![](https://matlabtools.com/wp-content/uploads/2017/10/1327_L-SHADE_matlabcode.jpg)
شبیه سازی کامل L-SHADE و SHADE در متلب (شبیه سازی ۲ مقاله بطور کامل)
مجموعه: الکترونیک, الگوریتم های فراابتکاری و هوشمند, یادگیری ماشین
پروژه۱۳۲۷: شبیه سازی مقاله isi در متلب + سورس کامل متلب + فیلم اجرای کد
عنوان مقاله:
Improving the Search Performance of SHADE Using
Linear Population Size Reduction
بهبود عملکرد جستجوی SHADE با استفاده از کاهش اندازه خطی جمعیت
******************
دانلود: دانلود اصل مقاله لاتین
******************
خلاصه ای از کار:
SHADE یک DE تطبیقی است که انطباق تاریخ موفقیت پارامتر و یکی از الگوریتم های موفق DE را ترکیب می کند. این مقاله L-SHADE را پیشنهاد می کند که با کاهش اندازه جمعیت خطی (LPSR) ، SHADE را بیشتر گسترش می دهد وبطور مداوم اندازه جمعیت را بر طبق یک تابع خطی کاهش می دهد. ما عملکرد L-SHADE را بر حسب معیارهای CEC2014 ارزیابی و عملکرد ان را با الگوریتم های DE می سنجیم وشروع مجدد را با متغیرهای CMA-ES مقایسه کردیم. نتایج تجربی نشان می دهند که L-SHADE با الگوریتمهای تکاملی رقابت زیادی دارد.
پروژه۱۳۲۸: شبیه سازی مقاله isi در متلب + سورس کامل متلب + فیلم اجرای کد
عنوان مقاله:
An Ensemble Sinusoidal Parameter Adaptation
incorporated with L-SHADE for Solving CEC2014
Benchmark Problems
ترکیب تطبیقی کلی پارامترسینوسی با L-SHADE برای حل مسائل معیار CEC2014
******************
دانلود: دانلود اصل مقاله لاتین
******************
خلاصه ای از کار:
با ارائه یک روش تطبیقی جایگزین موفق برای انتخاب پارامترهای کنترل، یک چهارچوب موثروکارامد خود تطبیقی به منظور بهبود عملکرد الگوریتم SHADE پیشنهاد می شود. این الگوریتم پیشنهادی بنام LSHADE-EPSin از یک روش سینوسی کلی برای انطباق خودکار ارزشهای عامل مقیاسگذاری الگوریتم تکاملی دیفرانسیل استفاده می کند. این روش کلی شامل ترکیبی از دو فرمول سینوسی می باشد که عبارتند از:۱- تنظیم سینوسی غیرانطباقی کاهش دهنده ۲-تنظیم افزایش دهنده سینوسی انطباقی مبتنی بر زمان. هدف این روش کلی سینوسی،یافتن تعادلی موثر بین استفاده از بهترین راه حلهایی که تاکنون پیدا شده و کشف مناطق مشاهده نشده است. در نسلهای بعد، از یک روش تحقیق محلی گاوسی به منظور افزایش توانایی استفاده از LSHADE-EPSin استفاده می شود. این الگوریتم پیشنهادی در مسائل IEEE CEC2014 بکاررفته در جلسه ویژه و رقابتهای مربوط به بهینه سازی هدف مجزای پارامتر واقعی IEEE CEC2014 ازمایش می شود. نتایج اماری ،کارایی وتوانمندی این روش پیشنهادی را در دستیابی به نتایجی بهتر از نتایج الگوریتم L-SHADE ودیگر الگوریتمهای وضعیت را تائید می کنند.
