انجام پروژه های الگوریتم شاهین

ن مقاله آموزشی، الگوریتم شاهین هریس یا Harris Hawks Optimizer که به اختصار HHO نامیده می شود بصورت رایگان از 0 تا 100 تشریح می شود. این الگوریتم در سال 2019 توسط علی اصغر حیدری در ژورنال Future Generation Computer Systems از الزویر ابداع و چاپ شده است. الگوریتم HHO یک الگوریتم بهینه‌سازی مبتنی بر جمعیت و الهام‌گرفته از طبیعت است که از رفتار مشارکتی و سبک تعقیب و گریز شاهین‌های هریس در غافلگیری طعمه نشأت می گیرد.
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.comazsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276
azsoftir@gmail.com

در این رفتار و استراتژی هوشمند، چندین شاهین با همکاری یکدیگر یک طعمه را از جهات مختلف مورد حمله قرار می دهند تا آن را غافلگیر کنند. از این رفتار شاهین های هریس برای به دام انداختن طعمه برای حل مسائل بهینه سازی استفاده شده است که در ادامه به توضیح و تشریح آن خواهیم پرداخت.

فهرست مطالب مخفی
آشنایی با شاهین هریس
الگوریتم شاهین هریس
مرحله اکتشاف در الگوریتم شاهین هریس
انتقال از مرحله اکتشاف به بهره برداری در الگوریتم شاهین هریس
مرحله بهره برداری در الگوریتم شاهین هریس
محاصره نرم soft besiege
محاصره سخت Hard besiege
محاصره نرم با شیرجه های سریع پیشرونده
محاصره سخت با شیرجه های سریع پیشرونده
شبه کد الگوریتم شاهین هریس HHO
پیچیدگی محاسباتی الگوریتم HHO
نتیجه گیری
منابع
آشنایی با شاهین هریس

در سال 1997، لوئیس لوفور رویکردی را برای اندازه گیری “ضریب هوشی” پرندگان پیشنهاد کرد. بر اساس مطالعات او، شاهین ها را می توان در زمره باهوش ترین پرندگان طبیعت قرار داد. شاهین هریس پرنده ای شکاری است که در گروه‌های نسبتاً ثابتی در نیمه جنوبی آریزونا، ایالات متحده یافت می‌شوند، زندگی می کنند.

در طبیعت جستجوی هماهنگ شده برای شکار و سپس اشتراک گذاری حیوان کشته شده تنها برای پستانداران خاصی مشاهده شده است. پرندگان شکاری دیگر معمولاً به تنهایی برای کشف و گرفتن یک طعمه حمله می کنند اما شاهین هریس به دلیل فعالیت های منحصر به فردش به همراه سایر اعضای خانواده که در یک گروه ثابت زندگی می کنند متمایز از سایر پرندگان شکاری است.

این شکارچی، توانایی‌های مبتکرانه‌ای را در تعقیب در ردیابی، محاصره کردن، بیرون ریختن و در نهایت حمله به طعمه احتمالی را از خود نشان می‌دهد. این پرندگان هوشمند می توانند مهمانی های چند نفره را در فصل غیر تولید مثل ترتیب دهند. آنها به عنوان شکارچیان هماهنگ و زبردست شناخته می شوند. آنها مأموریت تیمی خود را در گرگ و میش صبح آغاز می کنند، این کار با ترک محل های زندگی آنها که اغلب بر روی درختان غول پیکر است، آغاز می شود. آنها اعضای خانواده خود را می شناسند و سعی می کنند از حرکات آنها در هنگام حمله آگاه باشند.

شاهین هریس

وقتی شاهین های هریس جمع شدند، برخی شاهین‌ها یکی پس از دیگری تورها یا جستجوهای کوتاهی را انجام می‌دهند و سپس بر روی مکان های نسبتاً بلندی فرود می‌آیند. به این ترتیب، شاهین‌ها گاهی یک حرکت «جهشی» را در سرتاسر محل مورد نظر انجام می‌دهند و دوباره به هم می‌پیوندند و چندین بار از هم جدا می‌شوند تا به طور فعال، حیوان تحت پوشش را که معمولاً یک خرگوش است جستجو کنند.

تاکتیک اصلی شاهین‌های هریس برای گرفتن طعمه، «پرش غافلگیرانه» (surprise pounce) است که به عنوان استراتژی «هفت کشته» (seven kills) نیز شناخته می‌شود. در این استراتژی هوشمند، چندین شاهین سعی می کنند به طور مشترک از جهات مختلف به طعمه حمله کنند و به طور همزمان روی یک خرگوش در حال فرار شناسایی شده در خارج از پوشش همگرا شوند.

