوریتم PSO

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

روش PSO ریشه در کارهای Reynolds دارد که یک شبیه سازی ابتدایی از رفتار اجتماعی پرندگان است . در این مدل رفتارهای ساده پیدا کردن نزدیک ترین همسایه ها تنظیم سرعت های پیاده شده است. این مدل برندگان به صورت تصادفی در یک فضای جستجوی جدول پیکسلی قرار داده می شوند و در هر تکرار نزدیکترین همسایه ذره انتخاب شده و سرعت نره با سرعت نزدیکترین همسایه اش جایگزین می شود. این عمل باعث می شود که گروه خیلی سریع به یک جهت حرکت نامعین و بدون تغییر همگرا شوند. جهت رفع این مشکل یک مولفه دیوانگی به صورت تغییر تصادفی در گروه ها استفاده شده است. به منظور توسعه بیشتر این مدل مفهوم سردسته پرندگان نیز به مدل اضافه گردید که به شکل یک حافظه از بهترین موقعیت های هر عضو و همسایگان آن بود . بهترین موقعیت قبلی هر عضو بهترین موقعیتی است که آن عضو از ابتدای حیات خود تا به حال کسب نموده است. بهترین موقعیت همسایگی بهترین موقعیتی است که توسط همسایگان یک عضو ملاقات شده است. این دو بهترین موقعیت به عنوان نقاط جذب عمل می نمایند. با استفاده از یک مجموعه قوانین ساده می توان موقعیت های اعضای گروه را به روز نمود . بدین صورت که عضو به یک نسبت به سمت دو موقعیت بهتر حرکت می نماید . به مرور زمان با تکرار الگوریتم اعضا حول یک هدف جمع می شوند. این رفتار که حتی بدون هماهنگی سرعت ها و فاکتور دیوانگی نتیجه بخش بود . مدل نهایی بهینه سازی گروه ذرات نامیده می شود.

الگوریتم PSO الهام گرفته از رفتار دسته جمعی پرندگان یا ماهی ها می باشد به طور خاص به استراتژی تکاملی مرتبط است گروهی از پرندگان یا ماهی ها در محیط دنبال غذا می گردند و تنها یک تکه غذا وجود دارد و هیچ یک از پرندگان از محل غذا اطلاعی ندارد و فقط فاصله خود تا غذا را می داند. یکی از بهترین استراتژی ها دنبال کردن پرنده ای می باشد که به غذا نزدیک تر است و به عبارت دیگر هر پرنده یا ماهی علاوه بر تفکر خودش به پرنده یا ماهی جلو تر برای پیدا کردن غذا اعتماد می کند.

حرکت ماهی ها و پرندگان در الگوریتم PSO

برای فهم این الگوریتم من یک مثال انسانی برای شما می آورم؛ فرض کنید که شما دانشجو هستید و می خواهید رشد تحصیلی داشته باشید و در یک مقطعی رشد تحصیلی شما خوب بوده است و همچنین در همون مقطع یک شاگرد اول کلاس هم وجود دارد که می توان از روش درس خوندن اون الگو برداری کرد. حال برای اینکه شما در رشد تحصیلی پیشرفت داشته باشید دو کار می توانید انجام بدهید یا اینکه بر اساس تجربیات خود پیش بروید یا اینکه از تجربیات شخص الگو پیروی کنید. که هر دو این کار ضرر هایی دارید اگر به دنبال تجربیات خود بروید یک تصمییم خودخواهانه گرفتید که ناشی از این است که به دانش خود اعتماد کامل دارید و چه بسا که ممکن است دانش شما اشتباه باشد و اگر فقط از تجربه ی شخص الگو استفاده کنید یک خودباختگی برای شما پیش خواهد آمد که به دانش خود اعتماد ندارید. بهترین کار این است که از ترکیب این دو استفاده کنید.
ویژگی های الگوریتم PSO

    محاسبات فضای چند بعدی به صورت یکسری از گام های زمانی انجام می شود که به اصل پوشش معروف است.
    گروه ذرات به فاکتورهای کیفی به صورت بهترین موقعیت های فردی و همسایگی جواب میدهد.
    تخصیص پاسخ ها بین بهترین موقعیت ملاقات شده ذره و بهترین موقعیت ملاقات شده توسط گروه ، تنوع پاسخ ها را تضمین می نماید.
    گروه حالت خود را فقط هنگامی که بهترین موقعیت ملاقات شده توسط ذره و بهترین موقعیت ملاقات شده توسط گروه تغییر می کنند ، تغییر میدهد که به اصل پایداری معروف است.
    در نهایت گروه رفتار تطبیقی از خود نشان میدهد بدین صورت که حالت خود را هنگامی که بهترین موقعیت ملاقات شده توسط ذره و بهترین موقعیت ملاقات شده توسط گروه تغییر می کنند، تغییر میدهد.

الگوریتم بهینه سازی گروه ذرات دارای چندین نقطه ضعف می باشد. در این الگوریتم احتمال قرار گرفتن ذارت در بهینه های محلی وجود دارد. هرچند که PSO نسبت به الگوریتم های تکاملی دارای سرعت بالاتری است اما معمولا نمی تواند کیفیت رسیدن به راه حل را با افزایش تکرارها جبران کند. یکی از دلایل این است که در این الگوریتم ذرات به یک نقطه خاص که بین بهترین موقعیت عمومی وبهترین موقعیت شخصی قرار دارند همگرا می شوند. به علت این نقطه ضعف تغییرات زیادی در Pso داده شده است . یکی از این تغییرات وزن اینرسی یا می باشد . نقطه ضعف دیگر وابستگی این روش به مسأله می باشد . این وابستگی معمولا نتیجه تغییرات در تنظیم پارامترهای الگوریتم است . در کل نمیتوان یک پارامتر را برای کلیه مسائل به کار برد. یکی از عیب های عمده الگوریتم PSO استاندارد در زیر آورده شده است:

فرض شود که ذره در گروه ، دارای سرعت ، موقعیت و بهترین موقعیت ملاقات شده باشد. هر ذره به تنهایی یک بردار N بعدی را نمایش می دهد که معرف یک پاسخ یا راه حل برای مسئله است. گاهی امکان دارد که قسمت هایی از این بردار به پاسخ های صحیح نزدیک شده باشند در حالی که قسمت های دیگر بردار از پاسخ صحیح دور باشند . بنابراین در کل این ذره مناسب به نظر نمیرسد و باید به موقعیت بهتری برود . امکان دارد که آن قسمت هایی از بردار ذره که به جواب نزدیک بوده اند طی به روز نمودن موقعیت ذره جدید ، از پاسخ جدید فاصله بگیرند بنابراین اطلاعات مفید ذره ازبین می رود.
مزایای الگوریتم ازدحام ذرات

PSO مزایای بسیاری نسبت به دیگر روش های بهینه سازی فراابتکاری دارد. از جمله:

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

    الگوریتم PSO یک الگوریتم مبتنی بر جمعیت است. این خاصیت باعث می شود که کمتر در مینیمم محلی گرفتار شود
    این الگوریتم براساس قوانین احتمالی عمل می کند نه قوانین قطعی. بنابراین، Pso یک الگوریتم بهینه سازی تصادفی است که می تواند نواحی نامشخص و پیچیده را جستجو کند. این خاصیت، PSO را نسبت به روشهای معمولی انعطاف پذیرتر و مقاومتر می کند.
    PSO با توابع هدف غیر دیفرانسیلی سروکار دارد بدلیل اینکه PSO از نتیجه اطلاعات (شاخص بازدهی یا تابع هدف استفاده می کند تا جستجو را در فضای مسئله هدایت کند.
    کیفیت جواب مسیر پیشنهادی به جمعیت اولیه وابسته نیست. با شروع از هر نقطه در فضای جستجو، الگوریتم جواب مسئله را نهایتا به جواب بهینه همگرا می کند.
    PSO انعطاف پذیری زیادی دارد تا تعادل بین جستجوی محلی و کلی از فضای جستجو را کنترل کند. این خاصیت منحصربفرد  PSO به مشکل همگرایی بدموقع غلبه می کند و ظرفیت جستجو را افزایش می دهد که همه این خاصیتها Pso را متفاوت از الگوریتم ژنتیک (GA) و دیگر الگوریتمهای ابتکاری می کند.

الگوریتم PSO در بهینه سازی مسائل چندهدفه

در مسائل بهینه سازی چندهدفه ، اهداف چندگانه نیاز به بهینه شدن به طور همزمان دارند. در اغلب موارد، جواب بهینه تکی (مجرد) معمولا نمی تواند یافت شود تا تمام توابع هدف را بهینه سازد. در عوض یک گروه از جوابها وجود دارد که به عنوان مجموعه بهینه پارتو شناخته می شوند. راه حل ها در این گروه در غیاب برتری در میان اهداف، متعادل (برابر) هستند. مساله تصمیم گیری چندهدفه (MODM) از پرکاربردترین حوزه های الگوریتم PSO شده اند. روشهای رایج PSO چندهدفه را می توان به صورت زیر دسته بندی نمود.

الگوریتم بهینه سازی ازدحام ذرات PSO

روشهای جمعی

در این روش اهداف مساله را به صورت یک هدف واحد ترکیب می کنند (جمع می کنند). به عبارت دیگر، مساله چندهدفه به مساله تک هدفه تبدیل می شود که ایده جدیدی نمی باشد.

روش رتبه بندی اهداف

در روش رتبه بندی اهداف، رتبه هر هدف با توجه به اهمیت آن مشخص می گردد. جواب بهینه با کمینه (یا بیشینه) نمودن توابع هدف به طور جداگانه و با شروع از مهمترین هدف و سپس با در نظر گرفتن اهداف دیگر به ترتیب ارزش آنها به دست می آید. این روش در صورتی که تعداد هدفها کم ( دو یا سه هدف) باشد، می تواند مفید واقع شود.

روش زیرجمعیت

در این روش، جمعیت به چند زیرجمعیت متناسب با تعداد اهداف در نظر گرفته میشود که این زیر جمعیتها به عنوان بهینه کننده های تکهدفه به کار می روند و با هدف ایجاد سنجش بین جواب های تولید شده برای هدفهایی که به طور جداگانه بهینه می شوند، به طریقی اطلاعات را میان خود مبادله یا بازترکیب می کنند.

روش مبتنی بر پارتو

در این دیدگاه از تکنیک انتخاب راهنما استفاده می گردد. جواب های مغلوب نشده به عنوان دسته راهنما در نظر گرفته می شوند. تفاوت این روش ها در انتخاب راهنما از میان جواب های مغلوب نشده برای هر ذره است. این انتخاب می تواند تصادفی و یا به شیوه ای خاص باشد. به عنوان نمونه روش مور و چاپمن که یکی از تحقیقات در این زمینه است را به صورت مختصر شرح می دهیم. الگوریتم ارائه شده توسط این دو نفر که بر اساس بهینه پارتو می باشد، منتشر نشد. آنها بر اهمیت جستجوی فردی و گروهی برای هر ذره تاکید کرده اند. در این روش هر ذره در خط سیر خود لیستی از جواب های یافت شده غیرمغلوب را ذخیره کرده که برای انتخاب بهترین فردی ( p-best) یک ذره از این لیست به طور تصادفی انتخاب میشود. برای انتخاب بهترین کلی ( g-best) از توپولوژی همسایگی حلقه ای استفاده شده است. در این الگوریتم با مقایسه p-best ها، یک جواب غیرمغلوب به عنوان Leader برای ذره انتخاب می شود. البته نویسنده ها در مورد اینکه اگر بیشتر از یک جواب غیرمغلوب در همسایه وجود داش

علاوه بر پرداختن به مباحث بیان شده، در مطلب «الگوریتم بهینه سازی ازدحام ذرات | کد الگوریتم PSO در پایتون ، متلب و جاوا | راهنمای جامع» چالش‌های اساسی که کاربر ضمن استفاده از الگوریتم PSO با آن‌ها مواجه می‌شود نیز مورد بررسی قرار گرفته‌اند. یک بررسی موردی (Case Study) نیز با بهره‌گیری از الگوریتم بهینه سازی ازدحام ذرات یا همان الگوریتم PSO انجام شده است که به درک بهتر مبحث کمک می‌کند. این مثال پیرامون بهینه‌سازی تابع هزینه برای سیستم تولید مثل با استفاده از الگوریتم PSO در بهینه‌سازی ترکیبی است. در نهایت، پیاده‌سازی الگوریتم بهینه سازی ازدحام ذرات در پایتون، متلب و جاوا انجام شده است.
مقدمه‌ای بر بهینه‌سازی و الگوریتم‌های آن

«بیشینه» (Maximizing) کردن «سود» یا «کمینه» (Minimizing) کردن «زیان» (Loss) از جمله مسائل بسیار حائز اهمیت در زمینه‌های گوناگون از جمله حوزه‌های فنی و مهندسی است. در یک تعریف ساده و کوتاه می‌توان گفت که مسائلی که در آن‌ها هدف بیشینه یا کمینه کردن یک تابع است را «مسئله بهینه‌سازی» (Optimization Problem) می‌گویند. برای مطالعه بیشتر پیرامون بهینه‌سازی، مطالعه مطالب «بهینه سازی (ریاضیاتی) چیست؟ — راهنمای جامع» و «بهینه سازی چند هدفه چیست؟ — راهنمای جامع» پیشنهاد می‌شود.

با توسعه فناوری، تعداد و پیچیدگی مسائل بهینه‌سازی نیز در زمینه‌های علمی گوناگون افزایش پیدا کرده است. از متداول‌ترین مسائل موجود در حوزه‌های مهندسی که نیاز به استفاده از روش‌های بهینه‌سازی برای حل آن‌ها وجود دارد می‌توان به تبدیل و توزیع انرژی، لجستیک (Logistics | آمادگاری) و بارگذاری مجدد رآکتورهای هسته‌ای اشاره کرد. مسائل بهینه‌سازی در دیگر زمینه‌ها از جمله هندسه و اقتصاد نیز کاربرد دارند. از دیگر زمینه‌های اصلی کاربرد بهینه‌سازی می‌توان به «هوش مصنوعی» (Artificial Intelligence | AI) و یادگیری ماشین «Machine Learning» اشاره کرد.

