در این مطلب، ویدئو الگوریتم ژنتیک در پایتون – قسمت B – سری الگوریتم های ژنتیک عملی با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:33:49
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:04,100 –> 00:00:06,930
قبل از رفتن به مرحله بعدی باید
2
00:00:06,930 –> 00:00:11,219
میزان جهش mu و سیگما
3
00:00:11,219 –> 00:00:14,610
و اندازه جهش
4
00:00:14,610 –> 00:00:18,840
را تعریف کنیم و من آنها را در اینجا تعریف می کنم بعد از اینکه گاما mu
5
00:00:18,840 –> 00:00:24,900
برابر با param dot mu و همچنین سیگما
6
00:00:24,900 –> 00:00:29,699
برابر با دو فروم است که سیگما و همچنین
7
00:00:29,699 –> 00:00:32,780
باید این را در برنامه تعریف کنید که من
8
00:00:32,780 –> 00:00:37,170
شروع به اسکریپت و بازو جدید
9
00:00:37,170 –> 00:00:41,219
نیست مثال 20٪ خواهد بود و به همین دلیل است که ما در
10
00:00:41,219 –> 00:00:43,950
اینجا پنج متغیر تصمیم داریم و
11
00:00:43,950 –> 00:00:47,370
new را روی 20٪ تنظیم می کنیم سپس به طور متوسط
12
00:00:47,370 –> 00:00:50,550
از ژن ها را تغییر داده یا تغییر می ده
13
00:00:50,550 –> 00:00:53,100
م. هر بار که میخواهیم
14
00:00:53,100 –> 00:00:55,350
جهش انجام دهیم، مثلاً میتوانید
15
00:00:55,350 –> 00:00:58,500
این را روی 10 درصد قرار دهید و این یعنی ما
16
00:00:58,500 –> 00:01:02,820
17
00:01:02,820 –> 00:01:04,530
هر بار که میخواهیم جهش انجام دهیم، نیمی از ژن را از یک ژن تغییر میدهیم
18
00:01:04,530 –> 00:01:07,020
و همچنین من. m قرار است
19
00:01:07,020 –> 00:01:10,799
این سیگما را اینجا پیدا کنم و سیگما
20
00:01:10,799 –> 00:01:15,659
برابر با 0.1 خواهد بود و فکر می کنم خوب است و
21
00:01:15,659 –> 00:01:18,119
اکنون آماده ارزیابی این
22
00:01:18,119 –> 00:01:21,240
راه حل ها هستیم اما قبل از آن باید اطمینان حاصل
23
00:01:21,240 –> 00:01:24,150
کنیم که موقعیت های فرزندان ما
24
00:01:24,150 –> 00:01:28,040
در محدوده قرار دارد و موقعیت ها باید
25
00:01:28,040 –> 00:01:31,079
بیشتر باشد. از ما بدتر و کمتر از
26
00:01:31,079 –> 00:01:34,860
حد ماکزیمم باید اطمینان حاصل شود که
27
00:01:34,860 –> 00:01:38,970
مقادیر در این محدوده معتبر هستند، بنابراین من
28
00:01:38,970 –> 00:01:44,610
میخواهم کف دستها را به این موقعیتها اعمال کنم
29
00:01:44,610 –> 00:01:47,340
و برای انجام این کار، تابع دیگری
30
00:01:47,340 –> 00:01:52,420
را در اینجا تعریف میکنم F اعمال
31
00:01:52,420 –> 00:01:56,740
پرش و یک
32
00:01:56,740 –> 00:02:00,070
فرد به نام X را برای مثال میپذیرد و ما
33
00:02:00,070 –> 00:02:02,320
باید ابزار بسیار متوسط و بسیار حداکثر را ارائه می
34
00:02:02,320 –> 00:02:05,590
دهم و من میخواهم موقعیت X ر
35
00:02:05,590 –> 00:02:08,139
با میانگین Y و vernix مقایسه کنم تا
36
00:02:08,139 –> 00:02:12,819
P تا حداکثر مقدار حداکثر را
