SlideShare une entreprise Scribd logo
1  sur  22
1
‫مورچگان‬ ‫الگوریتم‬
‫راهنما‬ ‫استاد‬:‫کاظمی‬ ‫دکتر‬ ‫خانم‬
‫کننده‬ ‫تهیه‬:‫محسن‬‫غفارپناه‬
‫ارائه‬ ‫تاریخ‬:۹۵/۹/۲۰
2
‫چیست؟‬ ‫هوش‬
•‫یک‬ ‫هوش‬‫ذهنی‬ ‫توانایی‬‫است‬
•‫همچون‬ ‫متنوعی‬ ‫های‬‫قابلیت‬ ‫و‬
•‫استدالل‬‫مسئله‬ ‫حل‬ ،‫ریزی‬‫برنامه‬ ،،
•،‫زبان‬ ‫از‬ ‫استفاده‬ ،‫انتزاعی‬ ‫تفکر‬
•‫و‬‫بر‬ ‫در‬ ‫را‬ ‫یادگیری‬‫گیرد‬‫می‬.
3
‫هوش‬
‫ازدحامی‬
4
•‫از‬ ‫که‬ ‫است‬ ‫هوش‬ ‫از‬ ‫نوعی‬‫همکاری‬‫یک‬
‫جمعیت‬‫آید‬ ‫می‬ ‫بوجود‬.
•‫از‬ ‫یک‬ ‫هیچ‬ ‫توسط‬ ‫هوش‬ ‫از‬ ‫سطح‬ ‫این‬
‫نمی‬ ‫دستیابی‬ ‫قابل‬ ‫جمعیت‬ ‫افراد‬
‫باشد‬.
•‫بین‬ ‫همکاری‬ ‫به‬ ‫رسیدن‬ ‫منظور‬ ‫به‬
‫یک‬ ‫نیازمند‬ ‫اعضا‬‫ارتباطی‬ ‫جریان‬
‫هستیم‬.
‫هوش‬ ‫بر‬ ‫مبتنی‬ ‫های‬ ‫الگوریتم‬
‫ازدحامی‬
•‫الگوریتم‬‫کلونی‬‫مورچگان‬(ACO)
•‫الگوریتم‬‫کلونی‬‫زنبورها‬(ABC)
•‫الگوریتم‬‫ازدحام‬‫ذرات‬(PSO)
‫و‬...
5
‫مورچگان‬ ‫الگوریتم‬ ‫اولیه‬ ‫ایده‬
•‫سال‬ ‫در‬۱۹۸۹‫نام‬ ‫به‬ ‫شناسی‬ ‫حشره‬
‫به‬ ‫را‬ ‫آزمایشی‬ ‫همکارانش‬ ‫و‬ ‫گاس‬
‫در‬ ‫ها‬ ‫مورچه‬ ‫رفتار‬ ‫شناخت‬ ‫منظور‬
‫تدارک‬ ‫غذا‬ ‫سمت‬ ‫به‬ ‫مسیر‬ ‫انتخاب‬
‫دیدند‬.
•‫ها‬ ‫مورچه‬ ‫از‬ ‫گروهی‬ ‫دانشمندان‬ ‫این‬
‫سمت‬ ‫به‬ ‫النه‬ ‫از‬ ‫راهی‬ ‫دو‬ ‫یک‬ ‫در‬ ‫را‬
‫دادند‬ ‫قرار‬ ‫غذا‬.
6
‫اولیه‬ ‫ایده‬
‫مورچگان‬ ‫الگوریتم‬
•‫خود‬ ‫از‬ ‫رفتن‬ ‫راه‬ ‫هنگام‬ ‫ها‬ ‫مورچه‬
‫ماده‬‫شیمیایي‬‫نام‬ ‫به‬‫فرومون‬‫به‬
‫جاي‬‫ماده‬ ‫این‬ ‫البته‬ ‫گذارند‬ ‫مي‬
‫کوتاه‬ ‫در‬ ‫ولي‬ ‫شود‬ ‫مي‬ ‫تبخیر‬ ‫بزودي‬
‫زمین‬ ‫سطح‬ ‫بر‬ ‫مورچه‬ ‫رد‬ ‫بعنوان‬ ‫مدت‬
‫ماند‬ ‫مي‬ ‫باقي‬.