برای بیشینه یا کمینه کردن یک تابع به منظور پیدا کردن نقطه یا نقاط بهینه، رویکردهای گوناگونی وجود دارند و قابل استفاده هستند. با وجود طیف گسترده الگوریتم‌های بهینه‌سازی که وجود دارند، یک الگوریتم خاص که برای همه مسائل بهترین گزینه باشد وجود ندارد. در واقع، یک روش بهینه‌سازی که برای یک مسئله مناسب است، ممکن است برای مسئله دیگری مناسب نباشد. مناسب بودن یک الگوریتم برای یک مسئله، بستگی به ویژگی‌های گوناگونی دارد که از جمله آن‌ها می‌توان به مشتق‌پذیر بودن تابع و تقعر آن (محدب یا مقعر بودن) اشاره کرد.

برای آشنایی بیشتر با روش‌های انتخاب بهترین الگوریتم برای یک مسئله خاص، مطالعه مطلب «روش انتخاب الگوریتم داده کاوی — راهنمای کاربردی» پیشنهاد می‌شود. یکی از مهم‌ترین موضوعات در انتخاب روش مناسب برای یک مسئله بهینه‌سازی، آشنایی کارشناس با انواع الگوریتم‌ها است تا بتواند مناسب‌ترین الگوریتم برای یک مسئله بهینه‌سازی را انتخاب کند. در این مطلب، یکی از الگوریتم‌های محبوب بهینه‌سازی یعنی الگوریتم بهینه سازی ازدحام ذرات مورد بررسی قرار گرفته و پیاده‌سازی الگوریتم PSO در متلب ، پایتون و جاوا انجام شده است. برای آشنایی با دیگر الگوریتم‌های بهینه‌سازی، مطالعه مطالب زیر پیشنهاد می‌شود.

    رویکرد هوش ازدحامی با استفاده از کلونی زنبور عسل مصنوعی برای حل مسائل بهینه‌سازی
    حل مسائل خوشه‌بندی با استفاده از الگوریتم کلونی زنبور عسل مصنوعی
    الگوریتم بهینه سازی فاخته – از صفر تا صد
    الگوریتم کرم شب تاب — از صفر تا صد
    الگوریتم ژنتیک – از صفر تا صد
    گرادیان کاهشی (Gradient Descent) و پیاده سازی آن در پایتون — راهنمای کاربردی
    الگوریتم کلونی مورچگان — از صفر تا صد
    الگوریتم بهینه سازی کلونی مورچگان در جاوا — راهنمای کاربردی
    شبیه سازی تبرید (Simulated Annealing) – به زبان ساده
    بهینه سازی نسبت طلایی — از صفر تا صد (+ دانلود فیلم آموزش رایگان)
    مهم‌ترین الگوریتم‌های یادگیری ماشین (به همراه کدهای پایتون و R) — بخش یازدهم و پایانی: الگوریتم‌های ارتقای گرادیان

الگوریتم بهینه سازی ازدحام ذرات (PSO)

در اوایل سال ۱۹۹۰ میلادی، پژوهش‌های گوناگونی پیرامون رفتار اجتماعی گروه‌های حیوانات انجام شد. این پژوهش‌ها حاکی از آن بودند که برخی از حیوانات که به یک گروه خاص متعلق هستند، مانند پرندگان، ماهی‌ها و دیگر موارد، قادر به آن هستند که اطلاعات را در گروه‌های (دسته‌های | گله‌های) خودشان به اشتراک بگذارند و چنین قابلیتی به این حیوانات مزایای قابل توجهی برای بقا اعطا می‌کرد.

با الهام گرفتن از این مطالعات، «کندی» (Kennedy) و «ابِرهارت» (Eberhart) در سال ۱۹۹۵ الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimization | PSO) یا الگوریتم PSO را در یک مقاله معرفی کردند. الگوریتم بهینه سازی ازدحام ذرات یا الگوریتم PSO یک الگوریتم «فراابتکاری» (Metaheuristic) است که برای بهینه‌سازی توابع پیوسته غیر خطی مناسب محسوب می‌شود. نویسندگان مقاله مذکور، الگوریتم بهینه سازی ازدحام ذرات یا الگوریتم PSO را از مفهوم هوش ذرات (Swarm Intelligence) که معمولا در گروه‌های حیوانات مانند گله‌ها و دسته‌های حیوانات وجود دارد الهام گرفته و ساخته‌اند.

الگوریتم بهینه سازی ازدحام ذرات | پیاده سازی الگوریتم PSO در پایتون و متلب | راهنمای جامع

برای شفاف شدن هر چه بیشتر ساز و کار کلی الگوریتم بهینه سازی ازدحام ذرات و دیگر الگوریتم‌هایی که از رفتار گروهی حیوانات الهام گرفته شده‌اند، توضیحاتی پیرامون رفتار گروهی (گله‌ای) حیوانات ارائه می‌شود. این توضیحات می‌تواند به درک چگونگی ساخت الگوریتم بهینه سازی ازدحام ذرات (و دیگر الگوریتم‌های دارای رویکرد مشابه) برای حل مسائل پیچیده ریاضی کمک کند.
الگوریتم بهینه سازی ازدحام ذرات و رفتار گروهی حیوانات

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

دسته پرندگانی (گروه پرندگان | ازدحام پرندگان) که بر فراز یک منطقه در حال حرکت هستند، باید یک نقطه را برای فرود پیدا کنند. در این حالت، تعریف اینکه همه پرندگان در کدام نقطه باید فرود بیایند، مسئله پیچیده‌ای است. زیرا پاسخ این مسئله، وابسته به موضوعات مختلفی یعنی بیشینه کردن منابع غذایی در دسترس و کمینه کردن خطر وجود شکارچیان است در نقطه محل فرود است. در این شرایط، ناظر می‌تواند حرکت پرندگان را به صورت رقص‌پردازی ببیند. پرندگان به طور هم‌زمان در یک برهه از زمان حرکت می‌کنند تا بهترین محل برای فرود آمدن تعیین شود و همه دسته (گروه) به طور هم‌زمان فرود بیایند.

در مثال بیان شده پیرامون حرکت ازدحامی پرندگان و فرود هم‌زمان آن‌ها، اعضای دسته پرندگان (گروه پرندگان) یا همان ازدحام پرندگان، امکان به اشتراک‌گذاری اطلاعات با یکدیگر را دارند. در صورتی که پرندگان امکان به اشتراک‌گذاری اطلاعات با یکدیگر را در گروه‌های خودشان نداشته باشند، هر پرنده‌ای از گروه (دسته) در محل (نقطه) و در زمان متفاوتی فرود می‌آید.

پژوهش‌هایی که از سال ۱۹۹۰ پیرامون رفتار پرندگان انجام شد، حاکی از آن است که همه پرندگان یک ازدحام (گروه | دسته) که به دنبال نقطه خوبی برای فرود هستند، قادر به آن هستند که از بهترین نقطه برای فرود در هنگامی که آن نقطه توسط یکی از اعضای ازدحام پیدا شد، آگاه شوند. با استفاده از این آگاهی، هر یک از اعضای این ازدحام، تجربه دانش شخصی و ازدحامی خود را متوازن می‌کنند که با عنوان «دانش اجتماعی» (Social Knowledge) شناخته شده است.

شایان ذکر است که معیارهایی که برای ارزیابی خوب یا نامناسب بودن یک نقطه برای فرود مورد بررسی قرار می‌گیرند، شرایط بقایی هستند که در یک نقطه، برای بقا وجود خواهند داشت. از جمله این موارد، بیشینه بودن منابع غذایی و کمینه بودن خطر وجود شکارچیان است که پیش‌تر نیز به آن‌ها اشاره شد. مسئله پیدا کردن بهترین نقطه برای فرود، یک مسئله بهینه‌سازی محسوب می‌شود. گروه، ازدحام یا گله باید بهترین نقطه فرود، برای مثال طول و عرض جغرافیایی را، به منظور بیشینه کردن شرایط بقای اعضای خود تعیین کند.

الگوریتم بهینه سازی ازدحام ذرات | پیاده سازی الگوریتم PSO در پایتون و متلب | راهنمای جامع

برای انجام این کار، هر پرنده‌ای ضمن پرواز، به جستجوی نقطه مناسب فرود می‌پردازد و نقاط مختلف را از جهت معیارهای بقای گوناگون مورد ارزیابی قرار می‌دهد تا بهترین منطقه برای فرود را پیدا کند و این کار تا زمانی انجام می‌شود که بهترین منطقه برای فرود، توسط کل ازدحام مشخص شود.

کندی و اِبِرهارت، از رفتار جمعی پرندگان الهام گرفتند؛ رفتاری که مزایای بقای قابل توجهی را برای پرندگان در هنگام جستجو برای یک نقطه امن برای فرود تضمین می‌کرد. آن‌ها بر همین اساس، الگوریتمی را ارائه کردند که الگوریتم ازدحام ذرات (Particle Swarm Optimization) نامیده می‌شود. الگوریتم PSO می‌تواند رفتاری به مثابه آنچه برای دسته پرندگان گفته شد را تقلید کند.
الگوریتم بهینه سازی ازدحام ذرات کلاسیک

نسخه اولیه الگوریتم ازدحام ذرات یا الگوریتم PSO که با عنوان نسخه کلاسیک این الگوریتم نیز شناخته شده است، در سال ۱۹۹۵ ارائه شد. از آن زمان تاکنون، انواع دیگری از این الگوریتم به عنوان نسخه‌های دیگر الگوریتم کلاسیک ارائه شده‌اند که از جمله آن‌ها می‌توان به «کاهش خطی وزن اینرسی» (Linear-Decreasing Inertia Weight)، «وزن عامل انقباض» (The Constriction Factor Weight) و «اینرسی پویا» (Dynamic Inertia) در کنار مدل‌های ترکیبی یا حتی روش‌های بهینه‌سازی الهام گرفته شده از کوانتوم که روی الگوریتم PSO اعمال شده‌اند اشاره کرد.

در مطلب «الگوریتم بهینه سازی ازدحام ذرات | کد الگوریتم PSO در پایتون ، متلب و جاوا | راهنمای جامع»، علاوه بر نسخه کلاسیک، مدل اینرسی PSO نیز به عنوان یک الگوریتم لبه علم مورد بررسی قرار می‌گیرد. شایان توجه است که فرد برای درک دیگر انواع الگوریتم‌های مشتق شده از PSO، ابتدا باید نسخه کلاسیک این الگوریتم را بیاموزد.

هدف از مسائل بهینه‌سازی، تعیین متغیری است که با بردار X=[x1x2x3…xn‎]‎ نشان داده می‌شود و بسته به فرمول بهینه‌سازی ارائه شده توسط تابع f(X)‎، بیشینه یا کمینه می‌شود. بردار متغیر X، به عنوان یک بردار مثبت شناخته شده است. این بردار، یک مدل متغیر و بردار n بُعدی آن را نمایش می‌دهد که در آن، n نشانگر تعداد متغیرهایی است که ممکن است در مسئله تعیین شوند. n در مسئله پیدا کردن بهترین نقطه برای فرود دسته پرندگان، طول و عرض جغرافیایی است.

از سوی دیگر، تابع f(X)‎ تابع برازش (Fitness Function) یا تابع هدف (Objective Function) نامیده می‌شود و تابعی است که میزان خوب یا بد بودن یک موقعیت X را ارزیابی می‌کند. این تابع برای مسئله دسته پرندگان، میزان خوب بودن یک نقطه برای فرود است که پرنده پس از پیدا کردن یک نقطه به آن فکر می‌کند. چنین ارزیابی برای مسئله فرود گروه پرندگان، براساس معیارهای بقای گوناگون انجام می‌شود. اکنون، ازدحامی با P ذره در نظر گرفته می‌شود؛ یک بردار مکان Xit
و یک بردار سرعت Vit

در هر تکرار برای هر یک از i ذره‌ای این سرعت را ایجاد می‌کنند، به صورت زیر وجود دارد:

Xti=(xi1xi2xi3…xin)T

Vti=(vi1vi2vi3…vin)T

این بردارها بر اساس بُعد j مطابق با معادله‌ای که در ادامه آمده است، به روز رسانی می‌شوند:

Vt+1ij=wVtij+c1rt1(pbestij−Xtij)+c2rt2(gbestj−Xtij)

و

Xt+1ij=Xtij+Vt+1ij

که در آن‌ها، داریم:

i = 1, 2, …, P و j = 1, 2, …, n.

معادله اول نشانگر آن است که سه عامل مختلف در حرکت ذرات در یک تکرار، نقش‌آفرین هستند. بنابراین، سه عبارت در این رابطه وجود دارد که بعدا مورد بررسی قرار خواهند گرفت. در عین حال، معادله دوم، موقعیت ذرات را به‌روز‌رسانی می‌کند. پارامتر w ثابت وزن اینرسی است و برای نسخه کلاسیک PSO، این مقدار یک مقدار مثبت ثابت است. در نسخه کلاسیک PSO، مقدار پارامتر w مثبت است. این پارامتر برای متوازن کردن جستجوی سراسری حائز اهمیت است که به آن اکتشاف (هنگامی که مقادیر بالاتری تنظیم شده‌اند) و جستجوی محلی (وقتی مقادیر کم‌تری تنظیم شده‌اند) نیز گفته می‌شود. یکی از مهم‌ترین تفاوت‌های الگوریتم PSO کلاسیک با دیگر نسخه‌های مشتق شده از این الگوریتم، پارامتر w است.

سرعتی که اولین عبارت در معادله را به روز رسانی می‌کند، ضرب داخلی پارامتر w و سرعت پیشین ذره است. به همین دلیل است که حرکت پیشین ذره به حرکت کنونی نمایش داده می‌شود. از همین رو، برای مثال، اگر w = 1 بود، حرکت ذره به طور کامل به وسیله حرکت قبلی خودش تحت تاثیر قرار گرفته است؛ بنابراین، ذره ممکن است به حرکت خود در همان جهت ادامه دهد.