حمله ممکن است به سرعت با گرفتن طعمه غافلگیر شده در چند ثانیه تکمیل شود، اما گاهی اوقات، با توجه به قابلیت های فرار و رفتار طعمه، هفت کشته ممکن است شامل شیرجه های چندگانه، کوتاه و سریع در نزدیکی طعمه در طول چند دقیقه باشد. شاهین‌های هریس می‌توانند انواع مختلفی از سبک‌های تعقیب را که به ماهیت پویای شرایط و الگوهای فرار از طعمه بستگی دارد، نشان دهند. تاکتیک تعویض، زمانی اتفاق می افتد که بهترین شاهین (رهبر) روی طعمه فرود می آید و گم می شود و تعقیب و گریز توسط یکی از اعضای گروه ادامه می یابد.

این فعالیت های سوئیچینگ را می توان در موقعیت های مختلف مشاهده کرد زیرا برای گیج کردن خرگوش فراری مفید هستند. مزیت اصلی این تاکتیک‌های همکاری این است که شاهین‌های هریس می‌توانند خرگوش شناسایی‌شده را تا فرط خستگی تعقیب کنند، تا آسیب‌پذیری او را افزایش دهند. علاوه بر این، با گیج کردن طعمه فراری، توانایی های دفاعی خرگوش را کاهش می دهند و در نهایت خرگوش نمی تواند از محاصره تیمی که در مقابل آن قرار گرفته است بگریزد چون یکی از شاهین ها که اغلب قدرتمندترین و با تجربه ترین آنهاست، بدون زحمت خرگوش خسته را می گیرد و آن را با دیگر اعضا به اشتراک می گذارد.

رفتار های شاهین هریس
الگوریتم شاهین هریس

در این بخش، مراحل اکتشاف (exploration) و بهره‌برداری (exploitation) الگوریتم HHO با الهام از جستجوی طعمه، حملات غافلگیرکننده و استراتژی‌های مختلف حمله مدل‌سازی می شود. الگوریتم شاهین هریس یک روش بهینه سازی مبتنی بر جمعیت و بدون گرادیان است. از این رو، می توان آن را برای هر مسئله بهینه سازی با یک فرمول مناسب اعمال کرد. شکل زیر تمام مراحل الگوریتم را نشان می دهد که در بخش های بعدی به طور کامل تشریح خواهند شد.

مراحل مختلف الگوریتم HHO
پاورپوینت الگوریتم شاهین هریس HHO

پاورپوینت آماده الگوریتم شاهین هریس HHO

پاورپوینت آماده الگوریتم شاهین هریس HHO در 23 اسلاید در قالب ppt. یا pptx. با قابلیت ویرایش برای ارائه درسی آماده دانلود می‌باشد. برای تهیه و دانلود این پاورپوینت از طریق لینک زیر اقدام کنید.
همین الان کلیک کنید
مرحله اکتشاف در الگوریتم شاهین هریس

در این مرحله اکتشاف در الگوریتم HHO با توجه به ماهیت شاهین هریس می توان گفت این پرندگان می توانند طعمه را با چشمان قدرتمند خود ردیابی و تشخیص دهند، اما گاهی اوقات طعمه به راحتی دیده نمی شود. از این رو، شاهین‌ها منتظر می‌مانند و منطقه را مشاهده و نظارت می‌کنند تا شاید پس از چند ساعت طعمه‌ای را شناسایی کنند.

در الگوریتم شاهین هریس، شاهین های هریس راه حل های کاندید هستند و بهترین راه حل کاندید در هر مرحله به عنوان طعمه مورد نظر یا تقریباً بهینه در نظر گرفته می شود. شاهین‌های هریس به‌طور تصادفی در مکان‌هایی نشسته و منتظرند. اگر شانس q را برای هر استراتژی نشستن در نظر بگیریم، بر اساس دو استراتژی، طعمه شناسایی می شود:

شاهین ها بر اساس موقعیت سایر شاهین ها و خرگوش نشسته و منتظر هستند ( q < 0.5 ).
یا بر روی درختان بلند بصورت تصادفی (مکان تصادفی در محدوده خانه گروه)، نشسته و منتظر هستند (q >= 0.5 )

معادله 1 الگوریتم شاهین هریس

که در آن X(t+1) بردار موقعیت شاهین ها در تکرار t است، Xrabbit(t) موقعیت خرگوش، X(t) بردار موقعیت فعلی شاهین ها، r1، r2، r3، r4 و q اعداد تصادفی در داخل (0،1) هستند که در هر تکرار به روز می شوند، LB و UB کران های بالایی و پایینی متغیرها را نشان می‌دهند، Xrand(t) موقعیت یک شاهین تصادفی از جمعیت فعلی و Xm میانگین موقعیت از جمعیت فعلی شاهین ها است.