7
‫مورچگان‬ ‫الگوریتم‬ ‫اولیه‬ ‫ایده‬
•‫برگشت‬ ‫و‬ ‫رفت‬ ‫زمان‬ ‫که‬ ‫است‬ ‫مشخص‬
‫باال‬ ‫مسیر‬ ‫از‬ ‫ها‬ ‫مورچه‬(‫مسیر‬
‫کوتاهتر‬)‫های‬ ‫مورچه‬ ‫و‬ ‫است‬ ‫کمتر‬
‫به‬ ‫و‬ ‫رسیده‬ ‫غذا‬ ‫به‬ ‫زودتر‬ ‫باال‬ ‫مسیر‬
‫تردد‬ ‫درنتیجه‬ ‫گشت‬ ‫خواهند‬ ‫بر‬ ‫آشیانه‬
‫است‬ ‫بیشتر‬ ‫باال‬ ‫مسیر‬ ‫در‬.
•‫به‬ ‫بعدی‬ ‫مورچگان‬‫زیاد‬ ‫احتمال‬‫مسیری‬
‫فرومون‬ ‫که‬ ‫کنند‬ ‫می‬ ‫انتخاب‬ ‫را‬
‫دیگر‬ ‫عبارت‬ ‫به‬ ‫یا‬ ‫دارد‬ ‫بیشتری‬
‫بیشتری‬ ‫های‬ ‫مورچه‬ ‫تاکنون‬ ‫که‬ ‫مسیری‬
‫اند‬ ‫کرده‬ ‫عبور‬ ‫آن‬ ‫از‬.
8
‫الگوریتم‬
‫مورچگان‬
•‫سال‬ ‫در‬ ‫مورچگان‬ ‫الگوریتم‬1991‫توسط‬
‫دوریگو‬(Dorigo)‫از‬ ‫گرفتن‬ ‫الهام‬ ‫با‬
‫مشکل‬ ‫مسائل‬ ‫حل‬ ‫منظور‬ ‫به‬ ‫گاس‬ ‫آزمایش‬
‫گرد‬ ‫دوره‬ ‫فروشنده‬ ‫مثل‬ ‫سازی‬ ‫بهینه‬
‫شد‬ ‫ابداع‬.
•‫بر‬ ‫مورچگان‬ ‫الگوریتم‬ ‫فكري‬ ‫بنیان‬ ‫آنچه‬
‫بسادگي‬ ‫توان‬ ‫مي‬ ‫را‬ ‫است‬ ‫شده‬ ‫بنا‬ ‫آن‬
‫و‬‫نمود‬ ‫بیان‬ ‫جمله‬ ‫یك‬ ‫در‬" :‫ها‬ ‫مورچه‬
‫در‬ ‫موجود‬ ‫هاي‬ ‫محدودیت‬ ‫و‬ ‫موانع‬ ‫بین‬ ‫در‬
‫طبیعت‬‫همیشه‬‫هاي‬ ‫جایگشت‬ ‫بین‬ ‫از‬
‫به‬ ‫رسیدن‬ ‫براي‬ ‫متفاوت‬،‫غذا‬
‫کوتاهترین‬‫را‬ ‫راه‬‫كنند‬ ‫مي‬ ‫انتخاب‬."
