کد متلب حذف پس زمینه تصویر با الگوریتم EM
خط های کد برنامه دارای توضیحات لازم به صورت کامنت هستند.
برای مشاهده نحوه عملکرد برنامه تصاویر محصول را با هم مقایسه نمایید.
برای نمایش نتایج کافیست کد برنامه را در نرم افزار متلب Run نمایید.
پاورپوینت الگوریتم رقابت استعماری
21 اسلاید آماده ارائه در قالب پاورپوینت
فهرست مطالب :
بخشی از متن پاورپوینت:
الگوریتم رقابت استعماری، روشی در حوزه محاسبات تکاملی است که به یافتن پاسخ بهینه مسائل مختلف بهینه سازی می‌پردازد. این الگوریتم با مدل سازی ریاضی فرآیند تکامل اجتماعی- سیاسی، الگوریتمی برای حل مسائل ریاضی بهینه سازی ارائه می‌دهد. از لحاظ کاربرد، این الگوریتم در دسته الگوریتم های بهینه سازی تکاملی هم چون الگوریتم های ژنتیک، بهینه سازی انبوه ذرات، بهینه سازی کلونی مورچگان، تبرید فلزات شبیه سازی شده و … قرار می گیرد. همانند همه الگوریتم های قرار گرفته در این دسته، الگوریتم رقابت استعماری نیز مجموعه اولیه ای از جواب های احتمالی را تشکیل می دهد. این جواب های اولیه در الگوریتم ژنتیک، با عنوان کروموزوم، در الگوریتم ازدحام ذرات با عنوان “ذره” و در الگوریتم رقابت استعماری نیز با عنوان کشور، شناخته می شوند. الگوریتم رقابت استعماری با روند خاصی که در ادامه می آید، این جواب های اولیه (کشور ها) را به تدریج بهبود داده و در نهایت جواب مناسب مسأله بهینه سازی (کشور مطلوب) را در اختیار می گذارد. پایه های اصلی این الگوریتم را سیاست همسان سازی، رقابت استعماری و انقلاب تشکیل می‌دهند. این الگوریتم با تقلید از روند تکامل اجتماعی، اقتصادی و سیاسی کشورها و با مدل سازی ریاضی بخش هایی از این فرایند، عملگرهایی را در قالب منظم به صورت الگوریتم ارائه می‌دهد که می‌توانند به حل مسائل پیچیده بهینه سازی کمک کنند. در واقع این الگوریتم جوابهای مسئله بهینه سازی را در قالب کشورها نگریسته و سعی می‌کند در طی فرایندی تکرار شونده این جواب‌ها را رفته رفته بهبود داده و در نهایت به جواب بهینه مسئله برساند…
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه25
فهرست مطالب
مراحل پنج گانه
مرحله مقداردهی اولیه
مرحله ورودی
مرحله پردازش
مرحله خروجی
مرحله پاکسازی ( Cleanup )
پالایش یک طرفه مرحله مقدار دهی اولیه
شبه کد ( PseudoCode )
هر برنامه، می بایست دارای یک طرح و یا الگو بوده تا برنامه نویس بر اساس آن عملیات خود را دنبال نماید.از دیدگاه برنامه نویسان ، هر برنامه نیازمند یک الگوریتم است . بعبارت ساده ، الگوریتم ، بیانه ای روشمند بمنظور حل یک مسئله بخصوص است . از منظر برنامه نویسان ،الگوریتم بمنزله یک طرح کلی و یا مجموعه دستورالعمل هائی است که با دنبال نمودن آنان ، برنامه ای تولید می گردد.