در قانون اول راه حل هایی، بر اساس یک مکان تصادفی متاثر از موقعیت قبلی و سایر شاهین ها (به تصادف) ایجاد می شود. اما در قانون دوم معادله 1 ما یک مدل برای ایجاد مکان‌های تصادفی در محدوده LB و UB ارائه شده است. تفاوت مکان بهترین موقعیت کنونی و میانگین موقعیت گروه را به اضافه یک مؤلفه با مقیاس تصادفی بر اساس دامنه متغیرها داریم.
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

متغیر های r3 و r4 ضریب مقیاس برای افزایش ماهیت تصادفی بودن کران بالا و پایین است. در این قانون، یک طول حرکت با مقیاس تصادفی به LB اضافه شده است سپس، یک ضریب مقیاس‌پذیری تصادفی را برای مؤلفه در نظر گرفته شده تا روند متنوع‌سازی جمعیت در مناطق مختلف فضای ویژگی کشف شود. میانگین موقعیت شاهین ها با استفاده از معادله 2 به دست می آید.

معادله 2 الگوریتم شاهین هریس

که در آن Xi(t) مکان هر شاهین را در تکرار t و N نشان دهنده تعداد کل شاهین ها است.
انتقال از مرحله اکتشاف به بهره برداری در الگوریتم شاهین هریس

الگوریتم HHO می تواند از مرحله اکتشاف به بهره برداری و سپس بین رفتارهای استثماری مختلف بر اساس انرژی فرار طعمه تغییر کند. انرژی یک طعمه در طول فرار به طور قابل توجهی کاهش می یابد. برای مدل سازی این واقعیت، انرژی یک طعمه به صورت زیر مدل می شود:

معادله 3 الگوریتم شاهین هریس

که در آن E انرژی فرار طعمه را نشان می دهد، T حداکثر تعداد تکرارها و E0 انرژی اولیه طعمه است. E0 می تواند به طور تصادفی در بازه (1+ ، 1-) در هر تکرار تغییر کند. هنگامی که مقدار E0 از 0 به 1- کاهش می یابد، خرگوش از نظر فیزیکی ضعف می کند، در حالی که زمانی که مقدار E0 از 0 به 1 افزایش می یابد، به این معنی است که خرگوش در حال تقویت خود است. انرژی فرار دینامیکی E در طول تکرارها روند کاهشی دارد.

وقتی انرژی در حال فرار 1=<|E| می شود، شاهین ها مناطق مختلف را برای یافتن مکان خرگوش جستجو می کنند، از این رو، در الگوریتم شاهین هریس مرحله اکتشاف انجام می شود و زمانی که 1>|E| می شود، الگوریتم سعی می کند از همسایگی راه حل ها در طول مرحله بهره برداری، استفاده کند. به طور خلاصه، اکتشاف زمانی اتفاق می افتد که 1=<|E| باشد و بهره برداری در مراحل بعدی با1>|E| اتفاق می افتد. رفتار وابسته به زمان E نیز در شکل زیر نشان داده شده است.

رفتار E در طول دو اجرا و 500 تکرار HHO
مرحله بهره برداری در الگوریتم شاهین هریس

در این مرحله، شاهین های هریس با حمله به طعمه شناسایی شده در مرحله قبل، پرش غافلگیرکننده (surprise pounce) را انجام می دهند (همان حمله معروف seven kills). طعمه ها اغلب سعی می کنند از موقعیت های خطرناک فرار کنند. از این رو، سبک های مختلف تعقیب در موقعیت های واقعی رخ می دهد. با توجه به رفتارهای فرار طعمه و استراتژی های تعقیب و گریز شاهین های هریس، چهار استراتژی در الگوریتم HHO برای مدل سازی مرحله حمله وجود خواهد داشت.

طعمه ها همیشه سعی می کنند از موقعیت های تهدیدآمیز فرار کنند. فرض می کنیم r شانس فرار موفقیت آمیز یک طعمه با مقدار (r<0.5) است و عدم فرار موفقیت آمیز (r>=0.5) قبل از حمله غافلگیرانه باشد. هر کاری که طعمه انجام دهد، شاهین ها برای گرفتن طعمه محاصره سخت hard besiege یا نرم soft besiege انجام می دهند. این بدان معنی است که شاهین ها طعمه را از جهات مختلف به آرامی یا بصورت سخت بسته به انرژی حفظ شده طعمه محاصره می کنند. در موقعیت‌های واقعی، شاهین‌ها به طعمه مورد نظر نزدیک‌تر و نزدیک‌تر می‌شوند تا شانس خود را برای کشتن مشترک خرگوش با انجام فرود های غافلگیرکننده افزایش دهند.

پس از چند دقیقه فرار، طعمه انرژی بیشتر و بیشتری را از دست می دهد. سپس، شاهین‌ها فرآیند محاصره را تشدید می‌کنند تا طعمه‌ خسته را بدون دردسر بگیرند. برای مدل‌سازی این استراتژی و فعال کردن الگوریتم برای تغییر بین فرآیندهای محاصره نرم و سخت، از پارامتر E استفاده می‌شود. در این رابطه وقتی 0.5=<|E|، محاصره نرم اتفاق می افتد، و زمانی که 0.5>|E|، محاصره سخت رخ می دهد.
محاصره نرم soft besiege