•«‫فرومون‬ ‫شدن‬ ‫تبخیر‬»‫و‬«‫احتمال‬-‫تصادف‬»9
‫کاربردهای‬
‫مورچگان‬ ‫الگوریتم‬
10
‫در‬ ‫مسیریابی‬Knapsack
11
‫هر‬ ‫در‬ ‫فرومون‬ ‫در‬ ‫تغییر‬
‫تکرار‬
12
•‫فرومون‬ ‫افزایش‬
•‫فرومون‬ ‫تبخیر‬
‫سازی‬ ‫پیاده‬ ‫های‬ ‫گام‬ACO
13
1)‫سازی‬ ‫آماده‬
2)‫تکرار‬ ‫هر‬ ‫برای‬(for it=1:MaxIt):
2-‫الف‬)‫مورچه‬ ‫هر‬ ‫برای‬(for k=1:nAnt):
2-‫الف‬-1)‫خالی‬ ‫را‬ ‫مورچه‬ ‫آن‬ ‫مسیر‬ ‫بردار‬
‫کن‬(ant(k).Tour=[])
2-‫ب‬)‫آیتم‬ ‫هر‬ ‫برای‬(for l=1:nVar):
2-‫ب‬-1)‫ی‬ ‫گره‬ ‫احتمال‬0‫و‬1‫محاسبه‬ ‫را‬
‫کن‬(P=tau(:,l).^alpha)
2-‫ب‬-2)‫تابع‬ ‫طبق‬(‫ویل‬ ‫رولت‬)‫ها‬ ‫گره‬ ‫بین‬ ‫از‬
‫کن‬ ‫انتخاب‬(j=RouletteWheelSelection(P))
‫پیاده‬ ‫های‬ ‫گام‬
‫سازی‬ACO
2-‫ج‬)‫توسط‬ ‫شده‬ ‫برداشته‬ ‫های‬ ‫آیتم‬ ‫ارزش‬ ‫اگر‬
‫مورچه‬k‫از‬ ‫ام‬‫بهترین‬‫مورچه‬‫بود‬ ‫بیشتر‬(if
ant(k).Cost<BestAnt.Cost)
2-‫ج‬-1)‫آن‬‫مورچه‬ ‫بهترین‬ ‫عنوان‬ ‫به‬ ‫را‬ ‫مورچه‬
‫قرار‬‫بده‬(BestAnt=ant(k))
3)‫ها‬ ‫مورچه‬ ‫همه‬ ‫برای‬ ‫مسیر‬ ‫شدن‬ ‫ساخته‬ ‫از‬ ‫پس‬:
3-‫الف‬)‫عبور‬ ‫آن‬ ‫از‬ ‫که‬ ‫هایی‬ ‫گره‬ ‫روی‬ ‫مورچه‬ ‫هر‬
‫فرومون‬ ‫کرده‬
‫میریزید‬
tauij=tauij+∆tauij14
‫موجود‬ ‫شهرهای‬ ‫بین‬ ‫انتخاب‬ ‫نحوه‬
15
‫کدنویسی‬ ‫نحوه‬
RouletteWheelSelection
1. r=u(0,1)
2. Ci=p1+p2+…+pi
3. Output=min{i/r<=ci}
16
‫پشتی‬ ‫کوله‬ ‫مسئله‬(MyCost)
17
•‫هدف‬ ‫تابع‬:
𝒎𝒂𝒙
𝒊
𝒏
𝒗𝑖 ∗ 𝒙𝑖
•‫محدودیت‬:
𝒊
𝒏
𝒘𝑖 ∗ 𝒙𝑖 ≤ 𝑾
𝒙𝑖 Ɛ {𝟎, 𝟏}
‫برای‬ ‫پشتی‬ ‫کوله‬ ‫مسئله‬ ‫سازی‬ ‫آماده‬
‫مورچگان‬ ‫الگوریتم‬
= 𝑚𝑖𝑛 𝑖
𝑛
𝑣𝑖 1 − 𝑥𝑖 = V0objective
Violation = 𝑖
𝑛
𝑤𝑖 ∗ 𝑥𝑖 − 𝑊
Violation% = 𝑖
𝑛
𝑤𝑖∗𝑥𝑖
𝑊
− 1
18
‫مسئله‬ ‫های‬ ‫داده‬(CreateModel)
N=8;
v=[2 9 3 8 10 6 4 10];
w=[1 3 4 3 3 1 5 10];
W=15;
19
‫نتای‬
‫ج‬
BestAnt.x = 1 1 1 1 1 1 0 0
20
‫منابع‬
• A. Colorni, M. Dorigo, and V. Maniezzo,
“Distributed optimization by
ant colonies,” in Proc. ECAL91—Eur. Conf.
