پاورپوینت هوش مصنوعی و رباتیک

بخشی از پاورپوینت

اسلاید 1 :

بنام خدا

هوش مصنوعی و رباتیک

اسلاید 2 :

حل مساله رنگ آمیزی گراف با الگوریتم فاخته
12 ژانويه 16

اسلاید 3 :

حل مساله رنگ آمیزی گراف با الگوریتم فاخته
رنگ دو
رنگ سه
رنگ یک
12 ژانويه 16

اسلاید 4 :

مرحله اول: مقدار دهی پارامترهای اولیه
تعداد متغیرهای بهینه سازی: 6
حد پایین متغیرها: 1
حد بالای متغیرها : 6
تعداد فاخته های ابتدایی جهت حل مسئله.:3
حداقل تعداد تخم هایی که هر فاخته می گذارد:2
حداکثر تعداد تخم هایی که هر فاخته می گذارد:5
تعداد خوشه ها :2
حداکثر تعداد فاخته هایی که در هر تکرار می توانند زنده باشند.:5
ضریب شعاع تخمگذاری، حداکثر در چه بازه ای تخمگذاری انجام شود:3
10. شرط توقف=رسیدن به Iteration=100
12 ژانويه 16

اسلاید 5 :

تعیین برازندگی:

تعریف یال خوب: به یالی که دوگره با رنگ های متمایز را به هم وصل می کند یال خوب می گوییم.

تعریف یال بد: به یالی که دوگره با رنگ های مشابه را به هم وصل می کند یال بد می گوییم.
وزن یال = W
وزن یال بد=0= Wi
وزن یال خوب=1= Wi
Fitnes=
12 ژانويه 16

اسلاید 6 :

تکرار صفر: تولید جمعیت اولیه

ابتدا جمعیتی از جواب ها تولید می شود. در این مرحله متغیرها به صورت تصادفی مقدار دهی می شوند.
Fit1 = 8 Fit2= 7 Fit3=6
Profit vector={ 8 , 7 , 6 }
گره های گراف
12 ژانويه 16

اسلاید 7 :

تکرار اول

تعدادی تخم به هر فاخته با توجه به فرمول زیر و نیز حداقل و حداکثر تخم ها اختصاص دهید:

cuckoo1: (5-2)*(0.1) + (2)=2.3 2
cuckoo2: (5-2)*(0.5) + (2)=3.5 3
cuckoo3: (5-2)*(0.0) + (2)=2
تعداد کل تخم ها: 7
12 ژانويه 16

اسلاید 8 :

تکرار اول

شعاع تخم گذاری هر فاخته را با توجه به فرمول زیر بدست آورید:

ELR1: (3)*(2/7)*(6-1)=4.28
ELR2: (3)*(3/7)*(6-1)=6.42
ELR3: (3)*(2/7)*(6-1)=4.28
12 ژانويه 16

اسلاید 9 :

تکرار اول

هر فاخته به طور تصادفی در محدوده شعاع خود با توجه به حدود بازه ی متغیرهای تصمیم ، شروع به تخمگذاری می نماید.

اسلاید 10 :

تکرار اول

بنابراین بردار جواب به صورت زیر حاصل می گردد:

با توجه به این که در هر مرحله حداکثر 5 فاخته می توانند زنده باشند، بنابراین از این 7 جواب، 2 جواب از بدترین ها حذف می شوند:

Profit Vector = { 8 , 7 , 5 , 2 , 4 , 6 , 0}
Profit Vector = {8 , 7 , 5 , 4 , 6 }

اسلاید 11 :

تکرار اول

با استفاده از فرمول عملگر مهاجرت مختصات نقاط جدید محاسبه می گردد:
X1 = [1,2,3,3,1,1] FIT=8

x Goal Point

اسلاید 12 :

تکرار اول

FIT1=8
FIT2=7
FIT3=8
FIT4=6
FIT5=5
خوشه بندی توسط الگوریتم k_means

A={8,7,5,6}
K=2
Step1: m1=4 , m2=7 : تولید مراکز خوشه ها بصورت تصادفی
Step2: شروع الگوریتم k-means
B1={5} , B2={8,7,6}
: Step3: m1=5 , m2=7 بدست آوردن مراکز جدید
Step4:
B1={5,6} , B2={8,7}
پروسه بالا را تا جایی که تغییری در مجموعه ها رخ ندهد ادامه میدهیم
M1=5.5 , M2=7.5 B1={5,6} , B2={8,7}

اسلاید 13 :

تکرار اول

خوشه بندی توسط الگوریتم k_means
Cluster1:{X1new, X2new, X3new,}
Cluster1:{ X4new, X5new}
بررسی شرط توقف
رسیدن به Iteration=100

اسلاید 14 :

تکرار دوم

تعدادی تخم به هر فاخته با توجه به فرمول زیر و نیز حداقل و حداکثر تخم ها اختصاص دهید:
cuckoo1: (3-2)*(0.6) + (2)=2.6
cuckoo2: (3-2)*(0.5) + (2)=2.5
cuckoo3: (3-2)*(0.0) + (2)=2
cuckoo4: (3-2)*(0.5) + (2)=2.5
cuckoo5: (3-2)*(0.0) + (2)=2