الگوریتم های میکرو در مقابل ماکرو
الگوریتم ها دارای ویژگی های متفاوتی می باشند . ما می توانیم در رابطه با الگوریتم استفاده شده به منظور نوشتن یک برنامه مشخص صحبت نمائیم . از این زاویه ، ما صرفا" در رابطه با الگوریتم در سطح ماکرو(macro level) ، صحبت نموده ایم . در چنین مواردی ، الگوریتم ارائه شده ، سعی در بدست آوردن جنبه های عمومی برنامه از طریق یک مرور کلی به برنامه در مقابل درگیر شدن در جزئیات را دارد.ما می توانیم در رابطه با الگوریتم ها ، از سطح "میکرو" صحبت نمائیم . از این زاویه ، به سطوح پایین تر رفته و به عوامل اساسی ونگهدارنده ای که یک جنبه خاص از برنامه را با یکدیگر مرتبط می نماید، صحبت کرد. مثلا" در صورتیکه شما دارای داده هائی هستید که می بایست قبل از استفاده مرتب گردند ،الگوریتم های مرتب سازی متعددی در این زمینه وجود داشته و می توان یکی از آنها را بمنظور تامین اهداف مورد نظر خود انتخاب نمود. انتخاب یک الگوریتم مرتب سازی ، صرفا" باعث حل شدن یکی از جنبه های متفاوت برنامه می گردد . پس از مرتب سازی داده ها ،می بایست از یک الگوریتم میکرو دیگر بمنظور نمایش داده ها ی مرتب شده استفاده گردد .
همانگونه که احتمالا" حدس زده اید ، ما می توانیم تمام الگوریتم های میکرو را بمنظور ایجاد یک الگوریتم ماکرو ، جمع آوری نمائیم . اگر ما با الگوریتم های میکرو ، آغاز نمائیم ، و حرکت خود را بسمت نمایش ماکروی یک برنامه ، پیش ببریم ، کاری را انجام داده ایم که موسوم به طراحی " پایین به بالا" (buttom-up) ، است . اگر ما فعالیت خود را با یک الگوریتم ماکرو آعاز و حرکت خود را بسمت پائین و الگوریتم های میکرو ، ادامه دهیم ، طراحی از نوع " بالا به پایین " (top-down) را انجام داده ایم .
در سالهای اخیر ، شبکه های عصبی،سلول خودکار و محاسبه ارزیابی که با افزایش توجه در تکنولوزی های محاسبه هوش دریافت می شود ، بوسیله پدیده ی طبیعی همزمانی گسترش می یابند . این تکنولوژی ها دارای توازن حداکثری ، خود پذیرشی ، خود سازمان دهی و پر از نیرومندی و سر زندگی در هوش محاسباتی است .
تکنیک بهینه سازی گروه مورچه ای (ACO) یکی از تکنیک های حل مشکل برانگیخته از عملکرد مورچه ها در یافتن مسیر های لانه ای نسبت به غذا و جستجوی جدید راه حلی مجازی برای حل مشکلات بهینه ترکیبی است و مؤفقیت چشمگیری را در سالهای اخیر بوجود آوردند. کاربرد همکاری مورچه ها در شکل غیر مستقیم ارتباطی بوسیله دنباله های فرمون معطر واسطه شده راه مطلوبی را نسبت به کارهای ارائه شده بوسیله هر دو اطلاعات استخراج شده که قابل دستیابی و جستجوی پیشرفته در ریشه جدید، قابل دستیابی است بنابراین ظرفیت احتمالی همگرائی نابهنگام سیستم بسیار حداقل می باشد که توسط دوریگو و دیگران مطرح گردید که الگوریتم گروهی مورچه ای برپایه دست یابی تحقیق بیونیکی (زنده شناختی )می باشد واین الگوریتم ها بطور مؤفقیت آمیز کاربردی بوده که مشکلات بهینه ترکیبی متفاوت را حل می کند ازقبیل :مشکل TSP ،مشکل ارزیابی درجه دوم ،مشکل فهرست بندی گروه شغلی ، مشکل نظم دهی مرتب ،مشکل ریشه ای ابزاری (VRP) ، کوچک کردن داده ها و ریشه ای کردن شبکه ای .