37
00:02:12,819 –> 00:02:16,660
ین دو آرایه یا عدد برگرداند و مو
38
00:02:16,660 –> 00:02:20,680
عیت اضافی را به ای
39
00:02:20,680 –> 00:02:22,830
تابع و همچنین خیلی متوسط
40
00:02:22,830 –> 00:02:26,290
ولاً موقعیت افراد ما با
41
00:02:26,290 –> 00:02:29,769
د بیشتر از خیلی متوسط باشد و اگر در این
42
00:02:29,769 –> 00:02:32,470
ا یک موقعیت نرمال داشته باشیم نتیجه
43
00:02:32,470 –> 00:02:35,380
ین عبارت ماکزی
44
00:02:35,380 –> 00:02:37,510
م را در بین این مقدار پیدا می کند و این مقدار در صور
45
00:02:37,510 –> 00:02:42,100
وجود هر مقدار
46
00:02:42,100 –> 00:02:45,549
امعتبر موقعیت خواهد بود آنگاه موقعیت کمتر ا
47
00:02:45,549 –> 00:02:48,700
مقدار و این معتبر نیست، اما
48
00:02:48,700 –> 00:02:52,060
حداکثر در جایی که میانگین به عنوان خروجی برمی گردد،
49
00:02:52,060 –> 00:02:55,900
بنابراین قطعا خروجی نتیجه
50
00:02:55,900 –> 00:02:59,350
این عبارت همیشه
51
00:02:59,350 –> 00:03:03,880
بزرگتر یا برابر با میانگین خواهد بود، بنابراین من
52
00:03:03,880 –> 00:03:07,989
از آن به عنوان نقطه X استفاده می کنم.
53
00:03:07,989 –> 00:03:12,130
موقعیت جدید X اگر همه چیز درست باشد،
54
00:03:12,130 –> 00:03:14,829
موقعیت اضافی با خودش برابر می شود
55
00:03:14,829 –> 00:03:19,359
و اگر تعدادی از اعضای نامعتبر
56
00:03:19,359 –> 00:03:22,750
در موقعیت وجود داشته باشد، آن عناصر
57
00:03:22,750 –> 00:03:26,380
با میانگین آنها جایگزین می شوند و
58
00:03:26,380 –> 00:03:29,440
میانگین آنها را به عنوان موقعیت ها خواهیم داشت که آن
59
00:03:29,440 –> 00:03:33,250
شاخص ها را برای آن ها اضافه می کنیم. شلوار جین بیایید این را کپی کنیم
60
00:03:33,250 –> 00:03:37,209
و آن را تغییر دهیم تا محیطها را
61
00:03:37,209 –> 00:03:40,150
به روشی مشابه داشته باشیم. محیط حداکثر را
62
00:03:40,150 –> 00:03:42,810
به حداقل تغییر میدهیم که در آن Max و
63
00:03:42,810 –> 00:03:46,090
معمولاً موقعیت باید کمتر
64
00:03:46,090 –> 00:03:49,090
از Max باشد و در صورت هر
65
00:03:49,090 –> 00:03:52,420
مقدار نامعتبر، خروجی حداقل
66
00:03:52,420 –> 00:03:55,810
بسیار X خواهد بود. بنابراین این عبارت
67
00:03:55,810 –> 00:03:59,319
همیشه کمتر یا مساوی با
68
00:03:59,319 –> 00:04:03,220
حداکثر نقطه خواهد بود، پس این همان است و ما می دانیم که X
69
00:04:03,220 –> 00:04:04,950
70
00:04:04,950 –> 00:04:07,709
یک نوع مرجع است و به پزشک خود ارجاع دارد و هر
71
00:04:07,709 –> 00:04:10,440
تغییری در فیلدهای آن در همه جا منعکس می شود،
72
00:04:10,440 –> 00:04:12,660
بنابراین نیازی به بازگرداندن
73
00:04:12,660 –> 00:04:15,480
چیزی نیست. اگر مایلید می توانید
74
00:04:15,480 –> 00:04:19,380
X را نیز برگردانید، من می خواهم درخواست پرش را
75
00:04:19,380 –> 00:04:24,060
در اینجا اعمال کنم.
