در این بخش سورس کد الگوریتم بهینه ساز خفاش BA در پایتون Python قرار گرفته شده است. این سورس کد به زبان پایتون Python برای الگوریتم بهینه سازی خفاش Bat Algorithm به اختصار BA نوشته شده است. این سورس کد بر اساس ساز و کار الگوریتم خفاش مسائل بهینه سازی را حل می کند. این الگوریتم الهام گرفته از زیست طبیعی خفاش ها است این الگوریتم توسط یانگ در سال 2010 توسعه یافته است. الگوریتم BA از روش تنظیم فرکانس برای افزایش تنوع راه حل در جمعیت استفاده می کند. این الگوریتم با بزرگنمایی خودکار سعی در تعادل بخشیدن به اکتشاف و بهره برداری در طی فرآیند جستجو دارد این کار را با تقلید از تغییرات میزان انتشار پالس و بلندی صدای خفاش ها هنگام جستجوی طعمه انجام می دهد.  در ادامه مختصری از الگوریتم برای درک کد الگوریتم در پایتون بیان می شود.

الگوریتم بهینه ساز خفاش BA

الگوریتم های فراابتکاری که معمولاً الهام گرفته شده از طبیعت و فرايندهای فيزيكی می باشند، در حال حاضر به عنوان یکی از روش های قدرتمند برای حل بسیاری از مسائل بهینه سازی پیچیده به کار برده می شوند. الگوریتم خفاش یکی از الگوریتم های فراابتکاری الهام گرفته از طبیعت است که در سال ۲۰۱۰ توسط آقای یانگ معرفی گردید. این الگوریتم بر اساس اصول زندگی خفاش ها طراحی شده است. خفاش ها تنها پستانداران بالداری هستند که برای شکار طعمه از انعکاس صدا استفاده می کنند.

الگوریتم خفاش با استفاده از تکنیک تنظیم فرکانس تنوع راه حل های موجود در جمعیت را افزایش می دهند. مغز و دستگاه عصبی خفاش ها با مقایسه موج های فرستاده شده و موج های بازتاب شده می تواند تصویری از فضای پیرامون و جزئیاتش برای خود بسازد. با این ویژگی خفاش ها می تواندد اجسام متحرک دورو بر خود را شناسایی کنند. با بررسی و بهینه سازی این الگوریتم در سیستم ها و شبکه های کامپیوتری و تطبیق آن با سیستمهای خبره و هوشمند می توان به تکنینک های نوین جهت مسیر یابی و تخمین مسافت در کاربردهای هوا فضا، بهینه سازی سیتم های پرواز در دید کور با استفاده از خلبان خودکار، رانندگی توسط خودروهای هوشمند، بهینه سازی الگوریتمهای هوشمند مسیر یابی در روتر ها و سایر مسایل فنی رسید.

الگوریتم جستجوی خفاش BA در پایتون

در این قسمت سورس کد الگوریتم بهینه ساز خفاش BA در پایتون Python آماده شده است این سورس کد شامل 2 فایل می باشد  که عبارتند از:

  • benchmarks.py: این فایل شامل 23 تابع هزینه یا Fitness از توابع benchmark می باشد و در اکثر مقالات علمی از این توابع محک برای ارزیابی الگوریتم ها استفاده می کنند.
  • BA.py: فایل اصلی برای اجرای الگوریتم بهینه ساز خفاش BA در پایتون می باشد که فراخوانی ها از طریق این فایل انجام و اجرا خواهد شد.

قسمت هایی از سورس کد توابع محک

 


***  توجه  ***

قبل از اجرای سورس کد الگوریتم در محیط پایتون حتماً از نصب پکیج های مورد استفاده در این سورس کد در Python خود مطمئن شوید پکیج های استفاده شده در این سورس کد numpy و  matplotlib می باشد که اولی پکیج مربوط به استفاده از آرایه ها و ماتریس ها در پایتون و دومی مربوط به عملیات های نموداری و Plot گرفتن می باشد. پیشنهاد ما نصب Anaconda  می باشد که هم پایتون و پکیج های مختلف و هم IDE های مختلفی را همراه با امکان آپدیتشان نصب می کند. ما این سورس کد را با IDE اسپایدر (Spyder (Python 3.8 نوشته و اجرا کرده ایم.


ویدئوی معرفی

 

درباره محصول

الگوریتم بهینه ساز خفاش BA در پایتون Python عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در پایتون و با IDE اسپایدر (Spyder (Python 3.8 نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.

1 دیدگاه برای الگوریتم بهینه ساز خفاش BA در پایتون Python

  1. امین جلیل زاده

    نظرات و پیشنهادات خود را با ما در میان بگذارید.

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *