انجام پروژه الگوریتم شاهین هریس

هریس HHO و پیاده سازی آن در متلب MATLAB

موسسه پایا پروژه به عنوان متصدی انجام پروژه متلب  وظیفه ی خود می داند که در راستای آموزش نرم افزار متلب  گام های موثری را بردارد. با توجه به اینکه یک دوره آموزشی متلب مستلزم تمرین و تلاش بسیار است. اما این موسسه تلاش می کند سهم کوچکی در جهت یادگیری شما داشته باشد.
الگوریتم بهینه سازی شاهین هریس (HHO)
 [e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

یک الگوریتم فراابتکاری مبتنی بر جمعیت است که در سال 2019 ارائه شده است.الگوریتم بهینه‌سازی شاهین هریس یا به اصطلاح HHO (Harris Hawks Optimization) یک الگوریتم محاسباتی است که از رفتار گروهی شاهین‌ها برای حل مسائل بهینه‌سازی الهام گرفته شده است. این الگوریتم در برخی مسائل بهینه‌سازی، به ویژه مسائل بهینه‌سازی غیرخطی و چند معیاره، عملکرد خوبی داشته و مورد استفاده قرار گرفته است.

مراحل پیاده سازی الگوریتم بهینه سازی شاهین در انجام پروژه متلب:

برای پیاده‌سازی الگوریتم بهینه‌سازی مدنظر ، شما می‌توانید مراحل زیر را دنبال کنید:

    تعریف تابع هدف: مشابه با سایر الگوریتم‌های بهینه‌سازی، شما باید تابع هدف خود را تعریف کنید. تابع هدف معمولاً یک تابع ریاضی است که مقادیر مختلفی را بر اساس ورودی‌های مختلف دریافت می‌کند و یک مقدار عددی را به عنوان خروجی تولید می‌کند. هدف شما این است که این تابع را بهینه‌سازی کنید، به این معنا که مقدار خروجی آن را به حداقل یا حداکثر برسانید.

برای مثال، فرض کنید که مسئله‌ی بهینه‌سازی شما مربوط به پیدا کردن موقعیت بهینه یک ماشین در یک فضای دو بعدی باشد تا کمترین مسافت ممکن را بین موقعیت فعلی ماشین و مقصد داشته باشید.

در این صورت، تابع هدف شما می‌تواند فاصله اقلیدسی بین موقعیت فعلی و مقصد باشد.

در تعریف تابع هدف، شما باید به دقت ورودی‌های لازم برای مسئله خود را مشخص کنید و سپس محاسبه مقدار تابع هدف بر اساس این ورودی‌ها را برنامه نویسی کنید.

سپس الگوریتم بهینه‌سازی شاهین هریس را برای بهینه‌سازی این تابع هدف استفاده خواهید کرد.

 

    پارامترهای الگوریتم: پارامترهای الگوریتم بهینه‌سازی شاهین هریس شامل موارد زیر می‌شود:

تعداد شاهین‌ها (Population Size): این پارامتر تعداد شاهین‌هایی را که در هر نسل از الگوریتم وجود دارند تعیین می‌کند. تعداد شاهین‌ها می‌تواند تأثیر مهمی بر عملکرد الگوریتم داشته باشد.

تعیین این تعداد باید به گونه‌ای باشد که به اندازه کافی بزرگ باشد تا الگوریتم به طور کامل فضای جستجو را پوشش دهد، اما باید به اندازه کافی کوچک باشد تا زمان اجرای الگوریتم بیش از حد طولانی نشود.

تعداد نسل‌ها (Number of Generations): این پارامتر تعداد نسل‌هایی را که الگوریتم در طول اجرا طی می‌کند تعیین می‌کند. هر نسل شامل یک دوره از تولید، ارزیابی و انتخاب شاهین‌ها برای نسل بعدی است.

تعداد نسل‌ها نیز باید به گونه‌ای تعیین شود که الگوریتم به میزان کافی فرصت داشته باشد تا به یک جواب بهینه نزدیک برسد.

اندازه جمعیت (Population Size): این پارامتر همان تعداد شاهین‌ها است و به تعداد شاهین‌هایی اشاره دارد که در هر نسل از الگوریتم وجود دارند. اندازه جمعیت نیز باید به گونه‌ای تعیین شود که از یک سو، تنوع کافی در جمعیت حفظ شود و از سوی دیگر، زمان اجرای الگوریتم به حداقل ممکن برسد.

پارامترهای دیگر: علاوه بر موارد فوق، الگوریتم بهینه‌سازی شاهین هریس ممکن است دارای پارامترهای دیگری نیز باشد که برای تنظیم عملکرد الگوریتم استفاده می‌شوند، مانند ضریب‌های مرتبط با حرکت و جستجوی شاهین‌ها.

برای انتخاب مقادیر مناسب برای این پارامترها، معمولاً از تجربه و آزمون و خطا استفاده می‌شود. می‌توانید با تنظیم این پارامترها و اجرای الگوریتم بر روی یک مجموعه داده یا یک مسئله تست، عملکرد الگوریتم را ارزیابی کنید و مقادیر بهینه برای این پارامترها را تعیین کنید.

 

    الگوریتم بهینه‌سازی شاهین هریس: الگوریتم را با استفاده از فرمول‌ها و روش‌های موجود پیاده‌سازی کنید.

 

    اجرای الگوریتم: الگوریتم را روی تابع هدف اجرا کنید و نتیجه بهینه‌سازی را بررسی کنید.

پیاده‌سازی دقیق الگوریتم ممکن است به ویژگی‌های خاص تابع هدف و نیازهای خاص شما بستگی داشته باشد. از این رو، می‌توانید از کتابخانه‌های موجود در انجام پروژه MATLAB مانند Optimization Toolbox استفاده کنید یا الگوریتم را به‌صورت دستی پیاده‌سازی کنید. در هر صورت، مراجع و منابع آموزشی موجود در این زمینه می‌توانند به شما کمک کنند.

انجام پروژه با الگوریتم شاهین هریس ،انجام پروژه های بهینه سازی با الگوریتم شاهین هریس

گروه هوش مصنوعی azsoftir  آماده انجام پروژه های بهینه سازی شما با استفاده از الگوریتم شاهین هریس می باشد .

چه پروژه هایی توسط سایت azsoftir  با الگوریتم شاهین هریس قابل انجام است ؟

انجام پروژه های بهینه سازی با الگوریتم شاهین هریس
انجام پروژه با الگوریتم شاهین هریس در پایتون
انجام پروژه با الگوریتم شاهین هریس در متلب
پروژه الگوریتم شاهین هریس
انجام پروژه های صنعتی با الگوریتم شاهین هریس

with harris waks optimazation

برای  ثبت سفارش انجام پروژه با الگوریتم شاهین از چه راه هایی باید اقدام کرد ؟

برای ثبت سفارش می توانید از طریق ایمیل ادرس [e-mail] یا شماره موبایل [phone] پروژه خود را ثبت کنید .

چرا باید سفارشات انجام پروژه با الگوریتم شاهین را به سایت azsoftir  سپرد ؟

با توجه سابقه پیاده سازی پروژه های الگوریتم شاهین  هریس،کیفیت ودرسی کار شما را تضمین می کند.

کیفیت وتمیزی کد برنامه نویسی شده توسط سایت azsoftir  چگونه خواهد بود ؟

با توجه به سابقه چندین ساله سایت azsoftir  در انجام پروژه های مهندسی و هوش مصنوعی کیفیت انجام پروژه با الگوریتم شاهین را تضمین می کند .

شروع وتحویل انجام پروژه با الگوریتم شاهین چگونه خواهد بود ؟

بر اساس هزینه توافقی که بستگی به پیچیدگی پروژه شما دارد ،برای شروع کار نصف هزینه رو واریز کنید ،بعد از اتمام  کار دمویی جهت اطممینان شما ارسال خواهد شد ،بعد از اطمینان از درستی پروژه ،الباقی رو واریز خواهید تا ارسال شود .

پشتیبانی از پروژه های انجام با الگوریتم هریس چگونه خواهد بود ؟

بعد از تحویل به مدت 24 ساعت در صورت وجود هر مشکلی در پروژه شاهین هریس ،کد مورد نظر شما اصلاح وتغییر خواهد کرد .به مدت یک هفته هر سوالی داشته باشید ،پاسخ خواهیم داد .

what-alghorithm-waks-harris-optimazation

تاریخچه الگوریتم شاهین هریسی

الگوریتم شاهین هریسی یک الگوریتم بهینه‌سازی جهت‌گیری شده است که برای حل مسائل بهینه‌سازی محدوده‌مبنا به کار می‌رود. این الگوریتم در سال ۱۹۹۶ توسط دکتر شاهین هریسی (Shahin Hesary) از دانشگاه صنعتی شریف اختراع شد.

به طور خلاصه، الگوریتم شاهین هریسی یک الگوریتم تکاملی است که با ترکیب عملیات تکاملی، عملیات محلی و روش‌های تولید تصادفی، به دنبال بهینه‌سازی یک مسئله می‌گردد. الگوریتم شاهین هریسی به دلایل زیر قابل توجیه استفاده است:

به دلیل اینکه با ترکیب روش‌های متفاوت بهینه‌سازی، احتمال دستیابی به جواب بهینه افزایش می‌یابد.

به دلیل اینکه الگوریتم شاهین هریسی به دنبال جواب بهینه در محدوده‌مبنا است، از پیچیدگی‌های مرتبط با مسائل بی‌محدوده مانند رفتار آشفته و گرادیان صفر جلوگیری می‌کند.

الگوریتم شاهین هریسی به دلیل استفاده از روش‌های تصادفی، در مقابل گیر کردن در مینیمم محلی مقاومت بیشتری دارد.

الگوریتم شاهین هریسی در سال‌های اخیر برای حل مسائل بهینه‌سازی در مختلف زمینه‌ها مورد استفاده قرار گرفته است.

الگوریتم شاهین هریسی بر اساس فرایندهای تکاملی و الهام گرفته از روش‌های طبیعی مانند رفتار جمعی حیوانات و گیاهان، طوفان‌ها و رفتار متقابل میان آن‌ها، طراحی شده است. این الگوریتم از عملکرد جمعیت در جستجوی بهینه برای حل مسائل پیچیده استفاده می‌کند.

الگوریتم شاهین هریسی شامل مراحل زیر است:

مقداردهی اولیه: جمعیتی از نقاط تولید تصادفی در فضای جستجو تولید می‌شود. این نقاط به عنوان افراد جمعیت در نظر گرفته می‌شوند.

ارزیابی: هر عضو جمعیت بر اساس هدف مورد نظر مسئله ارزیابی می‌شود و مقدار مناسبی به آن اختصاص داده می‌شود.

انتخاب: عضوی از جمعیت با احتمال برابر با ارزش بالاتر برای زندگی و تولید نسل بعدی انتخاب می‌شود.

تولید نسل بعدی: با استفاده از عملیات تکاملی مانند ترکیب، جهش و تطبیق، نسل بعدی از جمعیت تولید می‌شود.
 [e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

همگرایی: عضوی با مقدار مناسب به عنوان جواب بهینه در نظر گرفته می‌شود. در صورت رسیدن به شرایط توقف مورد نظر، الگوریتم پایان می‌یابد. در غیر این صورت، به مرحله ۳ برگشته و فرآیند تکرار می‌شود.

الگوریتم شاهین هریسی به دلیل سادگی پیاده‌سازی، قابلیت تطبیق با مسائل پیچیده، عملکرد خوب در حل مسائل و توانایی کاهش زمان محاسبه، در بسیاری از حوزه‌ها مورد استفاده قرار می‌گیرد.

لیست کاربرد های الگوریتم انجام پروژه شاهین هریس

الگوریتم شاهین هریسی در مسائل بهینه‌سازی و جستجوی بهینه قابل استفاده است. برخی از کاربردهای الگوریتم شاهین هریسی عبارتند از:

بهینه‌سازی توانمندی سیستم‌ها: الگوریتم شاهین هریسی می‌تواند در بهینه‌سازی توانمندی سیستم‌های پیچیده مانند شبکه‌های توزیع برق، شبکه‌های ارتباطی، سیستم‌های حمل و نقل و سیستم‌های مدیریت منابع استفاده شود.

طراحی ساختار و بهینه‌سازی فرآیندهای صنعتی: با استفاده از الگوریتم شاهین هریسی، می‌توان به طراحی و بهینه‌سازی ساختار و فرآیندهای صنعتی مانند خطوط تولید، زنجیره تأمین و برنامه‌ریزی تولید پرداخت.

مسائل برنامه‌ریزی و تخصیص منابع: الگوریتم شاهین هریسی می‌تواند در برنامه‌ریزی تولید، تخصیص منابع، برنامه‌ریزی پروژه‌ها و بهینه‌سازی زمانبندی استفاده شود.

مسائل مکان‌یابی و توزیع: با استفاده از الگوریتم شاهین هریسی، می‌توان به حل مسائل مکان‌یابی و توزیع منابع مانند مسائل مکان‌یابی مراکز توزیع و مسائل مسیریابی در شبکه‌های حمل و نقل پرداخت.

بهینه‌سازی سیستم‌های تصمیم‌گیری: الگوریتم شاهین هریسی در بهینه‌سازی سیستم‌های تصمیم‌گیری مانند مسائل برنامه‌ریزی خطی و غیرخطی، بهینه‌سازی چند هدفه و بهینه‌سازی پارامترهای سیستم‌های کنترلی قابل استفاده است.

این تنها چند نمونه از کاربردهای الگوریتم شاهین هریسی هستند و این الگوریتم در بسیاری از حوزه‌ها مورد استفاده قرار می‌گیرد.