76
00:04:24,060 –> 00:04:28,770
77
00:04:28,770 –> 00:04:31,740
78
00:04:31,740 –> 00:04:34,680
این است که ما کران های
79
00:04:34,680 –> 00:04:37,200
کران پایین و کران بالای
80
00:04:37,200 –> 00:04:40,820
متغیرهای تصمیم را اعمال کردیم و اکنون آماده
81
00:04:40,820 –> 00:04:44,340
ارزیابی راه حل های یک نشت هستیم.
82
00:04:44,340 –> 00:04:48,630
83
00:04:48,630 –> 00:04:53,040
84
00:04:53,040 –> 00:04:57,770
تابع هزینه در موقعیت نقطه C 1
85
00:04:57,770 –> 00:05:03,060
و همچنین می خواهم مقایسه کنم
86
00:05:03,060 –> 00:05:06,240
ببینم چه زمانی هزینه بر اساس آن هزینه است،
87
00:05:06,240 –> 00:05:10,350
بنابراین اگر c1 هزینه کمتر از
88
00:05:10,350 –> 00:05:13,650
هزینه بهترین کفی باشد، باید مشابه
89
00:05:13,650 –> 00:05:16,289
قسمت اولیه سازی بهترین
90
00:05:16,289 –> 00:05:20,250
روح سرد ما جایگزین شود. توسط c1 اما ما
91
00:05:20,250 –> 00:05:22,650
نمیتوانیم این تخصیص را انجام
92
00:05:22,650 –> 00:05:25,080
دهیم زیرا با متغیرهای نوع مرجع سروکار داریم که
93
00:05:25,080 –> 00:05:27,930
نوع مرجع ما را ساختار میدهند،
94
00:05:27,930 –> 00:05:28,350
95
00:05:28,350 –> 00:05:32,970
بنابراین کپی عمیق C 1 نقطه در واقع
96
00:05:32,970 –> 00:05:36,810
جایگزین روح مبتنی بر خواهد شد تا اطمینان حاصل شود که هرگونه
97
00:05:36,810 –> 00:05:41,280
تغییر در c1 در آینده بر بهترین روح تأثیر نخواهد گذاشت.
98
00:05:41,280 –> 00:05:42,720
99
00:05:42,720 –> 00:05:46,520
راه حل را ارزیابی کردیم
100
00:05:46,520 –> 00:05:49,919
و بهترین روح را نیز آپدیت کردیم و
101
00:05:49,919 –> 00:05:55,470
من این قسمت را کپی می کنم و همین کار را
102
00:05:55,470 –> 00:05:56,789
برای فرزندان دوم انجام
103
00:05:56,789 –> 00:06:00,300
می دهم، C1 را با C 2 جایگزین می کنم
104
00:06:00,300 –> 00:06:05,430
و در اینجا به
105
00:06:05,430 –> 00:06:08,370
راه حل های جدید ایجاد شده که نتیجه جهش هستند ارزیابی کردیم.
106
00:06:08,370 –> 00:06:12,300
بعد از یک متقاطع بنابراین
107
00:06:12,300 –> 00:06:14,400
قرار است به راه حل ها نیز ارزیابی شود، اما
108
00:06:14,400 –> 00:06:18,300
ما آنها را به پاپ C اضافه می کنیم، بنابراین
109
00:06:18,300 –> 00:06:25,500
اجازه دهید فرزندان را به جمعیت اضافه
110
00:06:25,500 –> 00:06:31,110
111
00:06:31,110 –> 00:06:35,819
کنیم.
