<![CDATA[پست های Matlab24 Ir در مداد]]> http://medad.io/@matlab24/ http://medad.io/Avatar-common150-53367/matlab24-ir.png پست های Matlab24 Ir در مداد http://medad.io/@matlab24/ مداد Sun, 01 Mar 2020 05:38:47 GMT <![CDATA[کوله پشتی با sa : کد متلب حل کوله پشتی 0و1 با الگوریتم تبرید]]> http://medad.io/@matlab24/%DA%A9%D9%88%D9%84%D9%87-%D9%BE%D8%B4%D8%AA%DB%8C-%D8%A8%D8%A7-sa-%DA%A9%D8%AF-%D9%85%D8%AA%D9%84%D8%A8-%D8%AD%D9%84-%DA%A9%D9%88%D9%84%D9%87-%D9%BE%D8%B4%D8%AA%DB%8C-0%D9%881-%D8%A8%D8%A7-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D8%AA%D8%A8%D8%B1%DB%8C%D8%AF/ http://medad.io/jPP/ Sat, 29 Feb 2020 07:14:40 GMT 2020-02-29T10:44:40+03:30 حل مسئله کوله پشتی با الگوریتم ذوب شبیه سازی شده : الگوریتم تبرید یا ذوب شبیه سازی شده که با آن sa نیز میگویند ، یک الگوریتم فرابتکاری است که برای بهینه سازی از آن استفاده میشود.


حل مسئله کوله پشتی با الگوریتم Simulated Annaling  : حل مسئله کوله پشتی با الگوریتم SA

جزئیات بیشتر:

شرح مسئله به این صورت است که ما تعدادی اجسام با وزن مشخص و با ارزش مشخص داریم

و میخواهیم اشیایی را انتخاب کنیم که دارای بیشترین ارزش باشند.

و محدودیتی که داریم بر روی وزن کل اشیا می باشد زیرا که کوله پشتی تحمل وزن مشخصی را دارد

تعاریف ما برای مدل کردن کوله پشتی به صورت زیر می باشد:

یک بردار وزن به نام W خواهیم داشت که وزن اشیا را در ان وارد میکنیم

یک بردار ارزش به نام V خواهیم داشت که ارزش اشیا را در ان وارد میکنیم

و همچنین یک متغیر W_total داریم که حداکثر وزن قابل قبول را در ان وارد میکنیم

تابع شایستگی نیز به این صورت عمل میکند که ابتدا مجموع وزن اشیای انتخاب شده را محاسبه میکنیم .

اگر این مجموع کمتر از W_total بود انگاه شایستگی این راه حل برابر است با مجموع ارزش اشیای انتخاب شده .

اما اگر مجموع وزن بیشتر از W_total باشد انگاه شایستگی این راه حل را برابر با صفر در نظر میگیریم چون یک راه حل غیر قابل قبول می باشد.

در نهایت ما به دنبال راه حل با بیشترین مقدار شایستگی می باشیم که بیشترین ارزش را به ما میدهد بنابر این دنبال پیدا کردن ماکزیمم می باشیم.

منبع : کوله پشتی با sa


]]> <![CDATA[مسئله کوله پشتی ، تعریف ، بررسی مدلهای مختلف و روشهای حل آن]]> http://medad.io/@matlab24/%D9%85%D8%B3%D8%A6%D9%84%D9%87-%DA%A9%D9%88%D9%84%D9%87-%D9%BE%D8%B4%D8%AA%DB%8C-%D8%AA%D8%B9%D8%B1%DB%8C%D9%81-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%D9%85%D8%AF%D9%84%D9%87%D8%A7%DB%8C-%D9%85%D8%AE%D8%AA%D9%84%D9%81-%D9%88-%D8%B1%D9%88%D8%B4%D9%87%D8%A7%DB%8C-%D8%AD%D9%84-%D8%A2%D9%86/ http://medad.io/jPM/ Sat, 29 Feb 2020 05:58:00 GMT 2020-02-29T09:28:00+03:30 مسئله کوله پشتی یا Knapsack Problem یکی از مسائل معروف هوش مصنوعی و بهینه سازی و تحقیق در عملیات می باشد ، اهمیت این مسئله از آن جهت است که مسائل دنیای واقعی را میتوان به آن نگاشت کرد و با حل کردن کوله پشتی میتوان مسائل دنیای واقعی مانند رمزنگاری ، تخصیص منابع و غیره را بهینه کرد.


آموزش کامل مسئله کوله پشتی
آموزش کامل مسئله کوله پشتی

در مسئله کوله پشتی ، هدف این است که از بین اشیای موجود که هرکدام وزن و ارزش خاص خود را دارند آنهایی را انتخاب کنیم که : بیشترین ارزش را برای ما تولید کنند و مجموع وزن آنها بیشتر از ظرفیت کوله پشتی نشود.

انواع مدلهای مسئله کوله پشتی

  1. کوله پشتی 0 و 1
  2. کوله پشتی کسری
  3. کوله پشتی چند بعدی
  4. کوله پشتی با کران
  5. کوله پشتی بیکران

هر کدام از مدلهای مختلف مسئله کوله پشتی ، تعریف ریاضی خاص خود را دارد. و برای اینکه بتوان آنها را حل کرد ابتدا باید فرمول ریاضی آنها را بدست آورد.

روشهای حل مسئله کوله پشتی

مسئله کوله پشتی را میتوان با روشهای مختلف مانند :

  • حل کوله پشتی با برنامه نویسی پویا
  • حل کوله پشتی با الگوریتم حریصانه
  • حل کوله پشتی با الگوریتم عقبگرد
  • حل کوله پشتی با الگوریتم ژنتیک یا GA
  • حل کوله پشتی با الگوریتم تبرید یا SA
  • حل کوله پشتی با الگوریتم ملخ یا GOA
  • حل کوله پشتی با الگوریتم گرگ خاکستری یا GWO
  • حل کوله پشتی با الگوریتم سنجاقک یا DA
  • حل کوله پشتی با الگوریتم توده ذرات یا PSO
  • حل کوله پشتی با الگوریتم تکامل تفاضلی یا DE

و سایر الگوریتم های تکاملی و فرابتکاری حل کرد.

ما در تیم برنامه نویسی هوشمند ، حل مسئله کوله پشتی با الگوریتم های مختلف را آماده کرده ایم و در نرم افزار Matlab پیاده سازی کرده ایم که میتوانید در لینک زیر به آنها دسترسی داشته باشید.

کد متلب مسئله کوله پشتی


]]>