از سوی دیگر، اگر 0≤w<1

، این تاثیر کاهش پیدا می‌کند و این یعنی ذرات به منطقه دیگری در ناحیه جستجو می‌روند. بنابراین، با توجه به کاهش پارامتر وزن اینرسی، ازدحام (گروه | دسته) ممکن است نواحی بیشتری را در ناحیه جستجو مورد اکتشاف قرار دهد و این یعنی شانس پیدا کردن بهینه سراسری افزایش پیدا می‌کند. اگرچه، در حالاتی که از مقادیر w کم‌تر استفاده می‌شود نیز هزینه‌ای وجود دارد که شبیه‌سازی‌ها را زمان‌برتر خواهد کرد.

عبارت درک فردی که دومین عبارت در معادله یک است، به وسیله تفاضل بین بهترین موقعیت خود ذره، برای مثال pbestijij
و موقعیت کنونی آن Xtij محاسبه می‌شود. شایان توجه است که ایده نهفته در پس این ایده آن است که هر چه فعالیت‌ها فاصله بیشتری از موقعیت pbestijij بگیرند، تفاضل (pbestijij−Xtij) باید افزایش پیدا کند. بنابراین، این عبارت افزایش پیدا کرده و ذره را به بهترین موقعیت آن جذب می‌کند. پارامتر c1

که به صورت حاصل‌ضرب در این رابطه وجود دارد، یک ثابت مثبت و یک پارامتر شناخت فردی محسوب می‌شود و به اهمیت تجربیات پیشین خود ذره وزن می‌دهد.

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

دیگر پارامتری که ضرب عبارت دوم را شکل می‌دهد، عبارت r1
است. r1 یک پارامتر مقدار تصادفی با طیف [0,1] است. این پارامتر تصادفی، نقش مهمی را بازی می‌کند، زیرا از همگرایی پارامترها ممانعت و بهینه سراسری احتمالی را بیشینه می‌کند. در نهایت، سومین عبارت مربوط به یادگیری اجتماعی است. به دلیل وجود این پارامتر، همه ذرات در ازدحام قادر به آن هستند که اطلاعات پیرامون بهترین نقطه به دست آمده را صرف نظر از اینکه کدام ذره آن را پیدا کرده است، با یکدیگر به اشتراک بگذارند؛ برای مثال gbestijij. فرمت این عبارت نیز درست مانند دومین عبارت است که مربوط به یادگیری فردی می‌شود. بنابراین، تفاضل (gbestijij−Xtij) مانند یک جاذبه برای ذرات برای بهترین نقطه تا هنگام پیدا شدن نقطه در تکرار t عمل می‌کند. به طور مشابه، c2 پارامتر یادگیری اجتماعی و وزن آن، اهمیت یادگیری سراسری ذرات است. همچنین، r2 نیز نقشی مشابه با r1

دارد.

در ادامه، الگوریتم PSO ارائه شده است و افراد ممکن است متوجه منطق بهینه‌سازی موجود در جستجوهای آن برای کمینه‌ها شوند و همه بردارهای مکانی که توسط تابع f(X)‎ ارزیابی می‌شوند. تابع f(X)‎ با عنوان «تابع برازش» (Fitness Function) شناخته شده است. در تصاویر ۲ و ۳ نیز به روز رسانی‌هایی در سرعت ذرات و موقعیت آن در تکرار t با در نظر داشتن مسئله دوبُعدی با متغیرهای x1
و x2

انجام شده است.

    مقداردهی اولیه
        برای هر i در جمعیت ازدحام با اندازه p:
            Xi

را به طور تصادفی مقداردهی اولیه کن.
$$$$x_{i}$V_{i}$$ را به طور تصادفی مقداردهی اولیه کن.
تابع برازش f(Xi)
را ارزیابی کن.
pbestijij
را با یک کپی از Xi

    مقداردهی اولیه کن.

gbest را با یک نسخه از Xi

    با بهترین برازش مقداردهی اولیه کن.

مراحل را تا هنگامی که یک معیار توقف ارضا شود، تکرار کن:

    برای هر ذره i:
        Vti

و Xti
را مطابق با معادلات ۱ و ۲ مقداردهی اولیه کن.
تابع برازش f(Xti)
را ارزیابی کن.
pbesti←Xti
اگر f(pbest_{i})<f(X_i^t)
gbest←Xti

            h’v اگر f(gbest)<f(X_i^t)

الگوریتم بهینه سازی ازدحام ذرات (PSO) به همراه پیاده سازی-- راهنمای جامع
بردار سرعت در تکرار t به صورتی که به وسیله دو مولفه ترکیب شده با ارجاع به یک مسئله دوبُعدی است.
الگوریتم بهینه سازی ازدحام ذرات (PSO) به همراه پیاده سازی-- راهنمای جامع
این بردار مکانی در تکرار t به روز رسانی شده، در حالیکه به وسیله دو مولفه با ارجاع به مسئله دوبُعدی ترکیب شده است.

    برای مشاهده مجموعه فیلم‌های الگوریتم‌های بهینه‌سازی هوشمند + اینجا کلیک کنید.

ترکیب الگوریتم ازدحام ذرات با روش‌های قطعی

به طور کلی، روش‌های بهینه‌سازی به دو دسته قطعی (Deterministic) و هیوریستیک (Heuristic) تقسیم می‌شوند. هدف روش‌های قطعی پیدا کردن یک فرایند تکرار شونده شامل گرادیان (شیب) است که پس از تعداد مشخصی از تکرارها، به کمینه تابع هدف همگرا می‌شود. روال تکرار شونده این نوع از روش را می‌توان به صورت زیر نوشت:

xk+1=xk+akdk

x بردار متغیر، α اندازه گام، d جهت کاهش و k تعداد تکرار است. بهترین ویژگی که از هر روش گرادیان قطعی انتظار می‌رود، همگرایی آن به یک نقطه ثابت است که معمولا کمینه محلی محسوب می‌شود. روش‌های هیوریستیک برخلاف روش‌های قطعی، از تابع هدف گرادیان در جهت رو به پایین استفاده نمی‌کنند. هدف آن‌ها تقلید طبیعت به منظور پیدا کردن بیشینه یا کمینه تابع هدف با انتخاب کردن نقاطی که این تابع محاسبه خواهد کرد، به شیوه‌ای ظریف و سازمان یافته است.

روش‌های ترکیبی یا ترکیبیاتی، در واقع ترکیبی از روش‌های قطعی و هیوریستیک را به منظور استفاده از مزایای هر دو روش ارائه می‌کنند. روش‌های ترکیبی معمولا از یک روش هیوریستیک برای پیدا کردن محتمل‌ترین مناطقی که کمینه محلی در آن‌ها قرار دارد استفاده می‌کنند. هنگامی که این منطقه تعیین شد، الگوریتم دارای فرمول ترکیبی به یک روش قطعی مبدل می‌شود تا به نقطه کمینه، نزدیک‌تر و سریع‌تر شود. معمولا، متداول‌ترین رویکرد مورد استفاده برای این فرمول‌سازی، استفاده از روش هیوریستیک برای تولید کاندیداهای خوب برای یک راه حل بهینه و سپس، استفاده از بهترین نقطه پیدا شده به عنوان یک نقطه شروع برای روش‌های قطعی به منظور همگرایی به کمینه محلی است.

مقالات گوناگونی طی این سال‌ها ارائه شده‌اند که حاکی از کارایی و اثربخشی فرمول‌های ترکیبی هستند. همچنین، طی  یک دهه اخیر تعداد رو به رشدی مقاله پیرامون روش‌های ترکیبی برای بهینه‌سازی ارائه شده است. در این زمینه، الگوریتم PSO را می‌توان با روش‌های قطعی ترکیب کرد و بدین شکل، شانس پیدا کردن محتمل‌ترین بهینه سراسری را افزایش داد. در ادامه، سه روش قطعی که الگوریتم PSO با آن‌ها ترکیب شده است معرفی می‌شوند. این روش‌ها عبارتند از: «روش گرادیان مزدوج» (Conjugate Gradient Method)، «روش نیوتون» (Newton’s Method) و «روش شبه‌نیوتون» (Quasi-Newton Method | BFGS). فرمول‌های هر یک از این الگوریتم‌ها در ادامه مطلب «الگوریتم بهینه سازی ازدحام ذرات | پیاده سازی الگوریتم PSO در پایتون ، متلب و جاوا | راهنمای جامع» به طور خلاصه مورد بررسی قرار گرفته‌اند.
الگوریتم گرادیان مزدوج

روش گرادیان مزدوج نرخ همگرایی «روش شدیدترین کاهش» (Steepest Descent Method) را با انتخاب جهت‌های کاهشی فراهم می‌کند که ترکیب خطی از جهت گرادیان با جهت کاهش تکرار پیشین هستند. بنابراین، روابط آن‌ها به صورت زیر است.

xk+1=xk+akdk

dk=−▽(xk)+γkdk−1

در روابط بالا، γ

ضریب مزدوجی است که با تنظیم اندازه بردارها کار می‌کند. در نسخه «فلچر-ریوز» (Fletcher-Reeves)، ضریب مزدوجی (هم‌یوغی) بر اساس رابطه زیر به دست می‌آید.

γk=∥−▽(xk)∥2∥−▽(xk−1)∥2

روش نیوتون

در حالی که روش‌های شدیدترین کاهش و گرادیان مزدوج از اطلاعات مشتق مرتبه اول استفاده می‌کنند، روش نیوتون (Newton’s Method) از اطلاعات مشتق مرتبه دوم برای شتاب‌دهی به هم‌گرایی فرایند تکرار شونده استفاده می‌کند. الگوریتم مورد استفاده در این روش، در ادامه ارائه شده است.

xk+1=xk+αkdk

dk=−∣H(x)∣−1▽U(xk)

در رابطه بالا، H(x)‎، «ماتریس هسین» (Hessian Matrix) تابع است. به طور کلی، این روش نیازمند تکرارهای کمی برای همگرا شدن است. اگرچه، این روش نیاز به یک ماتریس دارد که با اندازه مسئله، رشد کند. اگر تخمین با کمینه تفاوت زیادی داشته باشد، ماتریس هسین ممکن است به طور ضعیفی در شرایط صدق کند. علاوه بر آن، این مورد شامل کشف ماتریسی است که موجب می‌شود روش‌ها به لحاظ کامپیوتری حتی پرهزینه‌تر هم باشند.
روش شبه نیوتنی (BFGS)

BFGS گونه‌ای از روش شبه نیوتنی (Quasi-Newton) است. این روش به دنبال تخمین معکوس ماتریس هسین با استفاده از اطلاعات گرادیان تابع است. این تخمین به گونه‌ای است که شامل مشتق مرتبه دوم نمی‌شود. بدین ترتیب، این روش دارای نرخ همگرایی کمتری نسبت به روش نیوتون است؛ هرچند که به لحاظ محاسباتی، سریع‌تر از روش نیوتون عمل می‌کند. الگوریتم روش شبه نیوتونی در ادامه ارائه شده است.

xk+1=xk+akdk

dk=−Hk▽U(xk)

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

Hk=Hk−1+Mk−1+Nk−1

Mk−1=⎡⎣1+(Yk−1)T⋅Hk−1⋅Yk−1(Yk−1)T⋅dk−1⎤⎦dk−1⋅(dk−1)T(dk−1)T⋅Yk−1

Nk−1=−dk−1(Yk−1)THk−1+Hk−1Yk−1(dk−1)T)(dk−1)T

Yk−1=▽U(xk)–▽U(xk−1)

کاربردهای الگوریتم PSO و چالش‌های آن

الگوریتم PSO قابل اعمال بر انواع مسائل در زمینه‌های گوناگون علمی است. به عنوان مثال، از الگوریتم PSO در حوزه بهداشت و درمان به منظور تشخیص بیماری سرطان خون از طریق تصویربرداری میکروسکوپی استفاده شده است. در علم اقتصاد، الگوریتم PSO برای تست پورتفولیوی ریسک سرمایه‌گذاری محدود و نامحدود به منظور به دست آوردن پرتفولیو ریسک بهینه استفاده شده است.

در حوزه مهندسی، کاربردهای الگوریتم ازدحام ذرات یا همان الگوریتم PSO بسیار گوناگون است. مسائل بهینه‌سازی از جمله PSO را می‌توان در ادبیات پژوهش‌های سیستم‌های انتقال حرارت و الگوریتم‌های پیشی‌بینی ضریب انتقال حرارت نیز پیدا کرد. در این زمینه از ترمودینامیک، می‌توان به مقالات بهینه‌سازی شامل سیستم‌های حرارت مانند «سیکل رانکین آلی-موتور دیزل» (Diesel Engine–Organic Rankine Cycle)، سیستم دیزل ترکیبی ORC/فتوولتاییک (Hybrid Diesel-ORC/Photovoltaic) و «نیروگاه سیکل ترکیبی خورشیدی» (Solar Combined Cycle Power Plants | ISCC) اشاره کرد.

همچنین از الگوریتم PSO برای مسائل بهینه‌سازی جغرافیایی به منظور پیدا کردن بهترین پیکربندی سیستم استفاده می‌شود که به بهترین شکل محدودیت‌های طراحی را ارضا می‌کند. در این زمینه، می‌توان به مطالعاتی اشاره کرد که شامل «بهینه‌سازی نوری-هندسی» (Optical-Geometric Optimization) متمرکز کننده‌های تابش خورشیدی و بهینه‌سازی جغرافیای برای «محوطه‌های تابشی» (Radiative Enclosures) می شود که توزیع دمایی و جریان گرما را ارضا می‌کند.

پس از ارائه انواع گوناگونی از الگوریتم PSO، همچون مواردی که به آن‌ها در بخش‌های پیشین اشاره شد، PSO قادر به سر و کار داشتن با طیف وسیعی از مسائل، از مسائل موجود با تعداد کمی هدف و متغیرهای پیوسته گرفته تا دیگر مسائل چند هدفه چالش برانگیز با تعداد زیادی متغیر گسسته و یا پیوسته است.

