Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > الگوریتم ها > الگوريتم کلونی زنبور عسل (Bee Colony Algorithm)


 
تبليغات سايت
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۱۱-۱۵-۱۳۸۸, ۱۲:۰۳ بعد از ظهر   #1 (لینک دائم)
عضو جدید
 
آواتار karimi.s
 
تاريخ عضويت: بهمن ۱۳۸۸
پست ها: 1
تشكرها: 0
1 تشكر در 1 پست
Smile پیاده سازی الگوریتم زنبور عسل

سلام
کد برنامه بهینه سازی با الگوریتم جفت گیری زنبور عسل دارید؟
karimi.s آفلاين است   پاسخ با نقل قول
از karimi.s تشكر كرده است:
razmmm (۰۹-۱۶-۱۳۹۰)

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 

نشان دهنده تبلیغات is online  
قديمي ۱۲-۳-۱۳۸۸, ۰۴:۱۴ بعد از ظهر   #2 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,337 تشكر در 3,127 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
Wink Artificial Bee Colony (ABC) Algorithm

نقل قول:
نوشته اصلي بوسيله samiv نمايش پست
کسی کد نمونه از پیاده سازی این الگوریتم داره ؟ به هر زبان برنامه نویسی که باشه

C Code of the ABC algorithm 
كد:
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <conio.h>
#include <time.h>


/* Control Parameters of ABC algorithm*/
#define NP 20 /* The number of colony size (employed bees+onlooker bees)*/
#define FoodNumber NP/2 /*The number of food sources equals the half of the colony size*/
#define limit 100  /*A food source which could not be improved through "limit" trials is abandoned by its employed bee*/
#define maxCycle 2500 /*The number of cycles for foraging {a stopping criteria}*/

/* Problem specific variables*/
#define D 100 /*The number of parameters of the problem to be optimized*/
#define lb -100 /*lower bound of the parameters. */
#define ub 100 /*upper bound of the parameters. lb and ub can be defined as arrays for the problems of which parameters have different bounds*/


#define runtime 30  /*Algorithm can be run many times in order to see its robustness*/


double Foods[FoodNumber][D]; /*Foods is the population of food sources. Each row of Foods matrix is a vector holding D parameters to be optimized. The number of rows of Foods matrix equals to the FoodNumber*/
double f[FoodNumber];  /*f is a vector holding objective function values associated with food sources */
double fitness[FoodNumber]; /*fitness is a vector holding fitness (quality) values associated with food sources*/
double trial[FoodNumber]; /*trial is a vector holding trial numbers through which solutions can not be improved*/
double prob[FoodNumber]; /*prob is a vector holding probabilities of food sources (solutions) to be chosen*/
double solution [D]; /*New solution (neighbour) produced by v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij}) j is a randomly chosen parameter and k is a randomlu chosen solution different from i*/
double ObjValSol; /*Objective function value of new solution*/
double FitnessSol; /*Fitness value of new solution*/
int neighbour, param2change; /*param2change corrresponds to j, neighbour corresponds to k in equation v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij})*/
double GlobalMin; /*Optimum solution obtained by ABC algorithm*/
double GlobalParams[D]; /*Parameters of the optimum solution*/
double GlobalMins[runtime]; /*GlobalMins holds the GlobalMin of each run in multiple runs*/
double r; /*a random number in the range [0,1)*/

/*a function pointer returning double and taking a D-dimensional array as argument */
/*If your function takes additional arguments then change function pointer definition and lines calling "...=function(solution);" in the code*/
typedef double (*FunctionCallback)(double sol[D]); 

/*benchmark functions */
double sphere(double sol[D]);
double Rosenbrock(double sol[D]);
double Griewank(double sol[D]);
double Rastrigin(double sol[D]);

/*Write your own objective function name instead of sphere*/
FunctionCallback function = &sphere;

/*Fitness function*/
double CalculateFitness(double fun)
 {
	 double result=0;
	 if(fun>=0)
	 {
		 result=1/(fun+1);
	 }
	 else
	 {
		 result=1+fabs(fun);
	 }
	 return result;
 }

/*The best food source is memorized*/
void MemorizeBestSource()
{
   int i,j;
    
	for(i=0;i<FoodNumber;i++)
	{
	if (f[i]<GlobalMin)
		{
        GlobalMin=f[i];
        for(j=0;j<D;j++)
           GlobalParams[j]=Foods[i][j];
        }
	}
 }