112
00:06:35,819 –> 00:06:39,810
جمعیت Springs به نام popsie که
113
00:06:39,810 –> 00:06:45,090
شامل افراد NC در آن است و در اینجا
114
00:06:45,090 –> 00:06:48,479
می بینید که K به هیچ وجه استفاده نمی شود، می توانیم آن را
115
00:06:48,479 –> 00:06:51,750
با خط زیر یک
116
00:06:51,750 –> 00:06:55,469
نام متغیر ساختگی جایگزین کنیم و اکنون آماده هستیم تا
117
00:06:55,469 –> 00:06:59,370
جمعیت ها را ادغام کنیم و جمعیت را برای آن مرتب کنیم و
118
00:06:59,370 –> 00:07:01,830
انتخاب کنیم. نسل بعدی بسیار
119
00:07:01,830 –> 00:07:05,400
خب، بیایید ادغام مرتب سازی
120
00:07:05,400 –> 00:07:08,699
و انتخاب قسمت سرد را انجام دهیم، بنابراین من می خواهم
121
00:07:08,699 –> 00:07:14,930
یک بخش جدید را در اینجا اضافه کنم مرتب سازی ادغام و
122
00:07:14,930 –> 00:07:19,199
انتخاب کنید تا برای ادغام دو جمعیت،
123
00:07:19,199 –> 00:07:21,750
از این عملگر top به علاوه pop
124
00:07:21,750 –> 00:07:25,590
C استفاده کنیم و من می روم. برای اختصاص دادن این به
125
00:07:25,590 –> 00:07:28,469
خود pop و می دانید که می توانید
126
00:07:28,469 –> 00:07:31,830
با حذف top
127
00:07:31,830 –> 00:07:34,949
plus از اینجا و استفاده از عملگر plus برابر این عبارت را با این تغییر دهید
128
00:07:34,949 –> 00:07:39,120
که در واقع به این معنی است که ما
129
00:07:39,120 –> 00:07:42,779
pop C را به pop اضافه می کنیم و آنها را ادغام می
130
00:07:42,779 –> 00:07:47,310
کنیم و لیست ادغام شده را نامگذاری می کنیم. به عنوان pop
131
00:07:47,310 –> 00:07:50,310
n ما آماده مرتب سازی جمعیت هستیم،
132
00:07:50,310 –> 00:07:53,909
بنابراین بیایید با استفاده از تابع مرتب شده، جمعیت را
133
00:07:53,909 –> 00:07:59,069
مرتب کنیم و مرتب شده جمعیت لیست را می پذیرد
134
00:07:59,069 –> 00:08:01,889
و باید یک
135
00:08:01,889 –> 00:08:06,810
کلید برای استفاده به عنوان معیار برای مرتب سازی برای
136
00:08:06,810 –> 00:08:09,389
مقایسه اعضا یا
137
00:08:09,389 –> 00:08:12,240
افراد جامعه ارائه دهیم، بنابراین من قصد دارم تعریف کنم. کلید
138
00:08:12,240 –> 00:08:14,990
برابر با ما یک
139
00:08:14,990 –> 00:08:17,990
تابع ناشناس یک تابع لامبدا را
140
00:08:17,990 –> 00:08:21,569
در اینجا تعریف می کنیم، بنابراین من یک تابع لامبدا را تعریف می کنم
141
00:08:21,569 –> 00:08:26,309
که X را به X نشان می
142
00:08:26,309 –> 00:08:29,999
دهد، بنابراین می گوییم که کلید این
143
00:08:29,999 –> 00:08:33,568
عملیات مرتب سازی، تابع ناشناس است
144
00:08:33,568 –> 00:08:37,620
که X را برمی گرداند. هزینه نقطه برای هر X
145
00:08:37,620 –> 00:08:41,099
در جمعیت و این یعنی ما از X
146
00:08:41,099 –> 00:08:43,559
dot cost مقدار هزینه به عنوان ارزش کلیدی
147
00:08:43,559 –> 00:08:47,910
برای مرتبسازی جمعیت استفاده میکنیم و این همان چیزی است که ما
148
00:08:47,910 –> 00:08:51,389
جمعیت را بر اساس این مقدار کلیدی مرتب
149
00:08:51,389 –> 00:08:56,639
کردیم، اما باید آن را در بالا ذخیره کنیم تا
150
00:08:56,639 –> 00:08:58,800
این کار انجام نشود. جمعیت را تغییر دهید و
151
00:08:58,800 –> 00:09:02,100
ما باید این را در جدول ذخیره کنیم و
152
00:09:02,100 –> 00:09:04,589
اکنون یک جمعیت روش مرتب سازی
153
00:09:04,589 –> 00:09:07,470
داریم و اعضای برتر را به عنوان
154
00:09:07,470 –> 00:09:10,529
جمعیت جدید جمعیت نسل بعدی انتخاب
155
00:09:10,529 –> 00:09:15,029
می کنیم تا از اولین لیست خارج از لیست، برترین ها برابر با بالا باشد.