علاوه بر توانایی بالقوه الگوریتم PSO کاربر باید آگاه باشد که الگوریتم بهینه سازی ازدحام ذرات (الگوریتم PSO) تنها زمانی به نتایج مطلوب دست پیدا می‌کند که فرد یک تابع هدف را پیاده‌ئازی کند که قادر به منعکس کردن همه اهداف به صورت یکباره است. استخراج چنین تابعی ممکن است کار چالش برانگیزی باشد که نیاز به درک خوبی از مسئله فیزیکی برای حل شدن و توانایی استخراج ایده‌ها در یک معادله ریاضی دارد. مسائلی که در بخش پیشین این پژوهش ارائه شده‌اند، مثال‌هایی را از تابع هدف فراهم می‌کنند که می‌توانند این نقش را ایفا کنند.

چالش دیگر برای افرادی که از الگوریتم PSO ‌استفاده می‌کنند، چگونگی مدیریت مرزهای فضای جستجو است که ذرات در آن حرکت می‌کنند. بسیاری از استراتژی‌های متداولی که در حال حاضر بر اساس الگوریتم PSO نسخه کلاسیک ارائه شده‌اند در مقالات گوناگون مورد بررسی قرار گرفته‌اند.
مثال از الگوریتم PSO: هزینه یک سیستم تولید هم‌زمان

این مسئله، یک مسئله کمینه‌سازی تابع است که کل هزینه عملیات یک سیستم تولید هم‌زمان به نام CGAM را نشان می‌دهد. این سیستم بر اساس نام سازندگان آن یعنی A. Valero ،G. Tsatsaronis ،C. Frangopoulos و M. von Spakovsky نام‌گذاری شده است که تصمیم به استفاده از سیستم مشابه برای مقایسه پاسخ‌های مسئله بهینه‌سازی با روش‌های گوناگون داشتند. در تصویر زیر، سیستم CGAM قابل مشاهده است.

الگوریتم بهینه سازی ازدحام ذرات | پیاده سازی الگوریتم PSO در پایتون ، متلب و جاوا | راهنمای جامع

سیستم CGAM  یک سیستم تولید هم‌زمان شامل «کمپرسور هوا» (Air Compressor | AC)، «محفظه احتراق» (Combustion Chamber  | CC)، «توربین گاز» (Gas Turbine | GT)، «پیش‌گرم‌کن هوا» (Air Preheater | APH) و یک «دیگ‌بخار بازیافت حرارت» (Heat Recovery Steam Generator | HRSG) hsj که شامل یک اکونومایزر برای پیش‌گرم کردن آب و تبخیر کننده می‌شود. هدف از این چرخه، تولید ۳۰ مگاوات الکتریسیته و ۱۱ کیلوگرم بخار اشباع شده در فشار ۲۰ بار است. توضیح اقتصادی این سیستم، در این مطلب کاملا مشابه با مقاله اصلی است و هزینه سوخت سالیانه و هزینه‌های سالیانه مرتبط با تحصیل و عملیات هر تجهیزاتی می‌شود. معادلات برای هر مولفه در ادامه آمده است.

کمپرسور هوا:

ZAC=(C11˙maC12–ηAC)(P2P1)ln(P2P1)

محفظه احتراق:

Zcc=(C21˙maC22−P4P3)

توربین:

ZGT=(C31˙mgC32−ηGT)ln(P4P5)[1+exp(C33T4−C34)]

پیش‌گرم‌کن:

ZAPH=C41(˙m(h5−h6)(U)(▽TLM))0.6

دیگ بخار بازیافت حرارت:

ZHRSG=C51((QPH(▽TLM)PH)0.8+(QPH(▽TLM)PH)0.8)+C52˙mst+C53˙m1.2g

عبارت کلی برای نرخ هزینه مربوط به سرمایه‌گذاری (S/$) برای هر مولفه در معادله زیر داده شده است.

˙Zi,invest=ZiφCRFN.3600

CRF فاکتور بازیابی کلی (۱۸/۲ درصد)، N تعداد ساعات کاری نیروگاه (۸۰۰۰ ساعت)، و φ فاکتور نگهداری (۱/۰۶) است. علاوه بر آن، Cf هزینه سوخت به ازای واحد انرژی (۰.۰۰۴ MJ/$) است. جدول زیر نشان‌گر ثابت‌های هزینه پذیرفته شده برای هر مولفه است.
الگوریتم بهینه سازی ازدحام ذرات | پیاده سازی الگوریتم PSO در پایتون ، متلب و جاوا | راهنمای جامع
ثابت‌های هزینه

معادله زیر نشان‌گر هزینه کلی نرخ عملیات است.

F=c1˙m1PCI+˙ZAC+˙ZAPH+˙ZGT+˙ZHRSG

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

به منظور انجام بهینه‌سازی روی معادله بالا، سه متغیر تصمیم پذیرفته شده در تعریف مسئله اصلی در نظر گرفته می‌شوند. این متغیرها عبارتند از:

    نرخ فشرده‌سازی (P2P1

)
بازدهی هم‌آنتروپی کمپرسور (ηCA)
بازدهی هم‌آنتروپی توربین (ηGT)
دمای هوا در خروجی پیش‌گرم کن (T3)
دمای گاز سوخت در ورودی توربین (T4)

برای بهینه‌سازی تابع هدف، سه روال بهینه‌سازی در ترکیب با PSO با روش‌های قطعی متفاوت به صورتی که در جدول زیر نمایش داده شده است، مورد استفاده قرار گرفته‌اند.
    هیوریستیک     قطعی
ترکیب ۱     ازدحام ذرات     گرادیان هم‌مزدوج
ترکیب ۲     ازدحام ذرات     شبه نیوتون
ترکیب ۳     ازدحام ذرات     نیوتون

برای حل معادله ترمودینامیکی این مسئله، شبیه‌سازی تخصصی فرایند IPSEpro®‎ نسخه ۶.۰ مورد استفاده قرار گرفته است. IPSEpro®‎ یک شبیه‌سازی فرایند است که برای مدل‌سازی و شبیه‌سازی سیستم‌های حرارتی مختلف از طریق معادلات ترمودینامیکی آن‌ها استفاده می‌شود. این برنامه به وسیله «سیم‌تک» (SimTech) توسعه پیدا کرده و دارای یک رابط کاربرپسند و همچنین، طیف وسیعی از مولفه‌ها است که به کاربر امکان مدل‌سازی و شبیه‌سازی نیروگاه‌های متداول، سیستم‌های تولید هم‌زمان، چرخه‌های خنک کننده، چرخه‌های ترکیبی و بسیاری از دیگر موارد را می‌دهد. روال‌های روش‌های بهینه‌سازی در متلب نوشته شده‌اند و الگوریتم مورد استفاده با IPSEpro®‎ به منظور حل مسئله ترمودیناکی و انجام بهینه‌سازی یکپارچه شده است. برای انجام بهینه‌سازی، محدودیت‌ها برای متغیرهای مسئله به صورتی مقرر شده‌اند که در جدول زیر مشخص شده است.
الگوریتم بهینه سازی ازدحام ذرات | پیاده سازی الگوریتم PSO در پایتون ، متلب و جاوا | راهنمای جامع
انجام پروژه متلب:بهینه سازی انفیس (فازی عصبی) با کمک الگوریتم های تکاملی pso  و  ga  بر روی مدل داده های موتور سنکرون همراه با دیتابیس

 
فازی عصبی:

انجام پروژه متلب:

یک سیستم استنتاج عصبی-فازی سازگار ( adaptive neuro-fuzzy inference system یا adaptive network-based fuzzy inference system که به صورت ANFISخلاصه شده است) نوعی شبکه عصبی مصنوعی است که براساس سیستم فازی تاکاگی-سوگنو (Takagi–Sugeno) می باشد. این شیوه در اوایل ۱۹۹۰ ایجاد شده است. از آنجایی که این سیستم، شبکه های عصبی و مفاهیم منطق فازی را یکی می کند، می‌تواند از امکانات هر دو آنها در یک قاب بهره برد.سیستم استنتاج (inference) آن مطابق با مجموعه قوانین فازی اگر-آنگاهاست که قابلیت یادگیری برای تقریب زدن توابع غیرخطی را دارد. از این رو، ANFIS به عنوان یک برآورد جهانی (universal estimator) مطرح شده است.

 

انجام پروژه متلب: الگوریتم‌های ژنتیک (Genetic algorithm)

تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.

 

روش بهینه‌سازی ازدحام ذرات (Particle swarm optimization)

یا به اختصار روش PSO، یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آن‌ها یک نقطه یا سطح در فضای n بعدی می‌باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می‌شود و یک سرعت ابتدایی به آن‌ها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات درنظر گرفته می‌شود. سپس این ذرات در فضای پاسخ حرکت می‌کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازهٔ زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. علی‌رغم اینکه هر روش در محدوده‌ای از مسائل به خوبی کار می‌کند، این روش در حل مسائل بهینه‌سازی پیوسته موفقیت بسیاری از خود نشان داده است.

 

خروجی متلب:

 

خروجی الگوریتم ga  و انفیس:

 

انجام پروژه متلب
هبود عملکرد شبکه عصبی کانولوشن با استفاده از روش PSO
پروژه، پروژه پردازش تصویر / آبان ۱۱, ۱۴۰۱ / الگوریتم pso، الگوریتم pso به زبان ساده، الگوریتم pso چند هدفه، الگوریتم pso چیست، الگوریتم pso در پایتون، الگوریتم pso مقاله، انجام پروژه پردازش تصویر، انجام پروژه پردازش تصویر با پایتون، انجام پروژه شبکه عصبی، انجام پروژه شبکه عصبی با پایتون، انجام پروژه های دانشجویی پردازش تصویر، انجام پروژه های دانشجویی شبکه عصبی، انجام پروژه های شبکه های عصبی، انجام پروژه هوش مصنوعی با پایتون، انجام پروژه ی پردازش تصویر، انجام پروژه یادگیری ماشین با پایتون، بهبود عملکرد شبکه عصبی، پردازش تصویر، پردازش تصویر با پایتون، پردازش تصویر در پایتون، پروژه پردازش تصویر، پروژه پردازش تصویر با پایتون، پروژه پردازش تصویر پایتون، پروژه شبکه عصبی، پروژه شبکه عصبی با پایتون، پروژه شبکه عصبی مصنوعی، پروژه شبکه های عصبی، پروژه شبکه های عصبی با پایتون، پروژه ماشین لرنینگ، پروژه ماشین لرنینگ با پایتون، پروژه یادگیری عمیق، پروژه یادگیری ماشین، پروژه یادگیری ماشین با پایتون، پروژه یادگیری ماشین دانشجویی، ساخت شبکه عصبی، ساخت شبکه عصبی در پایتون، شبکه عصبی، شبکه عصبی cnn، شبکه عصبی بهبود یافته، شبکه عصبی پیچشی، شبکه عصبی در پایتون، شبکه عصبی کانولوشن، شبکه عصبی کانولوشن به زبان ساده، شبکه عصبی کانولوشن چیست، شبکه عصبی کانولوشن عمیق، شبکه عصبی کانولوشنال، شبکه عصبی کانولوشنال چیست، شبکه عصبی کانولوشنی، شبکه عصبی کانولوشنی چیست، شبکه عصبی مصنوعی، یادگیری ماشین، یادگیری ماشین با پایتون، یادگیری ماشین لرنینگ

شبکه عصبی کانولوشنال (CNN) یکی از پرکاربردترین تکنیک های یادگیری عمیق است. روش های مختلفی از مدل ها برای یادگیری در شبکه های CNN پیشنهاد و بهبود یافته است. هنگام کار با CNN، تعیین هاپیرپارامترهای بهینه ضروری است. اگر تعداد این پارامتر ها زیاد باشد تعیین پارامتر بهینه به صورت دستی بسیار دشوار است به همین دلیل پژوهش های متعددی در زمینه خودکار سازی این روش انجام شده است. روش های متعددی برای بدست آوردن پارمتر های بهینه در شبکه های کانولوشنی وجود دارد که یکی از آن ها روش  بهینه‌سازی ازدحام ذرات (Particle Swarm Optimization)

در این پروژه قصد داریم ازمقاله Optimization of Convolutional Neural Network Using the Linearly Decreasing Weight Particle Swarm Optimization جهت تعیین معماری و بهبود عملکرد شبکه کانولوشن استفاده کنیم. این پروژه با زبان پایتون و کتابخانه تنسورفلو(Tensorflow) و در محیط گوگل کولب نوشته شده است. مهم ترین چالش در این پروژه سخت افزار مناسب برای انجام پروژه بود.  به علت اینکه باید تعداد بسیار زیادی مدل ساخته می شد و این مدل ها با یکدیگر مقایسه می شدند محسابات بسیار زیادی باید انجام می گرفت. به طوری که رمِ کارت گرافیکی پر و هسته پردازش غیرفعال می شد. با بهینه سازی هایی که بر روی کد انجام شد توانستیم یک شبکه بهینه برای طبقه بندی مجموعه تصاویر cfar10 با کمک روش PSO طراحی کنیم.
فهرست محتوا پنهان
شبکه عصبی کانولوشنی(CNN)
الگوریتم PSO
نتیجه گیری
مطالب مرتبط:
شبکه عصبی کانولوشنی(CNN)

CNN نوعی از شبکه عصبی عمیق هستند که بیشتر برای پردازش تصویر استفاده می شوند. چندین مدل معماری برای CNN معرفی شده است مانند: Resnet, DenseNet یا VGG. در این پروژه مبنای اصلی کار LeNet-5 است. این معماری از دو لایه کانولوشن، دو لایه ترکیبی، دو لایه کاملا متصل و یک لایه خروجی تشکیل شده است. ساختار کلی این معماری به صورت زیر است.