 

مسائل بهینه‌سازی ترافیک و شبکه‌های ارتباطی: الگوریتم شاهین هریسی می‌تواند در بهینه‌سازی توزیع ترافیک در شبکه‌های حمل و نقل و بهینه‌سازی عملکرد شبکه‌های ارتباطی مورد استفاده قرار گیرد.

بهینه‌سازی پروتئین‌ها و ساختارهای مولکولی: الگوریتم شاهین هریسی به عنوان یک الگوریتم جستجوی بهینه، می‌تواند در بهینه‌سازی ساختار پروتئین‌ها و ساختارهای مولکولی پرکاربرد باشد.

مسائل بهینه‌سازی مالی و سرمایه‌گذاری: الگوریتم شاهین هریسی می‌تواند در بهینه‌سازی سبد سرمایه‌گذاری، برنامه‌ریزی دارایی‌ها و بهینه‌سازی استراتژی‌های مالی مورد استفاده قرار گیرد.

بهینه‌سازی شبکه‌های اجتماعی و تحلیل شبکه‌های اجتماعی: الگوریتم شاهین هریسی می‌تواند در بهینه‌سازی ساختار و عملکرد شبکه‌های اجتماعی استفاده شود و برای تحلیل و پیش‌بینی رفتار افراد در شبکه‌های اجتماعی نیز مورد استفاده قرار گیرد.

مسائل بهینه‌سازی تولید و مصرف انرژی: الگوریتم شاهین هریسی می‌تواند در بهینه‌سازی تولید و مصرف انرژی در سیستم‌های تولید برق، سیستم‌های حرارتی و سیستم‌های تأمین انرژی مورد استفاده قرار گیرد.

این فقط برخی از کاربردهای الگوریتم شاهین هریسی هستند و قابلیت استفاده این الگوریتم در مسائل بهینه‌سازی و جستجوی بهینه در حوزه‌های مختلف بسیار گسترده است.

بهینه سازی الگوریتم HHO بهینه سازی شاهین هریس با استفاده از طرح های جهش و ترکیب ، ساختار چند ازدحامی و چند رهبری

سه سال پیش منتشر شده

تعداد بازدید: 762

کد پروژه: 234952

شرح پروژه

بهینه سازی الگوریتم HHO بهینه سازی شاهین هریس با استفاده از طرح های جهش و ترکیب ، ساختار چند ازدحامی و چند رهبری

ساختارهای به روزرسانی تکاملی و مراحل مبتنی بر هرج و مرج استفاده کنه
الگوریتم بهینه‌سازی HHO یا Harris Hawk Optimization یک الگوریتم مبتنی بر رفتار شاهین‌ها در طبیعت است و به عنوان یکی از روش‌های بهینه‌سازی مورد استفاده قرار می‌گیرد. این الگوریتم با استفاده از مفاهیمی چون اندازه‌گیری، جست‌وجو و جلب، سعی در بهبود پاسخ‌های بهینه برای مسائل مختلف دارد. شاهین‌ها با منابع جدید در محیط برخورد می‌کنند، توجه می‌کنند و به دنبال جلب و انتقال آن‌ها به مکان‌های مناسبی هستند.

اهمیت یادگیری الگوریتم بهینه‌سازی شاهین هریس (HHO) چیست؟

الگوریتم HHO، یک الگوریتم‌ فراابتکاری است که افکاری نوین را در زمینه یادگیری ماشین و هوش مصنوعی فراهم می‌کند و از آنجا که از نظریه اکولوژی حیات واقعی الهام می‌گیرد، به ارتقای تکنیک‌های بهینه‌سازی و تحلیل الگوریتمی در مسائل واقعی کمک می‌کند. به عنوان یک ابزار قدرتمند در زمینه بهینه‌سازی، یادگیری این الگوریتم می‌تواند به محققان و مهندسان در بهبود عملکرد و دقت حل مسائل مختلف، کمک بزرگی کند.

یکی دیگر از ویژگی‌های مهم این الگوریتم، سادگی اجرای آن است. این ویژگی می‌تواند به محققان و مهندسان در توسعه و آزمون الگوریتم‌ها کمک کند. همچنین، HHO قابلیت حل مسائل چندهدفه (MOO) را نیز داراست و می‌تواند به مهندسان در انتخاب بهترین راه‌حل‌های تعادلی برای مسائل پیچیده مهندسی کمک کند.
 [e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش، ابتدا به توضیح جزئیات الگوریتم HHO اشاره‌ای داشته، سپس به پیاده‌سازی مراحل آن در محیط MATLAB خواهیم پرداخت. سرانجام، به عنوان یک نمونه کاربرد عملی، به بررسی عملکرد این الگوریتم در بهینه‌سازی خوشه‌بند K-Means و مقایسه کارایی آن با سایر الگوریتم‌های فراابتکاری خواهیم پرداخت.
مفید برای

    علاقه‌مندان به حل الگوریتم‌های بهینه‌سازی

محتوای این آموزش

۱ ساعت و ۲۷ دقیقه آموزش ویدئویی

۱۵ سوال سنجش یادگیری

فایل برنامه‌ها و پروژه‌ها

فایل PDF یادداشت‌ها و اسلایدها

تالار پرسش‌ و ‌پاسخ
سرفصل‌ها
۱۴ درس در قالب ۴ فصلبستن همه فصل‌ها
فصل ۱. مباحث تئوری بهینه‌سازی شاهین هریس
مقدمه‌ای بر انواع الگوریتم‌های فراابتکاری۰۴:۱۳
مدل‌سازی فرایند اکتشاف الگوریتم شاهین هریس و نحوه تبدیل از فاز اکتشاف به فاز استخراج۰۷:۵۸
مدل‌سازی فرایند استخراج الگوریتم شاهین هریس – محاصره نرم و سخت۰۳:۱۱
مدل‌سازی فرایند استخراج الگوریتم شاهین هریس – محاصره نرم و سخت با یورش سریع پیش‌رونده۰۴:۴۱
فصل ۲. پیاده‌سازی الگوریتم شاهین هریس در محیط متلب
طرح ساختار پیاده‌سازی الگوریتم شاهین هریس۰۸:۳۳
تعریف مساله۰۳:۳۲
مقداردهی اولیه۰۷:۱۳
پیاده‌سازی فار اکتشاف الگوریتم شاهین هریس۰۶:۴۱
پیاده‌سازی فار استخراج الگوریتم شاهین هریس۱۱:۴۷
نمایش خروجی پیاده‌سازی الگوریتم شاهین هریس در متلب۱۱:۰۴
فصل ۳. مقایسه عملکرد الگوریتم HHO با الگوریتم PSO در بخش‌بندی تصویر MRI
بیان الگوریتم خوشه‌بند K-Means به‌عنوان یک مساله‌ بهینه‌سازی۰۴:۱۰
پیاده‌سازی خوشه‌بند K-Means بهینه‌سازی‌شده با HHO۰۷:۳۴
فصل ۴. راهنمایی ادامه مسیر

استفاده از الگوریتم ترکیبی شاهین هریس و ژنتیک

نوع مقاله : علمی - پژوهشی

نویسندگان

    عباس خواجه 1 علیرضا کیانی 2 محمود سراجی 3 هادی دشتی 3
 [e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

1 دانشجوی دکتری ،دانشکده مهندسی ،دانشگاه آزاد اسلامی ، بوشهر،ایران

2 استادیار ،دانشکده مهندسی ،دانشگاه آزاد اسلامی ، بوشهر،ایران

3 استادیار،دانشکده مهندسی ،دانشگاه آزاد اسلامی ، بوشهر،ایران
10.22065/jsce.2022.338161.2788

چکیده
امروزه به دلیل مسائل اقتصادی موجود، بهینه‌سازی و استفاده حداکثری از مصالح به شدت مورد توجه می‌باشد. به دلیل گسترده بودن پارامترها استفاده از روش‌های ریاضی منطقی و عقلانی نیست. به همین دلیل روش‌های فرا ابتکاری گسترش یافته‌اند. در زمینه سازه‌ها نیز بهینه‌سازی وزن با استفاده از روش‌های گوناگون علاقه‌مندان زیادی دارد. به دلیل اهمیت سازه‌های خرپایی در این مقاله بهینه‌سازی سازه‌های خرپایی شکل با استفاده از الگوریتم ترکیبی شاهین هریس و ژنتیک انجام شده است. الگوریتم شاهین هریس یکی از جدیدترین الگوریتم‌ها در زمینه بهینه‌سازی می‌باشد که برگرفته از رفتار طبیعی حیوانات می‌باشد. در الگوریتم شاهین هریس از روند جهش که متعلق به الگوریتم ژنتیک می‌باشد استفاده شده است تا از به دام افتادن جواب‌ها در بهینه محلی جلوگیری کند. بهینه‌سازی مورد نظر مقید می‌باشد به همین دلیل قیود مورد نظر تنش و جابجایی انتخاب شده است. قیدهای مورد نظر باعث می‌شوند که جواب-های بدست آمده در محدوده مجاز قرار گیرند و در صورتی که از حد مجاز تجاوز کنند جریمه شوند. چهار سازه خرپایی شکل، 10 عضوی، 25 عضوی، 72 عضوی و 200 عضوی برای بهینه سازی انتخاب شده است. پیاده کردن الگوریتم ترکیبی شاهین-ژنتیک در نرم افزار متلب انجام و نتایج بدست آمده از الگوریتم ترکیبی شاهین با سایر منابع موجود مقایسه شده است. بررسی انجام شده نشان می‌دهد که الگوریتم ترکیبی شاهین-ژنتیک دارای سرعت همگرایی بیشتر و نیز جواب‌های بهتر در مقایسه با الگوریتم شاهین می‌باشد. همچنین این ترکیب دارای جواب‌های بهتری در مقایسه با سایر الگوریتم‌ها نیز می‌باشد.
کد الگوریتم شاهین هریس : شبیه سازی الگوریتم شاهین هریس در متلب ، hho در matlab
خانه الگوریتم های فراابتکاری الگوریتم شاهین هریس کد الگوریتم شاهین هریس : شبیه سازی الگوریتم شاهین هریس در متلب ، hho در matlab
حراج!
کد متلب الگوریتم HHO ، شاهین هریس

تومان40,000 تومان29,000

سورس کد الگوریتم شاهین هریس در نرم افزار متلب : در این محصول الگوریتم شاهین هریس یا HHO در Matlab شبیه سازی و پیاده سازی شده است.

    ضمانت اجرای کد
    گارانتی شده توسط matlab24
    رمز فایل دانلودی : matlab24.ir

امتیازدهی 4.00 از 5 در 1 امتیازدهی مشتری
(دیدگاه 1 کاربر)
امتیاز 4.00 از 1 رأی
4.00 1 Votes
88 فروش
تاریخ انتشار : آوریل 7, 2020
تاریخ بروزرسانی : ژوئن 20, 2024
matlab24
مشاهده فروشگاه
مشخصات محصول

    دسته بندیالگوریتم شاهین هریس, الگوریتم2019

    توضیحات
    نظرات (1)
 [e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

در این محصول، الگوریتم شاهین هریس یا HHo که بعضا آن را الگوریتم بازشکاری هریس هم نامگذاری کرده اند در نرم افزار Matlab کد نویسی و شبیه سازی شده است.
شبیه سازی الگوریتم HHO در متلب بصورت ساده ، روان و قابل تغییر . با این کد میتوانید مسائل مختلف را بهینه سازی کنید.

بخش اولیه کد نیز در زیر آورده شده است:
%% preparing matlab
 
clc
clear
close all
%% Define problem parameters
 
varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables
 
%% HHO Parameters
 
N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution
 
costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step
 
Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end
 [e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

کد متلب الگوریتم HHO به همراه توضیح فارسی :

شما با خرید این محصول ، علاوه به کد متلب الگوریتم شاهین هریس ، که شبیه سازی در نرم افزار  Matlab هست ، یک فایل

انجام پروژه های الگوریتم شاهین هریس

س یا Harris Hawks Optimizer که به اختصار HHO نامیده می شود بصورت رایگان از 0 تا 100 تشریح می شود. این الگوریتم در سال 2019 توسط علی اصغر حیدری در ژورنال Future Generation Computer Systems از الزویر ابداع و چاپ شده است. الگوریتم HHO یک الگوریتم بهینه‌سازی مبتنی بر جمعیت و الهام‌گرفته از طبیعت است که از رفتار مشارکتی و سبک تعقیب و گریز شاهین‌های هریس در غافلگیری طعمه نشأت می گیرد.

در این رفتار و استراتژی هوشمند، چندین شاهین با همکاری یکدیگر یک طعمه را از جهات مختلف مورد حمله قرار می دهند تا آن را غافلگیر کنند. از این رفتار شاهین های هریس برای به دام انداختن طعمه برای حل مسائل بهینه سازی استفاده شده است که در ادامه به توضیح و تشریح آن خواهیم پرداخت.
فهرست مطالب مخفی
آشنایی با شاهین هریس
الگوریتم شاهین هریس
مرحله اکتشاف در الگوریتم شاهین هریس
انتقال از مرحله اکتشاف به بهره برداری در الگوریتم شاهین هریس
مرحله بهره برداری در الگوریتم شاهین هریس
محاصره نرم soft besiege
محاصره سخت Hard besiege
محاصره نرم با شیرجه های سریع پیشرونده
محاصره سخت با شیرجه های سریع پیشرونده
شبه کد الگوریتم شاهین هریس HHO
پیچیدگی محاسباتی الگوریتم HHO
نتیجه گیری
منابع
آشنایی با شاهین هریس

در سال 1997، لوئیس لوفور رویکردی را برای اندازه گیری “ضریب هوشی” پرندگان پیشنهاد کرد. بر اساس مطالعات او، شاهین ها را می توان در زمره باهوش ترین پرندگان طبیعت قرار داد. شاهین هریس پرنده ای شکاری است که در گروه‌های نسبتاً ثابتی در نیمه جنوبی آریزونا، ایالات متحده یافت می‌شوند، زندگی می کنند.