وقتی r>=0.5 و E|>=0.5|، خرگوش هنوز انرژی کافی دارد و سعی می کند با پرش های تصادفی و گمراه کننده فرار کند اما در نهایت نمی تواند. در طول این تلاش ها، شاهین های هریس به آرامی آن را محاصره می کنند تا خرگوش را خسته تر کنند و سپس جهش غافلگیرکننده را انجام می دهند. این رفتار با قوانین زیر مدل سازی می شود:

معادله محاصره نرم soft besiege در الگوریتم شاهین هریس

که در آن ΔX(t) تفاوت بین بردار موقعیت خرگوش و مکان فعلی در تکرار t است، r5 یک عدد تصادفی در محدوده (0,1) است، و J=2(1-r5) نشان دهنده قدرت پرش تصادفی خرگوش در تمام مراحل فرار است. مقدار J را به طور تصادفی در هر تکرار تغییر می کند تا ماهیت حرکات خرگوش را شبیه سازی کند.
محاصره سخت Hard besiege

وقتی r>=0.5 و E|<0.5| باشد طعمه بسیار خسته است و انرژی فرار کمی دارد. در این حالت شاهین‌های هریس طعمه مورد نظر را به صورت سخت محاصره می‌کنند تا در نهایت حمله غافلگیرکننده را انجام دهند. در این وضعیت، موقعیت های فعلی با استفاده از معادله (6) به روز می شوند:

معادله محاصره سخت Hard besiege در الگوریتم شاهین هریس

یک مثال ساده از این مرحله با یک شاهین در شکل زیر نشان داده شده است.

مثالی از محاصره سخت در الگوریتم HHO
محاصره نرم با شیرجه های سریع پیشرونده

هنگامی که E|>=0.5| اما r<0.5 است، خرگوش انرژی کافی برای فرار موفقیت آمیز را دارد و همچنان یک محاصره نرم قبل از حمله غافلگیرکننده ایجاد می شود. این روش هوشمندتر از مورد قبلی است. برای مدل‌سازی ریاضی الگوهای فرار حرکات طعمه و جهش، مفهوم پرواز یا Levy Flight (LF) در الگوریتم HHO استفاده می‌شود.
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

LF برای تقلید از حرکات فریبنده زیگزاگی واقعی طعمه ها در مرحله فرار و شیرجه های نامنظم، ناگهانی و سریع شاهین ها در اطراف طعمه فراری استفاده می شود. در واقع، شاهین ها چندین شیرجه سریع تیمی را در اطراف خرگوش انجام می دهند و سعی می کنند مکان و جهت خود را با توجه به حرکات فریبنده طعمه تصحیح کنند.

تأیید شده است که فعالیت‌های مبتنی بر LF تاکتیک‌های جستجوی بهینه برای جستجوگران/شکارچیان در شرایط جستجوی غیر مخرب هستند. علاوه بر این، تشخیص داده شده است که الگوهای مبتنی بر LF را می توان در فعالیت های تعقیب و گریز حیواناتی مانند میمون ها و کوسه ها تشخیص داد. از این رو، حرکات مبتنی بر LF در این مرحله از الگوریتم HHO مورد استفاده قرار گرفت.

با الهام از رفتارهای واقعی شاهین ها، فرض شده که آنها می توانند به تدریج بهترین شیرجه ممکن را به سمت طعمه انتخاب کنند، بنابراین، برای انجام یک محاصره نرم، فرض شده که شاهین ها بتوانند حرکت بعدی خود را بر اساس قانون زیر در معادله (7) ارزیابی کرده تصمیم بگیرند:

فرمول شماره 7 در الگوریتم HHO

سپس نتیجه احتمالی چنین حرکتی را با شیرجه قبلی مقایسه می کنند تا تشخیص دهند که آیا شیرجه خوبی خواهد بود یا خیر. اگر معقول نبود (وقتی می بینند که طعمه حرکات فریبنده بیشتری انجام می دهد)، هنگام نزدیک شدن به خرگوش نیز شروع به شیرجه های نامنظم، ناگهانی و سریع می کنند. فرض شده شاهین هابر اساس الگوهای مبتنی بر LF با استفاده از قانون زیر شیرجه خواهند زد:

فرمول شماره 8 در الگوریتم HHO

که در آن D بعد مسئله است و S یک بردار تصادفی با اندازه 1×D و LF تابع پروازی است که با استفاده از معادله 9 محاسبه می شود.

معادله شماره 9 الگوریتم شاهین هریس

که در آن u ،v مقادیر تصادفی در محدوده (0،1) هستند، بتا B یک ثابت پیش فرض بر روی 1.5 است. از این رو، استراتژی نهایی برای به روز رسانی موقعیت شاهین ها در مرحله محاصره نرم می تواند توسط معادله 10 انجام شود:

فرمول شماره 10 الگوریتم شاهین هریس
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

یک تصویر ساده از این مرحله برای یک شاهین در شکل زیر نشان داده شده است. تاریخچه موقعیت الگوهای حرکت جهشی مبتنی بر LF در طول برخی از تکرارها نیز در این تصویر ثبت و نشان داده شده است. نقاط رنگی ردپای موقعیت الگوهای مبتنی بر LF در یک آزمایش هستند و سپس، HHO به مکان Z می‌رسد. در هر مرحله، تنها موقعیت بهتر Y یا Z به عنوان مکان بعدی انتخاب می‌شود. این استراتژی برای همه عوامل جستجو اعمال می شود.