156
00:09:15,029 –> 00:09:19,050
شاخص 0 تا n
157
00:09:19,050 –> 00:09:21,990
پاپ است و در واقع می دانیم که این
158
00:09:21,990 –> 00:09:26,309
شامل 0 تا M پاپ منهای 1 خواهد بود
159
00:09:26,309 –> 00:09:29,220
و اعضای جمعیت دسته
160
00:09:29,220 –> 00:09:31,670
بندی جمعیت ادغام شده را در اینجا
161
00:09:31,670 –> 00:09:35,490
خواهیم داشت و با موفقیت
162
00:09:35,490 –> 00:09:39,209
مرتب سازی ادغام را اجرا کردیم و اکنون اینجا را انتخاب می کنیم.
163
00:09:39,209 –> 00:09:42,660
میتوان با
164
00:09:42,660 –> 00:09:45,329
ذخیره بهترین هزینههای موجود در پایان این
165
00:09:45,329 –> 00:09:49,769
تکرار، پیادهسازی را ادامه داد. فروشگاه اولین اعتماد خالص
166
00:09:49,769 –> 00:09:53,370
ما بهترین هزینههای موقعیت برابر
167
00:09:53,370 –> 00:09:57,689
با بهترین هزینه نقطه روح داریم، میخواهیم
168
00:09:57,689 –> 00:10:00,180
اطلاعاتی درباره تکرار چاپ کنیم
169
00:10:00,180 –> 00:10:04,350
تا اطلاعات اطلاعات تکرار را نشان دهد.
170
00:10:04,350 –> 00:10:08,490
در واقع و ما به دستوراتی می رویم
171
00:10:08,490 –> 00:10:12,110
که
172
00:10:12,110 –> 00:10:16,860
وضعیت رشته ای را به عنوان پارامتر می پذیرد و
173
00:10:16,860 –> 00:10:23,640
این هزینه برابر با فرمت نقطه است
174
00:10:23,640 –> 00:10:27,540
و ما از آن به عنوان پارامتر اول
175
00:10:27,540 –> 00:10:32,510
و بهترین هزینه در 8 در این مکان استفاده می کنیم، بنابراین
176
00:10:32,510 –> 00:10:37,380
مدت زمان و بهترین هزینه تکرار یا
177
00:10:37,380 –> 00:10:40,890
به سادگی می توانید از بهترین استفاده کنید تا در صورت تمایل هزینه
178
00:10:40,890 –> 00:10:44,580
کنید و این خوب است، بنابراین
179
00:10:44,580 –> 00:10:47,280
این اطلاعات مربوط به تکرار است
180
00:10:47,280 –> 00:10:50,460
که توسط این نظر چاپی نشان داده می شود و من فکر می کنم
181
00:10:50,460 –> 00:10:53,610
ما انجام داده ایم و یک ژن را پیاده سازی کرده ایم الگوریتم tic
182
00:10:53,610 –> 00:10:55,860
183
00:10:55,860 –> 00:10:58,740
پارامترهای اطلاعات مسئله را استخراج میکنیم و یک
184
00:10:58,740 –> 00:11:01,320
جمعیت اولیه ایجاد میکنیم و سپس
185
00:11:01,320 –> 00:11:04,170
جهش متقاطع انتخاب والد را انجام میدهیم،
186
00:11:04,170 –> 00:11:06,450
محدودههای اعمالشده را انجام میدهیم، راهحلهای جدید ایجاد شده را ارزیابی میکنیم
187
00:11:06,450 –> 00:11:10,830
و در نهایت ادغام
188
00:11:10,830 –> 00:11:14,790
میکنیم و از جمعیت منبع میکنیم، اما
189
00:11:14,790 –> 00:11:18,690
در اینجا تطبیق خوبی از حلقهها داریم.