 

با استفاده از لایه های کانولوشن ویژگی های تصویر مشخص می شود که می توان این ویژگی ها را به خروجی لایه های شبکه عصبی تزریق کرد. نکته مهم درمسایل شبکه های CNN تعداد و توالی مناسب لایه های مختلف است. به همین دلیل نیاز به روش های هوشمند و خودکار که بتواند لایه ای مناسب را تشخیص دهد به شدت احساس می شود.

هدف از انجام این پروژه طراحی مدل PSO برای پیدا کردن معماری مناسب برای طبقه بندی تصاویر دیتاست سی فار 10 است.
الگوریتم PSO

ساختار کلی این الگوریتم به صورت زیر است. در این ساختار تعداد ذره های ابتدایی باید مشخص شوند. این ذره ها به صورت رندوم مقدار دهی می شوند. هر کدام از این ذره ها در واقع یک معماری از شبکه عصبی کانولوشنی هستند.

ساختار الگوریتم PSO

در این پروژه تعداد 20 مفدار اولیه برای شبکه تعریف شده است. تمام این مقدار(معماری ها) در یک لیست ذخیره می شوند. سپس عملکرد بهترین ذره محاسه شده و به عنوان P‌‌Best معرفی می شود. سپس با تغییر پارامتری های این مقدار تلاش می شود به شبکه بهینه تری دست پیدا کنید. از این مقدار جدید PBest که بهترین دقت را دارد 20 مقدار دیگه بدست می آید. مجددا از بین این مقدار بهترین ذره به عنوان PBest و بهترین ذره کل به عنوان Qbest ذخیره می شوند. در واقع ما یک لیست شامل 20 مقدار داریم و این مقادیر 10 بار به روز می شوند تا در نهایت بهترین معماری با بهترین ضرایب برای شبکه عصبی کانولوشنی بدست آید.

در این پژوهش ما 200 شبکه را تولید و بایکدیگر مقایسه می کنیم که این امر باصرف زمان پردازش طولانی و امکان پذیر شد. در نهایت مفدار GBest به عنوان بهترین معماری وارد مرخله نهایی آموزش شبکه می شود. معماری بدست آمده بر روی کل دیتا با تعداد تکرار 79 بار اجرا شده تا در نهایت دقت کل محاسبه شود.

دقت مدل الگوریتم PSO

با تغییراتی که در ساختار الگوریتم داده شد دقت بدست آمده در این پروژه از دقت ارایه شدذ در مقاله بالاتر شد.

همچنین معماری بدست آمده از الگوریتم PSO به صورت زیر است.

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

معماری بدست آمده از PSO
نتیجه گیری

در این پروژه بدست آوردن معماری بهینه برای شبکه عصبی کانولونشی از الگوریتم PSO استفاده شد. مجموعه داده مورد استفاده  در این پروژه cfar10 بود که توانستیم به دقت 0.78 برسیم که با روش PSO جز بالاترین دقت های بدست آمده است.
مطالب مرتبط:

    مبانی ساختار شبکه های عصبی
    راهنمای جامع آموزش شبکه های عصبی کانولوشن – روش ELI5
    آموزش ساخت شبکه عصبی از ابتدا در پایتون بدون tensorflow
    بهبود عملکرد معماری CondenseNet با روش یادگیری خودناظر


ی متخصص در حوزه انجام پروژه های PSO آماده است تا پروژه های شرکتی شما عزیزان را با کیفیتی عالی انجام دهد.جهت سفارش پروژه PSO با شماره تماس بگیرید و یا به آیدی تلگرامی پیام دهید.
=پروژه چه پروژه های PSO را میتواند انجام دهد؟

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com


    انجام پروژه های الگوریتم PSO
    انجام پروژه های الگوریتم ژنتیک
    قیمت مناسب پروژه های الگوریتم PSO
    انجام پروژه های تجاری PSO

معرفی الگوریتم PSO:

الگوریتم PSO که مخفف Particle Swarm Optimization می باشد. و به معنای تجمع ذرات است. که نام آن از حرکت دسته جمعی پرندگان، ماهی ها و .. نشات گرفته شده است. PSO یک الگوریتم جهت بهینه سازی هوشمند می باشد. و در بخش هوش ازدحامی قرار می گیرد. در این الگوریتم هر جز هوشمندی ندارد. ولی کل گروه هوشمندی خاصی را دنبال می کنند. اعضای جمعیت بطور مستقیم با هم در ارتباط هستند و از طریق تبادل اطلاعات با یکدیگر به حل مسئله می پردازند.
مزایای الگوریتم PSO:

۱ -ایـن الگـوریتم، ریشـه در زنـدگی مصـنوعی و هـوش محاسباتی دارد.

۲ -ساده بودن مفاهیم این الگوریتم.

۳ -کم بودن پارامترهـا در این الگوریتم.

۴ -در مقایسـه بـا الگـوریتم ژنتیک، عملگرهـای تقـاطع و جهـش نـدارد.

۵ -بـرای حـل مسـائل گوناگون، کارا و قابلیت اجرا دارد.

۶ -ساده بودن اجـرای ایـن الگـوریتم.

خدمات مشابه همیارپروژه:

انجام پروژه های الگوریتم ژنتیک

انجام پروژه های هوش مصنوعی

انجام پروژه های شبکه عصبی

انجام پروژه های پایتون

انجام پروژه های داده کاوی

برای انجام پروژه PSO باید چه کار کنم ؟

با توجه به تجربه چندین ساله موسسه همیارپروژه در انجام پروژه های PSO و داشتن ده ها مجری و استاد توانمند در این حوزه، میتوانیم به شما تضمین دهیم که هرگونه پروژه بزرگ و کوچک در زمینه الگوریتم PSO را میتوانیم برایتان انجام دهیم. کافیست یکبار امتحان کنید. در نتیجه جهت سفارش انجام پروژه های PSO ، باید سفارش خود را از طریق لینک های زیر ثبت نمایید و یا با شماره تماس های ذکر شده در سایت، تماس حاصل نمایید.
انجام پروژه های تجاری PSO:

به دلیل اینکه اکثر پروژه های دریافتی سایت همیار پروژه، پروژه های تجاری هستند، ما سعی میکنیم پروژه ها را با قیمت مناسب و به همراه گزارش و آموزش به شما ارائه دهیم تا بتواند آن را یاد بگیرد و در کلاس ارائه دهد. حتی اگر شما درخواست فیلم آموزشی بدهد، برای او فیلمی آموزشی از نحوه اجرای PSO ارائه خواهیم داد.

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

 

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com


چرا پروژه PSO خود را به همیارپروژه بسپاریم ؟

اله در انجام پروژه های PSO و داشتن متخصصینی از بهترین دانشگاه های کشور و انجام صدها پروژه کوچک و بزرگ شرکتی مطمئن ترین گزینه برای انجام پروژه PSO شما عزیزان می باشد. یکبار ما را امتحان کنید!
زمان و کیفیت انجام پروژه PSO به چه صورت خواهد بود؟

انجام پروژه های PSO در همیارپروژه طبق زمان درخواستی مشتری تنظیم میگردد، اما سعی می شود که در کمترین زمان ممکن تحویل داده شود.

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com


کیفیت در انجام پروژه های PSO از اصلی ترین اهداف گروه همیار پروژه می باشد. بالاترین کیفیت در پروژه همواره هدف همیارپروژه بوده است.
مراحل انجام پروژه های PSO در ه چه صورت خواهد بود؟

    ارسال پروژه PSO خود برای ما توسط مسیرهای ذکر شده در سایت.
    ارسال پروژه شما توسط ما برای مجریان مرتبط با پروژه.
    پیشنهاد و تعیین بهترین قیمت و زمان .
    درصورت موافقت شما اخذ نصف هزینه ابتدای کار از شما.
    در جریان گذاشتن شما طی مراحل انجام پروژه تان.
    ارسال نتایج برای شما پس از پایان پروژه تان از طریق فیلم و عکس.
    اخذ مابقی هزینه از شما درصورت تاییدتان.
    ارسال فایل نهایی پروژه برای شما.
    مهلت ۴۸ ساعته برای شما جهت بررسی پروژه و در صورت اشکال و ایراد، اطلاع به ما جهت رفع آن.

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com


نمونه پروژه های آماده PSO:

 تاکنون ده ها پروژه PSO را انجام داده است و برخی از آنها را در سایت بعنوان پروژه آماده PSO بارگزاری نموده است که شما عزیزان میتوانید در لینک روبرو آنها را مشاهده نمایید:  نمونه پروژه های آماده PSO
نحوه سفارش پروژه PSO:
ارائه مشاوره رایگان در انجام پروژه های PSO از ابتدا تا انتهای پروژه در کنار شما خواهند بود و با دادن مشاوره های هدفمند شما را از سایت های دیگر بی نیاز خواهد کرد.

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com


انجام پروژه pso
با ما در ارتباط باشید :
سفارش سریع از تلگرام
سفارش سریع از واتساپ
سفارش سریع از ایتا

انجام پروژه pso ⭐ ارائه خدمات انجام پروژه های الگوریتم pso با متلب و پایتون ، انجام پروژه الگوریتم پرندگان ، سفارش پروژه بهینه سازی با pso خود را به صدها متخصص حرفه ای متلب پروژه بسپارید و با کیفیت عالی سفارش خود را تحویل بگیرید.

الگوریتم pso چیست؟

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com


الگوریتم تجمع ذرات یا pso معروف است از مهمترین و پرکاربردترین الگویتم های بهینه سازی است که سرعت و قدرت اجرای بسیار بالایی دارد این الگوریتم در عین سرعت بالا دقت بسیار بالایی نیز دارد. Pso برگرفته از تجمع انبوهی از ذرات است، به این معنی از حرکت دسته جمعی پرندگانٰ، ماهی ها الهام گرفته است. در حرکت جمعی هر جز خود هوشمندی ندارد ولی رفتار گروه یک هوشمندی رو دنبال می کند این الگوریتم از پرکاربردترین الگوریتم های فراابتکاری در حوزه بهینه سازی می باشد که با سرعت اجرای بالا و دقت کافی مورد استفاده بسیاری از کاربران قرار گرفته است این الگوریتم توسط زبان های مختلفی پیاده سازی میشود که متلب بهترین آنها می باشد. در واقع الگوریتم PSO از تعداد مشخصی از ذرات تشکیل میشود که به طور تصادفی، مقدار اولیه می گیرند. برای هر ذره دو مقدار وضعیت و سرعت، تعریف می شود که به ترتیب با یک بردار مکان و یک بردار سرعت، مدل می‌شوند. این ذرات، بصورت تکرارشونده ای در فضای n‌ـ‌بعدی مسئله حرکت می کنند تا با محاسبة مقدار بهینگی به عنوان یک ملاک سنجش، گزینه‌های ممکن جدید را جستجو کنند. بُعد فضای مسئله، برابر تعداد پارامترهای موجود در تابع مورد نظر برای بهینه سازی می باشد. یک حافظه به ذخیرة بهترین موقعیت هر ذره در گذشته و یک حافظه به ذخیرة بهترین موقعیت پیش آمده در میان همة ذرات، اختصاص می‌یابد. با تجربة حاصل از این حافظه ها, ذرات تصمیم می گیرند که در نوبت بعدی، چگونه حرکت کنند. در هر بار تکرار، همة ذرات در فضای n بعدی مسئله حرکت میکنند تا بالاخره نقطة بهینة عام، پیدا شود. ذرات، سرعت‌هایشان و موقعیت‌شان را بر حسب بهترین جواب‌های مطلق و محلی به‌روز می‌کنند.

ما چه نوع پروژه های pso را میتوانیم انجام بدهیم ؟
انجام پروژه pso با متلب
انجام پروژه pso با پایتون
انجام پروژه درسی pso
انجام تمرین pso
انجام پروژه کلاسی pso

سایر خدمات مشابه در متلب پروژه

انجام پروژه های بهینه سازی

انجام پروژه های مدل سازی

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

انجام پروژه الگوریتم ژنتیک

انجام پروژه های الگوریتم فراابتکاری

انجام پروژه الگوریتم گرگ خاکستری

انجام پروژه های پایتون

انجام پروژه هوش مصنوعی

انجام پروژه های یادگیری ماشین

انجام پروژه های پردازش سیگنال

انجام پروژه های شبکه عصبی

انجام پروژه های داده کاوی

انجام پروژه های پردازش تصویر

وژه آموزشی بهینه سازی مبدل های حرارتی با الگوریتم PSO با متلب

۱۵۰,۰۰۰ تومان ۳۷,۹۰۰ تومان

    عنوان پروژه: بهینه سازی مبدل های حرارتی با الگوریتم PSO با متلب
    نرم افزار مورد استفاده: متلب
    فرمت: m.
    فایل راهنما: دارد(18 صفحه)

پس از خرید، بلافاصله فایلهای بهینه سازی مبدل های حرارتی با الگوریتم PSO با متلب برای شما ایمیل خواهد شد.

    فایلهای پروژه به صورت 100% تست شده و تمامی فایل ها سالم می باشد.

 
دسته: پروژه آماده متلب, پروژه آموزشی آماده مهندسی مکانیک برچسب: matlab, الگوریتم pso, بهینه سازی با متلب, مبدل های حرارتی, متلب

توضیحات

بهینه سازی مبدل های حرارتی با الگوریتم PSO با متلب

فرآیند تبادل بیش گرما بین دو سیال با دماهای متفاوت که توسط دیواره جامدی از هم جدا شده‌اند در بسیاری از کاربردهای مهندسی روی می‌دهد. وسیله‌ای را که برای این تبادل به کار می‌رود «مبدل گرمایی» می‌گویند. موارد کاربرد این وسیله در سیستم‌های گرمایش ساختمان‌ها، تهویه مطبوع، تولید قدرت، بازیابی گرمای هدر رفته، و فرآوری شیمیایی است. ما در فرآیندهای شیمیایی و فیزیکی نیاز به گرم کردن و یا سرد کردن سیالاتی داریم که مورد استفاده قرار می‌گیرند. برای تبادل گرمای دو سیال بدون آنکه با هم آمیخته شوند، نیاز به سطح انتقال حرارت داریم.

