دانلود بررسی الگوریتم جستجوی خزندگان برروی توابع پیوسته

بررسی الگوریتم جستجوی خزندگان برروی توابع پیوسته

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: pdf, m
حجم فایل: 5689 کیلوبایت
قیمت: 70000 تومان

الگوریتم جستجوی خزندگان(Reptile Search Algorithm) یکی از الگوریتم‌های فراابتکاری است که در سال 2022 ابداع شده است. این الگوریتم در ژورنال معتبر Expert Systems With Applications از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم جستجوی خزندگان برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیه‌سازی پیوست شده، الگوریتم جستجوی خزندگان با الگوریتم بهینه‌سازی شیرمورچه(Ant Lion Optimizer)، الگوریتم شکارچیان دریایی(Marine Predators Algorithm)، الگوریتم بهینه‌سازی گرگ خاکستری(Grey Wolf Optimizer)، الگوریتم اجتماع سالپ(Salp Swarm Algorithm)، الگوریتم سینوس کسینوس(Sine Cosine Algorithm) و الگوریتم بهینه‌سازی اجتماع ذرات(Particle Swarm Optimization) مقایسه شده است. نتایج تجربی این شبیه‌سازی نشان می‌دهد که الگوریتم جستجوی خزندگان در مقایسه با الگوریتم‌های ذکر شده، یک بهینه‌ساز با عملکرد بالا است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود بررسی الگوریتم بهینه‌سازی سیاست برروی توابع پیوسته

بررسی الگوریتم بهینه‌سازی سیاست برروی توابع پیوسته

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: pdf, m
حجم فایل: 6575 کیلوبایت
قیمت: 70000 تومان

الگوریتم بهینه‌سازی سیاست(Political Optimizer) یکی از الگوریتم‌های فراابتکاری است که در سال 2020 ابداع شده است. این الگوریتم در ژورنال معتبر Knowledge-Based Systems از انتشارات الزویر چاپ شده است. در این تحقیق، الگوریتم بهینه‌سازی سیاست برروی 50 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیه‌سازی پیوست شده، الگوریتم بهینه‌سازی سیاست با الگوریتم بهینه‌سازی گرگ خاکستری(Grey Wolf Optimizer)، الگوریتم بهینه‌سازی نهنگ(Whale Optimization Algorithm)، الگوریتم سینوس کسینوس(Sine Cosine Algorithm)، الگوریتم بهینه‌سازی اجتماع ذرات(Particle Swarm Optimization) مقایسه شده است. نتایج تجربی این شبیه‌سازی نشان می‌دهد که الگوریتم بهینه‌سازی سیاست در مقایسه با الگوریتم‌های ذکر شده، یک بهینه‌ساز با عملکرد بالا است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود تحقیق ترکیب الگوریتم بهینه‌سازی گرگ خاکستری با یادگیری مبتنی بر مخالفت

تحقیق ترکیب الگوریتم بهینه‌سازی گرگ خاکستری با یادگیری مبتنی بر مخالفت

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: docx, m
تعداد صفحات: 3
حجم فایل: 8389 کیلوبایت
قیمت: 81000 تومان

توضیحات:

تحقیق ترکیب الگوریتم بهینه‌سازی گرگ خاکستری با یادگیری مبتنی بر مخالفت، در قالب فایل Word در 3 صفحه، به همراه فایل شبیه سازی شده با متلب.

در این تحقیق، ترکیب الگوریتم بهینه‌سازی گرگ خاکستری(GWO) با یادگیری مبتنی بر مخالفت (OBL) بررسی می‌شود. مقاله اصلی این تحقیق در سال 2020 در ژورنال Expert Systems with Applications چاپ شده است. هدف این تحقیق، تقویت رفتار اکتشافی گرگ‌ها برای افزایش نرخ همگرایی سریع است. روش یادگیری مبتنی بر مخالفت فقط برروی چند بُعد از گرگ‌های ضعیف اعمال می‌شود. مدل پیشنهادی بر روی 23 تابع بهینه‌سازی پیوسته تست شده است. شبیه‌سازی مدل پیشنهادی در محیط متلب 2014 به بالا انجام شده است. مدل پیشنهادی با الگوریتم‌های PSO و GWO پایه مقایسه شده است. نتایج نشان می‌دهد که مدل پیشنهادی دارای بهترین برازندگی بوده است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود سایر پروژه

دانلود شبیه سازی الگوریتم بهینه‌سازی استراتژی جنگ بر روی توابع پیوسته

شبیه سازی الگوریتم بهینه‌سازی استراتژی جنگ بر روی توابع پیوسته

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: pdf, m
حجم فایل: 15437 کیلوبایت
قیمت: 75000 تومان

توضیحات:

بررسی الگوریتم بهینه‌سازی استراتژی جنگ برروی توابع پیوسته در محیط کدنویسی متلب.

الگوریتم بهینه‌سازی استراتژی جنگ(War Strategy Optimization Algorithm) یکی از الگوریتم‌های فراابتکاری است که در سال 2022 در ژورنال معتبر IEEE Access از انتشارات IEEE چاپ شده است. الگوریتم بهینه‌سازی استراتژی جنگ براساس استراتژی جنگ باستانی طراحی شده است. این الگوریتم براساس حرکت استراتژیک نیروهای ارتش در طول جنگ کار می کند. استراتژی جنگ به عنوان یک فرآیند بهینه‌سازی مدل شده است که در آن هر سرباز به صورت پویا به سمت مقدار بهینه حرکت می‌کند. در این تحقیق، الگوریتم بهینه‌سازی استراتژی جنگ برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیه‌سازی پیوست شده الگوریتم بهینه‌سازی استراتژی جنگ با الگوریتم بهینه‌سازی گرگ خاکستری، الگوریتم بهینه‌سازی شعله-پروانه، الگوریتم بهینه‌سازی اجتماع ذرات، الگوریتم سینوس کسینوس و الگوریتم بهینه‌سازی نهنگ مقایسه شده است. نتایج تجربی این شبیه‌سازی نشان می‌دهد که الگوریتم بهینه‌سازی استراتژی جنگ در مقایسه با الگوریتم‌های ذکر شده، یک بهینه‌ساز با عملکرد بالا است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

دانلود پروژه

بررسی الگوریتم علی بابا و چهل دزد برروی توابع پیوسته

بررسی الگوریتم علی بابا و چهل دزد برروی توابع پیوسته

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: pdf, m
حجم فایل: 3499 کیلوبایت
قیمت: 60000 تومان

الگوریتم علی بابا و چهل دزد(Ali Baba and the forty thieves) یکی از الگوریتم‌های فراابتکاری است که در سال 2022 ابداع شده است. این الگوریتم در ژورنال معتبر Neural Computing and Applications از انتشارات اشپرینگر چاپ شده است. در این تحقیق، الگوریتم علی بابا و چهل دزد برروی 23 تابع استاندارد در محیط متلب 2018 تست شده است. در شبیه‌سازی پیوست شده، الگوریتم علی بابا و چهل دزد با الگوریتم بهینه‌سازی گرگ خاکستری(Grey Wolf Optimizer)، الگوریتم بهینه‌سازی شعله-پروانه(Moth-Flame Optimization)، الگوریتم بهینه‌سازی مرغ دریایی(Seagull optimization algorithm) و الگوریتم بهینه‌سازی اجتماع ذرات(Particle Swarm Optimization) مقایسه شده است. نتایج تجربی این شبیه‌سازی نشان می‌دهد که الگوریتم علی بابا و چهل دزد در مقایسه با الگوریتم‌های ذکر شده، یک بهینه‌ساز با عملکرد بالا است.

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.