نمونه ای از بردارهای کلی در مورد محاصره نرم با شیرجه های سریع پیشرونده
محاصره سخت با شیرجه های سریع پیشرونده

وقتی E|<0.5| و r<0.5 باشد خرگوش انرژی کافی برای فرار ندارد و یک محاصره سخت قبل از حمله غافلگیرکننده برای گرفتن و کشتن طعمه ایجاد می شود. وضعیت این مرحله در سمت طعمه مانند حالت محاصره نرم است، اما این بار شاهین ها سعی می کنند فاصله مکان متوسط خود را با طعمه فراری کاهش دهند. بنابراین، قانون زیر در شرایط محاصره سخت انجام می شود:

فرمول شماره 11 در الگوریتم HHO

که در آن Y و Z با استفاده از قوانین جدید در معادلات (12) و (13) به دست می آیند.

فرمول شماره 12 و 13 در الگوریتم HHO

که در آن Xm(t) با استفاده از معادله (2) به دست می آید. یک مثال ساده از این مرحله در شکل های زیر نشان داده شده است. توجه داشته باشید که نقاط رنگی ردپای مکان الگوهای مبتنی بر LF در یک آزمایش هستند و تنها Y یا Z مکان بعدی برای تکرار جدید خواهند بود.
فرآیند در فضای دو بعدی
فرآیند در فضای دو بعدی
فرآیند در فضای سه بعدی
فرآیند در فضای سه بعدی
شبه کد الگوریتم شاهین هریس HHO

در ادامه مراحل الگوریتم شاهین هریس HHO به بخش شبه کد این الگوریتم می رسیم که بصورت زیر است:
Inputs: The population size N and maximum number of iterations T
Outputs: The location of rabbit and its fitness value
Initialize the random population Xi(i = 1, 2, . . . ,N)
while (stopping condition is not met) do
     Calculate the fitness values of hawks
     Set Xrabbit as the location of rabbit (best location)
     for (each hawk (Xi)) do
         Update the initial energy E0 and jump strength J ▷ E0=2rand()-1, J=2(1-rand())
         Update the E using Eq. (3)
         if (|E| >= 1) then ▷ Exploration phase
            Update the location vector using Eq. (1)
         if (|E| < 1) then   ▷ Exploitation phase
             if (r >= 0.5 and |E| >= 0.5 ) then ▷ Soft besiege
                Update the location vector using Eq. (4)
             else if (r >= 0.5 and |E| < 0.5 ) then ▷ Hard besiege
                Update the location vector using Eq. (6)
             else if (r <0.5 and |E| >= 0.5 ) then ▷ Soft besiege with progressive rapid dives
                Update the location vector using Eq. (10)
             else if (r <0.5 and |E| < 0.5 ) then ▷ Hard besiege with progressive rapid dives
                Update the location vector using Eq. (11)
Return Xrabbit
پیچیدگی محاسباتی الگوریتم HHO

پیچیدگی محاسباتی الگوریتم HHO عمدتاً به سه فرآیند مقداردهی اولیه، ارزیابی تابع تناسب و به روز رسانی شاهین ها بستگی دارد. توجه داشته باشید که با N شاهین، پیچیدگی محاسباتی فرآیند مقداردهی اولیه O(N) است. پیچیدگی محاسباتی مکانیزم به روز رسانی O(T×N)+O(T×N×D) است که از جستجوی بهترین مکان و به روز رسانی بردار مکان همه شاهین ها تشکیل شده است، جایی که T حداکثر تعداد تکرار است. و D بعد مسئله است. بنابراین، پیچیدگی محاسباتی الگوریتم شاهین هریس O(N×(T + TD + 1)) است.
سورس کد الگوریتم شاهین هریس در پایتون

سورس کد الگوریتم شاهین هریس HHO در پایتون Python

سورس کد الگوریتم HHO در پایتون شامل 2 تابع و 2 اسکریپت است که در 2 بخش فانکشنال و اسکریپتی می تواند برای استفاده در انواع مسائل بهینه سازی مورد استفاده قرار بگیرد. برای تهیه این سورس کد بر روی لینک زیر کلیک کنید.
همین الان کلیک کنید
نتیجه گیری

در مقاله آموزشی، الگوریتم شاهین هریس یا HHO معرف شد. این الگوریتم یک الگوریتم بهینه‌سازی مبتنی بر جمعیت است که برای مقابله با وظایف مختلف بهینه‌سازی توسط نویسندگان آن پیشنهاد شده است. الگوریتم HHO از رفتارهای مشارکتی و سبک تعقیب پرندگان شکارچی، شاهین هریس، در طبیعت الهام گرفته شده است.