در صورت سوال در مورد محصول و یا در صورت اشکال در اجرای شبیه سازی می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
مجموعه: الکترونیک, الگوریتم های فراابتکاری و هوشمند, یادگیری ماشینبرچسب ها Benchmark در متلب, L-SHADE for Solving CEC2014 Benchmark Problems, L-SHADE for Solving CEC2014 Benchmark Problems در متلب, LSHADE-EPSin در متلب, SHADE Using Linear Population, SHADE Using Linear Population در متلب, SHADE یک DE تطبیقی, SHADE یک DE تطبیقی در متلب, Sinusoidal Parameter Adaptation incorporated with L-SHADE, Sinusoidal Parameter Adaptation incorporated with L-SHADE در متلب, الگوریتم L-SHADE ودیگر الگوریتمهای وضعیت, الگوریتم پیشنهادی بنام LSHADE-EPSin, الگوریتم پیشنهادی بنام LSHADE-EPSin در متلب, الگوریتم تکاملی دیفرانسیل در متلب, الگوریتم های موفق DE, الگوریتم های موفق DE در متلب, بهینه سازی هدف مجزای یادگیری در متلب, پارامتر واقعی IEEE CEC2014 در متلب, پیاده سازی Sinusoidal Parameter Adaptation incorporated with L-SHADE, پیاده سازی بهینه سازی هدف مجزای یادگیری, پیاده سازی پارامتر واقعی IEEE CEC2014, پیاده سازی روش تحقیق محلی گاوسی, پیاده سازی متغیرهای CMA-ES در متلب, پیاده سازی مسائل IEEE CEC2014 در متلب, پیاده سازی مقالات L-SHADE for Solving CEC2014 Benchmark Problems, پیاده سازی مقالات به همراه شبیه سازی الگوریتم های موفق DE, پیاده سازی مقالات ترجمه شده الگوریتم تکاملی دیفرانسیل, پیاده سازی مقالات ترکیب تطبیقی کلی پارامترسینوسی با L-SHADE, پیاده سازی مقالات تکامل دیفرانسیل, پیاده سازی مقالات در متلب الگوریتم پیشنهادی بنام LSHADE-EPSin, پیاده سازی مقاله LSHADE-EPSin, پیاده سازی منظور افزایش توانایی استفاده از LSHADE-EPSin, ترجمه مقاله منظور افزایش توانایی استفاده از LSHADE-EPSin, ترکیب تطبیقی کلی پارامترسینوسی با L-SHADE برای حل مسائل معیار CEC2014, ترکیب تطبیقی کلی پارامترسینوسی با L-SHADE در متلب, تکامل دیفرانسیل در متلب, تنظیم افزایش دهنده سینوسی انطباقی مبتنی بر تاریخ, تنظیم سینوسی غیرانطباقی کاهش دهنده, چهارچوب موثروکارامد خود تطبیقی به منظور بهبود عملکرد الگوریتم SHADE, حل کامل مثال های مقاله L-SHADE, حل کامل مقالات الگوریتم های موفق DE, حل مسائل معیار CEC2014, حل مسائل معیار CEC2014 در متلب, خرید مقالات شبیه سازی شده در مورد متغیرهای CMA-ES, خرید مقاله منظور افزایش توانایی استفاده از LSHADE-EPSin, روش تحقیق محلی گاوسی در متلب, روش تطبیقی جایگزین موفق برای انتخاب پارامترهای کنترل, روش سینوسی کلی برای انطباق خودکار, روش سینوسی کلی برای انطباق خودکار در متلب, ساختار کلی تکامل دیفرانسیل, سفارش پروژه الگوریتم های موفق DE, سفارش مقاله + الگوریتم تکاملی دیفرانسیل, سفارش مقاله شبیه سازی شده متغیرهای CMA-ES, شبیه سازی کامل L-SHADE و SHADE در متلب, شبیه سازی کامل مقالات SHADE یک DE تطبیقی, شبیه سازی مقالات حل مسائل معیار CEC2014, شبیه سازی مقالات مقاله L-SHADE, عملکرد L-SHADE, کار با مسائل IEEE CEC2014, کاهش اندازه جمعیت خطی (LPSR) ، SHADE, کاهش اندازه جمعیت خطی (LPSR) ، SHADE در متلب, متغیرهای CMA-ES, متغیرهای CMA-ES در متلب, مسائل Benchmark هرماه با شبیه سازی متلب, مسائل IEEE CEC2014, مسائل IEEE CEC2014 در متلب, مقالات + شبیه سازی کامل کاهش اندازه جمعیت خطی (LPSR) ، SHADE, مقاله L-SHADE در متلب, منظور افزایش توانایی استفاده از LSHADE-EPSin, منظور افزایش توانایی استفاده از LSHADE-EPSin در متلب