در طبیعت جستجوی هماهنگ شده برای شکار و سپس اشتراک گذاری حیوان کشته شده تنها برای پستانداران خاصی مشاهده شده است. پرندگان شکاری دیگر معمولاً به تنهایی برای کشف و گرفتن یک طعمه حمله می کنند اما شاهین هریس به دلیل فعالیت های منحصر به فردش به همراه سایر اعضای خانواده که در یک گروه ثابت زندگی می کنند متمایز از سایر پرندگان شکاری است.

این شکارچی، توانایی‌های مبتکرانه‌ای را در تعقیب در ردیابی، محاصره کردن، بیرون ریختن و در نهایت حمله به طعمه احتمالی را از خود نشان می‌دهد. این پرندگان هوشمند می توانند مهمانی های چند نفره را در فصل غیر تولید مثل ترتیب دهند. آنها به عنوان شکارچیان هماهنگ و زبردست شناخته می شوند. آنها مأموریت تیمی خود را در گرگ و میش صبح آغاز می کنند، این کار با ترک محل های زندگی آنها که اغلب بر روی درختان غول پیکر است، آغاز می شود. آنها اعضای خانواده خود را می شناسند و سعی می کنند از حرکات آنها در هنگام حمله آگاه باشند.

شاهین هریس

وقتی شاهین های هریس جمع شدند، برخی شاهین‌ها یکی پس از دیگری تورها یا جستجوهای کوتاهی را انجام می‌دهند و سپس بر روی مکان های نسبتاً بلندی فرود می‌آیند. به این ترتیب، شاهین‌ها گاهی یک حرکت «جهشی» را در سرتاسر محل مورد نظر انجام می‌دهند و دوباره به هم می‌پیوندند و چندین بار از هم جدا می‌شوند تا به طور فعال، حیوان تحت پوشش را که معمولاً یک خرگوش است جستجو کنند.

تاکتیک اصلی شاهین‌های هریس برای گرفتن طعمه، «پرش غافلگیرانه» (surprise pounce) است که به عنوان استراتژی «هفت کشته» (seven kills) نیز شناخته می‌شود. در این استراتژی هوشمند، چندین شاهین سعی می کنند به طور مشترک از جهات مختلف به طعمه حمله کنند و به طور همزمان روی یک خرگوش در حال فرار شناسایی شده در خارج از پوشش همگرا شوند.

حمله ممکن است به سرعت با گرفتن طعمه غافلگیر شده در چند ثانیه تکمیل شود، اما گاهی اوقات، با توجه به قابلیت های فرار و رفتار طعمه، هفت کشته ممکن است شامل شیرجه های چندگانه، کوتاه و سریع در نزدیکی طعمه در طول چند دقیقه باشد. شاهین‌های هریس می‌توانند انواع مختلفی از سبک‌های تعقیب را که به ماهیت پویای شرایط و الگوهای فرار از طعمه بستگی دارد، نشان دهند. تاکتیک تعویض، زمانی اتفاق می افتد که بهترین شاهین (رهبر) روی طعمه فرود می آید و گم می شود و تعقیب و گریز توسط یکی از اعضای گروه ادامه می یابد.

این فعالیت های سوئیچینگ را می توان در موقعیت های مختلف مشاهده کرد زیرا برای گیج کردن خرگوش فراری مفید هستند. مزیت اصلی این تاکتیک‌های همکاری این است که شاهین‌های هریس می‌توانند خرگوش شناسایی‌شده را تا فرط خستگی تعقیب کنند، تا آسیب‌پذیری او را افزایش دهند. علاوه بر این، با گیج کردن طعمه فراری، توانایی های دفاعی خرگوش را کاهش می دهند و در نهایت خرگوش نمی تواند از محاصره تیمی که در مقابل آن قرار گرفته است بگریزد چون یکی از شاهین ها که اغلب قدرتمندترین و با تجربه ترین آنهاست، بدون زحمت خرگوش خسته را می گیرد و آن را با دیگر اعضا به اشتراک می گذارد.

رفتار های شاهین هریس
الگوریتم شاهین هریس

در این بخش، مراحل اکتشاف (exploration) و بهره‌برداری (exploitation) الگوریتم HHO با الهام از جستجوی طعمه، حملات غافلگیرکننده و استراتژی‌های مختلف حمله مدل‌سازی می شود. الگوریتم شاهین هریس یک روش بهینه سازی مبتنی بر جمعیت و بدون گرادیان است. از این رو، می توان آن را برای هر مسئله بهینه سازی با یک فرمول مناسب اعمال کرد. شکل زیر تمام مراحل الگوریتم را نشان می دهد که در بخش های بعدی به طور کامل تشریح خواهند شد.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

مراحل مختلف الگوریتم HHO
پاورپوینت الگوریتم شاهین هریس HHO

پاورپوینت آماده الگوریتم شاهین هریس HHO

پاورپوینت آماده الگوریتم شاهین هریس HHO در 23 اسلاید در قالب ppt. یا pptx. با قابلیت ویرایش برای ارائه درسی آماده دانلود می‌باشد. برای تهیه و دانلود این پاورپوینت از طریق لینک زیر اقدام کنید.
همین الان کلیک کنید
مرحله اکتشاف در الگوریتم شاهین هریس

در این مرحله اکتشاف در الگوریتم HHO با توجه به ماهیت شاهین هریس می توان گفت این پرندگان می توانند طعمه را با چشمان قدرتمند خود ردیابی و تشخیص دهند، اما گاهی اوقات طعمه به راحتی دیده نمی شود. از این رو، شاهین‌ها منتظر می‌مانند و منطقه را مشاهده و نظارت می‌کنند تا شاید پس از چند ساعت طعمه‌ای را شناسایی کنند.

در الگوریتم شاهین هریس، شاهین های هریس راه حل های کاندید هستند و بهترین راه حل کاندید در هر مرحله به عنوان طعمه مورد نظر یا تقریباً بهینه در نظر گرفته می شود. شاهین‌های هریس به‌طور تصادفی در مکان‌هایی نشسته و منتظرند. اگر شانس q را برای هر استراتژی نشستن در نظر بگیریم، بر اساس دو استراتژی، طعمه شناسایی می شود:

    شاهین ها بر اساس موقعیت سایر شاهین ها و خرگوش نشسته و منتظر هستند ( q < 0.5 ).
    یا بر روی درختان بلند بصورت تصادفی (مکان تصادفی در محدوده خانه گروه)، نشسته و منتظر هستند (q >= 0.5 )

معادله 1 الگوریتم شاهین هریس

که در آن X(t+1) بردار موقعیت شاهین ها در تکرار t است، Xrabbit(t) موقعیت خرگوش، X(t) بردار موقعیت فعلی شاهین ها، r1، r2، r3، r4 و q اعداد تصادفی در داخل (0،1) هستند که در هر تکرار به روز می شوند، LB و UB کران های بالایی و پایینی متغیرها را نشان می‌دهند، Xrand(t) موقعیت یک شاهین تصادفی از جمعیت فعلی و Xm میانگین موقعیت از جمعیت فعلی شاهین ها است.

در قانون اول راه حل هایی، بر اساس یک مکان تصادفی متاثر از موقعیت قبلی و سایر شاهین ها (به تصادف) ایجاد می شود. اما در قانون دوم معادله 1 ما یک مدل برای ایجاد مکان‌های تصادفی در محدوده LB و UB ارائه شده است. تفاوت مکان بهترین موقعیت کنونی و میانگین موقعیت گروه را به اضافه یک مؤلفه با مقیاس تصادفی بر اساس دامنه متغیرها داریم.

متغیر های r3 و r4 ضریب مقیاس برای افزایش ماهیت تصادفی بودن کران بالا و پایین است. در این قانون، یک طول حرکت با مقیاس تصادفی به LB اضافه شده است سپس، یک ضریب مقیاس‌پذیری تصادفی را برای مؤلفه در نظر گرفته شده تا روند متنوع‌سازی جمعیت در مناطق مختلف فضای ویژگی کشف شود. میانگین موقعیت شاهین ها با استفاده از معادله 2 به دست می آید.

معادله 2 الگوریتم شاهین هریس

که در آن Xi(t) مکان هر شاهین را در تکرار t و N نشان دهنده تعداد کل شاهین ها است.
انتقال از مرحله اکتشاف به بهره برداری در الگوریتم شاهین هریس

الگوریتم HHO می تواند از مرحله اکتشاف به بهره برداری و سپس بین رفتارهای استثماری مختلف بر اساس انرژی فرار طعمه تغییر کند. انرژی یک طعمه در طول فرار به طور قابل توجهی کاهش می یابد. برای مدل سازی این واقعیت، انرژی یک طعمه به صورت زیر مدل می شود:

معادله 3 الگوریتم شاهین هریس

که در آن E انرژی فرار طعمه را نشان می دهد، T حداکثر تعداد تکرارها و E0 انرژی اولیه طعمه  است. E0 می تواند به طور تصادفی در بازه (1+ ، 1-) در هر تکرار تغییر کند. هنگامی که مقدار E0 از 0 به 1- کاهش می یابد، خرگوش از نظر فیزیکی ضعف می کند، در حالی که زمانی که مقدار E0 از 0 به 1 افزایش می یابد، به این معنی است که خرگوش در حال تقویت خود است. انرژی فرار دینامیکی E در طول تکرارها روند کاهشی دارد.

وقتی انرژی در حال فرار 1=<|E| می شود، شاهین ها مناطق مختلف را برای یافتن مکان خرگوش جستجو می کنند، از این رو، در الگوریتم شاهین هریس مرحله اکتشاف انجام می شود و زمانی که 1>|E| می شود، الگوریتم سعی می کند از همسایگی راه حل ها در طول مرحله بهره برداری، استفاده کند. به طور خلاصه، اکتشاف زمانی اتفاق می افتد که 1=<|E| باشد و بهره برداری در مراحل بعدی با1>|E| اتفاق می افتد. رفتار وابسته به زمان E نیز در شکل زیر نشان داده شده است.

رفتار E در طول دو اجرا و 500 تکرار HHO
مرحله بهره برداری در الگوریتم شاهین هریس

در این مرحله، شاهین های هریس با حمله به طعمه شناسایی شده در مرحله قبل، پرش غافلگیرکننده (surprise pounce) را انجام می دهند (همان حمله معروف seven kills). طعمه ها اغلب سعی می کنند از موقعیت های خطرناک فرار کنند. از این رو، سبک های مختلف تعقیب در موقعیت های واقعی رخ می دهد. با توجه به رفتارهای فرار طعمه و استراتژی های تعقیب و گریز شاهین های هریس، چهار استراتژی در الگوریتم HHO برای مدل سازی مرحله حمله وجود خواهد داشت.

طعمه ها همیشه سعی می کنند از موقعیت های تهدیدآمیز فرار کنند. فرض می کنیم r شانس فرار موفقیت آمیز یک طعمه با مقدار (r<0.5) است و عدم فرار موفقیت آمیز (r>=0.5) قبل از حمله غافلگیرانه باشد. هر کاری که طعمه انجام دهد، شاهین ها برای گرفتن طعمه محاصره سخت hard besiege یا نرم soft besiege انجام می دهند. این بدان معنی است که شاهین ها طعمه را از جهات مختلف به آرامی یا بصورت سخت بسته به انرژی حفظ شده طعمه محاصره می کنند. در موقعیت‌های واقعی، شاهین‌ها به طعمه مورد نظر نزدیک‌تر و نزدیک‌تر می‌شوند تا شانس خود را برای کشتن مشترک خرگوش با انجام فرود های غافلگیرکننده افزایش دهند.

پس از چند دقیقه فرار، طعمه انرژی بیشتر و بیشتری را از دست می دهد. سپس، شاهین‌ها فرآیند محاصره را تشدید می‌کنند تا طعمه‌ خسته را بدون دردسر بگیرند. برای مدل‌سازی این استراتژی و فعال کردن الگوریتم برای تغییر بین فرآیندهای محاصره نرم و سخت، از پارامتر E استفاده می‌شود. در این رابطه وقتی 0.5=<|E|، محاصره نرم اتفاق می افتد، و زمانی که 0.5>|E|، محاصره سخت رخ می دهد.
محاصره نرم soft besiege

وقتی r>=0.5 و E|>=0.5|، خرگوش هنوز انرژی کافی دارد و سعی می کند با پرش های تصادفی و گمراه کننده فرار کند اما در نهایت نمی تواند. در طول این تلاش ها، شاهین های هریس به آرامی آن را محاصره می کنند تا خرگوش را خسته تر کنند و سپس جهش غافلگیرکننده را انجام می دهند. این رفتار با قوانین زیر مدل سازی می شود:

معادله محاصره نرم soft besiege در الگوریتم شاهین هریس

که در آن ΔX(t) تفاوت بین بردار موقعیت خرگوش و مکان فعلی در تکرار t است، r5 یک عدد تصادفی در محدوده (0,1) است، و J=2(1-r5) نشان دهنده قدرت پرش تصادفی خرگوش در تمام مراحل فرار است. مقدار J را به طور تصادفی در هر تکرار تغییر می کند تا ماهیت حرکات خرگوش را شبیه سازی کند.
محاصره سخت Hard besiege

وقتی r>=0.5 و E|<0.5| باشد طعمه بسیار خسته است و انرژی فرار کمی دارد. در این حالت شاهین‌های هریس طعمه مورد نظر را  به صورت سخت محاصره می‌کنند تا در نهایت حمله غافلگیرکننده را انجام دهند. در این وضعیت، موقعیت های فعلی با استفاده از معادله (6) به روز می شوند:

معادله محاصره سخت Hard besiege در الگوریتم شاهین هریس

یک مثال ساده از این مرحله با یک شاهین در شکل زیر نشان داده شده است.