در مقاله اصلی چندین معادله برای شبیه سازی هوش اجتماعی شاهین هریس برای حل مسائل بهینه سازی طراحی شده است. بیست و نه مسئله معیار بدون محدودیت برای ارزیابی عملکرد HHO استفاده شده است. نتایج به‌دست‌آمده در مقاله اصلی نشان داده که الگوریتم HHO قادر به یافتن راه‌حل‌های عالی در مقایسه با سایر روش های بهینه‌سازهای است. علاوه بر این، نتایج شش کار طراحی مهندسی محدود نیز نشان داده که HHO می‌تواند نتایج بهتری را در مقایسه با سایر بهینه‌سازها نشان دهد.
منابع

Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris hawks optimization: Algorithm and applications. Future Generation Computer Systems, 97, 849–872. https://doi.org/10.1016/j.future.2019.02.028
هینه سازی الگوریتم HHO بهینه سازی شاهین هریس با استفاده از طرح های جهش و ترکیب ، ساختار چند ازدحامی و چند رهبری

یازده ماه پیش منتشر شده

تعداد بازدید: 160

کد پروژه: 352635

شرح پروژه

بهینه سازی الگوریتم HHO بهینه سازی شاهین هریس با استفاده از طرح های جهش و ترکیب ، ساختار چند ازدحامی و چند رهبری

ساختارهای به روزرسانی تکاملی و مراحل مبتنی بر هرج و مرج استفاده کنه
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

و فلوچارت بهینه سازی طراحی شود

مهارت ها و تخصص های مورد نیاز
            الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از طبیعت است که در سال 2019 ارائه شده است .
برای آشنایی کامل با الگوریتم شاهین هریس به مراجعه کنید.

ما در الگوریتم شاهین هریس متلب24 بصورت کامل هر آنچه شما نیاز دارید را جمع آوری کرده ایم:
- ترجمه مقاله شاهین هریس ،
- اسلاید الگوریتم شاهین هریس
- کد متلب الگوریتم شاهین هریس
- انجام پروژه با الگوریتم شاهین هریس

اگر شما نیاز به کدنویسی مسائل مختلف با الگوریتم شاهین هریس یا HHO را دارید کافی است با ما تماس بگیرید.
             الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از طبیعت است که در سال 2019 ارائه شده است .
برای آشنایی کامل با الگوریتم شاهین هریس به
مراجعه کنید.

ما در الگوریتم شاهین هریس متلب24 بصورت کامل هر آنچه شما نیاز دارید را جمع آوری کرده ایم:
- ترجمه مقاله شاهین هریس ،
- اسلاید الگوریتم شاهین هریس
- کد متلب الگوریتم شاهین هریس
- انجام پروژه با الگوریتم شاهین هریس

اگر شما نیاز به کدنویسی مسائل مختلف با الگوریتم شاهین هریس یا HHO را دارید کافی است با ما تماس بگیرید.
آموزش الگوریتم شاهین هریس
آموزش نرم افزار الگوریتم شاهین هریس
نرم افزار الگوریتم شاهین هریس
الگوریتم شاهین هریس
آموزش تحلیل الگوریتم شاهین هریس
آموزش روش الگوریتم شاهین هریس
حل مثال الگوریتم شاهین هریس
آموزش مجازی بستری برای یادگیری آنلاین است.
برای کسب اطلاعات به کانال تلگرام آموزش مجازی عضو شوید:

کد الگوریتم شاهین هریس : شبیه سازی الگوریتم شاهین هریس در متلب ، hho در matlab
خانه الگوریتم های فراابتکاری الگوریتم شاهین هریس کد الگوریتم شاهین هریس : شبیه سازی الگوریتم شاهین هریس در متلب ، hho در matlab
حراج!
کد متلب الگوریتم HHO ، شاهین هریس

تومان40,000 تومان29,000

سورس کد الگوریتم شاهین هریس در نرم افزار متلب : در این محصول الگوریتم شاهین هریس یا HHO در Matlab شبیه سازی و پیاده سازی شده است.

    ضمانت اجرای کد

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

امتیازدهی 4.00 از 5 در 1 امتیازدهی مشتری
(دیدگاه 1 کاربر)
امتیاز 4.00 از 1 رأی
4.00 1 Votes
67 فروش
تاریخ انتشار : آوریل 7, 2020
تاریخ بروزرسانی : سپتامبر 6, 2022
matlab24
مشاهده فروشگاه
مشخصات محصول

    دسته بندیالگوریتم شاهین هریس, الگوریتم2019

    توضیحات
    نظرات (1)

در این محصول، الگوریتم شاهین هریس یا HHo که بعضا آن را الگوریتم بازشکاری هریس هم نامگذاری کرده اند در نرم افزار Matlab کد نویسی و شبیه سازی شده است.
شبیه سازی الگوریتم HHO در متلب بصورت ساده ، روان و قابل تغییر . با این کد میتوانید مسائل مختلف را بهینه سازی کنید.

