الگوریتم بهینه‌سازی ازدحام ذرات (Particle Swarm Optimization) یا به اختصار PSO یکی از الگوریتم‌های ابتکاری و محبوب در حوزه بهینه‌سازی است. این الگوریتم بر پایه رفتار اجتماعی پرندگان و ازدحام ذرات بوده و معمولاً در بهینه‌سازی توابع ریاضی پیچیده و مسائل مهندسی استفاده می‌شود. در این محصول، به شرح کد الگوریتم PSO در پایتون و نحوه کارکرد این الگوریتم به همراه پیاده سازی آن خواهیم پرداخت.
کد الگوریتم PSO در پایتون
الگوریتم‌های بهینه‌سازی مدت زیادی است که در دنیا در حال استفاده شدن است و روش‌های مختلفی مانند الگوریتم ژنتیک برای این الگوریتم‌ها تاکنون معرفی گردیده است. امروز یکی از این الگوریتم‌ها یعنی PSO را معرفی خواهیم کرد. الگوریتم PSO در پایتون پیاده سازی گردیده و در PDF آموزشی به صورت جداگانه توضیحات الگوریتم و کد داده شده است.
محتوای آموزش
محتوای PDF آموزش PSO به همراه سورس کد به صورت زیر است:
- مفهوم PSO
- روند کار PSO
- کاربردهای PSO
- پارامترهای الگوریتم PSO
- فرمول محاسبه سرعت جدید ذرات
- فرمول محاسبه مکان جدید ذرات
- فرمول بهترین مکان شخصی و جهانی
- تنظیم پارامترها
- نصب کتابخانه‌های مورد نیاز (پیاده سازی)
- تعریف فضای مسئله (پیاده سازی)
- تعریف کلاس PSO (پیاده سازی)
- تولید جمعیت اولیه (پیاده سازی)
- به‌روزرسانی موقعیت‌ها و سرعت‌ها (پیاده سازی)
- اجرای الگوریتم PSO (پیاده سازی)
- نمایش نتایج
- نکات پایانی
فایل‌ها و ماژول‌ها آموزش
در این آموزش از فایل‌ها و ماژول‌های زیر استفاده گردیده است:
- Numpy: نصب numpy با دستور pip install numpy از طریق cmd انجام می‌شود.
- سورس کد: فایل سورس کد مربوط به آموزش داده شده با فرمت .py در کنار PDF آموزشی قرار دارد.
برای نصب پایتون به طوری که در CMD بتوانید کدهای پایتون را اجرا و ماژول‌ها را نصب نمایید ویدئو زیر را حتماً مشاهده کنید:
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.