Artificial Life. New York:
Elsevier, 1991, pp. 134–142
• Dorigo M, Birattari M, Stutzle T. Ant colony
optimization. Comput Intell Magaz,
IEEE 2006;1:28–39
• www.wikipedia.org/
21
‫توجه‬ ‫از‬ ‫تشکر‬ ‫با‬
‫شما‬
22

Contenu connexe

En vedette

How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
ThinkNow
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 

En vedette (20)

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 

ACO

  • 1. 1
  • 2. ‫مورچگان‬ ‫الگوریتم‬ ‫راهنما‬ ‫استاد‬:‫کاظمی‬ ‫دکتر‬ ‫خانم‬ ‫کننده‬ ‫تهیه‬:‫محسن‬‫غفارپناه‬ ‫ارائه‬ ‫تاریخ‬:۹۵/۹/۲۰ 2
  • 3. ‫چیست؟‬ ‫هوش‬ •‫یک‬ ‫هوش‬‫ذهنی‬ ‫توانایی‬‫است‬ •‫همچون‬ ‫متنوعی‬ ‫های‬‫قابلیت‬ ‫و‬ •‫استدالل‬‫مسئله‬ ‫حل‬ ،‫ریزی‬‫برنامه‬ ،، •،‫زبان‬ ‫از‬ ‫استفاده‬ ،‫انتزاعی‬ ‫تفکر‬ •‫و‬‫بر‬ ‫در‬ ‫را‬ ‫یادگیری‬‫گیرد‬‫می‬. 3
  • 4. ‫هوش‬ ‫ازدحامی‬ 4 •‫از‬ ‫که‬ ‫است‬ ‫هوش‬ ‫از‬ ‫نوعی‬‫همکاری‬‫یک‬ ‫جمعیت‬‫آید‬ ‫می‬ ‫بوجود‬. •‫از‬ ‫یک‬ ‫هیچ‬ ‫توسط‬ ‫هوش‬ ‫از‬ ‫سطح‬ ‫این‬ ‫نمی‬ ‫دستیابی‬ ‫قابل‬ ‫جمعیت‬ ‫افراد‬ ‫باشد‬. •‫بین‬ ‫همکاری‬ ‫به‬ ‫رسیدن‬ ‫منظور‬ ‫به‬ ‫یک‬ ‫نیازمند‬ ‫اعضا‬‫ارتباطی‬ ‫جریان‬ ‫هستیم‬.
  • 5. ‫هوش‬ ‫بر‬ ‫مبتنی‬ ‫های‬ ‫الگوریتم‬ ‫ازدحامی‬ •‫الگوریتم‬‫کلونی‬‫مورچگان‬(ACO) •‫الگوریتم‬‫کلونی‬‫زنبورها‬(ABC) •‫الگوریتم‬‫ازدحام‬‫ذرات‬(PSO) ‫و‬... 5
  • 6. ‫مورچگان‬ ‫الگوریتم‬ ‫اولیه‬ ‫ایده‬ •‫سال‬ ‫در‬۱۹۸۹‫نام‬ ‫به‬ ‫شناسی‬ ‫حشره‬ ‫به‬ ‫را‬ ‫آزمایشی‬ ‫همکارانش‬ ‫و‬ ‫گاس‬ ‫در‬ ‫ها‬ ‫مورچه‬ ‫رفتار‬ ‫شناخت‬ ‫منظور‬ ‫تدارک‬ ‫غذا‬ ‫سمت‬ ‫به‬ ‫مسیر‬ ‫انتخاب‬ ‫دیدند‬. •‫ها‬ ‫مورچه‬ ‫از‬ ‫گروهی‬ ‫دانشمندان‬ ‫این‬ ‫سمت‬ ‫به‬ ‫النه‬ ‫از‬ ‫راهی‬ ‫دو‬ ‫یک‬ ‫در‬ ‫را‬ ‫دادند‬ ‫قرار‬ ‫غذا‬. 6