بخش اولیه کد نیز در زیر آورده شده است:
%% preparing matlab

clc
clear
close all
%% Define problem parameters

varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables

%% HHO Parameters

N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution

costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step

Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end

کد متلب الگوریتم HHO به همراه توضیح فارسی :

شما با خرید این محصول ، علاوه به کد متلب الگوریتم شاهین هریس ، که شبیه سازی در نرم افزار Matlab هست ، یک فایل توضیح فارسی کد نیز دریافت میکنید که تمام کد را بصورت خط به خط به زبان فارسی توضیح داده است.در سال‌های اخیر پیچیدگی اجرای پروژه‌ها، فضای رقابتی کسب وکار و محدودیت منابع سازمان‌ها، لزوم توجه به مدیریت پروژه را در دست‌یابی به اهداف پروژه‌ها بیشتر مورد توجه قرار داده است .از این رو در مراحل اجرای پروژه‌ها، کارفرمایان به دنبال افزایش کیفیت، کاهش مدت زمان و هزینه‌های اجرا و ریسک هستند که از اهداف اصلی آنها به شمار می روند. در این تحقیق، بهینه‌سازی بین اجزاء هرم بقاء شامل زمان، هزینه، کیفیت و ریسک در پروژه‌های عمرانی و به صورت موردی بر روی سد مخزنی قوچم انجام گرفته است. به این منظور از شش الگوریتم بهینه‌سازی فراابتکاری استفاده شده است که سه الگوریتم کلاسیک (ژنتیک، جستجوی ممنوعه و تبرید شبیه‌سازی شده) و سه الگوریتم‌های جدید (پروانه، چرخه بکرزایی و شاهین هریس) می‌باشند. در چهار حالت به بهینه‌سازی هر یک از اجزا هرم بقاء به طور جداگانه پرداخته شده است و در نهایت هر چهار حالت بطور همزمان بررسی شده است. کدنویسی‌های مربوط به توابع هدف و الگوریتم‌های بهینه‌سازی در نرم‌افزار متلب انجام گرفته است. نتایج نشانگر عملکرد مناسب الگوریتم ژنتیک است. همچنین در بهینه‌سازی شاخص کیفیت فقط الگوریتم ژنتیک بهترین جواب بهینه را داده است و در بهینه‌سازی مرکب با در نظرگرفتن همزمان تمامی شاخص‌ها، الگوریتم‌های ژنتیک و شاهین هریس بهترین جواب را ارائه داده‌اند.

کلیدواژه‌ها

    بهینه‌سازی هرم بقاء الگوریتم‌های فراابتکاری دانش مدیریت پروژه سد مخزنی قوچم

موضوعات
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

    بهینه سازی مدیریت پروژه

عنوان مقاله [English]
Optimization of Quantitative and Qualitative Indicators of Construction Projects with a Project Management Knowledge Approach (Case study: Qucham Reservoir Dam)

نویسندگان [English]

    Behzad Espoutin Sina Fard Moradinia

Department of Civil Engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran
چکیده [English]

In recent years, the complexity of project implementation, competitive business environment, and limited resources of organizations have shown the need to pay attention to project management in achieving project goals. Therefore, in the implementation process, employers seek to increase quality, reduce execution time, costs, and risk, which are their main goals. In this research, optimization between the components of the survival pyramid including time, cost, quality, and risk in construction projects are done on a case-by-case basis on the Qucham reservoir dam. For this purpose, six Metahioristic optimization algorithms are used, which are three classical algorithms (genetics, Tabu search, and simulated annealing) and three new algorithms (butterfly, cyclical parthenogenesis, and harris hawk). In four cases, each component of the survival pyramid is optimized separately, and finally, all four cases are examined simultaneously. Coding related to objective functions and optimization algorithms has been done in MATLAB software. The results indicate the proper performance of the genetic algorithm. Also, in optimizing the quality index, only the genetic algorithm has given the best optimal answer, and in the combined optimization, considering all the indicators simultaneously, the genetic algorithms and the Harris hawk have given the best solution.
ر که میدانید ، الگوریتم شاهین هریس ، یک الگوریتم فراابتکاری الهام گرفته شده از رفتار تعاملی نوعی از شاهین ها بنام شاهین هریس ، برای شکار خرگوش الهام گرفته شده است.

الگوریتم HHO یک الگوریتم بهینه سازی جدید است که در سال 2019 ارائه شده است.
بهترین فرصت برای دانشجویان، اساتید و محققان است تا به رائه مقاله و پایان نامه با این الگوریتم جدید ، الگوریتم HHO بپردازند.
دموی کد متلب الگوریتم HHO یا شاهین هریس

اولین گام ، برای انجام کار با الگوریتم شاهین هریس ، یادگیری مفاهیم این الگوریتم می باشد و سپس کدنویسی الگوریتم HHO در نرم افزار Matlab تا بتوانید مسئله مورد نظر خود را با این الگوریتم حل کنید.