در این مطالعه از الگوریتم بهینه سازی زنبورعسل و ازدحام ذرات جهت بهینه سازی مبدل حرارتی صفحه ای پره دار و به منظور کمینه ساختن مساحت کلی انتقال حرارت و افت فشار که به ترتیب متناسب با هزینه سرمایه گذاری و  هزینه عملکرد می باشند، استفاده شده است. دو هدف اصلی این مطالعه اولا بهینه کردن پارامترهای موثر در مبدل های حرارتی صفحه ای پره دار جهت کمینه کردن مساحت کلی انتقال حرارت و افت فشار و ثانیا اثبات عملکرد خوب  استفاده از الگوریتم های فرا ابتکاری می باشد.

این تحقیق کاربرد موفق الگوریتم های بهینه سازی را در طراحی مبدل های حرارتی صفحه ای پره دار نشان می دهد. این الگوریتم در اکثر مسائل مهندسی گرمایی که شامل تعداد زیادی از متغیرهای گسسته و پیوسته و مقدار زیادی ناپیوستگی می باشند به کار می رود. بر اساس کاربردها تعداد هفت پارامتر طراحی به عنوان متغیر های بهینه سازی مطرح شد و قیود با اضافه کردن یک تابع جریمه به تابع هدف به کار رفتند.

 لگوریتم ژنتیک در با متلب matlab ga
انجام پروژه الگوریتم ژنتیک در با متلب matlab پروژه های بهینه سازی دانشجویی برنامه نویسی کد نویسی الگوریتم ژنتیک تک هدفه چند هدفه ga genetic algorithm nsga ii nsga2 nrga moga در با متلب matlab شبیه سازی تبرید(simulated annealing) بهینه سازی ازدحام ذرات(particle swarm optimization) یا pso بهینه سازی کلونی مورچگان(ant colony optimization) یاaco جستجوی ممنوع(tabu search) یاts الگوریتم رقابت استعماری(imperialist competitive algorithm) یاica , تمام الگوریتم های فرا ابتکاری تکاملی بهینه سازی

انجام پروژه های برنامه نویسی matlab متلب انجام پروژه های متلب انجام پروژه matlab انجام پروژه مهندسی صنایع برق الکترونیک مکانیک عمران و ... تدریس خصوصی انجام پروژه cplex gams lingo انجام پروژه بهینه سازی درمتلب matlab انجام پروپزال پایان نامه ارشد دکتری تدریس خصوصی الگوریتم های ژنتیک الگوریتم های بهینه سازی مطلب انجام سفارش پروژه های دانشجویی برنامه نویسی کدنویسی متلب matlab مطلب نرم افزار متلب سیمولینک simulink و شبکه های عصبی و منطق فازی انجام پروژه برنامه نویسی با مطلب متلب matlab نرم افزار دانشجویی- کدنویسی آموزش تدریس مطلب matlab انجام پروژه متلب برق قدرت انجام پروژه متلب فازی انجام پروژه متلب مکانیک انجام پروژه های برنامه نویسی دانشجویی انجام پروژه های برنامه نویسی matlab انجام پروژه های برنامه نویسی c# انجام پروژه های برنامه نویسی حرفه ای ای اس پی asp php java‌ جاوا delphi ++c visual
ی Particle Swarm Optimization معرف است یا به‌اختصار به آن PSO هم می‌گویند برگرفته از تجمع انبوهی از ذرات است که از حرکت دسته‌جمعی پرندگان ماهی‌ها و غیره الهام گرفته است.

درحرکت جمعی هر جزء خود هوشمندی ندارد ولی رفتار گروه یک هوشمندی رو دنبال می‌کند. در ابتدا این الگوریتم به‌منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آن‌ها و تغییر شکل بهینه‌ی دسته به کار گرفته شد.

در PSO، ذرات در فضای جستجو جاری می‌شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است؛ بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک‌ذره اثر می‌گذارد.

نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش به‌دست‌آمده به سمت بهترین همسایگان خود می‌روند.

اساس کار PSO بر این اصل استوار است که در هرلحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرارگرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.

برای دسترسی به مقالات این بخش کافی است عبارت دانلود فایل الگوریتم pso را جستجو کنید.

هوش جمعی خاصیتی است سیستماتیک که در این سیستم، عاملها به‌طور محلی با هم همکاری می‌نمایند و رفتار جمعی تمام عاملها باعث یک همگرایی در نقطهای نزدیک به جواب بهینه سراسری می‌شود.

نقطه قوت این الگوریتمها عدم نیاز آن‌ها به یک کنترل سراسری می‌باشد. هر ذره) عامل) در این الگوریتم‌ها خود مختاری نسبی دارد که می‌تواند در سراسر فضای جواب‌ها حرکت کند و می‌بایست با سایر ذرات (عامل‌ها) همکاری داشته باشد.
چکیده

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

در این تحقیق می خواهیم اطلاعاتی را در مورد (particle swarm optimization pso) هوش جمعی و انواع الگوریتم‌های آن و سپس یکی از آن الگوریتم‌ها که الگوریتم بهینه‌سازی ازدحام ذرات و برگرفته از رفتار جمعی ماهی‌ها می‌باشد را موردبررسی قرار دهیم.

 الگوریتم جامعه پرندگان یک تکنیک بهینه‌سازی بر پایه قوانین احتمال می‌باشد. نام دیگر این الگوریتم به اختصار pso یا PSO Algorithm می باشد.

این الگوریتم از رفتار اجتماعی پرندگان در حین جستجوی غذا برای هدایت مجموعه پرندگان به منطقه امیدبخش در فضای جستجو استفاده می‌کند. الگوریتم جامعه پرندگان ذاتاً یک الگوریتم بهینه‌سازی پیوسته است.

بیشترین کاربرد این الگوریتم در حل مسائل پیوسته است ولی می توان آن را به گونه ایی تغییر داد که مسائل گسسته را نیز توسط آن حل نمائیم.

علاوه بر این کاربرد های زیادی را در تمام مسائل پیرامون جامعه بشری دارد و با کمک آن می توان بسیاری از کارهایی را که انسان قادر به انجام آن نیست را حل نمائیم.

این مسائل می تواند مربوط به فضا ، درون عمق زمین و… که انسان قادر به زندگی در آن نیست می شود و با استفاده از این ذره ها انسان اطلاعات جامعی را در مورد آن کسب می کند.

برای دستی به این مطالب کافی است عبارت دانلود پایان نامه الگوریتم pso را جستجو کنید.

 
فهرست

 مقدمه

فصل اول : الگوریتم هیورستیک

-۱-الگوریتم هیورستیک

-۱-۱هوش مصنوعی چیست ؟

۱-۲مبانی هوش مصنوعی

۱-۳تاریخچه هوش مصنوعی

۱-۴جست‌وجوی ناآگاهانه

۱-۴-۱  جست‌وجوی عرضی

۱-۴-۱  جست‌وجوی عمقی

۱-۴-۱  جست‌وجوی عمیق کننده تکراری

-۱-۴-۱ جست‌وجوی هزینه یکنواخت

۱-۴-۱  جست‌وجوی عمقی محدود

۱-۴-۱  جست‌وجوی دوطرفه

۱-۵جست‌وجوی آگاهانه

۱-۶جست‌وجوی جستجوی محلی و بهینه‌سازی

۱-۶-۱  جست‌وجوی حریصانه

۱-۶-۲  جست‌وجوی A*

۱-۶-۳-جست‌وجوی اکتشافی با حافظه محدود

۱-۶-۴-جست‌وجوی بازگشتی RBFS

۱-۶-۵- جست‌وجوی تپه نوردی:

۱-۶-۷- جست‌وجوی پرتو محلی

۱-۷الگوریتم‌های ژنتیک:

فصل دوم روش های بهینه سازی

-۲-۱- روش‌های بهینه‌سازی

۲-۲-اهداف بهینه‌سازی

۲-۳-اهداف مسائل چند هدفی

۲-۴-محدودیت در بهینه‌سازی

۲-۵-روش‌های جستجو و بهینه‌سازی

۲-۵-۱-روش‌های شمارشی

۲-۵-۲ -روش‌های محاسباتی

۲-۶-روش‌های بهینه‌سازی بی محدودیت

۲-۷-روش‌های بهینه‌سازی با محدودیت

۲-۸-دلایل عدم استفاده‌ی گسترده از روش‌های محاسباتی

۲-۹-روش‌های ابتکاری و فرا ابتکاری

۲-۱۰-روش‌های ابتکاری

۲-۱۱- اشکالات روش‌های ابتکاری

۲-۱۲-مزایای روش‌های ابتکاری

۲-۱۳-روش‌های فرا ابتکاری

۲-۱۴-دو تدبیر بزرگ طبیعت

فصل سوم الگوریتم particle swarm optimization pso

بهینه‌سازی ازدحام ذرات(pso)

Pso-3-1 چیست ؟

-۳-۲-منشا اصلیOSP

-۳-۳-نکاتی در مورد الگوریتم بهینه‌سازی ازدحام ذرات

-۳-۴-هوش جمعی

-۳-۴-ویژگی‌های OSP

-۳-۵-مفاهیم اولیه

-۳-۶-الگوریتم Pso

-۳-۷-چگونه هر ذره حرکت می‌کند:

-۳-۸-نحوه محاسبات مربوط به تعیین سرعت و مکان ذره

-۳-۹-شبه کد particle swarm optimization pso

-۳-۱۰-بهبود کارایی OSP

-۳-۱۱-محدود کردن سرعت (velocity limit):

-۳-۱۲-الگوریتم اصلیOSP :

-۳-۱۲-۱-تعریف مسئله:

-۳-۱۲-۲-پارامترهای مسئله:

-۳-۱۲-۳-بهبود کارایی

-۳-۱۲-۴-ارزش‌گذاری

-۳-۱۲

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

-۵-لوپ اصلی مسئله

-۳-۱۲-۶-خروجی یا نتیجه

-۳-۱۳-مزایای الگوریتم بهینه‌سازی ذرات

-۳-۱۴-کاربرد الگوریتم بهینه‌سازی ذرات

-۳-۱۵-مقایسه Pso با الگوریتم‌های تکاملی

-۳-۱ -نمایش مکان و سرعت آغازین ذره‌ها

۳-۱ -همسایگی

فصل چهارم  حل مسئله با pso

۴-حل مسئله کوله‌پشتی با pso

۴-۱-فلسفه اصلی مسئله کوله پوشتی

-۴-۲داده‌های مسئله

-۴-۳راه‌حل مسئله

-۴-۴روش باینری

-۴-۵روش عدد صحیح

-۴-۶روش عدد حقیقی

-۴-۷پارامترهای موردنیاز

-۴-۸مراحل حل یک مسئله بهینه‌سازی با الگوریتم‌های هوش مصنوعی

-۴-۹حل مسئله کوله پوشتی به‌صورت عدد حقیقی

-۴-۹-۱ایجاد مکانیزمی برای تعریف ، ذخیره و بازخوانی مدل

-۴-۹-۲تعریف مکانیزم ایجاد راه‌حل تصادفی

۴-۹-۳ایجاد مکانیزم تبدیل متغیرهای خام به متغیرهای اصلی مسئله

-۴-۹-۴محاسبه مقدار تابع هدف و برآورد قیود مسئله ( تابع هدف):

-۴-۹-۵اتصال تابع هدف به مسئله بهینه‌سازی

-۴-۱۰حل مسئله کوله پوشتی به‌صورت عدد صحیح

۴-۱۱حل مسئله فروشنده دوره‌گرد:

۴-۱۲ – کد برنامه :

-۴-۱۳-تابع هزینه :

۴-۱۴-تابع راه‌حل مسئله :

نتیجه گیری

منابع

برای دسترسی به این نوع پروژه ها کافیست عبارت particle swarm optimization pso را در قسمت جستجوری سایت سرچ کنید.
لگوریتم بهینه سازی اجتماع ذرات PSO Particle Swarm Optimization محصول ویژه متل

 

بر روی لینک های زیر کلیک نمایید

دانلود رایگان کد متلب الگوریتم بهینه سازی اجتماع ذرات PSO Particle Swarm Optimization محصول ویژه متلب نت


     دانلود رایگان فیلم های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ...