190
00:11:18,690 –> 00:11:21,870
در داخل این حلقه است، بنابراین باید
191
00:11:21,870 –> 00:11:26,550
آنها را خارج از این حلقه داشته باشیم و
192
00:11:26,550 –> 00:11:29,940
این حلقه را برای متقاطع و ایجاد
193
00:11:29,940 –> 00:11:32,220
popsie داریم، اما این حلقه برای تکرار است
194
00:11:32,220 –> 00:11:36,120
و این خطوط باید خارج از این
195
00:11:36,120 –> 00:11:40,770
حلقه داخلی در اینجا باشند، بنابراین تمام می شود و در نهایت
196
00:11:40,770 –> 00:11:43,560
بهترین هزینه را ذخیره می کنیم. مقدار و نشان دادن
197
00:11:43,560 –> 00:11:45,690
مقداری اطلاعات در مورد تکرار و
198
00:11:45,690 –> 00:11:48,270
بعد از اجرای عشق نوشته شده
199
00:11:48,270 –> 00:11:51,780
بعد از خروج از این برای حلقه اصلی و
200
00:11:51,780 –> 00:11:54,960
خارج از این حلقه خروجی داریم که
201
00:11:54,960 –> 00:11:57,680
جمعیت را برمی گرداند و
202
00:11:57,680 –> 00:12:01,440
می خواهم best stroll و همچنین
203
00:12:01,440 –> 00:12:07,110
بهترین هزینه را برگردانم و همین است که
204
00:12:07,110 –> 00:12:10,080
جمعیت نهایی را
205
00:12:10,080 –> 00:12:11,730
در بر می گیرد، بهترین راه حلی که تاکنون پیدا شده است
206
00:12:11,730 –> 00:12:15,180
و مسیر بهترین هزینه در پایان
207
00:12:15,180 –> 00:12:17,670
هر تکرار ion و آنها را
208
00:12:17,670 –> 00:12:21,660
به عنوان یک ساختار واحد در اینجا برمی گرداند و من فکر می کنم
209
00:12:21,660 –> 00:12:25,770
این کار را انجام داده ایم، اجازه دهید برنامه 1 را بررسی کنیم که
210
00:12:25,770 –> 00:12:28,500
یک الگوریتم ژنتیک کاملاً کاربردی
211
00:12:28,500 –> 00:12:32,910
داریم و اکنون آماده هستیم که ببینیم این اسکریپت چگونه
212
00:12:32,910 –> 00:12:36,830
کار می کند، بنابراین بیایید این را با زدن گزینه f5 اجرا کنیم.