ما در تیم برنامه نویسی هوشمند، کد متلب الگوریتم HHO را در نرم افزار Matlab پیاده سازی کرده ایم و برای فهم بهتر کد، یک فایل جداگانه توضیحات فارسی و خط به خط ، نیز در کنار کد برای شما عزیزان قرار داده ایم.

%% preparing matlab
clc
clear
close all
%% Define problem parameters
varNum=4; % number of decision variables
lowerBound=-100 * ones(1,varNum); % lower bound for each decision variables
upperBound=100 * ones(1,varNum); % upper bound for each decision variables

%% HHO Parameters
N=40; % Number of search agents
maxLoop=50; % Maximum numbef of iterations
%% Define Function and Solution
costFunction=@SphereFun;
solution=[];
solution.Position=[];
solution.Cost=0;
%% Initialization Step
Hawks=repmat(solution,[N,1]);
for i=1:N
    Hawks(i).Position=unifrnd(lowerBound,upperBound);
    Hawks(i).Cost=costFunction(Hawks(i).Position,varNum);
end

دانلود رایگان کد متلب الگوریتم شاهین هریس :

الگوریتم شاهین هریس توسط آقای حیدری و میرجلیلی معرفی شد. و خود این افراد کدشان را بصورت رایگان برای دانلود قرار داده اند.

متاسفانه دیده میشود که برخی سایت ها ، این کد رایگان را با مبالغ مختلف به فروش میرسانند.
برای دانلود کد رایگان الگوریتم HHO اینجا را کلیک کنید.

اگر کد رایگان است پس کد زیر که برای فروش است چیست؟

از آنجا که این کد رایگان، با توابع بنچ مارک مختلف می باشد و فهم آن ممکن است برای دوستان سخت باشد، ما در تیم برنامه نویسی هوشمند، پیاده سازی شاهین هریس را با روش و متد خودمان انجام داده ایم و آن را با توضیح خط به خط کد در اختبار شما عزیزان قرار داده ایم.

کد ما این قابلیت را دارد که به سادگی و با تغییر تابع هدف، توابع و مسائل مختلف را با آن حل کنید.
جهت خرید و دانلود کد متلب الگوریتم شاهین هریس اینجا را کلیک کنید
جهت دانلود کد متلب الگوریتم شاهین هریس بر روی دکمه فوق کلیک کنید. لینک دانلود بلافاصله بعد از پرداخت برای شما ایمیل می شود.azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

فایل هایی که ارسال میشود :

    فایلهای مرتبط با کد متلب الگوریتم HHO
    فایل توضیح فارسی خط به خط کد نوشته شده.
    سوالات قبل از خرید خود را با شماره درج شده در سایت ، از طریق واتساپ ، تلگرام یا تماس مستقیم مطرح کنید.

انجام پروژه با الگوریتم HHO در متلب

چنانچه به دنبال حل مسئله ای خاص با الگوریتم HHO در نرم افزار Matlab هستید، برنامه نویسان حرفه ای تیم برنامه نویسی هوشمند، آمادگی دارند تا به شما در این مسیر یاری برسانند.

حل مسائل مختلف ، در رشته های مخلتف با الگوریتم HHO را به ما بسپارید.
صرفه جویی در زمان ما روزها و ماه ها تلاش کرده ایم و وقت گذاشته ایم، دیگر نیازی نیست شما هم زمان خود را صرف یادگیری و نوشتن کد کنید، از دانش ما بهره ببرید.
کدهای بدون خطا داشته باشید ما سالهاست کدنویسی میکنیم، قطعا کدی که توسط متخصصین نوشته میشود کم خطاتر و قابل اعتمادتر است.
کد متلب الگوریتم شاهین هریس
کد متلب HHO
شبیه سازی الگوریتم HHO در متلب ، به همراه توضیح خط به خط کد
ترجمه مقاله شاهین هریس
کد متلب HHO
ترجمه آماده مقاله HHO به فارسی
اسلاید آماده الگوریتم شاهین هریس
کد متلب HHO
اسلاید آماده الگوریتم HHO ، پاورپوینت الگوریتم شاهین هریس.
برای خرید و دانلود کد متلب الگوریتم HHO اینجا را کلیک کنید
جهت دانلود کد متلب الگوریتم شاهین هریس بر روی دکمه فوق کلیک کنید. لینک دانلود بلافاصله بعد از پرداخت برای شما ایمیل می شود.

فایل هایی که ارسال میشود :
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

فایلهای مرتبط با کد متلب الگوریتم HHO
فایل توضیح فارسی خط به خط کد نوشته شده.

سوالات قبل از خرید خود را با شماره درج شده در سایت ، از طریق واتساپ ، تلگرام یا تماس مستقیم مطرح کنید.

:: موضوعات مرتبط: الگوریتم شاهین هریس , ,
:: بازدید از این مطلب : 126

امتیاز مطلب : 0

تعداد امتیازدهندگان : 0

مجموع امتیاز : 0