  • 7. ‫اولیه‬ ‫ایده‬ ‫مورچگان‬ ‫الگوریتم‬ •‫خود‬ ‫از‬ ‫رفتن‬ ‫راه‬ ‫هنگام‬ ‫ها‬ ‫مورچه‬ ‫ماده‬‫شیمیایي‬‫نام‬ ‫به‬‫فرومون‬‫به‬ ‫جاي‬‫ماده‬ ‫این‬ ‫البته‬ ‫گذارند‬ ‫مي‬ ‫کوتاه‬ ‫در‬ ‫ولي‬ ‫شود‬ ‫مي‬ ‫تبخیر‬ ‫بزودي‬ ‫زمین‬ ‫سطح‬ ‫بر‬ ‫مورچه‬ ‫رد‬ ‫بعنوان‬ ‫مدت‬ ‫ماند‬ ‫مي‬ ‫باقي‬. 7
  • 8. ‫مورچگان‬ ‫الگوریتم‬ ‫اولیه‬ ‫ایده‬ •‫برگشت‬ ‫و‬ ‫رفت‬ ‫زمان‬ ‫که‬ ‫است‬ ‫مشخص‬ ‫باال‬ ‫مسیر‬ ‫از‬ ‫ها‬ ‫مورچه‬(‫مسیر‬ ‫کوتاهتر‬)‫های‬ ‫مورچه‬ ‫و‬ ‫است‬ ‫کمتر‬ ‫به‬ ‫و‬ ‫رسیده‬ ‫غذا‬ ‫به‬ ‫زودتر‬ ‫باال‬ ‫مسیر‬ ‫تردد‬ ‫درنتیجه‬ ‫گشت‬ ‫خواهند‬ ‫بر‬ ‫آشیانه‬ ‫است‬ ‫بیشتر‬ ‫باال‬ ‫مسیر‬ ‫در‬. •‫به‬ ‫بعدی‬ ‫مورچگان‬‫زیاد‬ ‫احتمال‬‫مسیری‬ ‫فرومون‬ ‫که‬ ‫کنند‬ ‫می‬ ‫انتخاب‬ ‫را‬ ‫دیگر‬ ‫عبارت‬ ‫به‬ ‫یا‬ ‫دارد‬ ‫بیشتری‬ ‫بیشتری‬ ‫های‬ ‫مورچه‬ ‫تاکنون‬ ‫که‬ ‫مسیری‬ ‫اند‬ ‫کرده‬ ‫عبور‬ ‫آن‬ ‫از‬. 8
  • 9. ‫الگوریتم‬ ‫مورچگان‬ •‫سال‬ ‫در‬ ‫مورچگان‬ ‫الگوریتم‬1991‫توسط‬ ‫دوریگو‬(Dorigo)‫از‬ ‫گرفتن‬ ‫الهام‬ ‫با‬ ‫مشکل‬ ‫مسائل‬ ‫حل‬ ‫منظور‬ ‫به‬ ‫گاس‬ ‫آزمایش‬ ‫گرد‬ ‫دوره‬ ‫فروشنده‬ ‫مثل‬ ‫سازی‬ ‫بهینه‬ ‫شد‬ ‫ابداع‬. •‫بر‬ ‫مورچگان‬ ‫الگوریتم‬ ‫فكري‬ ‫بنیان‬ ‫آنچه‬ ‫بسادگي‬ ‫توان‬ ‫مي‬ ‫را‬ ‫است‬ ‫شده‬ ‫بنا‬ ‫آن‬ ‫و‬‫نمود‬ ‫بیان‬ ‫جمله‬ ‫یك‬ ‫در‬" :‫ها‬ ‫مورچه‬ ‫در‬ ‫موجود‬ ‫هاي‬ ‫محدودیت‬ ‫و‬ ‫موانع‬ ‫بین‬ ‫در‬ ‫طبیعت‬‫همیشه‬‫هاي‬ ‫جایگشت‬ ‫بین‬ ‫از‬ ‫به‬ ‫رسیدن‬ ‫براي‬ ‫متفاوت‬،‫غذا‬ ‫کوتاهترین‬‫را‬ ‫راه‬‫كنند‬ ‫مي‬ ‫انتخاب‬." •«‫فرومون‬ ‫شدن‬ ‫تبخیر‬»‫و‬«‫احتمال‬-‫تصادف‬»9
  • 12. ‫هر‬ ‫در‬ ‫فرومون‬ ‫در‬ ‫تغییر‬ ‫تکرار‬ 12 •‫فرومون‬ ‫افزایش‬ •‫فرومون‬ ‫تبخیر‬
