آموزش بهینه سازی با استفاده از الگوریتم ژنتیک و NSGA-II

توضیحات تدریس

• دسته بندی الگوریتم های بهینه ساز فراکاوشی تک هدفه • دلایل نیاز به استفاده از الگوریتم های فراکاوشی • آشنایی با مفهوم و ماهیت ساختاری الگوریتم های ابتکاری، فراابتکاری و فوق ابتکاری • معیارهای طبقه بندی الگوریتم های فراکاوشی • مهم ترین فرایندهای حاکم بر الگوریتم های فراکاوشی • خصوصیات و ویژگیهای مهم الگوریتم های فراکاوشی را شناسایی کنیم • با ساختار کلی الگوریتم های فراکاوشی آشنا شویم • معرفی الگوریتم فراکاوشی ژنتیک • با ساختار کلی الگوریتم ژنتیک آشنا شویم • مراحل محاسبات در الگوریتم ژنتیک چگونه صورت می گیرند • عمده ترین عمگرهای الگوریتم ژنتیک را شناسایی کنیم • با انواع روش های انتخاب آشنا شویم • تشریح ساختار Roulette Wheel • تشریح ساختار Tournament • تشریح ساختار عملگر انتخاب یکنواخت • تشریح ساختار عملگر انتخاب یکنواخت تصادفی • تشریح ساختار عملگر انتخاب باقیمانده • روشهای متعدد انتخاب رقابتی • با عملگر Crossover آشنا شویم • تشریح ساختار Single Point Crossover • تشریح ساختار Two Points Crossover • تشریح ساختار Uniform Crossover • توصیف مفهوم و ماهیت جهش ژنتیکی • با انواع روشهای Mutation آشنا شویم • نحوه استفاده از الگوریتم ژنتیک در متلب • تشریح پارامترهای ورودی الگوریتم ژنتیک • با نحوه دقیق تعریف پارامترهای ورودی الگوریتم ژنتیک آشنا شویم • انواع محدودیت های قابل تعریف در الگوریتم ژنتیک • مفهوم و ماهیت تابع جریمه چیست • آشنایی با عمده ترین متدهای الگوریتم ژنتیک • تولید نسل اولیه کرومزوم ها چگونه صورت میگیرد • نحوه عملکرد متد تزویج پراکنده • نحوه عملکرد متد تزویج واسط • نحوه عملکرد متد تزویج اکتشافی • نحوه عملکرد متد نزویج حسابی • انواع روشهای انتخاب جامعه نخبگان را بیاموزیم • با پدیده ازدحام جمعیت آشنا شویم • مزایای مقیاس سازی چیست • با انواع روش های مقیاس سازی تابع هدف و کدهای مرتبط با آن آشنا شویم • مفهوم رکود چیست و چگونه در الگوریتم ژنتیک بروز میکند • استفاده از Hybrid در الگوریتم ژنتیک • با دلایل توقف الگوریتم ژنتیک آشنا شویم • مفهوم مهاجرت پیش رو و پس رو • جهش ژنتیکی گوسی و معادلات حاکم بر آن • عملگر جهش یکنواخت چگونه عمل میکند • کارکرد عملگر جهش تطبیقی چگونه است • تشریح و توصیف گام به گام تمامی نمودار های قابل استفاده در الگوریتم ژنتیک جهش قضاوت در مورد خروجی بهینه • نحوه بکارگیری الگوریتم ژنتیک در مسائل Problem Base • نحوه انجام محاسبات بصورت برداری جهت افزایش چشمگیر سرعت اجرای الگوریتم بهینه ساز • تشریح کلیه پارامترهای خروجی الگوریتم ژنتیک • صفر تا صد کدنویسی الگوریتم ژنتیک بدون استفاده از توابع آماده در متلب • استفاده از انواع متدهای تولید نسل بدون استفاده از عملگرها • بکارگیری کلیه متدهای انتخاب بصورت همزمان • استفاده از کلیه متدهای تزویج در یک برنامه واحد و شکستن محدودیت های توابع تولباکس • استفاده همزمان