    دانلود رایگان کد های آماده MATLAB
    انجام پروژه های برنامه نویسی MATLAB
    تدریس خصوصی ، دوره های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ...
    دانلود رایگان فایل های آموزشی

ام پر

R ‌   لینوکس     انجام پروژه   و در صورت تمایل    فیلم آموزشی پروژه آموزش حضوری پروژه      Email : [e-mail]    Phone : [phone]  گروه آموزشی متلب نت رشته های   مهندسی صنایع ، مدیریت ، کامپیوتر ،    هوش مصنوعی ، عمران ، برق ،   مالی ، ریاضی، مکانیک   و ... مشاوره و انجام پایان نامه های کارشناسی ارشد و دکتری تشخیص الگویادگیری ماشین پردازش صدا پردازش تصویر Image processing شبکه عصبی منطق فازی داده کاوی Data Mining شبیه سازی کامپیوتری توالی عملیات و زمان بندی  زنجیره تامین مدل سازی ریاضی مسیریابی وسیله نقلیه  سیستم تولیدی سلولیزمان بندی پروژهقابلیت اطمینانبرنامه ریزی تولیدانتخاب تامین کنندگانکنترل موجودی  تصمیم گیری چند معیاره  AHP SAW TOPSIS VIKOR PROMTHEE ENTROPY FUZZY GRAY فازی  قطعی  بازه ای  تحلیل پوششی داده هاBCC  DEA CCR   قابل توجه دانشجویانی که می خواهند در پایان نامه یا مقالات خود از هوش مصنوعی ، الگوریتم های فرا ابتکاری یا شبکه عصبی و... استفاده کنند  برای این دسته از دانشجویان بر روی مدل مد نظرشون پروژه پیاده سازی و آموزش داده خواهد شد الگوریتم های بهینه سازی فرا ابتکاری فراابتکاری تکاملی   metaheuristicsانجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم ژنتیک  Genetic Algorithm GA   در با متلب matlab مطلب  برنامه ریزی ژنتیک Genetic Programming یا  GP     انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم شبیه سازی تبرید Simulated Annealing یا  SA     در با متلب matlab مطلب انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم بهینه سازی ازدحام ذرات Particle Swarm Optimization  یا    PSO     در با متلب matlab مطلب الگوریتم مورچگان الگوریتم پرندگان  الگوریتم پرندگان چند هدفه تکامل تفاضلی Differential Evolution یاDE     انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم بهینه سازی کلونی مورچگانAnt Colony Optimization یاACO   در با متلب matlab مطلب بهینه سازی کلونی مورچگان برای فضای پیوسته یا  ACOR    برنامه ریزی تکاملی Evolutionary Programming یا  EP    استراتژی های تکامل Evolution Strategies یاES    استراتژی های تکامل با تطبیق ماتریس کواریانس یا  CMAجستجوی ممنوعه Tabu Search یادر با متلب matlab مطلبTS   انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم الگوریتم زنبورهاBees Algorithm یاBA     در با متلب matlab مطلب انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم کلونی زنبورهای مصنوعی Artificial Bee Colony  یاABC    جستجوی هارمونیHarmony Search یا   HS    بهینه سازی مبتنی بر جغرافیای زیستی   BBO   Biogeography  Based Optimization  الگوریتم فرهنگCultural Algorithm یا   CA   انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم الگوریتم رقابت استعماریImperialist Competitive Algorithm یاICA    در با متلب matlab مطلب الگوریتم کرم شب تابFirefly Algorithm یا  FA     در با متلب matlab مطلب الگوریتم بهینه سازی بیزیBayesian Optimization Algorithm یاBOA    الگوریتم بهینه سازی بیزی سلسله مراتبی یاhBOA    سیستم ایمنی مصنوعیArtificial Immune System یاAIS    شبکه ایمنی مصنوعیArtificial Immune Network یاAIN    الگوریتم انتخاب تکثیریClonal Selection Algorithm یاCSA  الگوریتم های مبتنی بر الگوهای رفتاریMemetic Algorithms یاMA   الگوریتم جستجوی کاتالیستیCatalytic Search Algorithm   الگوریتم های تخمین توزیع یاEDA  انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم الگوریتم خفاش یا  Bat Algorithm   الگوریتم جهش قورباغهFrog Leaping    ازدحام ماهی های مصنوعیArtificial Fish Swarm یا AFS    انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم بهینه سازی ازدحام ذرات چند هدفه یاMOPSO در با متلب matlab مطلب الگوریتم بهینه سازی باکتری(Bacterial Foraging Optimization) یاBFO انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم الگوریتم ژنتیک چند هدفه با مرتب سازی نا مغلوب یاmulti objective optimization MOGA NSGA-II NRGA NSGA2 naga ii  در با متلب matlab مطلب انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم الگوریتم بهینه سازی فاخته COA Cuckoo optimization algorithm در با متلب matlab مطلب انجام پروژه های دانشجویی برنامه نویسی کدنویسی  الگوریتم الگوریتم جستجوی گرانشی  Gravitational search algorithm GSA در با متلب matlab مطلب    لینک ها در ادامه مطلبروی لینک های زیر کلیک نمایید  دانلود رایگان کد های آماده MATLAB  دانلود رایگان فیلم های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ... انجام پروژه های برنامه نویسی MATLAB تدریس خصوصی ، دوره های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ... دانلود رایگان فایل های آموزشی    پروژه های مهندسی صنایع مدل سازی و حل در زمینه های مسیریابی وسیله نقلیه زنجیره تامین توالی عملیات سیستم تولیدی سلولی زمان بندی پروژه قابلیت اطمینان برنامه ریزی تولید انتخاب تامین کنندگانکنترل موجودیو ...  پروژه های مهندسی برق CodeVision      ,     Simulink      ,       Pspice ,   HFSS , AVR      ,    PSCAD   ,    DigSilent   ,  SIMKAR   ,  ORCADDiaLux      ,    ModelSim     ,     Quartus ,  CST , MATLABانواع پروژه ها با نرم افزار ADS(Advance Design System)  طراحی و شبیه سازی مدارات RF  و فرکانس بالا  طراحی و شبه سازی تقویت کننده  طراحی و شبه سازی LNA طراحی و شبه سازی Mixer طراحی و شبه سازی VCO  و کلیه مدارات انالوگ و        و...    پروژه های مهندسی مکانیک  ABAQUS - ANSYS - FLUENT - AUTOCAD - CATIA - SOLIDWORKS- EESمشاوره ی پروژه های مهندسی مکانیک با نرم افزارهای: ABAQUS, ANSYS, ADAMS, NASTRAN, 3D form, MATLAB, MATHEMATICA, FLUENT&GAMBIT, FORTRAN- FD  CATIA,SOLIDWORKSو...   پروژه های مهندسی عمران   نجام پروژه های دانشجویی مهندسی عمران نظیر تحلیل و طراحی دستی و کامپیوتری ، انجام پروژه فولاد ، بتن و بارگذاری ، تهیه دفترچه محاسبات و ترسیم جزئیات سازه ای را با نرم افزارهای ETABS ، AutoCad، Safe، Sap2000 ، Excell    حل مسائل پیچیده (NP-Hard) با استفاده روش های متاهیورستیک metaheuristics ازقبیل:  شبکه های عصبی مصنوعی ( Artificial Neural Network , ANN )  الگوریتم ژنتیک ( Genetic Algorithm , GA )  الگوریتم رقابت استعماری ( ICA , Imperialist Competitive Algorithm )  الگوریتم کلونی مورچه ها ( Ants Colony Optimization)  الگوریتم اجتماع پرندگان ( PSO , Partial Swarm Optimization )  شبیه سازی تبرید ( Simulated Annealing , SA )  حل مسایل چند هدفه ( Multi Objective ) به کمک الگوریتم NSGAII و MOICA و ...  کدنویسی برای الگوریتم های ابتکاری و سایر الگوریتم های فرا ابت


کاری  مسایل جانمایی تسهیلات ( Facility Locations )  مدیریت زنجیره تامین ( Supply Chain Management SCM )  مسایل شبکه و هاب Hub Network Design  مسایل زمانبندی (sequencing and scheduling problems )  مسیر دهی وسایل نقلیه ( Vehicle Routing Problem VRP ) نمونه هایی از پروژه های قابل انجام در زمینه ی مدل سازی ریاضی:مدل سازی ریاضی مدیریت زنجیره تامین مدل سازی ریاضی انتخاب تامین کنندگان مدل سازی ریاضی برنامه ریزی تولید مدل سازی ریاضی کنترل موجودی مدل سازی ریاضی مسیریابی مدل سازی ریاضی توالی عملیات و زمان بندی مدل سازی ریاضی سبد سهام نمونه هایی از پروژه های قابل انجام در زمینه ی الگوریتم های بهینه سازی: حل مدل های بهینه سازی خطی به وسیله الگوریتم های بهینه سازی حل مدل های بهینه سازی غیر خطی به وسیله الگوریتم های بهینه سازی حل مسائل زمان بندی به وسیله الگوریتم های بهینه سازی حل مسائل مسیر یابی به وسیله الگوریتم های بهینه سازی حل مسائل مکان یابی به وسیله الگوریتم های بهینه سازی حل مسائل زمان بندی پروژه به وسیله الگوریتم های بهینه سازی حل مسائل زنجیره تامین به وسیله الگوریتم های بهینه سازی حل مسائل قابلیت اطمینان به وسیله الگوریتم های بهینه سازی نمونه هایی از پروژه های قابل انجام در زمینه ی داده کاوی: داده کاوی مباحث مالی و سبد سهام داده کاوی مباحث بازاریابی داده کاوی در کلیه زمینه های مورد نیازنمونه هایی از پروژه های قابل انجام در زمینه ی پیش بینی: پیش
 برنامه نویسی متلب انجام برنامه نویسی مطلب انجام پروژه matlab انجام پروژه متلب انجام پرو
 همان الگوریتم ازدحام ذرات که یک الگوریتم پیوسته ای محسوب می شود برای مسائل بهینه سازی امروزه کاربرد زیادی دارد. در این محصول شبیه سازی یک کنترلر منطق فازی بهینه سازی شده با الگوریتم PSO مد نظر قرار گرفته است که شما می توانید از آن در پروژه های خود استفاده نمایید.
قیمت دانلود :
36,000 تومان
دانلود شبیه سازی بهینه سازی کنترلر منطق فازی با PSO عدد
شرح موضوع
بهینه سازی کنترلر فازی

امروزه تقریبا استفاده از کنترلرهای فازی بسیار مرسوم شده است. از طرفی الگوریتم های تکاملی نقش بسزایی در بهینه سازی این نوع کنترلرهای می توانند ایفا نمایند. یکی از مهم ترین الگوریتمها در زمینه الگوریتم های تکاملی الگوریتم ازدحام ذرات می باشد که در این محصول از آن برای بهینه سازی کنترلر فازی (کنترلر منطق فازی) استفاده شده است.

شبیه سازی در محیط متلب به همراه سیمولینک و m فایل ها انجام شده است که شکل زیر سیمولینک مربوط به آن را نشان می دهد:

بهینه سازی کنترلر فازی

شکل زیر نیز خروجی مربوط به نمودار همگرایی را نشان می دهد:

بهینه سازی کنترلر فازی

همانطور که می بینید نمودار در هر تکرار با کاهش مقدار تابع هدف روبرو شده و در نهایت به یک مقدار همگرا شده است. شما می توانید از کنترلر منطق فازی و همچنین بهینه سازی آن توسط الگوریتم PSO یا هما
حل مسائل بهینه سازی با روش الگوریتم PSO در متلب

پی دی اف زیر مناسب برای نشان دادن چگونگی استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) برای یافتن راه حل برای مشکلات مختلف بهینه سازی می باشد. در این فایل چندین مثال در زمینه های مختلف از جمله جبر خطی و آمار ارائه می شود. PSO یک الگوریتم تکراری برای یافتن راه حل برای مشکلات بهینه سازی است. نیازی نیست که عملکرد هدف محدب یا روان باشد. این کار با ایجاد راه حل های بالقوه، به نام ذرات در فضا، و اختصاص سریع سرعت های اولیه به آن ها آغاز می شود. سپس تکرار آغاز می شود. در هر مرحله تکراری، PSO تابع هدف را در هر مکان ذره ارزیابی می کند، و بهترین مقدار تابع هدف و بهترین مکان هر ذره را می یابد. سه عامل وجود دارد که محل هر ذره را در مرحله تکرار بعدی بدست می آورد:

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

    بهترین مقدار پیگیری شده توسط بهینه ساز PSO در بین تمام ذرات
    بهترین راه حل به دست آمده توسط هر ذره در میان تمام مراحل آن
    سرعت هر ذره از مرحله قبل

…
سازی با الگوریتم ازدحام ذرات , بهینه سازی با الگوریتم pso در متلب , انجام پروژه الگوریتم pso در متلب , الگوریتم بهینه سازی ازدحام ذرات
بهینه سازی با الگوریتم pso

بهینه سازی با الگوریتم pso در زمینه های بهینه‌ سازی توابع ریاضیاتی و مهندسی ، بررسی تاثیر مقادیر پارامترهای PSO روی جواب‌های مساله ، انتخاب ویژگی ، حل مساله فروشنده دوره گرد ، بهینه‌سازی پارامترهای SVM ، بهینه سازی شبکه‌ی عصبی و ….
بهینه سازی با الگوریتم pso | انجام پروژه الگوریتم pso | الگوریتم بهینه سازی ازدحام ذرات
الگوریتم PSO (بهینه سازی با الگوریتم pso) :

تفکر و تصمیم جمعی در بسیاری از موارد می‌تواند باعث دستیابی به جواب مطلوبی گردد. در این بین رفتارهای موجودات نیز بیانگر نوعی تشریک مساعی برای رسیدن به یک جواب بهینه در طبیعت است. مشاهده رفتار اجتماعی در طبیعت، همانند رفتار پرندگان برای یافتن مسیر بهینه در سفر نمونه ای از هوش جمعی در طبیعت می‌باشد.

الگوریتم pso یا Particle swarm optimization یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته های پرندگان مدل شده است. این الگوریتم در سال ۱۹۹۵ میلادی توسط  کندی و ابرهارت معرفی شد. در ابتدا این الگوریتم برای کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه ی دسته به کار گرفته شد .

در pso ، ذرات [ Particle ] در فضای جستجو جاری می‌شوند. تغییر مکان  ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر توده [ Swarm ] ذرات روی چگونگی جستجوی یک ذره اثر می گذارد . نتیجه ی مدل سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.

الگوریتم PSO یک روش سراسری بهینه سازی است که با استفاده از آن می توان با مسائلی که جواب آنها یک نقطه یا سطح در فضای n بعدی می‌باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می‌شود و یک سرعت ابتدایی به ذرات اختصاص داده می‌شود، همچنین کانالهای ارتباطی بین ذرات در نظر گرفته میشود. سپس این ذرات در فضای پاسخ حرکت می‌کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازه زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه  ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. مزیت اصلی این روش بر استراتژی های بهینه سازی دیگر این است که، تعداد فراوان ذرات ازدحام کننده، باعث انعطاف روش در برابر مشکل پاسخ بهینۀ محلی میگردد.