213
00:12:36,830 –> 00:12:40,460
بسیار خوب، ما اینجا یک پیغام خطا
214
00:12:40,460 –> 00:12:45,640
داریم و فکر می کنم NC از نوع numpy float64 است
215
00:12:45,640 –> 00:12:50,540
و NC نتیجه
216
00:12:50,540 –> 00:12:53,900
فراخوانی NP آن دور است، بنابراین من می خواهم
217
00:12:53,900 –> 00:12:57,770
با ارسال آن، آن را به عدد صحیح تبدیل
218
00:12:57,770 –> 00:12:59,960
کنم و فکر می کنم با این کار مشکل حل می شود
219
00:12:59,960 –> 00:13:04,040
و بنابراین بیایید کد را اجرا کنیم و
220
00:13:04,040 –> 00:13:06,550
می بینید که ما نتایج را در اینجا
221
00:13:06,550 –> 00:13:10,040
از تکرار صفر داریم.
222
00:13:10,040 –> 00:13:14,840
تقریباً 40 است به عنوان بهترین هزینه ما هفت
223
00:13:14,840 –> 00:13:17,930
امتیاز سه برابر 10 به توان
224
00:13:17,930 –> 00:13:20,450
منفی شش داریم، این یک عدد واقعاً کوچک است
225
00:13:20,450 –> 00:13:24,500
و می بینید که ژنتیکی الگوریتم کار می کند
226
00:13:24,500 –> 00:13:28,310
و شما می توانید به عنوان مثال
227
00:13:28,310 –> 00:13:30,830
تعداد تکرارها را در اینجا تغییر دهید
228
00:13:30,830 –> 00:13:34,460
تعداد افرادی را که باید برنامه را اجرا کنیم افزایش دهید
229
00:13:34,460 –> 00:13:38,410
و می بینید که الگوریتم
230
00:13:38,410 –> 00:13:42,410
در اینجا متوقف شده است اما ما می توانیم به
231
00:13:42,410 –> 00:13:46,580
عنوان مثال گاما mu یا موارد دیگر را تغییر دهیم
232
00:13:46,580 –> 00:13:48,620
تا الگوریتم حتی بهتر شود.
233
00:13:48,620 –> 00:13:51,710
به عنوان مثال، اجازه دهید نرخ جهش را
234
00:13:51,710 –> 00:13:56,870
کاهش دهیم و آن را روی 1٪ تنظیم کنیم و
235
00:13:56,870 –> 00:14:02,270
برای این الگوریتم خاص بررسی کنیم که
236
00:14:02,270 –> 00:14:05,120
نتیجه را تغییر نداده است اما می توانیم
237
00:14:05,120 –> 00:14:06,830
تعداد جمعیت را افزایش دهیم که می
238
00:14:06,830 –> 00:14:08,930
توانیم هر یک از این پارامترها را تغییر دهیم تا اصلاً
239
00:14:08,930 –> 00:14:11,750
نتایج بهتری داشته باشیم. اما ما بعداً
240
00:14:11,750 –> 00:14:15,230
نحوه گاما را در این کد تغییر می دهیم
241
00:14:15,230 –> 00:14:19,640
و
242
00:14:19,640 –> 00:14:22,220
در شروع الگوریتم سطح کاوش بالایی داشته باشیم و سپس
243
00:14:22,220 –> 00:14:25,100
244
00:14:25,100 –> 00:14:28,100
با جلو رفتن سطح کاوش را کاهش می دهیم و برای این کار باید
245
00:14:28,100 –> 00:14:30,470
دو مقدار برای گاما داشته باشیم. یک مقدار اولیه
246
00:14:30,470 –> 00:14:33,920
و یک مقدار نهایی و سپس
247
00:14:33,920 –> 00:14:36,770
با جلو رفتن گاما را تغییر میدهیم،
248
00:14:36,770 –> 00:14:40,960
خب، آماده اضافه کردن نمودارها به این
249
00:14:40,960 –> 00:14:46,100
برنامه هستیم و میخواهم بهترین هزینهها را
250
00:14:46,100 –> 00:14:50,000