/*Variables are initialized in the range [lb,ub]. If each parameter has different range, use arrays lb[j], ub[j] instead of lb and ub */
/* Counters of food sources are also initialized in this function*/
void init(int index)
{
   int j;
   for (j=0;j<D;j++)
		{
        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        Foods[index][j]=r*(ub-lb)+lb;
		solution[j]=Foods[index][j];
		}
	f[index]=function(solution);
	fitness[index]=CalculateFitness(f[index]);
	trial[index]=0;
}

/*All food sources are initialized */
void initial()
{
	int i;
	for(i=0;i<FoodNumber;i++)
	{
	init(i);
	}
	GlobalMin=f[0];
    for(i=0;i<D;i++)
    GlobalParams[i]=Foods[0][i];


}

void SendEmployedBees()
{
  int i,j;
  /*Employed Bee Phase*/
   for (i=0;i<FoodNumber;i++)
        {
        /*The parameter to be changed is determined randomly*/
        r = ((double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        param2change=(int)(r*D);
        
        /*A randomly chosen solution is used in producing a mutant solution of the solution i*/
        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        neighbour=(int)(r*FoodNumber);

        /*Randomly selected solution must be different from the solution i*/        
        while(neighbour==i)
        {
        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        neighbour=(int)(r*FoodNumber);
        }
        for(j=0;j<D;j++)
        solution[j]=Foods[i][j];

        /*v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij}) */
        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        solution[param2change]=Foods[i][param2change]+(Foods[i][param2change]-Foods[neighbour][param2change])*(r-0.5)*2;

        /*if generated parameter value is out of boundaries, it is shifted onto the boundaries*/
        if (solution[param2change]<lb)
           solution[param2change]=lb;
        if (solution[param2change]>ub)
           solution[param2change]=ub;
        ObjValSol=function(solution);
        FitnessSol=CalculateFitness(ObjValSol);
        
        /*a greedy selection is applied between the current solution i and its mutant*/
        if (FitnessSol>fitness[i])
        {
        /*If the mutant solution is better than the current solution i, replace the solution with the mutant and reset the trial counter of solution i*/
        trial[i]=0;
        for(j=0;j<D;j++)
        Foods[i][j]=solution[j];
        f[i]=ObjValSol;
        fitness[i]=FitnessSol;
        }
        else
        {   /*if the solution i can not be improved, increase its trial counter*/
            trial[i]=trial[i]+1;
        }


        }

        /*end of employed bee phase*/

}

/* A food source is chosen with the probability which is proportioal to its quality*/
/*Different schemes can be used to calculate the probability values*/
/*For example prob(i)=fitness(i)/sum(fitness)*/
/*or in a way used in the metot below prob(i)=a*fitness(i)/max(fitness)+b*/
/*probability values are calculated by using fitness values and normalized by dividing maximum fitness value*/
void CalculateProbabilities()
{
     int i;
     double maxfit;
     maxfit=fitness[0];
  for (i=1;i<FoodNumber;i++)
        {
           if (fitness[i]>maxfit)
           maxfit=fitness[i];
        }

 for (i=0;i<FoodNumber;i++)
        {
         prob[i]=(0.9*(fitness[i]/maxfit))+0.1;
        }

}

void SendOnlookerBees()
{

  int i,j,t;
  i=0;
  t=0;
  /*onlooker Bee Phase*/
  while(t<FoodNumber)
        {

        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        if(r<prob[i]) /*choose a food source depending on its probability to be chosen*/
        {        
        t++;
        
        /*The parameter to be changed is determined randomly*/
        r = ((double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        param2change=(int)(r*D);
        
        /*A randomly chosen solution is used in producing a mutant solution of the solution i*/
        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        neighbour=(int)(r*FoodNumber);

        /*Randomly selected solution must be different from the solution i*/        
        while(neighbour==i)
        {
        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        neighbour=(int)(r*FoodNumber);
        }
        for(j=0;j<D;j++)
        solution[j]=Foods[i][j];

        /*v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij}) */
        r = (   (double)rand() / ((double)(RAND_MAX)+(double)(1)) );
        solution[param2change]=Foods[i][param2change]+(Foods[i][param2change]-Foods[neighbour][param2change])*(r-0.5)*2;

        /*if generated parameter value is out of boundaries, it is shifted onto the boundaries*/
        if (solution[param2change]<lb)
           solution[param2change]=lb;
        if (solution[param2change]>ub)
           solution[param2change]=ub;
        ObjValSol=function(solution);
        FitnessSol=CalculateFitness(ObjValSol);
        
