کتاب تسلط بر الگوریتم ازدحام ذرات (PSO) برای بهینه‌سازی توابع پیچیده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر الگوریتم ازدحام ذرات (PSO) برای بهینه‌سازی توابع پیچیده

موضوع کلی: بهینه‌سازی

موضوع میانی: الگوریتم‌های بهینه‌سازی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر بهینه‌سازی و چالش‌های آن
  • 2. مفاهیم پایه‌ای الگوریتم ازدحام ذرات (PSO)
  • 3. تاریخچه و تکامل PSO
  • 4. مقایسه PSO با سایر الگوریتم‌های بهینه‌سازی (GA, SA, etc.)
  • 5. ساختار کلی الگوریتم PSO: ذرات، سرعت، موقعیت
  • 6. تابع هدف و نقش آن در PSO
  • 7. فضای جستجو و بازنمایی آن
  • 8. پارامترهای اصلی PSO: سرعت، شتاب، وزن‌دهی
  • 9. انتخاب بهترین ذرات (pBest)
  • 10. انتخاب بهترین ذرات در کل جمعیت (gBest)
  • 11. به‌روزرسانی سرعت و موقعیت ذرات
  • 12. معیارهای همگرایی در PSO
  • 13. پیاده‌سازی PSO با استفاده از پایتون (Python)
  • 14. پیاده‌سازی PSO با استفاده از MATLAB
  • 15. آزمایش و تحلیل نتایج PSO بر روی توابع استاندارد (Sphere, Rosenbrock, Rastrigin)
  • 16. تنظیم پارامترهای PSO برای بهبود عملکرد
  • 17. روش‌های مختلف وزن‌دهی در PSO
  • 18. استراتژی‌های جهش و تنوع در PSO
  • 19. بهینه‌سازی توابع چند هدفه با استفاده از PSO (MOPSO)
  • 20. تکنیک‌های موازی‌سازی PSO برای تسریع فرآیند بهینه‌سازی
  • 21. PSO با توپولوژی‌های مختلف همسایگی (Local, Global, Ring)
  • 22. PSO با استفاده از حافظه خارجی (External Memory PSO)
  • 23. PSO برای بهینه‌سازی توابع پیوسته
  • 24. PSO برای بهینه‌سازی توابع گسسته
  • 25. PSO برای بهینه‌سازی توابع ترکیبی
  • 26. کاربرد PSO در مهندسی برق (طراحی فیلتر، بهینه‌سازی شبکه)
  • 27. کاربرد PSO در مهندسی مکانیک (طراحی سازه، بهینه‌سازی سیستم‌ها)
  • 28. کاربرد PSO در یادگیری ماشین (انتخاب ویژگی، آموزش مدل)
  • 29. کاربرد PSO در شبکه‌های عصبی (بهینه‌سازی وزن‌ها و بایاس‌ها)
  • 30. کاربرد PSO در کنترل (طراحی کنترلر، تنظیم پارامترها)
  • 31. کاربرد PSO در پردازش تصویر (Segmentation, Feature Extraction)
  • 32. بررسی مقالات پیشرفته و جدید در زمینه PSO
  • 33. چالش‌ها و محدودیت‌های PSO
  • 34. راهکارهای مقابله با همگرایی زودرس در PSO
  • 35. بهبود PSO با استفاده از الگوریتم‌های یادگیری تقویتی
  • 36. مقایسه PSO با الگوریتم‌های متاهیوریستیک پیشرفته (DE, ABC, GWO)
  • 37. پیاده‌سازی PSO در محیط‌های ابری
  • 38. بهینه‌سازی مسائل بزرگ‌مقیاس با استفاده از PSO توزیع‌شده
  • 39. تحلیل حساسیت پارامترهای PSO
  • 40. روش‌های اعتبارسنجی نتایج PSO
  • 41. بهینه‌سازی مسائل با قیود (Constrained Optimization) با استفاده از PSO
  • 42. استفاده از PSO برای بهینه‌سازی توابع black-box
تگ‌ها: MATLAB MOPSO Particle Swarm Optimization PSO Python الگوریتم بهینه‌سازی الگوریتم متاهیوریستیک بهینه سازی توابع بهینه‌سازی ازدحام ذرات بهینه‌سازی پیوسته بهینه‌سازی چندهدفه بهینه‌سازی گسسته تابع هدف هوش مصنوعی یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.