از کلیه متدهای جهش ژنتیکی بصورت نسل به نسل جهت افزایش چشمگیر عملکرد الگوریتم بهینه ساز • ساخت توابع دلخواه جهت تولید نسل های مورد نظر • ترکیب نسل های متعدد و استخراج نتایجی به مراتب سریع تر و دقیق تر از توان توابع تولباکس • آشنایی با مفهوم اطمینان پذیری حجمی، زمانی و دوره ای به همراه کدهای مربوطه • تعریف شاخص برگشت پذیری به همراه کد مربوطه • تعریف شاخص آسیب پذیری به همراه کد مربوطه • تعریف شاخص پایداری به همراه کد مربوطه • توصیف کلیه شاخص های قضاوت در خصوص سیستم های منابع آب به همراه تشریح نحوه نگرش فازی و کد متلب • نحوه تعریف تابع جریمه • آشنایی با مفهوم Multi-Objective و Many Objectives • شرط لازم برای استفاده از متدهای بهینه سازی چند هدفه • مدل ریاضی الگوریتم های بهینه ساز چند هدفه • بحث در خصوص فضای اهداف و فضای متغیرهای تصمیم • آشنایی با مفهوم Pareto-Front • آشنایی با عمده ترین تفاوتهای بهینه یابی تک هدفه و چند هدفه • آشنایی با مفهوم Dominance و غلبهء قوی • سناریوهای مغلوب و غیر مغلوب را شناسایی کنیم • شرایط لازم و کافی برای ایجاد سناریوی غیر پست • بردار هدف ایده آل • بردار هدف فوق ایده آل • بردار اوج • نحوه نرمال سازی توابع چند هدفه • بحث در خصوص فضاهای محدب و نحوه تشخیص آن در مسائل بهینه یابی • حالات مختلف موجود برای ترسیم منحنی تبادل • جواب موثر قوی و ضعیف • آشنایی با الگوریتم های کلاسیک بهینه یابی چند هدفه • کدنویسی صفر تا صد متد مجموع وزن دار (Weighted Sum Method) • آشنایی با محدودیت های استفاده از متد مجموع وزن دار • تشریح و کدنویسی صفر تا صد روش معیار جامع • ضعف عمده استفاده از متد LP-Metric چیست • نحوه ترسیم فضای اهداف • تشریح و کدنویسی صفر تا صد متد برنامه ریزی آرمانی (Goal Programming) • تشریح و کدنویسی صفر تا صد متد حدی (Epsilon Constraint Method) • آشنایی با متدهای تکاملی • بحث در خصوص نخبه گرایی • تشریح گام به گام الگوریتم ژنتیک چند هدفه (MOGA) • رتبه بندی سناریوهای موجود چگونه انجام می شود • تشریح مفهوم تسلط به زبان آدمیزاد • تشریح مفهوم تسلط به زبان ماشین • صفر تا صد تعیین Rank با رسم شکل و به زبان ساده • تشریح مفهوم Crowding Distance و آموزش گام به گام روال محاسبه آن • نحوه انتخاب چند سناریوی خاص از بین مجموعه سناریوهای موجود • بحث مفصل در خصوص Spread و ذکر یک مثال کاربردی جهت محاسبه گام به گام • مراحل اجرایی الگوریتم MOGA • آشنایی با کلیه پارامترهای ورودی و خروجی الگوریتم ژنتیک چند هدفه • آشنایی با نحوه کدنویسی برداری جهت افزایش سرعت انجام محاسبات • آشنایی با انواع محدودیت های موجود در الگوریتم MOGA و روال کدنویسی آن در متلب • آشنایی با کلیه Name-Value های الگوریتم ژنتیک چند هدفه • متدهای مورد استفاده جهت تزویج در MOGA برای استفاده در مهندسی عمران • معادلات حاکم بر ایجاد جهش ژنتیکی در MOGA با تکیه بر کاربرد آن در مهندسی علوم آب • استفاده از Option های مختلف موجود