استوتزل و هوس ،سیستم مورچه ای حداقلی – حداکثری که یک سیستم مورچه ای تغییر یافته می باشد را ارائه داده اند تا مشکل فروشندگی انتقالی را به کار برده (TSP). این مؤلفان به روشنی دو پارامتر ها ،کاربران با اهمیت را با حداکثر و حداقل سطوح دنباله ای ارائه داده اند که ارزش های آن را در روش وابسته به مشکل به منظور محدود کردن ارزش های دنباله دار احتمالی در فاصله حداقلی و حداکثری گزینش می کند علاوه بر آن ،MMAS سطوح دنباله دار را کنترل کرده تا حداکثر ارزش ها را راه اندازی کرده که منحصراً بهترین گروه مورچه ای را در هر تکرار شوندگی نسبت به دنباله های به روز شده جایز می داند بنابراین تغذیه مثبت را براساس نتایج حاصله بوجود می آورد . این دنباله ها هرگز یا به ندرت، تقویت کننده ها را بطور مداوم دارای حداقل سختی دنباله های معطر برجای مانده در ریشه ها قابل دستیابی است و خیلی به ندرت بوسیله مورچه ها گزینش می شود تا زمانی که آنها به ارزش برسند . پارامتر های فاصله زمانی حداکثری و حداقلی در عملکرد متقابل جستجوی نابهنگام در ممانعت از همگرائی اخیر نسبت به حداقل شدگی موقعیتی ،نگهداری برخی انواع استراتژی استنباطی در زمان مشابه مورد استفاده قرار می گیرد .ACD یک جستجوی جدید دوگانه برای حل مشکلات بهینه سازی ترکیبی است و دارای کاربردمؤفقیت آمیز در مشکلات بهینه سازی کاملاً فیزیکی پیچیده مورد استفاده قرار می گیرد .با وجود مرحله بهینه سازی گروه مورچه ای در چند مرحله قرار می گیرد :
1-مکانیسم گزینشی :بیشتر دنباله های فرمون برروی ریشه ،ظرفیت احتمالی بزرگتر در گزینش این ریشه
2-مکانیسم به روز شده : فرمون برروی ریشه می تواند قویتر ایجاد گردد هنگامی که مسیر مورچه ها بیشتر بوده و بنابراین بطور همزمان تدریجاً فرار بوده و بعنوان زمان مورد نیاز در عبور مورچه ها برروی ریشه ،محو می شود .
3- مکانیسم هماهنگ کننده : عملکرد هماهنگ کننده و ارتباطی متقابل بین مورچه ها در واقع بین "فرمون ها" ایجاد می گردد .
الگوریتم گروهی مورچه دارای کاربرد کاملی از قبیل مکانیسم بهینه شده در نهایت یافتن بهترین راه حل میان مبادلات اطلاعاتی و همکاری متقابل بین افراد است و این الگوریتم ها قادرند تا توانایی خیلی قوی داشته تا بهترین راه حل ها را پیدا کنند .
اگرچه ابزار محاسباتی کاملاً توزیع شده یک عامل متحرکی است که می تواند به برخی نتایج سرور /مراجعه کننده بوسیله انتقال کدهای خودشان فائق آمده است و این حالت به کامپیوتر میزبان انتقال می یابد و بوسیله این روش در کاربرد کامپیوتر های محلی انتقال می یابند و سپس به کامپیوتر میزبان می فرستند بنابراین یک عامل متحرک یکی از دستورات تحقیقی اصلی محاسبات توزیع شده است .
عوامل متحرک ممکن است از یک کامپیوتر میزبان به یک کامیوتر میزبان دیگر مطابق با نیاز مندی ها انتقال یابد و توانایی محاسبات کلی در کارهای محاسباتی توزیع شده به کار رفته جهانی و منابع کامپیوتری متعدد میزبان را تکمیل می کند .
چطور باید عوامل حرکتی را بین کامپیوتر های میزبان مطابق با انواع استراتژی های موجود در فرآیند اجرایی کارهای کامپیوتری با اهمیت پرسشگری انتقال دهیم ، چگونه کارایی عوامل محاسباتی و سرعت آنها را کامل کنیم و علاوه بر آن مشکلات ریشه ای عوامل متحرک که در این مقاله مورد بحث قرار گرفت .
شامل 17 صفحه فایل word قابل ویرایش
مزایای این روش کنترل :