در شکل زیر نمونه هایی از روند حرکت ذرات در فضای جستجو نمایش داده شده است. عکس موجود در گوشه بالا و سمت چپ تصویر موقعیت اولیه ذرات را نشان می‌دهد که در فضای جستجوی دو بعدی قرار دارند و با تکرارهای الگوریتم در نهایت ذرات به صورت عکس موجود در گوشه پایین سمت راست تصویر همگرا می‌شوند.
روند حرکت ذرات در یک گروهروند حرکت ذرات در یک گروه

هر ذره دارای یک موقعیت است که مشخص می‌نماید مختصات ذره در فضای جستجوی چند بعدی چه می‌باشد باحرکت ذره در طول زمان موقعیت ذره تغییر می‌نماید.xi(t) موقعیت ذره i ام در زمان t ام را مشخص می‌نماید. همچنین هر ذره برای حرکت نمودن در فضا نیاز به یک سرعت دارد vi(t) سرعت ذره i م در زمان t ام را مشخص می‌نماید. با افزودن سرعت به موقعیت هر ذره، می‌توان موقعیت جدیدی برای ذره در نظر گرفت. معادله به روز نمودن موقعیت ذره در رابطه ۱ آورده شده است.
بهینه سازی با الگوریتم pso

که vi(t+1) سرعت فعلی ذره می‌باشد و به صورت رابطه ۲ محاسبه می‌شود:
انجام پروژه الگوریتم pso

در رابطه (۲) ، r1 و r2 اعداد تصافی بین صفر و یک می‌باشند، c1 و c2 به ترتیب ضرایب تاثیر شخصی و اجتماعی می‌باشند ( این دو پارامتر، به ترتیب بیانگر میزان تاثیر بهترین حالت هر فرد و بهترین حالت جمعیت “بر اساس آنچه که تا کنون مشاهده شده‌است”، بر تعیین موقعیت جدید هر ذره می‌باشند. c1 ضریب اعتماد به نفس و c2 ضریب اعتماد با اجتماع نامیده خوانده می‌شوند. ) و w ثابت اینرسی است که اگر مقدار آن زیاد باشد الگوریتم در حالت اکتشاف قرار می‌گیرد و اگر مقدار آن کم باشد الگوریتم در حالت استخراج قرار می‌گیرد. این پارامتر در طول اجرای الگوریتم کاهش می‌یابد.
بهینه سازی با الگوریتم psoبروز شدن موقعیت ذره بر اساس رابطه ۲ و ۱

اینکه موقعیت یک ذره در فضای جستجو موقعیت مناسبی است یا خیر توسط یک تابع شایستگی ارزیابی می‌گردد. ذرات توانایی این را دارند که بهترین موقعیتی را که در طول حیات خود در آن قرار داشته اند به خاطر بسپارند. به بهترین تجربه فردی یک ذره یا بهترین موقعیت ملاقات شده توسط ذره Pi گفته میشود (در بعضی از الگوریتم ها Piبه عنوان pbest نیز نام گذاری شده است) و ذرات میتوانند از بهترین موقعیت ملاقات شده توسط کل گروه نیز آگاهی داشته باشند. که این موقعیت Pg نامیده میشود. (در بعضی ار الگوریتم ها Pg به عنوان gbest نیز نام گذاری شده است) بردار سرعت ذره در فرایند بهینه سازی منعکس کننده دانش تجربی ذره و اطلاعات جامعه ذرات است. هر ذره برای حرکت در فضای جستجو دو مولفه را مد نظر دارد.

مولفه شناختی: Pi – Xi(t) بهترین راه حلی است که یک ذره به تنهایی بدست می‌آورد.
مولفه اجتماعی: Pg – Xi(t) بهترین راه حلی است که توسط کل گروه تشخیص داده می‌شود.

الگوریتم PSO یک روش جست و جوی چندعامله است ، که عامل های آن در فضای جست و جو به صورت موازی عمل می‌کنند. این الگوریتم بیشتر برای مسائل پیوسته به کار می‌رود، اما با اعمال تغییرات در بدنه الگوریتم می‌تواند برای مسادل گسسته نیز مورد استفاد قرار گیرد.
فلوچارت روند بهینه سازی الگوریتم PSO

در شکل زیر روند بهینه سازی الگوریتم PSO آمده است:
بهینه سازی با الگوریتم psoبهینه سازی با الگوریتم pso
کاربردهای الگوریتم PSO

الگوریتم PSO همانند سایر الگوریتم‌ های فراابتکاری می‌تواند در مسائل زیر به کار رود :

    بهینه‌ سازی توابع ریاضیاتی و مهندسی
    بررسی تاثیر مقادیر پارامترهای PSO روی جواب‌های مساله
    انتخاب ویژگی
    حل مساله فروشنده دوره گرد
    بهینه‌سازی پارامترهای SVM
    بهینه سازی شبکه‌ ی عصبی
ی PSO
انجام پروژه های بهینه سازی با pso-انجام پروژه های الگوریتم pso-

تیم برنامه نویسی  azsoftir آماده انجام پروژه های بهینه سازی و جستجو با الگوریتم pso می باشد .الگوریتم pso را با زبان های برنامه نویسی سی شارپ- پایتون-سی پلاس پلاس-جاوا-متلب …قابل پیاده سازی می باشد.

 

پروژه خود را می توانید از طریق ثبت سفارش پروژه یا از طریق ایمیل آدرس زیر [e-mail]  یا شماره تماس [phone] سفارش دهید.
alghorithm

خدماتی که با الگوزیتم  pso توسط azsoftir انجام می شود ؟
انجام پروژه های بهینه سازی pso
انجام پروژه با الگوریتم pso
انجام پروژه ها با الگوریتم pso در متلب matlab
انجام پروژه با  الگوریتم pso در پایتون python
انجام پروژه با الگوریتم pso سی شارپ
انجام پروژه های pso در R

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

الگوریتم pso به معنی حرکت دسته جمعی ذرات می باشد که مخفف particel swarm optimaztion می باشد که با الهام گرفتن از حرکت پرندگان در طبیعت ابدع شده است .

این الگوریتم در سال 1995 برای فرایند بهینه سازی برای فضای مشخص وتابع هدف معین توسط کندی وابرهرت اختراع شد .

در الگوریتم pso هر ذره بعنوان پرنده یا ماهی محسوب می شود وهر ذره دو مقدار دارد یکی موقعیت ودیگری سرعت می باشد.بعد از موقعیت یابی هر ذره ,هر ذره موقعیت وتابع بهینه مورد نظر خود را با سایر ذره به اشتراک میگذارد.بعد از این مرحله بهترین موقعیت ذره ها شناسایی شده هر تمامیه ذره به طرف آن حرکت می کنند.سرعت حرکت هر ذره وابسته به سرعت قبلی ذره می باشدوفاصله آن ذره با بهترین موقعیت میباشد.
introduction-pso

ذره در الگوریتم pso سه ویژگیه مهم دارند که بصورت زیراست :

1-موجودات سعی میکنند به طوری نسبی به هم نزدیک نشونددر همسو با سایر ذره حرگت کنند

2-ذرها در جهتی که اکثریت ذره در حال حرکت هستند حرکت می کنند

کلیت حرکت اصلی در ذره در سه محور اصلی ذیر خلاصه می شود:

منسجم:در کنارهمدیگر حرکت میکنند .

دور از هم: به هم زیاد نزدیک نشوند

مسیر حرکت :جهت جرکت از مجموع پیروی میکنند .

مبنای توسعه الگوریتم pso در چند اساس زیر خلاصه می شود :

1-بهترین زره اطلاعاتش به اشتراک گذاشته شود

2-همه ذره ها به جهت بهتر

پرینت ارسال برای دوست
دسته بندی: الگوریتم های بهینه سازی, کدنویسی برچسب: الگوریتمهای بهینه سازی در متلب, پروژه آماده متلب رایگان, پروژه سیمولینک رایگان, دانلود پروژه بهینه سازی با متلب, دانلود رایگان پروژه متلب, دانلود رایگان پروژه های متلب, دانلود رایگان کدهای آماده متلب, کد آماده متلب
اشتراک گذاری:

    توضیحات

الگوریتم بهینه سازی ازدحام ذرات

 به کمک آن می‌توان با مسائلی که جواب آن‌ها یک نقطه یا سطح در فضای n بعدی می‌باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می‌شود. یک سرعت ابتدایی به آن‌ها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات در نظر گرفته می‌شود. سپس این ذرات در فضای پاسخ حرکت می‌کنند. نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازهٔ زمانی محاسبه می‌شود. ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. این روش در حل مسائل بهینه‌سازی پیوسته موفقیت بسیاری از خود نشان داده‌است.

برای دانلود الگوریتم ژنتیک اینجا کلیک کنید.

برای دانلود ترکیب الگوریتم ژنتیک و PSO اینجا کلیک کنید.

برای دانلود الگوریتم نهنگ یا وال اینجا کلیک کنید.

برای دانلود الگوریتم شمع و پروانه اینجا کلیک کنید.

ریتم ژنتیک و PSO را میتواند انجام دهد؟

    انجام پروژه های الگوریتم تکاملی
    انجام پروژه های الگوریتم فرا ابتکاری
    انجام پروژه های الگوریتم ژنتیک با متلب
    انجام پروژه های PSO در کلیه رشته ها
    هزینه مناسب انجام پروژه های الگوریتم ژنتیک و PSO

آشنایی با الگوریتم ژنتیک و PSO

بسیار مشاهده می شود که دانشجویان یا کارکنان برخی از ارگان ها در انجام پروژه های الگوریتم ژنتیک و PSO دچار مشکل می شوند، علت این امر می تواند ناشی از عدم تسلط کافی بر این موضوعات باشد. در چنین شرایطی توصیه می شود ریسک نکنید و پروژه های خود را به افراد حرفه ای در این زمینه بسپارید.

الگوریتم ژنتیک هم مانند الگوریتم فرا ابتکاری تکنیکی برای بدست آوردن جواب تقریبی مسائل بهینه سازی است. این الگوریتم از تکنیک های زیست شناسی مانند جهش و وراثت برگرفته شده است و به همین علت به آن ژنتیک می گویند. الگوریتم ژنتیک را می توان در دسته الگوریتم های تکاملی قرار دارد، زیرا با تلفیق چند راه حل به دنبال بدست آوردن یک راه حل کامل است.

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

الگوریتم PSO همان الگوریتم تجمع ذرات است. همانطور که از نامش پیداست این الگوریتم مبتنی بر تجمع تعدادی از ذرات است. البته منظور از ذره تنها موجودات ریز نیست، به عنوان مثال در این الگوریتم به الگوی حرکت دسته جمعی ماهیان، پرندگان و …. توجه شده و بر اساس یک الگوریتم برای حل مساله نوشته می شود.
کاربرد الگوریتم ژنتیک و PSO

پروژه های الگوریتم ژنتیک و PSO در رشته های مختلفی کاربرد دارند. از الگوریتم ژنتیک می توان برای حل مسائل بهینه سازی در رشته های مختلفی همچون عمران، کشاورزی، پزشکی، مدیریت، اقتصاد و … استفاده نمود. الگوریتم PSO نیز در پخش باز اقتصادی، توزیع و تحول سیستم ها، مسائل بهینه سازی چند هدفه و … به کار برده می شود.   
خدمات مشابه پایاپروژه در زمینه الگوریتم ژنتیک و PSO:

انجام پروژه های الگوریتم فرا ابتکاری

 انجام پروژه های الگوریتم تکاملی

انجام پروژه های الگوریتم ژنتیک با پایتون

انجام پروژه های بهینه سازی با متلب

انجام پروژه های مدلسازی با متلب

 انجام پروژه های سیمولینک
بهترین موسسه برای ثبت سفارش پروژه الگوریتم ژنتیک و PSO

بهترین مرکز برای انجام پروژه های الگوریتم ژنتیک و PSO ، اعم از کاری و دانشجویی پایاپروژه است. مهم نیست که پروژه شما با استفاده از چه زبانی نوشته می شود، زیرا متخصصان پایاپروژه دانش کافی در هر زمینه ای دارند. نکته مهم در این موسسه سرعت بالای انجام کار است، بدون آنکه کیفیت فدای سرعت شود.

 

 

جهت سفارش پروژه الگوریتم ژنتیک و PSO چه باید کنم؟

برای سفارش پروژه الگوریتم ژنتیک و PSO خود می توانید از طریق فرم ثبت سفارش در زیر اقدام کرده یا با شماره ۰۹۱۰۸۷۶۰۲۸۶ تماس حاصل فرمایید.
زمان و کیفیت انجام پروژه های الگوریتم ژنتیک و PSO چه مدت است؟

بحث زمان در انجام پروژه های الگوریتم ژنتیک و PSO شما عزیزان مسئله مهمی است. به همین دلیل سایت پایاپروژه با توجه به زمان درخواستی شما سعی دارد تا کمترین زمان ممکن را برای انجام پروژه تان در نظر بگیرد. نکته مهمتر اینکه کیفیت در انجام پروژه های الگوریتم ژنتیک و PSO  همواره هدف اصلی گروه پایاپروژه می باشد. پس اطمینان داشته باشید که متخصصان ما در این زمینه حساسیت کافی داشته و نهایت تلاش خود را در این امر دارند.
به چه صورت از انجام پروژه الگوریتم ژنتیک و PSO  مطمئن شوم؟

کیفیت بالای تیم پایاپروژه باعث شده تا مشتریان عزیزمان نیز به ما اطمینان داشته باشند. و بدون نیاز به سایت های دیگر پروژه خود را به ما بسپارند. اگر شما تا بحال تجربه همکاری با سایت ما را نداشته اید، پیشنهاد می کنیم برای یکبار هم که شده به ما اعتماد کنید و پروژه الگوریتم ژنتیک و PSO خود را به ما بسپارید. تا شاهد موفقیت پروژه تان باشید.
راه های ثبت سفارش پروژه الگوریتم ژنتیک و PSO:
 بار بهینه توان راکتیو با استفاده از الگوریتم ازدحام ذرات PSO

51,500تومان 0تومان
 شدهانجام پروژه های بهینه سازی pso
انجام پروژه های pso

مارس 20, 2021 , admin    , بدون دیدگاه   

انجام پروژه های PSO انجام پروژه های بهینه سازی با pso-انجام پروژه های الگوریتم pso- تیم برنامه نویسی  azsoftir آماده انجام پروژه های بهینه سازی و جستجو با الگوریتم pso می باشد .الگوریتم pso را…

09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

خواندن نوشته →