در MOGA را بیاموزیم • استفاده از تابع Goal Attainment درون الگوریتم ژنتیک چند هدفه به عنوان تابع هیبرید • آشنایی با کلیه دستورات ترسیم در MOGA • بهترین روال تعیین شرط خاتمه برای الگوریتم ژنتیک چند هدفه را شناسایی کنیم • تشریح گام به گام الگوریتم NSGA-II از صفر تا صد • مراحل اجرای NSGA-II • نحوه مرتب سازی جمعیت در NSGA-II و بیان تفاوتهای آن با ژنتیک تک هدفه • توصیف و کدنویسی صفر تا صد عملگر انتخاب برای الگوریتم NSGA-II • آشنایی با کلیه معادلات حاکم بر الگوریتم NSGA-II جهت تزویج و جهش ژنتیکی در علوم آب • روش های ترسیم و ارزیابی منحنی تبادل بهینه اهداف • با روش ماتریس پراکنده آشنا شویم • مقایسه منحنی های تبادل در صورت وجود سه هدف و بیشتر با استفاده از Value Path Method • استفاده از Visual Method جهت مقایسه چند منحنی تنادل با هم • با معیارهای عملکرد جهت ارزیابی جواب های غیر پست آشنا شویم • آشنایی با شاخص درصد بهبودی و تشریح صفر تا صد روال کدنویسی آن (IP) • آشنایی با متد Shortest Distance جهت انتخاب یک منحنی تبادل از بین مجموعه سناریوهای بهینه • آشنایی با شاخص گسترش و تشریح گام به گام روال کدنویسی این شاخص در متلب • آشنایی با روال مقایسه دو منحنی تبادل در زمان اجرای برنامه بصورت لحظه ای و Real Time مثال های کاربردی:  مثال 1: نحوه بهینه سازی توابع پیچیده با تعداد کثیر متغیر تصمیم و اکسترمم های محلی  مثال 2: نحوه کدنویسی Vectorized جهت تسریع حل مسائل بسیار پیچیده  مثال 3: اثرات تعداد تکرار بر روی جواب بهینه محلی  مثال 4: اثرات تنوع جمعیت کرومزوم ها بر روی جواب بهینه محلی  مثال 5: اثرات مقیاس نمودن بر روی جواب بهینه محلی  مثال6: اثرات استفاده از انواع متدهای عملگر جهش بر روی جواب بهینه محلی  مثال 7: نحوه استفاده همزمان از تمامی متدهای تزویج و بررسی اثر آن بر روی جواب بهینه محلی  مثال 8: استفاده از هیبرید الگوریتم ژنتیک با سایر الگوریتم های فراکاوشی یا کلاسیک  مثال 9: استفاده همزمان از کلیه متدهای قابل استفاده در الگوریتم ژنتیک بطور همزمان و مدیرت خطا  مثال 10: تشریح و کدنویسی گام به گام مسئله تولید بدون استفاده از توابع آماده متلب از صفر تا صد  مثال 11: تشریح نحوه استفاده از تعداد قابل توجه از متغیرهای تصمیم نامتجانس در یک مسئله واحد  مثال 12: تخصیص آب به چهار منطقه روستایی و تصیمیم گیری در مورد محل و میزان بهینه انتقال آب مثال استادی:  بهینه سازی میزان رهاسازی از مخزن سد امیرکبیر با استفاده از کلیه پارامترهای ورودی و کدنویسی گام به گام تمام مراتب لازم و بررسی عملکرد با استفاده از شاخص های اطمینان پذیری، برگشت پذیری، آشیب پذیری، شاخص پایداری بصورت قطعی و فازی و مقایسه نتایج بهینه با وضعیت موجود و نیز با خروجی سیاست SOP

سطح آموزش

مبتدی: برای کسانی که می خواهند تازه شروع به یادگیری کنند

متوسط: برای کسانی که آشنایی دارند و تا حدی بلدند

حرفه ای: برای کسانی که بلدند ولی می خواهند بیشتر یاد بگیرند