کتاب صوتی جستجوی محلی هدایت‌شده برای مسائل بهینه‌سازی مقیاس بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جستجوی محلی هدایت‌شده برای مسائل بهینه‌سازی مقیاس بزرگ

موضوع کلی: بهینه‌سازی

موضوع میانی: الگوریتم‌های فراابتکاری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی و مسائل آن
• 2. مفاهیم پایه الگوریتم‌های فراابتکاری
• 3. آشنایی با الگوریتم جستجوی محلی (Local Search)
• 4. محدودیت‌های جستجوی محلی استاندارد
• 5. معرفی جستجوی محلی هدایت‌شده (Guided Local Search - GLS)
• 6. مکانیزم‌های اصلی GLS: Penalties و Aspiration Criteria
• 7. انتخاب تابع Penalty مناسب برای مسائل مختلف
• 8. پیاده‌سازی تابع Penalty در الگوریتم GLS
• 9. انتخاب همسایگی (Neighborhood) مناسب در GLS
• 10. الگوریتم‌های تولید همسایگی رایج
• 11. تنظیم پارامترهای GLS: دما، نرخ تغییرات Penalty
• 12. تاثیر پارامترها بر عملکرد GLS
• 13. بررسی تئوری همگرایی GLS
• 14. GLS برای مسائل بهینه‌سازی ترکیبی
• 15. GLS برای مسائل بهینه‌سازی پیوسته
• 16. کاربرد GLS در مسائل برنامه‌ریزی خطی
• 17. GLS برای مسائل برنامه‌ریزی عدد صحیح
• 18. GLS برای مسائل مسیریابی
• 19. GLS برای مسائل تخصیص
• 20. مقایسه GLS با سایر الگوریتم‌های فراابتکاری (Genetic Algorithm, Simulated Annealing)
• 21. مزایا و معایب GLS در مقایسه با الگوریتم‌های دیگر
• 22. بهبود GLS با استفاده از تکنیک‌های یادگیری تقویتی
• 23. ترکیب GLS با الگوریتم‌های دیگر (Hybrid Algorithms)
• 24. GLS موازی (Parallel GLS) برای مسائل بسیار بزرگ
• 25. پیاده‌سازی GLS در پایتون
• 26. پیاده‌سازی GLS در متلب
• 27. استفاده از کتابخانه‌های بهینه‌سازی برای پیاده‌سازی GLS
• 28. مثال‌های کاربردی از GLS در صنعت
• 29. بهینه‌سازی شبکه‌های حمل و نقل با GLS
• 30. بهینه‌سازی زنجیره تامین با استفاده از GLS
• 31. حل مسائل زمان‌بندی با GLS
• 32. بهینه‌سازی پورتفوی مالی با GLS
• 33. تحلیل حساسیت پارامترهای GLS
• 34. روش‌های ارزیابی عملکرد GLS
• 35. مقایسه نتایج GLS با روش‌های دقیق (Exact Methods)
• 36. تفسیر نتایج به دست آمده از GLS
• 37. چالش‌ها و محدودیت‌های GLS
• 38. تحقیقات آینده در زمینه GLS