مثالی از محاصره سخت در الگوریتم HHO
محاصره نرم با شیرجه های سریع پیشرونده

هنگامی که E|>=0.5| اما r<0.5 است، خرگوش انرژی کافی برای فرار موفقیت آمیز را دارد و همچنان یک محاصره نرم قبل از حمله غافلگیرکننده ایجاد می شود. این روش هوشمندتر از مورد قبلی است. برای مدل‌سازی ریاضی الگوهای فرار حرکات طعمه و جهش، مفهوم پرواز یا Levy Flight (LF) در الگوریتم HHO استفاده می‌شود.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

LF برای تقلید از حرکات فریبنده زیگزاگی واقعی طعمه ها در مرحله فرار و شیرجه های نامنظم، ناگهانی و سریع شاهین ها در اطراف طعمه فراری استفاده می شود. در واقع، شاهین ها چندین شیرجه سریع تیمی را در اطراف خرگوش انجام می دهند و سعی می کنند مکان و جهت خود را با توجه به حرکات فریبنده طعمه تصحیح کنند.

تأیید شده است که فعالیت‌های مبتنی بر LF تاکتیک‌های جستجوی بهینه برای جستجوگران/شکارچیان در شرایط جستجوی غیر مخرب هستند. علاوه بر این، تشخیص داده شده است که الگوهای مبتنی بر LF را می توان در فعالیت های تعقیب و گریز حیواناتی مانند میمون ها و کوسه ها تشخیص داد. از این رو، حرکات مبتنی بر LF در این مرحله از الگوریتم HHO مورد استفاده قرار گرفت.

با الهام از رفتارهای واقعی شاهین ها، فرض شده که آنها می توانند به تدریج بهترین شیرجه ممکن را به سمت طعمه انتخاب کنند، بنابراین، برای انجام یک محاصره نرم، فرض شده که شاهین ها بتوانند حرکت بعدی خود را بر اساس قانون زیر در معادله (7) ارزیابی کرده تصمیم بگیرند
    
08 مارس
کد متلب الگوریتم شاهین هریس :  شبیه سازی الگوریتم HHO در نرم افزار متلب، به همراه یک فایل توضیحات خط به خط فارسی.
کد متلب الگوریتم شاهین هریس   
کد متلب الگوریتم HHO
شبیه سازی HHO در متلب
پیاده سازی الگوریتم شاهین هریس

همانطور که میدانید ، الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از رفتار تعاملی نوعی از شاهین ها بنام شاهین هریس ، برای شکار خرگوش الهام گرفته شده است.

الگوریتم HHO یک الگوریتم بهینه سازی جدید است که در سال 2019 ارائه شده است.
بهترین فرصت برای دانشجویان، اساتید و محققان است تا به رائه مقاله و پایان نامه با این الگوریتم جدید ، الگوریتم HHO بپردازند.
دموی کد متلب الگوریتم HHO یا شاهین هریس

اولین گام ، برای انجام کار با الگوریتم شاهین هریس ، یادگیری مفاهیم این الگوریتم می باشد و سپس کدنویسی الگوریتم HHO در نرم افزار Matlab تا بتوانید مسئله مورد نظر خود را با این الگوریتم حل کنید.

ما در تیم برنامه نویسی هوشمند، کد متلب الگوریتم HHO را در نرم افزار Matlab پیاده سازی کرده ایم و برای فهم بهتر کد، یک فایل جداگانه توضیحات فارسی و خط به خط ، نیز در کنار کد برای شما عزیزان قرار داده ایم.

%% preparing matlab
clc
clear
close all
%% Define problem parameters
varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables

%% HHO Parameters
N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution
costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step
Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end

 
دانلود رایگان کد متلب الگوریتم شاهین هریس :

الگوریتم شاهین هریس توسط آقای حیدری و میرجلیلی معرفی شد. و خود این افراد کدشان را بصورت رایگان برای دانلود قرار داده اند.

متاسفانه دیده میشود که برخی سایت ها ، این کد رایگان را با مبالغ مختلف به فروش میرسانند.
برای دانلود کد رایگان الگوریتم HHO اینجا را کلیک کنید.

 

اگر کد رایگان است پس کد زیر که برای فروش است چیست؟

از آنجا که این کد رایگان، با توابع بنچ مارک مختلف می باشد و فهم آن ممکن است برای دوستان سخت باشد، ما در تیم برنامه نویسی هوشمند، پیاده سازی شاهین هریس را با روش و متد خودمان انجام داده ایم و  آن را با توضیح خط به خط کد در اختبار شما عزیزان قرار داده ایم.

کد ما این قابلیت را دارد که به سادگی و با تغییر تابع هدف، توابع و مسائل مختلف را با آن حل کنید.
جهت خرید و دانلود کد متلب الگوریتم شاهین هریس اینجا را کلیک کنید
جهت دانلود کد متلب الگوریتم شاهین هریس بر روی دکمه فوق کلیک کنید. لینک دانلود بلافاصله بعد از پرداخت برای شما ایمیل می شود.

فایل هایی که ارسال میشود :

    فایلهای مرتبط با کد متلب الگوریتم HHO
    فایل توضیح فارسی خط به خط کد نوشته شده.
    سوالات قبل از خرید خود را با شماره درج شده در سایت ، از طریق واتساپ ، تلگرام یا تماس مستقیم مطرح کنید.

انجام پروژه با الگوریتم HHO در متلب

چنانچه به دنبال حل مسئله ای خاص با الگوریتم HHO در نرم افزار Matlab هستید، برنامه نویسان حرفه ای تیم برنامه نویسی هوشمند، آمادگی دارند تا به شما در این مسیر یاری برسانند.

 
حل مسائل مختلف ، در رشته های مخلتف با الگوریتم HHO را به ما بسپارید.
صرفه جویی در زمان ما روزها و ماه ها تلاش کرده ایم و وقت گذاشته ایم، دیگر نیازی نیست شما هم زمان خود را صرف یادگیری و نوشتن کد کنید، از دانش ما بهره ببرید.
کدهای بدون خطا داشته باشید ما سالهاست کدنویسی میکنیم، قطعا کدی که توسط متخصصین نوشته میشود کم خطاتر و قابل اعتمادتر است.
کد متلب الگوریتم شاهین هریس
کد متلب HHO   
شبیه سازی الگوریتم HHO در متلب ، به همراه توضیح خط به خط کد
ترجمه مقاله شاهین هریس
کد متلب HHO   
ترجمه آماده مقاله HHO به فارسی
اسلاید آماده الگوریتم شاهین هریس
کد متلب HHO   
اسلاید آماده الگوریتم HHO ، پاورپوینت الگوریتم شاهین هریس.
برای خرید و دانلود کد متلب الگوریتم HHO اینجا را کلیک کنید
جهت دانلود کد متلب الگوریتم شاهین هریس بر روی دکمه فوق کلیک کنید. لینک دانلود بلافاصله بعد از پرداخت برای شما ایمیل می شود.

فایل هایی که ارسال میشود :

    فایلهای مرتبط با کد متلب الگوریتم HHO
    فایل توضیح فارسی خط به خط کد نوشته شده.

سوالات قبل از خرید خود را با شماره درج شده در سایت ، از طریق واتساپ ، تلگرام یا تماس مستقیم مطرح کنید.
ما در الگوریتم شاهین هریس متلب24 بصورت کامل هر آنچه شما نیاز دارید را جمع آوری کرده ایم:
-  ترجمه مقاله شاهین هریس ،
-  اسلاید الگوریتم شاهین هریس
- کد متلب الگوریتم شاهین هریس
- انجام پروژه با الگوریتم شاهین هریس

اگر شما نیاز به کدنویسی مسائل مختلف با الگوریتم شاهین هریس یا HHO را دارید کافی است با ما تماس بگیرید.
کد متلب الگوریتم شاهین هریس : پیاده سازی الگوریتم HHO در متلب

کد الگوریتم شاهین هریس ، پیاده سازی شده در نرم افزار matlab

    دانلود فایل کد قابل اجرا در matlab
    بهینه سازی تابع shpere بعنوان نمونه
    فایل توضیحات خط به خط کد

29,000 تومان
کد متلب الگوریتم شاهین هریس : پیاده سازی الگوریتم HHO در متلب عدد
مقایسه
افزودن به علاقه‌مندی‌ها
دسته: الگوریتم شاهین هریس برچسب: کد آماده
تامین شده از فروشگاه متلب24
مشاهده نظرات محصول
توضیحات
کد متلب الگوریتم شاهین هریس : در این محصول ، الگوریتم شاهین هریس یا HHO را در Matlab پیاده سازی کرده ایم و به همراه فایل توضیحات خط به خط فارسی برای دانلود قرار داده ایم.

 

 

 

همانطور که میدانید ، الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از رفتار تعاملی نوعی از شاهین ها بنام شاهین هریس ، برای شکار خرگوش الهام گرفته شده است.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

الگوریتم HHO یک الگوریتم بهینه سازی جدید است که در سال 2019 ارائه شده است.
بهترین فرصت برای دانشجویان، اساتید و محققان است تا به رائه مقاله و پایان نامه با این الگوریتم جدید ، الگوریتم HHO بپردازند.

اولین گام ، برای انجام کار با الگوریتم شاهین هریس ، یادگیری مفاهیم این الگوریتم می باشد و سپس کدنویسی الگوریتم HHO در نرم افزار Matlab تا بتوانید مسئله مورد نظر خود را با این الگوریتم حل کنید.

ما در تیم برنامه نویسی هوشمند، کد متلب الگوریتم HHO را در نرم افزار Matlab پیاده سازی کرده ایم و برای فهم بهتر کد، یک فایل جداگانه توضیحات فارسی و خط به خط ، نیز در کنار کد برای شما عزیزان قرار داده ایم.

%% preparing matlab
clc
clear
close all
%% Define problem parameters
varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables

%% HHO Parameters
N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution
costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step
Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end

 

ما در گروه برنامه نویسی هوشمند کد الگوریتم HHO را بصورت اختصاصی و خودمان در متلب پیاده سازی کرده ایم و بصورت ساده و قابل فهم و قابل انعطاف می باشد.

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

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

 
دانلود رایگان کد متلب الگوریتم شاهین هریس :

الگوریتم شاهین هریس توسط آقای حیدری و میرجلیلی معرفی شد. و خود این افراد کدشان را بصورت رایگان برای دانلود قرار داده اند.

متاسفانه دیده میشود که برخی سایت ها ، این کد رایگان را با مبالغ مختلف به فروش میرسانند.
برای دانلود کد رایگان الگوریتم HHO اینجا را کلیک کنید.

 

اگر کد رایگان است پس کد زیر که برای فروش است چیست؟

از آنجا که این کد رایگان، با توابع بنچ مارک مختلف می باشد و فهم آن ممکن است برای دوستان سخت باشد، ما در تیم برنامه نویسی هوشمند، پیاده سازی شاهین هریس را با روش و متد خودمان انجام داده ایم و  آن را با توضیح خط به خط کد در اختبار شما عزیزان قرار داده ایم.

کد ما این قابلیت را دارد که به سادگی و با تغییر تابع هدف، توابع و مسائل مختلف را با آن حل کنید.

    الگوریتم شاهین هریس

ترجمه الگورتیم شاهین هریس

الگوریتم شاهین هریس یک الگوریتم فراابتکاری الهام گرفته شده از رفتار شاهین های هریس می باشد. الگوریتم HHO در سال 2019 منتشر شد و نتایج آن نشان دهنده برتری این الگوریتم بر سایر الگوریتم های تکاملی و فراابتکاری می باشد.   الگوریتم شاهین هریس یا HHO الگوریتم های تکاملی یا بهی

کد متلب الگوریتم شاهین هریس
الگوریتم شاهین هریس ، یک الگوریتم بهینه سازی جدید و یک الگوریتم فراابتکاری جدید است که در سال 2019 ارائه شده است. جدید بودن الگوریتم شاهین هریس یا بازشکاری هریس از این جهت مهم است که میتوانید بی دغدغه و با خیال راحت از آن در پایان نامه یا مقاله خود استفاده کنید.

الگوریتم شاهین هریس
الگوریتم harris hawks optimization که به اختصار به آن الگوریتم HHO نیز گفته میشود ، مناسب برای همه دانشجویان در همه رشته ها در مقطع کارشناسی ارشد و دکترا برای انجام مقاله و یا پایان نامه می باشد.
 

اگر به دنبال منابع معتبری برای شاهین هریس هستید به لینک های زیر مراجعه کنید.

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

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

دانلود کد الگوریتم شاهین هریس HHO

ترجمه شاهین هریس ، ترجمه مقاله الگوریتم شاهین هریس

شبیه سازی شاهین هریس HHO در متلب

پاورپوینت آماده شاهین هریس : اسلاید الگوریتم کد متلب الگوریتم شاهین هریس
الگوریتم شاهین هریس ، یک الگوریتم بهینه سازی جدید و یک الگوریتم فراابتکاری جدید است که در سال 2019 ارائه شده است. جدید بودن الگوریتم شاهین هریس یا بازشکاری هریس از این جهت مهم است که میتوانید بی دغدغه و با خیال راحت از آن در پایان نامه یا مقاله خود استفاده کنید.