در داخل یک نمودار با استفاده از بهترین هزینهها
251
00:14:50,000 –> 00:14:52,910
به عنوان داده y ترسیم کنم. -محور و با استفاده از
252
00:14:52,910 –> 00:14:55,940
شاخص یا تعداد تکرارها به عنوان
253
00:14:55,940 –> 00:14:58,850
محور افقی و برای انجام این کار، من می خواهم
254
00:14:58,850 –> 00:15:06,650
یک نمودار با بهترین هزینه ایجاد کنم
255
00:15:06,650 –> 00:15:10,700
و این کار به خوبی انجام می شود، اجازه دهید
256
00:15:10,700 –> 00:15:13,340
تعداد تکرارها را در اینجا کاهش دهیم و همچنین
257
00:15:13,340 –> 00:15:17,570
می خواهم نموداری که حد X را
258
00:15:17,570 –> 00:15:23,570
از 0 تا متر تعیین می کند ax آن را در اینجا تعریف کرده است و من می
259
00:15:23,570 –> 00:15:27,850
خواهم با forums dot بعدی آن را انجام دهم و
260
00:15:27,850 –> 00:15:32,810
همچنین اجازه دهید برچسب هایی را برای محور y و x تنظیم کنیم
261
00:15:32,810 –> 00:15:37,630
و من می خواهم این برچسب نمودار X را
262
00:15:37,630 –> 00:15:42,070
معادل دو تکرار برای مثال و
263
00:15:42,070 –> 00:15:48,650
همچنین PLT dot y label برابر با بهترین هزینه
264
00:15:48,650 –> 00:15:54,580
و بیایید یک عنوان به عنوان کلوپ
265
00:15:54,580 –> 00:16:02,000
الگوریتم ژنتیک یا به سادگی GA داشته باشیم و من
266
00:16:02,000 –> 00:16:07,430
قصد دارم به آن فوق العاده اضافه کنم ما می توانیم عالی
267
00:16:07,430 –> 00:16:11,240
را به true در اینجا تنظیم کنیم و بیایید طرح
268
00:16:11,240 –> 00:16:17,630
را نیز نشان دهیم و اگر این کد را اجرا کنیم این نمودار را دریافت خواهیم کرد.
269
00:16:17,630 –> 00:16:20,630
این شکل نشان
270
00:16:20,630 –> 00:16:25,520
می دهد که هزینه از حدود پانزده
271
00:16:25,520 –> 00:16:29,690
به نزدیک صفر کاهش یافته است و همچنین می توانیم از
272
00:16:29,690 –> 00:16:34,100
گریز لگاریتمی برای نمودارهای خود در محور y استفاده
273
00:16:34,100 –> 00:16:39,020
کنیم و برای این کار می توانیم نمودار را تغییر دهیم تا
274
00:16:39,020 –> 00:16:42,440
بگوییم من log Y بیایید این خط را نظر دهیم و
275
00:16:42,440 –> 00:16:48,680
نمودار را با نیمه جایگزین کنیم. log y و این
276
00:16:48,680 –> 00:16:51,860
شبیه نمودار است اما محور y از مقیاس لگاریتمی استفاده می کند
277
00:16:51,860 –> 00:16:55,400
و
278
00:16:55,400 –> 00:16:58,670
بهبود هزینه در برخی مسائل بهینه سازی
279
00:16:58,670 –> 00:17:02,000
در استفاده از این
280
00:17:02,000 –> 00:17:03,730
تابع با استفاده از
281
00:17:03,730 –> 00:17:06,250
مقیاس لگاریتمی برای محور y بیشتر قابل مشاهده خواهد بود، بنابراین اجازه دهید
282
00:17:06,250 –> 00:17:08,819
کد را اجرا کنیم
283
00:17:09,199 –> 00:17:13,609
و در اینجا داریم نمودار همگرایی
284
00:17:13,609 –> 00:17:17,480
بله به عنوان G prog
285
00:17:17,480 –> 00:17:22,099
تکرار می کند و از 0 تا 99 تکرار داریم