شبیه سازی آموزشی عملکرد الگوریتم ژنتیک تطبیقی با منطق فازی با متلب

توضیحات

پروژه شبیه سازی تجزیه تحلیل عملکرد الگوریتم ژنتیک تطبیقی با منطق فازی با متلب :

فایلهای شبیه سازی شامل سه فایل با نامهای ga، ga_f و fuzzy_f می باشد. فایل ga حاوی الگوریتم ژنتیک معمولیست که برای بهینه سازی تابع تست زیر مورد استفاده قرار گرفته است.

فایل ga_f حاوی الگوریتم ژنتیک فازی است که برای بهینه سازی همین تابع مورد استفاده قرار گرفته است. و در نهایت فایل fuzzy_f حاوی تابع فازی است که بعنوان تابع کمکی برای تعیین پارامترهای الگوریتم ژنتیک با استفاده از قواعد فازی بکار می رود. لازم به ذکر است جهت بکارگیری قواعد فازی از مقاله ضمیمه شده استفاده شده است. در ادامه روند انجام کار در ضمن تشریح برنامه های ام فایل بیان می گردد.

1- ga.m

در این فایل الگوریتم ژنتیک معمولی برای یافتن مقدار مینیمم تابع مورد اشاره در قبل استفاده شده است. توضیحات این ام فایل به شرح ذیل است.

%Parameters

size=20;

G=100;

codel=10;

umax=2.048;

umin=-2.048;

اندازه جمعیت 20 در نظر گرفته شده و تعداد تکرار الگوریتم ژنتیک 100 می باشد. متغیر  codel نشاندهنده تعداد بیتهای متغیرهای مسئله می باشد. چون ژنهای مورد استفاده در الگوریتم ژنتیک بصورت باینری می باشد از این متغیر برای تعیین طول کروموزومها استفاده شده است. دو پارامتر umax و umin هم مقدار حد با لا و پایین متغیر مسئله را نشان می دهد.

E=round(rand(size,2*codel));    %Initial Code

جمعیت اولیه الگوریتم ژنتیک برای دو متغیر مسئله و به تعداد جمعیت مسئله بصورت تصادفی تولید می شود.

%main program

for k=1:1:G

    time(k)=k;

    for s=1:1:size

       m=E(s,:);

       y1=0;y2=0;

       %uncoding

       m1=m(1:1:codel);

       for i=1:1:codel

          y1=y1+m1(i)*2^(i-1);

       end

       x1=(umax-umin)*y1/1023+umin;

       m2=m(codel+1:1:2*codel);

       for i=1:1:codel

          y2=y2+m2(i)*2^(i-1);

       end

       x2=(umax-umin)*y2/1023+umin;

       F(s)=100*(x1^2-x2)^2+(1-x1)^2; %Fitness Function

    end

شروع حلقه تکرار الگوریتم ژنتیک از اینجا می باشد. در ابتدای حلقه و در هر تکرار مقدار تابع هدف برای همه کروموزوم محاسبه می گردد. با توجه به اینکه مقدار ژنها باینری می باشد در قسمت %unicoding مقدار رشته های مختلف که مربوط به متغیرهای مسئله می باشد از باینری به عدد صحیح تبدیل می گردد. سپس دو متغیر x1 و x2 برای تعیین تابع هدف مسئله مورد استفاده می گردد.

Ji=1./F;

هدف مسئله مینیمم کردن تابع هدف است. از متغیر Ji بعنوان تابع برازندگی استفاده می شود که بصورت عکس تابع هدف F تعریف می گردد.

%———-step 1

    BestJ(k)=min(Ji);

    fi=F;

    [oderfi,indexfi]=sort(fi);%Arranging fi small to bigger

    Bestfi=oderfi(size);    %Let Bestfi=max(fi)

    BestS=E(indexfi(size),:);%Let BestS=E(m),m is the Indexfi belong to max(fi)

    bfi(k)=Bestfi;

نکات قابل ذکر:

• شبیه سازی عملکرد الگوریتم ژنتیک تطبیقی با منطق فازی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایل های پروژه به صورت کامل به همراه گزارش پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت، و شما به راحتی قادر به استفاده از پروژه خواهید بود.

سفارش پروژه مشابه

درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.

سفارش پروژه متلب