الگوریتم شاهین هریس
الگوریتم harris hawks optimization که به اختصار به آن الگوریتم HHO نیز گفته میشود ، مناسب برای همه دانشجویان در همه رشته ها در مقطع کارشناسی ارشد و دکترا برای انجام مقاله و یا پایان نامه می باشد.
 

اگر به دنبال منابع معتبری برای شاهین هریس هستید به لینک های زیر مراجعه کنید.

 

دانلود کد الگوریتم شاهین هریس HHO

ترجمه شاهین هریس ، ترجمه مقاله الگوریتم شاهین هریس

شبیه سازی شاهین هریس HHO در متلب

پاورپوینت آماده شاهین هریس : اسلاید الگوریتم آموزش الگوریتم شاهین هریس
آموزش نرم افزار الگوریتم شاهین هریس
نرم افزار الگوریتم شاهین هریس
الگوریتم شاهین هریس
آموزش تحلیل الگوریتم شاهین هریس
آموزش روش الگوریتم شاهین هریس
حل مثال الگوریتم شاهین هریس
آموزش مجازی بستری برای یادگیری آنلاین است.پروژه متلب الگوریتم شاهین هریس (HHO)

HHO یک الگوریتم بهینه‌سازی ازدحام مبتنی بر شیب، با چندین فاز فعال و زمان متفاوت اکتشاف و بهره‌برداری است. در سال 2019، این الگوریتم توسط مجله معتبر سیستم های کامپیوتری نسل آینده (FGCS) منتشر شد و به دلیل ساختار انعطاف پذیر، عملکرد بالا و نتایج با کیفیت بالا از همان روزهای اولیه توجه فزاینده ای را از سوی محققان به خود معطوف کرد. لازم به ذکر است که، منطق اصلی روش HHO بر پایه رفتار مشارکتی و سبک های تعقیب و گریز شاهین های هریس در طبیعت تحت عنوان “پرش غافلگیرانه” طراحی شده است. هم اکنون، پیشنهادات زیادی در خصوص نحوه افزایش عملکرد HHO وجود داشته و چندین نوع پیشرفته از HHO نیز در مجلات الزویر و IEEE وجود دارد.

داستان مربوط به این ایده بسیار جذاب و ساده است. شاهین های هریس می توانند الگوهای تعقیب تیمی مختلفی را بر پایه ماهیت پویای سناریوها و الگوهای فرار خرگوش نشان دهند. آنها منتظر می مانند و سپس با شاهین های دیگر از جهات مختلف حمله می کنند، در حالی که خرگوش با چندین حرکت زیگزاگ شروع به دویدن می کند.

برطبق دیدگاه رفتار الگوریتمی، چندین ویژگی موثر در خصوص HHO وجود دارد:

    پارامتر انرژی فرار دارای ماهیت تصادفی متغیر با زمان پویا است که می تواند الگوهای اکتشافی و بهره برداری HHO را بیشتر بهبود بخشیده و هماهنگ کند. همچنین این عامل برای انجام یک انتقال هموار و یکنواخت بین اکتشاف و بهره برداری از HHO پشتیبانی می کند.
    مکانیسم های مختلف اکتشاف با در نظر گرفتن میانگین موضع شاهین ها می تواند در طول تکرارهای اولیه روند اکتشافی HHO را افزایش دهد.
    الگوهای مختلف مبتنی بر LF با پرش های کوتاه، رفتارهای استثماری HHO را هنگام هدایت جستجوی محلی افزایش می دهد.
    طرح انتخاب تصاعدی برای پیشبرد تدریجی موقعیت خود و صرفا انتخاب موقعیت بهتر، از عوامل جستجو پشتیبانی می کند که در طی فرآیند بهینه سازی می تواند برتری راه حل ها و قدرت افزایش HHO را بهبود بخشد.
    HHO مجموعه ای از استراتژی های جستجو را نشان داده و سپس، بهترین مرحله حرکت را انتخاب می کند. این ویژگی همچنین از تأثیر سازنده ای بر تمایلات بهره برداری HHO برخوردار است.
    قدرت پرش تصادفی می تواند به راه حل های موجود در زمینه هماهنگ سازی تمایلات اکتشافی و بهره برداری کمک کند.
    استفاده از اجزای تطبیقی ​​و متغیر با زمان این امکان را برای HHO فراهم می کند تا مسائل مربوط به یک فضای ویژگی، نظیر راه حل های بهینه محلی، چند وجهی و بهینه گمراه کننده را مدیریت کند.

این شبیه سازی در محیط نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تصاویر مربوط به خروجی های این شبیه سازی قرار داده شده است:
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

مقالات مرتبط

    arxiv
    دانلود شبیه سازی مقاله تقسیم وظایف آگاه از انرژی در پلتفرم چند پردازنده ناهمگن
    متلب
    دانلود شبیه سازی محاسبه پارامتر های شبکه عصبی با طراحی شبکه عصبی و الگوریتم پس انتشار خطا
    دانلود پروژه شبیه سازی کامپیوتر مبنا
    اشپرینگر
    دانلود شبیه سازی مقاله بررسی مقایسه ای گروه بندی سن بر اساس ابعاد فراکتال با استراتژی های تست های مختلف

الگوریتم شاهین هریس یک الگوریتم فراابتکاری الهام گرفته شده از رفتار شاهین های هریس می باشد. الگوریتم HHO در سال 2019 منتشر شد و نتایج آن نشان دهنده برتری این الگوریتم بر سایر الگوریتم های تکاملی و فراابتکاری می باشد.

 
الگوریتم شاهین هریس یا HHO

الگوریتم های تکاملی یا بهینه سازی فراابتکاری یکی از داغ ترین شاخه های هوش مصنوعی است که توسط دانشجویان و محققین رشته های مختلف استفاده میشود. یکی از جدیدترین الگوریتم های فراابتکاری الگوریتم شاهین هریس است که در سال 2019 معرفی شده است.

الگوریتم شاهین هریس که به اختصار به آن HHO گفته میشود در مقاله ای با نام Harris Hawks Optimization توسط آقای حیدری و میرجلیلی معرفی شد.
ایده اولیه الگوریتم HHO

این الگوریتم از رفتار تعاملی و مشارکتی نوعی از شاهین ها بنام شاهین هریس در طبیعت الهام گرفته شده است. این شاهین ها برای شکار خرگوش ، با هم نوعی تعامل و رفتار اجتماعی را شکل میدهند تا بتوانند طعمه را غافلیر ، محاصره و در نهایت شکار کنند.

 
شاهین هریس
شاهین هریس

شاهین های هریس، منتظر می مانند تا یک طعمه از مخفیگاه خود خارج شود، سپس او را دنبال می کنند و با اعمال محاصره نرم ، و محاصره سخت و سپس یورش های غافلگیرانه ، تلاش میکنند تا در گام اول، طعمه را خسته کنند و انرژی او را تحلیل ببرند و سپس طعمه را محاصره کرده و به راحتی او را شکار میکنند.

حال با ایده گرفتن از رفتار شکار شاهین های هریس ، الگوریتم HHO فرموله شده است که قدرت آن در حل مسائل بهینه سازی ، به خوبی در شبیه سازی ها نشان داده شده است.
فرصتی بی نظیر برای دانشجویان ، محققین و اساتید :

از انجا که این الگوریتم به تازگی منتشر شده است ، فرصتی مناسب است برای دانشجویان و محققینی که میخواهند مقاله بدهند و یا پایان نامه خود را با الگوریتم های فراابتکاری انجام دهند.

مسائل بهینه سازی مختلف، در رشته های مختلف را میتوان با الگوریتم شاهین هریس حل کرد و جوابهای بهینه را بدست آورد.

البته شما میتوانید این کار را با الگوریتم های دیگر نیز مقایسه کنید ، برای آگاهی از سایر الگوریتم های بهینه سازی به لیست الگوریتم های فراابتکاری سر بزنید که بیش از 40 الگوریتم تکاملی و فراابتکاری را معرفی کرده است.
شبیه سازی با الگوریتم HHO

برای اینکه بتوانید مسائل خود را با الگوریتم شاهین ، شبیه سازی و حل کنید در گام اول نیاز به کد متلب الگوریتم HHO دارید ، کدی که بتوان آن را به راحتی به مسائل مختلف تطبیق داد.

اما برای فهم الگوریتم HHO ، بهترین رفرنس خود مقاله اصلی معرفی الگوریتم است ، که ترجمه فارسی و روان آن در سایت ترجمه داری ، سایت متلب24 و سایت متلب مارکت در دسترس است.

برای افرادی که تمایل دارند این الگوریتم را در کلاس درس ارائه کنند نیز اسلاید آماده الگوریتم شاهین هریس گزینه بسیار مناسبی است.

در نهایت چنانچه نیاز به فردی متخصص داشتید، که در شبیه سازی و حل مسائل مختلف با الگورتیم HHO و سایر الگوریتم های فراابتکاری توانایی انجام کار داشته باشد، با بنده در تماس باشید .
کد متلب الگوریتم HHO ، شاهین هریس

تومان40,000 تومان29,000

سورس کد الگوریتم شاهین هریس در نرم افزار متلب : در این محصول الگوریتم شاهین هریس یا HHO در Matlab شبیه سازی و پیاده سازی شده است.

    ضمانت اجرای کد
    گارانتی شده توسط matlab24
    رمز فایل دانلودی : matlab24.ir
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

امتیازدهی 4.00 از 5 در 1 امتیازدهی مشتری
(دیدگاه 1 کاربر)
امتیاز 4.00 از 1 رأی
4.00 1 Votes
78 فروش
تاریخ انتشار : آوریل 7, 2020
تاریخ بروزرسانی : آوریل 24, 2024
matlab24
مشاهده فروشگاه
مشخصات محصول

    دسته بندیالگوریتم شاهین هریس, الگوریتم2019

    توضیحات
    نظرات (1)

در این محصول، الگوریتم شاهین هریس یا HHo که بعضا آن را الگوریتم بازشکاری هریس هم نامگذاری کرده اند در نرم افزار Matlab کد نویسی و شبیه سازی شده است.
شبیه سازی الگوریتم HHO در متلب بصورت ساده ، روان و قابل تغییر . با این کد میتوانید مسائل مختلف را بهینه سازی کنید.

بخش اولیه کد نیز در زیر آورده شده است:
%% preparing matlab
 
clc
clear
close all
%% Define problem parameters
 
varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables
 
%% HHO Parameters
 
N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution
 
costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step
 
Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end

کد متلب الگوریتم HHO به همراه توضیح فارسی :

شما با خرید این محصول ، علاوه به کد متلب الگوریتم شاهین هریس ، که شبیه سازی در نرم افزار  Matlab هست ، یک فایل توضیح فارسی کد نیز دریافت میکنید که تمام کد را بصورت خط به خط به زبان فارسی توضیح داده است.

 
جام پروژه با الگوریتم شاهین هریس ،انجام پروژه های بهینه سازی با الگوریتم شاهین هریس

گروه هوش مصنوعی azsoftir  آماده انجام پروژه های بهینه سازی شما با استفاده از الگوریتم شاهین هریس می باشد .

چه پروژه هایی توسط سایت azsoftir  با الگوریتم شاهین هریس قابل انجام است ؟

انجام پروژه های بهینه سازی با الگوریتم شاهین هریس
انجام پروژه با الگوریتم شاهین هریس در پایتون
انجام پروژه با الگوریتم شاهین هریس در متلب
پروژه الگوریتم شاهین هریس
انجام پروژه های صنعتی با الگوریتم شاهین هریس

with harris waks optimazation

برای  ثبت سفارش انجام پروژه با الگوریتم شاهین از چه راه هایی باید اقدام کرد ؟
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

برای ثبت سفارش می توانید از طریق ایمیل ادرس [e-mail] یا شماره موبایل [phone] پروژه خود را ثبت کنید .

چرا باید سفارشات انجام پروژه با الگوریتم شاهین را به سایت azsoftir  سپرد ؟

با توجه سابقه پیاده سازی پروژه های الگوریتم شاهین  هریس،کیفیت ودرسی کار شما را تضمین می کند.

کیفیت وتمیزی کد برنامه نویسی شده توسط سایت azsoftir  چگونه خواهد بود ؟

با توجه به سابقه چندین ساله سایت azsoftir  در انجام پروژه های مهندسی و هوش مصنوعی کیفیت انجام پروژه با الگوریتم شاهین را تضمین می کند .

شروع وتحویل انجام پروژه با الگوریتم شاهین چگونه خواهد بود ؟

بر اساس هزینه توافقی که بستگی به پیچیدگی پروژه شما دارد ،برای شروع کار نصف هزینه رو واریز کنید ،بعد از اتمام  کار دمویی جهت اطممینان شما ارسال خواهد شد ،بعد از اطمینان از درستی پروژه ،الباقی رو واریز خواهید تا ارسال شود .

پشتیبانی از پروژه های انجام با الگوریتم هریس چگونه خواهد بود ؟

بعد از تحویل به مدت 24 ساعت در صورت وجود هر مشکلی در پروژه شاهین هریس ،کد مورد نظر شما اصلاح وتغییر خواهد کرد .به مدت یک هفته هر سوالی داشته باشید ،پاسخ خواهیم داد .

what-alghorithm-waks-harris-optimazation

تاریخچه الگوریتم شاهین هریسی

الگوریتم شاهین هریسی یک الگوریتم بهینه‌سازی جهت‌گیری شده است که برای حل مسائل بهینه‌سازی محدوده‌مبنا به کار می‌رود. این الگوریتم در سال ۱۹۹۶ توسط دکتر شاهین هریسی (Shahin Hesary) از دانشگاه صنعتی شریف اختراع شد.

به طور خلاصه، الگوریتم شاهین هریسی یک الگوریتم تکاملی است که با ترکیب عملیات تکاملی، عملیات محلی و روش‌های تولید تصادفی، به دنبال بهینه‌سازی یک مسئله می‌گردد. الگوریتم شاهین هریسی به دلایل زیر قابل توجیه استفاده است:

به دلیل اینکه با ترکیب روش‌های متفاوت بهینه‌سازی، احتمال دستیابی به جواب بهینه افزایش می‌یابد.

به دلیل اینکه الگوریتم شاهین هریسی به دنبال جواب بهینه در محدوده‌مبنا است، از پیچیدگی‌های مرتبط با مسائل بی‌محدوده مانند رفتار آشفته و گرادیان صفر جلوگیری می‌کند.

الگوریتم شاهین هریسی به دلیل استفاده از روش‌های تصادفی، در مقابل گیر کردن در مینیمم محلی مقاومت بیشتری دارد.

الگوریتم شاهین هریسی در سال‌های اخیر برای حل مسائل بهینه‌سازی در مختلف زمینه‌ها مورد استفاده قرار گرفته است.

الگوریتم شاهین هریسی بر اساس فرایندهای تکاملی و الهام گرفته از روش‌های طبیعی مانند رفتار جمعی حیوانات و گیاهان، طوفان‌ها و رفتار متقابل میان آن‌ها، طراحی شده است. این الگوریتم از عملکرد جمعیت در جستجوی بهینه برای حل مسائل پیچیده استفاده می‌کند.

الگوریتم شاهین هریسی شامل مراحل زیر است:

مقداردهی اولیه: جمعیتی از نقاط تولید تصادفی در فضای جستجو تولید می‌شود. این نقاط به عنوان افراد جمعیت در نظر گرفته می‌شوند.

ارزیابی: هر عضو جمعیت بر اساس هدف مورد نظر مسئله ارزیابی می‌شود و مقدار مناسبی به آن اختصاص داده می‌شود.

انتخاب: عضوی از جمعیت با احتمال برابر با ارزش بالاتر برای زندگی و تولید نسل بعدی انتخاب می‌شود.

تولید نسل بعدی: با استفاده از عملیات تکاملی مانند ترکیب، جهش و تطبیق، نسل بعدی از جمعیت تولید می‌شود.

همگرایی: عضوی با مقدار مناسب به عنوان جواب بهینه در نظر گرفته می‌شود. در صورت رسیدن به شرایط توقف مورد نظر، الگوریتم پایان می‌یابد. در غیر این صورت، به مرحله ۳ برگشته و فرآیند تکرار می‌شود.

الگوریتم شاهین هریسی به دلیل سادگی پیاده‌سازی، قابلیت تطبیق با مسائل پیچیده، عملکرد خوب در حل مسائل و توانایی کاهش زمان محاسبه، در بسیاری از حوزه‌ها مورد استفاده قرار می‌گیرد.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

azsoft.ir
09367292276
[e-mail]
azsoft.ir

لیست کاربرد های ال

انجام پروژه های الگوریتم شاهین

ن مقاله آموزشی، الگوریتم شاهین هریس یا Harris Hawks Optimizer که به اختصار HHO نامیده می شود بصورت رایگان از 0 تا 100 تشریح می شود. این الگوریتم در سال 2019 توسط علی اصغر حیدری در ژورنال Future Generation Computer Systems از الزویر ابداع و چاپ شده است. الگوریتم HHO یک الگوریتم بهینه‌سازی مبتنی بر جمعیت و الهام‌گرفته از طبیعت است که از رفتار مشارکتی و سبک تعقیب و گریز شاهین‌های هریس در غافلگیری طعمه نشأت می گیرد.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

در این رفتار و استراتژی هوشمند، چندین شاهین با همکاری یکدیگر یک طعمه را از جهات مختلف مورد حمله قرار می دهند تا آن را غافلگیر کنند. از این رفتار شاهین های هریس برای به دام انداختن طعمه برای حل مسائل بهینه سازی استفاده شده است که در ادامه به توضیح و تشریح آن خواهیم پرداخت.

فهرست مطالب مخفی
آشنایی با شاهین هریس
الگوریتم شاهین هریس
مرحله اکتشاف در الگوریتم شاهین هریس
انتقال از مرحله اکتشاف به بهره برداری در الگوریتم شاهین هریس
مرحله بهره برداری در الگوریتم شاهین هریس
محاصره نرم soft besiege
محاصره سخت Hard besiege
محاصره نرم با شیرجه های سریع پیشرونده
محاصره سخت با شیرجه های سریع پیشرونده
شبه کد الگوریتم شاهین هریس HHO
پیچیدگی محاسباتی الگوریتم HHO
نتیجه گیری
منابع
آشنایی با شاهین هریس

در سال 1997، لوئیس لوفور رویکردی را برای اندازه گیری “ضریب هوشی” پرندگان پیشنهاد کرد. بر اساس مطالعات او، شاهین ها را می توان در زمره باهوش ترین پرندگان طبیعت قرار داد. شاهین هریس پرنده ای شکاری است که در گروه‌های نسبتاً ثابتی در نیمه جنوبی آریزونا، ایالات متحده یافت می‌شوند، زندگی می کنند.

در طبیعت جستجوی هماهنگ شده برای شکار و سپس اشتراک گذاری حیوان کشته شده تنها برای پستانداران خاصی مشاهده شده است. پرندگان شکاری دیگر معمولاً به تنهایی برای کشف و گرفتن یک طعمه حمله می کنند اما شاهین هریس به دلیل فعالیت های منحصر به فردش به همراه سایر اعضای خانواده که در یک گروه ثابت زندگی می کنند متمایز از سایر پرندگان شکاری است.

این شکارچی، توانایی‌های مبتکرانه‌ای را در تعقیب در ردیابی، محاصره کردن، بیرون ریختن و در نهایت حمله به طعمه احتمالی را از خود نشان می‌دهد. این پرندگان هوشمند می توانند مهمانی های چند نفره را در فصل غیر تولید مثل ترتیب دهند. آنها به عنوان شکارچیان هماهنگ و زبردست شناخته می شوند. آنها مأموریت تیمی خود را در گرگ و میش صبح آغاز می کنند، این کار با ترک محل های زندگی آنها که اغلب بر روی درختان غول پیکر است، آغاز می شود. آنها اعضای خانواده خود را می شناسند و سعی می کنند از حرکات آنها در هنگام حمله آگاه باشند.

شاهین هریس

وقتی شاهین های هریس جمع شدند، برخی شاهین‌ها یکی پس از دیگری تورها یا جستجوهای کوتاهی را انجام می‌دهند و سپس بر روی مکان های نسبتاً بلندی فرود می‌آیند. به این ترتیب، شاهین‌ها گاهی یک حرکت «جهشی» را در سرتاسر محل مورد نظر انجام می‌دهند و دوباره به هم می‌پیوندند و چندین بار از هم جدا می‌شوند تا به طور فعال، حیوان تحت پوشش را که معمولاً یک خرگوش است جستجو کنند.

تاکتیک اصلی شاهین‌های هریس برای گرفتن طعمه، «پرش غافلگیرانه» (surprise pounce) است که به عنوان استراتژی «هفت کشته» (seven kills) نیز شناخته می‌شود. در این استراتژی هوشمند، چندین شاهین سعی می کنند به طور مشترک از جهات مختلف به طعمه حمله کنند و به طور همزمان روی یک خرگوش در حال فرار شناسایی شده در خارج از پوشش همگرا شوند.

حمله ممکن است به سرعت با گرفتن طعمه غافلگیر شده در چند ثانیه تکمیل شود، اما گاهی اوقات، با توجه به قابلیت های فرار و رفتار طعمه، هفت کشته ممکن است شامل شیرجه های چندگانه، کوتاه و سریع در نزدیکی طعمه در طول چند دقیقه باشد. شاهین‌های هریس می‌توانند انواع مختلفی از سبک‌های تعقیب را که به ماهیت پویای شرایط و الگوهای فرار از طعمه بستگی دارد، نشان دهند. تاکتیک تعویض، زمانی اتفاق می افتد که بهترین شاهین (رهبر) روی طعمه فرود می آید و گم می شود و تعقیب و گریز توسط یکی از اعضای گروه ادامه می یابد.

این فعالیت های سوئیچینگ را می توان در موقعیت های مختلف مشاهده کرد زیرا برای گیج کردن خرگوش فراری مفید هستند. مزیت اصلی این تاکتیک‌های همکاری این است که شاهین‌های هریس می‌توانند خرگوش شناسایی‌شده را تا فرط خستگی تعقیب کنند، تا آسیب‌پذیری او را افزایش دهند. علاوه بر این، با گیج کردن طعمه فراری، توانایی های دفاعی خرگوش را کاهش می دهند و در نهایت خرگوش نمی تواند از محاصره تیمی که در مقابل آن قرار گرفته است بگریزد چون یکی از شاهین ها که اغلب قدرتمندترین و با تجربه ترین آنهاست، بدون زحمت خرگوش خسته را می گیرد و آن را با دیگر اعضا به اشتراک می گذارد.

رفتار های شاهین هریس
الگوریتم شاهین هریس

در این بخش، مراحل اکتشاف (exploration) و بهره‌برداری (exploitation) الگوریتم HHO با الهام از جستجوی طعمه، حملات غافلگیرکننده و استراتژی‌های مختلف حمله مدل‌سازی می شود. الگوریتم شاهین هریس یک روش بهینه سازی مبتنی بر جمعیت و بدون گرادیان است. از این رو، می توان آن را برای هر مسئله بهینه سازی با یک فرمول مناسب اعمال کرد. شکل زیر تمام مراحل الگوریتم را نشان می دهد که در بخش های بعدی به طور کامل تشریح خواهند شد.

مراحل مختلف الگوریتم HHO
پاورپوینت الگوریتم شاهین هریس HHO

پاورپوینت آماده الگوریتم شاهین هریس HHO

پاورپوینت آماده الگوریتم شاهین هریس HHO در 23 اسلاید در قالب ppt. یا pptx. با قابلیت ویرایش برای ارائه درسی آماده دانلود می‌باشد. برای تهیه و دانلود این پاورپوینت از طریق لینک زیر اقدام کنید.
همین الان کلیک کنید
مرحله اکتشاف در الگوریتم شاهین هریس

در این مرحله اکتشاف در الگوریتم HHO با توجه به ماهیت شاهین هریس می توان گفت این پرندگان می توانند طعمه را با چشمان قدرتمند خود ردیابی و تشخیص دهند، اما گاهی اوقات طعمه به راحتی دیده نمی شود. از این رو، شاهین‌ها منتظر می‌مانند و منطقه را مشاهده و نظارت می‌کنند تا شاید پس از چند ساعت طعمه‌ای را شناسایی کنند.

در الگوریتم شاهین هریس، شاهین های هریس راه حل های کاندید هستند و بهترین راه حل کاندید در هر مرحله به عنوان طعمه مورد نظر یا تقریباً بهینه در نظر گرفته می شود. شاهین‌های هریس به‌طور تصادفی در مکان‌هایی نشسته و منتظرند. اگر شانس q را برای هر استراتژی نشستن در نظر بگیریم، بر اساس دو استراتژی، طعمه شناسایی می شود:

    شاهین ها بر اساس موقعیت سایر شاهین ها و خرگوش نشسته و منتظر هستند ( q < 0.5 ).
    یا بر روی درختان بلند بصورت تصادفی (مکان تصادفی در محدوده خانه گروه)، نشسته و منتظر هستند (q >= 0.5 )

معادله 1 الگوریتم شاهین هریس

که در آن X(t+1) بردار موقعیت شاهین ها در تکرار t است، Xrabbit(t) موقعیت خرگوش، X(t) بردار موقعیت فعلی شاهین ها، r1، r2، r3، r4 و q اعداد تصادفی در داخل (0،1) هستند که در هر تکرار به روز می شوند، LB و UB کران های بالایی و پایینی متغیرها را نشان می‌دهند، Xrand(t) موقعیت یک شاهین تصادفی از جمعیت فعلی و Xm میانگین موقعیت از جمعیت فعلی شاهین ها است.

در قانون اول راه حل هایی، بر اساس یک مکان تصادفی متاثر از موقعیت قبلی و سایر شاهین ها (به تصادف) ایجاد می شود. اما در قانون دوم معادله 1 ما یک مدل برای ایجاد مکان‌های تصادفی در محدوده LB و UB ارائه شده است. تفاوت مکان بهترین موقعیت کنونی و میانگین موقعیت گروه را به اضافه یک مؤلفه با مقیاس تصادفی بر اساس دامنه متغیرها داریم.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

متغیر های r3 و r4 ضریب مقیاس برای افزایش ماهیت تصادفی بودن کران بالا و پایین است. در این قانون، یک طول حرکت با مقیاس تصادفی به LB اضافه شده است سپس، یک ضریب مقیاس‌پذیری تصادفی را برای مؤلفه در نظر گرفته شده تا روند متنوع‌سازی جمعیت در مناطق مختلف فضای ویژگی کشف شود. میانگین موقعیت شاهین ها با استفاده از معادله 2 به دست می آید.

معادله 2 الگوریتم شاهین هریس

که در آن Xi(t) مکان هر شاهین را در تکرار t و N نشان دهنده تعداد کل شاهین ها است.
انتقال از مرحله اکتشاف به بهره برداری در الگوریتم شاهین هریس

الگوریتم HHO می تواند از مرحله اکتشاف به بهره برداری و سپس بین رفتارهای استثماری مختلف بر اساس انرژی فرار طعمه تغییر کند. انرژی یک طعمه در طول فرار به طور قابل توجهی کاهش می یابد. برای مدل سازی این واقعیت، انرژی یک طعمه به صورت زیر مدل می شود:

معادله 3 الگوریتم شاهین هریس

که در آن E انرژی فرار طعمه را نشان می دهد، T حداکثر تعداد تکرارها و E0 انرژی اولیه طعمه  است. E0 می تواند به طور تصادفی در بازه (1+ ، 1-) در هر تکرار تغییر کند. هنگامی که مقدار E0 از 0 به 1- کاهش می یابد، خرگوش از نظر فیزیکی ضعف می کند، در حالی که زمانی که مقدار E0 از 0 به 1 افزایش می یابد، به این معنی است که خرگوش در حال تقویت خود است. انرژی فرار دینامیکی E در طول تکرارها روند کاهشی دارد.