  • 13. ‫سازی‬ ‫پیاده‬ ‫های‬ ‫گام‬ACO 13 1)‫سازی‬ ‫آماده‬ 2)‫تکرار‬ ‫هر‬ ‫برای‬(for it=1:MaxIt): 2-‫الف‬)‫مورچه‬ ‫هر‬ ‫برای‬(for k=1:nAnt): 2-‫الف‬-1)‫خالی‬ ‫را‬ ‫مورچه‬ ‫آن‬ ‫مسیر‬ ‫بردار‬ ‫کن‬(ant(k).Tour=[]) 2-‫ب‬)‫آیتم‬ ‫هر‬ ‫برای‬(for l=1:nVar): 2-‫ب‬-1)‫ی‬ ‫گره‬ ‫احتمال‬0‫و‬1‫محاسبه‬ ‫را‬ ‫کن‬(P=tau(:,l).^alpha) 2-‫ب‬-2)‫تابع‬ ‫طبق‬(‫ویل‬ ‫رولت‬)‫ها‬ ‫گره‬ ‫بین‬ ‫از‬ ‫کن‬ ‫انتخاب‬(j=RouletteWheelSelection(P))
  • 14. ‫پیاده‬ ‫های‬ ‫گام‬ ‫سازی‬ACO 2-‫ج‬)‫توسط‬ ‫شده‬ ‫برداشته‬ ‫های‬ ‫آیتم‬ ‫ارزش‬ ‫اگر‬ ‫مورچه‬k‫از‬ ‫ام‬‫بهترین‬‫مورچه‬‫بود‬ ‫بیشتر‬(if ant(k).Cost<BestAnt.Cost) 2-‫ج‬-1)‫آن‬‫مورچه‬ ‫بهترین‬ ‫عنوان‬ ‫به‬ ‫را‬ ‫مورچه‬ ‫قرار‬‫بده‬(BestAnt=ant(k)) 3)‫ها‬ ‫مورچه‬ ‫همه‬ ‫برای‬ ‫مسیر‬ ‫شدن‬ ‫ساخته‬ ‫از‬ ‫پس‬: 3-‫الف‬)‫عبور‬ ‫آن‬ ‫از‬ ‫که‬ ‫هایی‬ ‫گره‬ ‫روی‬ ‫مورچه‬ ‫هر‬ ‫فرومون‬ ‫کرده‬ ‫میریزید‬ tauij=tauij+∆tauij14
  • 15. ‫موجود‬ ‫شهرهای‬ ‫بین‬ ‫انتخاب‬ ‫نحوه‬ 15
  • 17. ‫پشتی‬ ‫کوله‬ ‫مسئله‬(MyCost) 17 •‫هدف‬ ‫تابع‬: 𝒎𝒂𝒙 𝒊 𝒏 𝒗𝑖 ∗ 𝒙𝑖 •‫محدودیت‬: 𝒊 𝒏 𝒘𝑖 ∗ 𝒙𝑖 ≤ 𝑾 𝒙𝑖 Ɛ {𝟎, 𝟏}
  • 18. ‫برای‬ ‫پشتی‬ ‫کوله‬ ‫مسئله‬ ‫سازی‬ ‫آماده‬ ‫مورچگان‬ ‫الگوریتم‬ = 𝑚𝑖𝑛 𝑖 𝑛 𝑣𝑖 1 − 𝑥𝑖 = V0objective Violation = 𝑖 𝑛 𝑤𝑖 ∗ 𝑥𝑖 − 𝑊 Violation% = 𝑖 𝑛 𝑤𝑖∗𝑥𝑖 𝑊 − 1 18
  • 19. ‫مسئله‬ ‫های‬ ‫داده‬(CreateModel) N=8; v=[2 9 3 8 10 6 4 10]; w=[1 3 4 3 3 1 5 10]; W=15; 19
  • 21. ‫منابع‬ • A. Colorni, M. Dorigo, and V. Maniezzo, “Distributed optimization by ant colonies,” in Proc. ECAL91—Eur. Conf. Artificial Life. New York: Elsevier, 1991, pp. 134–142 • Dorigo M, Birattari M, Stutzle T. Ant colony optimization. Comput Intell Magaz, IEEE 2006;1:28–39 • www.wikipedia.org/ 21
  • 22. ‫توجه‬ ‫از‬ ‫تشکر‬ ‫با‬ ‫شما‬ 22