وقتی انرژی در حال فرار 1=<|E| می شود، شاهین ها مناطق مختلف را برای یافتن مکان خرگوش جستجو می کنند، از این رو، در الگوریتم شاهین هریس مرحله اکتشاف انجام می شود و زمانی که 1>|E| می شود، الگوریتم سعی می کند از همسایگی راه حل ها در طول مرحله بهره برداری، استفاده کند. به طور خلاصه، اکتشاف زمانی اتفاق می افتد که 1=<|E| باشد و بهره برداری در مراحل بعدی با1>|E| اتفاق می افتد. رفتار وابسته به زمان E نیز در شکل زیر نشان داده شده است.

رفتار E در طول دو اجرا و 500 تکرار HHO
مرحله بهره برداری در الگوریتم شاهین هریس

در این مرحله، شاهین های هریس با حمله به طعمه شناسایی شده در مرحله قبل، پرش غافلگیرکننده (surprise pounce) را انجام می دهند (همان حمله معروف seven kills). طعمه ها اغلب سعی می کنند از موقعیت های خطرناک فرار کنند. از این رو، سبک های مختلف تعقیب در موقعیت های واقعی رخ می دهد. با توجه به رفتارهای فرار طعمه و استراتژی های تعقیب و گریز شاهین های هریس، چهار استراتژی در الگوریتم HHO برای مدل سازی مرحله حمله وجود خواهد داشت.

طعمه ها همیشه سعی می کنند از موقعیت های تهدیدآمیز فرار کنند. فرض می کنیم r شانس فرار موفقیت آمیز یک طعمه با مقدار (r<0.5) است و عدم فرار موفقیت آمیز (r>=0.5) قبل از حمله غافلگیرانه باشد. هر کاری که طعمه انجام دهد، شاهین ها برای گرفتن طعمه محاصره سخت hard besiege یا نرم soft besiege انجام می دهند. این بدان معنی است که شاهین ها طعمه را از جهات مختلف به آرامی یا بصورت سخت بسته به انرژی حفظ شده طعمه محاصره می کنند. در موقعیت‌های واقعی، شاهین‌ها به طعمه مورد نظر نزدیک‌تر و نزدیک‌تر می‌شوند تا شانس خود را برای کشتن مشترک خرگوش با انجام فرود های غافلگیرکننده افزایش دهند.

پس از چند دقیقه فرار، طعمه انرژی بیشتر و بیشتری را از دست می دهد. سپس، شاهین‌ها فرآیند محاصره را تشدید می‌کنند تا طعمه‌ خسته را بدون دردسر بگیرند. برای مدل‌سازی این استراتژی و فعال کردن الگوریتم برای تغییر بین فرآیندهای محاصره نرم و سخت، از پارامتر E استفاده می‌شود. در این رابطه وقتی 0.5=<|E|، محاصره نرم اتفاق می افتد، و زمانی که 0.5>|E|، محاصره سخت رخ می دهد.
محاصره نرم soft besiege

وقتی r>=0.5 و E|>=0.5|، خرگوش هنوز انرژی کافی دارد و سعی می کند با پرش های تصادفی و گمراه کننده فرار کند اما در نهایت نمی تواند. در طول این تلاش ها، شاهین های هریس به آرامی آن را محاصره می کنند تا خرگوش را خسته تر کنند و سپس جهش غافلگیرکننده را انجام می دهند. این رفتار با قوانین زیر مدل سازی می شود:

معادله محاصره نرم soft besiege در الگوریتم شاهین هریس

که در آن ΔX(t) تفاوت بین بردار موقعیت خرگوش و مکان فعلی در تکرار t است، r5 یک عدد تصادفی در محدوده (0,1) است، و J=2(1-r5) نشان دهنده قدرت پرش تصادفی خرگوش در تمام مراحل فرار است. مقدار J را به طور تصادفی در هر تکرار تغییر می کند تا ماهیت حرکات خرگوش را شبیه سازی کند.
محاصره سخت Hard besiege

وقتی r>=0.5 و E|<0.5| باشد طعمه بسیار خسته است و انرژی فرار کمی دارد. در این حالت شاهین‌های هریس طعمه مورد نظر را  به صورت سخت محاصره می‌کنند تا در نهایت حمله غافلگیرکننده را انجام دهند. در این وضعیت، موقعیت های فعلی با استفاده از معادله (6) به روز می شوند:

معادله محاصره سخت Hard besiege در الگوریتم شاهین هریس

یک مثال ساده از این مرحله با یک شاهین در شکل زیر نشان داده شده است.

مثالی از محاصره سخت در الگوریتم HHO
محاصره نرم با شیرجه های سریع پیشرونده

هنگامی که E|>=0.5| اما r<0.5 است، خرگوش انرژی کافی برای فرار موفقیت آمیز را دارد و همچنان یک محاصره نرم قبل از حمله غافلگیرکننده ایجاد می شود. این روش هوشمندتر از مورد قبلی است. برای مدل‌سازی ریاضی الگوهای فرار حرکات طعمه و جهش، مفهوم پرواز یا Levy Flight (LF) در الگوریتم HHO استفاده می‌شود.
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

LF برای تقلید از حرکات فریبنده زیگزاگی واقعی طعمه ها در مرحله فرار و شیرجه های نامنظم، ناگهانی و سریع شاهین ها در اطراف طعمه فراری استفاده می شود. در واقع، شاهین ها چندین شیرجه سریع تیمی را در اطراف خرگوش انجام می دهند و سعی می کنند مکان و جهت خود را با توجه به حرکات فریبنده طعمه تصحیح کنند.

تأیید شده است که فعالیت‌های مبتنی بر LF تاکتیک‌های جستجوی بهینه برای جستجوگران/شکارچیان در شرایط جستجوی غیر مخرب هستند. علاوه بر این، تشخیص داده شده است که الگوهای مبتنی بر LF را می توان در فعالیت های تعقیب و گریز حیواناتی مانند میمون ها و کوسه ها تشخیص داد. از این رو، حرکات مبتنی بر LF در این مرحله از الگوریتم HHO مورد استفاده قرار گرفت.

با الهام از رفتارهای واقعی شاهین ها، فرض شده که آنها می توانند به تدریج بهترین شیرجه ممکن را به سمت طعمه انتخاب کنند، بنابراین، برای انجام یک محاصره نرم، فرض شده که شاهین ها بتوانند حرکت بعدی خود را بر اساس قانون زیر در معادله (7) ارزیابی کرده تصمیم بگیرند:

فرمول شماره 7 در الگوریتم HHO

سپس نتیجه احتمالی چنین حرکتی را با شیرجه قبلی مقایسه می کنند تا تشخیص دهند که آیا شیرجه خوبی خواهد بود یا خیر. اگر معقول نبود (وقتی می بینند که طعمه حرکات فریبنده بیشتری انجام می دهد)، هنگام نزدیک شدن به خرگوش نیز شروع به شیرجه های نامنظم، ناگهانی و سریع می کنند. فرض شده شاهین هابر اساس الگوهای مبتنی بر LF با استفاده از قانون زیر شیرجه خواهند زد:

فرمول شماره 8 در الگوریتم HHO

که در آن D بعد مسئله است و S یک بردار تصادفی با اندازه 1×D و LF تابع پروازی است که با استفاده از معادله 9 محاسبه می شود.

معادله شماره 9 الگوریتم شاهین هریس

که در آن u ،v مقادیر تصادفی در محدوده (0،1) هستند، بتا  B یک ثابت پیش فرض بر روی 1.5 است. از این رو، استراتژی نهایی برای به روز رسانی موقعیت شاهین ها در مرحله محاصره نرم می تواند توسط معادله 10 انجام شود:

فرمول شماره 10 الگوریتم شاهین هریس
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

یک تصویر ساده از این مرحله برای یک شاهین در شکل زیر نشان داده شده است. تاریخچه موقعیت الگوهای حرکت جهشی مبتنی بر LF در طول برخی از تکرارها نیز در این تصویر ثبت و نشان داده شده است. نقاط رنگی ردپای موقعیت الگوهای مبتنی بر LF در یک آزمایش هستند و سپس، HHO به مکان Z می‌رسد. در هر مرحله، تنها موقعیت بهتر Y یا Z به عنوان مکان بعدی انتخاب می‌شود. این استراتژی برای همه عوامل جستجو اعمال می شود.

نمونه ای از بردارهای کلی در مورد محاصره نرم با شیرجه های سریع پیشرونده
محاصره سخت با شیرجه های سریع پیشرونده

وقتی E|<0.5| و r<0.5 باشد خرگوش انرژی کافی برای فرار ندارد و یک محاصره سخت قبل از حمله غافلگیرکننده برای گرفتن و کشتن طعمه ایجاد می شود. وضعیت این مرحله در سمت طعمه مانند حالت محاصره نرم است، اما این بار شاهین ها سعی می کنند فاصله مکان متوسط خود را با طعمه فراری کاهش دهند. بنابراین، قانون زیر در شرایط محاصره سخت انجام می شود:

فرمول شماره 11 در الگوریتم HHO

که در آن Y و Z با استفاده از قوانین جدید در معادلات (12) و (13) به دست می آیند.

فرمول شماره 12 و 13 در الگوریتم HHO

که در آن Xm(t) با استفاده از معادله (2) به دست می آید. یک مثال ساده از این مرحله در شکل های زیر نشان داده شده است. توجه داشته باشید که نقاط رنگی ردپای مکان الگوهای مبتنی بر LF در یک آزمایش هستند و تنها Y یا Z مکان بعدی برای تکرار جدید خواهند بود.
فرآیند در فضای دو بعدی
فرآیند در فضای دو بعدی
فرآیند در فضای سه بعدی
فرآیند در فضای سه بعدی
شبه کد الگوریتم شاهین هریس HHO

در ادامه مراحل الگوریتم شاهین هریس HHO به بخش شبه کد این الگوریتم می رسیم که بصورت زیر است:
Inputs: The population size N and maximum number of iterations T
Outputs: The location of rabbit and its fitness value
Initialize the random population Xi(i = 1, 2, . . . ,N)
while (stopping condition is not met) do
     Calculate the fitness values of hawks
     Set Xrabbit as the location of rabbit (best location)
     for (each hawk (Xi)) do
         Update the initial energy E0 and jump strength J ▷ E0=2rand()-1, J=2(1-rand())
         Update the E using Eq. (3)
         if (|E| >= 1) then  ▷  Exploration phase
            Update the location vector using Eq. (1)
         if (|E| < 1) then   ▷  Exploitation phase
             if (r >= 0.5 and |E| >= 0.5 ) then ▷ Soft besiege
                Update the location vector using Eq. (4)
             else if (r >= 0.5 and |E| < 0.5 ) then ▷ Hard besiege
                Update the location vector using Eq. (6)
             else if (r <0.5 and |E| >= 0.5 ) then ▷ Soft besiege with progressive rapid dives
                Update the location vector using Eq. (10)
             else if (r <0.5 and |E| < 0.5 ) then ▷ Hard besiege with progressive rapid dives
                Update the location vector using Eq. (11)
Return Xrabbit
پیچیدگی محاسباتی الگوریتم HHO

پیچیدگی محاسباتی الگوریتم HHO عمدتاً به سه فرآیند مقداردهی اولیه، ارزیابی تابع تناسب و به روز رسانی شاهین ها بستگی دارد. توجه داشته باشید که با N شاهین، پیچیدگی محاسباتی فرآیند مقداردهی اولیه O(N) است. پیچیدگی محاسباتی مکانیزم به روز رسانی O(T×N)+O(T×N×D) است که از جستجوی بهترین مکان و به روز رسانی بردار مکان همه شاهین ها تشکیل شده است، جایی که T حداکثر تعداد تکرار است. و D بعد مسئله است. بنابراین، پیچیدگی محاسباتی الگوریتم شاهین هریس O(N×(T + TD + 1)) است.
سورس کد الگوریتم شاهین هریس در پایتون

سورس کد الگوریتم شاهین هریس HHO در پایتون Python

سورس کد الگوریتم HHO در پایتون شامل 2 تابع و 2 اسکریپت است که در 2 بخش فانکشنال و اسکریپتی می تواند برای استفاده در انواع مسائل بهینه سازی مورد استفاده قرار بگیرد. برای تهیه این سورس کد بر روی لینک زیر کلیک کنید.
همین الان کلیک کنید
نتیجه گیری

در مقاله آموزشی، الگوریتم شاهین هریس یا HHO معرف شد. این الگوریتم یک الگوریتم بهینه‌سازی مبتنی بر جمعیت است که برای مقابله با وظایف مختلف بهینه‌سازی توسط نویسندگان آن پیشنهاد شده است. الگوریتم HHO از رفتارهای مشارکتی و سبک تعقیب پرندگان شکارچی، شاهین هریس، در طبیعت الهام گرفته شده است.

در مقاله اصلی چندین معادله برای شبیه سازی هوش اجتماعی شاهین هریس برای حل مسائل بهینه سازی طراحی شده است. بیست و نه مسئله معیار بدون محدودیت برای ارزیابی عملکرد HHO استفاده شده است. نتایج به‌دست‌آمده در مقاله اصلی نشان داده که الگوریتم HHO قادر به یافتن راه‌حل‌های عالی در مقایسه با سایر  روش های بهینه‌سازهای است. علاوه بر این، نتایج شش کار طراحی مهندسی محدود نیز نشان داده که HHO می‌تواند نتایج بهتری را در مقایسه با سایر بهینه‌سازها نشان دهد.
منابع

Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris hawks optimization: Algorithm and applications. Future Generation Computer Systems, 97, 849–872. https://doi.org/10.1016/j.future.2019.02.028
هینه سازی الگوریتم HHO بهینه سازی شاهین هریس با استفاده از طرح های جهش و ترکیب ، ساختار چند ازدحامی و چند رهبری

یازده ماه پیش منتشر شده

تعداد بازدید: 160

کد پروژه: 352635

شرح پروژه

بهینه سازی الگوریتم HHO بهینه سازی شاهین هریس با استفاده از طرح های جهش و ترکیب ، ساختار چند ازدحامی و چند رهبری

ساختارهای به روزرسانی تکاملی و مراحل مبتنی بر هرج و مرج استفاده کنه
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

 و فلوچارت بهینه سازی طراحی شود

مهارت ها و تخصص های مورد نیاز
            الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از طبیعت است که در سال 2019 ارائه شده است .
برای آشنایی کامل با الگوریتم شاهین هریس به مراجعه کنید.

ما در الگوریتم شاهین هریس متلب24 بصورت کامل هر آنچه شما نیاز دارید را جمع آوری کرده ایم:
-  ترجمه مقاله شاهین هریس ،
-  اسلاید الگوریتم شاهین هریس
- کد متلب الگوریتم شاهین هریس
- انجام پروژه با الگوریتم شاهین هریس

اگر شما نیاز به کدنویسی مسائل مختلف با الگوریتم شاهین هریس یا HHO را دارید کافی است با ما تماس بگیرید.
             الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از طبیعت است که در سال 2019 ارائه شده است .
برای آشنایی کامل با  الگوریتم شاهین هریس به
مراجعه کنید.

ما در  الگوریتم شاهین هریس متلب24 بصورت کامل هر آنچه شما نیاز دارید را جمع آوری کرده ایم:
-  ترجمه مقاله  شاهین هریس ،
-  اسلاید  الگوریتم شاهین هریس
- کد متلب  الگوریتم شاهین هریس
- انجام پروژه با  الگوریتم شاهین هریس

اگر شما نیاز به کدنویسی مسائل مختلف با  الگوریتم شاهین هریس یا HHO را دارید کافی است با ما تماس بگیرید.
آموزش الگوریتم شاهین هریس
آموزش نرم افزار الگوریتم شاهین هریس
نرم افزار الگوریتم شاهین هریس
الگوریتم شاهین هریس
آموزش تحلیل الگوریتم شاهین هریس
آموزش روش الگوریتم شاهین هریس
حل مثال الگوریتم شاهین هریس
آموزش مجازی بستری برای یادگیری آنلاین است.
برای کسب اطلاعات به کانال تلگرام آموزش مجازی عضو شوید:

کد الگوریتم شاهین هریس : شبیه سازی الگوریتم شاهین هریس در متلب ، hho در matlab
خانه الگوریتم های فراابتکاری الگوریتم شاهین هریس کد الگوریتم شاهین هریس : شبیه سازی الگوریتم شاهین هریس در متلب ، hho در matlab
حراج!
کد متلب الگوریتم HHO ، شاهین هریس

تومان40,000 تومان29,000

سورس کد الگوریتم شاهین هریس در نرم افزار متلب : در این محصول الگوریتم شاهین هریس یا HHO در Matlab شبیه سازی و پیاده سازی شده است.

    ضمانت اجرای کد

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

[e-mail]

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

امتیازدهی 4.00 از 5 در 1 امتیازدهی مشتری
(دیدگاه 1 کاربر)
امتیاز 4.00 از 1 رأی
4.00 1 Votes
67 فروش
تاریخ انتشار : آوریل 7, 2020
تاریخ بروزرسانی : سپتامبر 6, 2022
matlab24
مشاهده فروشگاه
مشخصات محصول

    دسته بندیالگوریتم شاهین هریس, الگوریتم2019

    توضیحات
    نظرات (1)

در این محصول، الگوریتم شاهین هریس یا HHo که بعضا آن را الگوریتم بازشکاری هریس هم نامگذاری کرده اند در نرم افزار Matlab کد نویسی و شبیه سازی شده است.
شبیه سازی الگوریتم HHO در متلب بصورت ساده ، روان و قابل تغییر . با این کد میتوانید مسائل مختلف را بهینه سازی کنید.

بخش اولیه کد نیز در زیر آورده شده است:
%% preparing matlab
 
clc
clear
close all
%% Define problem parameters
 
varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables
 
%% HHO Parameters
 
N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution
 
costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step
 
Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end

کد متلب الگوریتم HHO به همراه توضیح فارسی :

شما با خرید این محصول ، علاوه به کد متلب الگوریتم شاهین هریس ، که شبیه سازی در نرم افزار  Matlab هست ، یک فایل توضیح فارسی کد نیز دریافت میکنید که تمام کد را بصورت خط به خط به زبان فارسی توضیح داده است.در سال‌های اخیر پیچیدگی اجرای پروژه‌ها، فضای رقابتی کسب وکار و محدودیت منابع سازمان‌ها، لزوم توجه به مدیریت پروژه را در دست‌یابی به اهداف پروژه‌ها بیشتر مورد توجه قرار داده است .از این رو در مراحل اجرای پروژه‌ها، کارفرمایان به دنبال افزایش کیفیت، کاهش مدت زمان و هزینه‌های اجرا و ریسک هستند که از اهداف اصلی آنها به شمار می روند. در این تحقیق،  بهینه‌سازی بین اجزاء هرم بقاء شامل زمان، هزینه، کیفیت و ریسک در پروژه‌های عمرانی و به صورت موردی بر روی سد مخزنی قوچم انجام گرفته است. به این منظور از شش الگوریتم بهینه‌سازی فراابتکاری استفاده شده است که سه الگوریتم کلاسیک (ژنتیک، جستجوی ممنوعه و تبرید شبیه‌سازی شده) و سه الگوریتم‌های جدید (پروانه، چرخه بکرزایی و شاهین هریس) می‌باشند. در چهار حالت به بهینه‌سازی هر یک از اجزا هرم بقاء به طور جداگانه پرداخته شده است و در نهایت هر چهار حالت بطور همزمان بررسی شده است. کدنویسی‌های مربوط به توابع هدف و الگوریتم‌های بهینه‌سازی در نرم‌افزار متلب انجام گرفته است. نتایج نشانگر عملکرد مناسب الگوریتم ژنتیک است. همچنین در بهینه‌سازی شاخص کیفیت فقط الگوریتم ژنتیک بهترین جواب بهینه را داده است و در بهینه‌سازی مرکب با در نظرگرفتن همزمان تمامی شاخص‌ها، الگوریتم‌های ژنتیک و شاهین هریس بهترین جواب را ارائه داده‌اند.

کلیدواژه‌ها

    بهینه‌سازی هرم بقاء الگوریتم‌های فراابتکاری دانش مدیریت پروژه سد مخزنی قوچم

موضوعات
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

    بهینه سازی مدیریت پروژه

عنوان مقاله [English]
Optimization of Quantitative and Qualitative Indicators of Construction Projects with a Project Management Knowledge Approach (Case study: Qucham Reservoir Dam)

نویسندگان [English]

    Behzad Espoutin Sina Fard Moradinia

Department of Civil Engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran
چکیده [English]

In recent years, the complexity of project implementation, competitive business environment, and limited resources of organizations have shown the need to pay attention to project management in achieving project goals. Therefore, in the implementation process, employers seek to increase quality, reduce execution time, costs, and risk, which are their main goals. In this research, optimization between the components of the survival pyramid including time, cost, quality, and risk in construction projects are done on a case-by-case basis on the Qucham reservoir dam. For this purpose, six Metahioristic optimization algorithms are used, which are three classical algorithms (genetics, Tabu search, and simulated annealing) and three new algorithms (butterfly, cyclical parthenogenesis, and harris hawk). In four cases, each component of the survival pyramid is optimized separately, and finally, all four cases are examined simultaneously. Coding related to objective functions and optimization algorithms has been done in MATLAB software. The results indicate the proper performance of the genetic algorithm. Also, in optimizing the quality index, only the genetic algorithm has given the best optimal answer, and in the combined optimization, considering all the indicators simultaneously, the genetic algorithms and the Harris hawk have given the best solution.
ر که میدانید ، الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از رفتار تعاملی نوعی از شاهین ها بنام شاهین هریس ، برای شکار خرگوش الهام گرفته شده است.

الگوریتم HHO یک الگوریتم بهینه سازی جدید است که در سال 2019 ارائه شده است.
بهترین فرصت برای دانشجویان، اساتید و محققان است تا به رائه مقاله و پایان نامه با این الگوریتم جدید ، الگوریتم HHO بپردازند.
دموی کد متلب الگوریتم HHO یا شاهین هریس

اولین گام ، برای انجام کار با الگوریتم شاهین هریس ، یادگیری مفاهیم این الگوریتم می باشد و سپس کدنویسی الگوریتم HHO در نرم افزار Matlab تا بتوانید مسئله مورد نظر خود را با این الگوریتم حل کنید.

ما در تیم برنامه نویسی هوشمند، کد متلب الگوریتم HHO را در نرم افزار Matlab پیاده سازی کرده ایم و برای فهم بهتر کد، یک فایل جداگانه توضیحات فارسی و خط به خط ، نیز در کنار کد برای شما عزیزان قرار داده ایم.

%% preparing matlab
clc
clear
close all
%% Define problem parameters
varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables

%% HHO Parameters
N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution
costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step
Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end

 
دانلود رایگان کد متلب الگوریتم شاهین هریس :

الگوریتم شاهین هریس توسط آقای حیدری و میرجلیلی معرفی شد. و خود این افراد کدشان را بصورت رایگان برای دانلود قرار داده اند.

متاسفانه دیده میشود که برخی سایت ها ، این کد رایگان را با مبالغ مختلف به فروش میرسانند.
برای دانلود کد رایگان الگوریتم HHO اینجا را کلیک کنید.

 

اگر کد رایگان است پس کد زیر که برای فروش است چیست؟

از آنجا که این کد رایگان، با توابع بنچ مارک مختلف می باشد و فهم آن ممکن است برای دوستان سخت باشد، ما در تیم برنامه نویسی هوشمند، پیاده سازی شاهین هریس را با روش و متد خودمان انجام داده ایم و  آن را با توضیح خط به خط کد در اختبار شما عزیزان قرار داده ایم.

کد ما این قابلیت را دارد که به سادگی و با تغییر تابع هدف، توابع و مسائل مختلف را با آن حل کنید.
جهت خرید و دانلود کد متلب الگوریتم شاهین هریس اینجا را کلیک کنید
جهت دانلود کد متلب الگوریتم شاهین هریس بر روی دکمه فوق کلیک کنید. لینک دانلود بلافاصله بعد از پرداخت برای شما ایمیل می شود.azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

فایل هایی که ارسال میشود :

    فایلهای مرتبط با کد متلب الگوریتم HHO
    فایل توضیح فارسی خط به خط کد نوشته شده.
    سوالات قبل از خرید خود را با شماره درج شده در سایت ، از طریق واتساپ ، تلگرام یا تماس مستقیم مطرح کنید.

انجام پروژه با الگوریتم HHO در متلب

چنانچه به دنبال حل مسئله ای خاص با الگوریتم HHO در نرم افزار Matlab هستید، برنامه نویسان حرفه ای تیم برنامه نویسی هوشمند، آمادگی دارند تا به شما در این مسیر یاری برسانند.

 
حل مسائل مختلف ، در رشته های مخلتف با الگوریتم HHO را به ما بسپارید.
صرفه جویی در زمان ما روزها و ماه ها تلاش کرده ایم و وقت گذاشته ایم، دیگر نیازی نیست شما هم زمان خود را صرف یادگیری و نوشتن کد کنید، از دانش ما بهره ببرید.
کدهای بدون خطا داشته باشید ما سالهاست کدنویسی میکنیم، قطعا کدی که توسط متخصصین نوشته میشود کم خطاتر و قابل اعتمادتر است.
کد متلب الگوریتم شاهین هریس
کد متلب HHO   
شبیه سازی الگوریتم HHO در متلب ، به همراه توضیح خط به خط کد
ترجمه مقاله شاهین هریس
کد متلب HHO   
ترجمه آماده مقاله HHO به فارسی
اسلاید آماده الگوریتم شاهین هریس
کد متلب HHO   
اسلاید آماده الگوریتم HHO ، پاورپوینت الگوریتم شاهین هریس.
برای خرید و دانلود کد متلب الگوریتم HHO اینجا را کلیک کنید
جهت دانلود کد متلب الگوریتم شاهین هریس بر روی دکمه فوق کلیک کنید. لینک دانلود بلافاصله بعد از پرداخت برای شما ایمیل می شود.

فایل هایی که ارسال میشود :
azsoft.ir
09367292276
[e-mail]
azsoft.ir
[e-mail]
azsoftir.com 09367292276
azsoft.ir
[e-mail]
azsoft.ir
09367292276

[e-mail]

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

    فایلهای مرتبط با کد متلب الگوریتم HHO
    فایل توضیح فارسی خط به خط کد نوشته شده.

سوالات قبل از خرید خود را با شماره درج شده در سایت ، از طریق واتساپ ، تلگرام یا تماس مستقیم مطرح کنید.