        /*a greedy selection is applied between the current solution i and its mutant*/
        if (FitnessSol>fitness[i])
        {
        /*If the mutant solution is better than the current solution i, replace the solution with the mutant and reset the trial counter of solution i*/
        trial[i]=0;
        for(j=0;j<D;j++)
        Foods[i][j]=solution[j];
        f[i]=ObjValSol;
        fitness[i]=FitnessSol;
        }
        else
        {   /*if the solution i can not be improved, increase its trial counter*/
            trial[i]=trial[i]+1;
        }
        } /*if */
        i++;
        if (i==FoodNumber-1)
        i=0;
        }/*while*/

        /*end of onlooker bee phase     */
}

/*determine the food sources whose trial counter exceeds the "limit" value. In Basic ABC, only one scout is allowed to occur in each cycle*/
void SendScoutBees()
{
int maxtrialindex,i;
maxtrialindex=0;
for (i=1;i<FoodNumber;i++)
        {
         if (trial[i]>trial[maxtrialindex])
         maxtrialindex=i;
        }
if(trial[maxtrialindex]>=limit)
{
	init(maxtrialindex);
}
}


/*Main program of the ABC algorithm*/
int main()
{
int iter,run,j;
double mean;
mean=0;
srand(time(NULL));

for(run=0;run<runtime;run++)
{

initial();
MemorizeBestSource();
for (iter=0;iter<maxCycle;iter++)
    {
    SendEmployedBees();
    CalculateProbabilities();
    SendOnlookerBees();
    MemorizeBestSource();
    SendScoutBees();
    }
for(j=0;j<D;j++)
		{
			printf("GlobalParam[%d]: %f\n",j+1,GlobalParams[j]);
		}
printf("%d. run: %e \n",run+1,GlobalMin);
GlobalMins[run]=GlobalMin;
mean=mean+GlobalMin;
}
mean=mean/runtime;
printf("Means of %d runs: %e\n",runtime,mean);
getch();
}


double sphere(double sol[D])
{
int j;
double top=0;
for(j=0;j<D;j++)
{
top=top+sol[j]*sol[j];
}
return top;
}

double Rosenbrock(double sol[D])
{
int j;
double top=0;
for(j=0;j<D-1;j++)
{
top=top+100*pow((sol[j+1]-pow((sol[j]),(double)2)),(double)2)+pow((sol[j]-1),(double)2);
}
return top;
}

 double Griewank(double sol[D])
 {
	 int j;
	 double top1,top2,top;
	 top=0;
	 top1=0;
	 top2=1;
	 for(j=0;j<D;j++)
	 {
		 top1=top1+pow((sol[j]),(double)2);
		 top2=top2*cos((((sol[j])/sqrt((double)(j+1)))*M_PI)/180);

	 }	
	 top=(1/(double)4000)*top1-top2+1;
	 return top;
 }

 double Rastrigin(double sol[D])
 {
	 int j;
	 double top=0;

	 for(j=0;j<D;j++)
	 {
		 top=top+(pow(sol[j],(double)2)-10*cos(2*M_PI*sol[j])+10);
	 }
	 return top;
 }
به سايتهاي زير مراجعه کنيد:
كد:
http://mf.erciyes.edu.tr/abc

http://www.bees-algorithm.com/modules/3/1.php
MATLAB Code of the ABC algorithm
فايل ضميمه
نوع فايل: rar MATLABABCv2.rar (4.8 كيلو بايت, 1886 نمايش)
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
alip30c (۰۹-۷-۱۳۸۹), amirmehdi (۰۴-۱۸-۱۳۹۱), donya 22 (۰۹-۱۸-۱۳۹۰), fh25 (۰۷-۱۰-۱۳۹۲), it_heidari (۰۶-۷-۱۳۹۳), jalal.H (۰۸-۱۶-۱۳۹۱), masood (۰۵-۲۱-۱۳۹۱), mehrdad788 (۰۹-۱۸-۱۳۹۰), mojgan1 (۰۸-۵-۱۳۸۹), onlystar (۰۷-۱۱-۱۳۸۹), razmmm (۰۹-۱۶-۱۳۹۰), sadeghian110 (۰۷-۲۹-۱۳۸۹), shahin7580 (۰۹-۱۷-۱۳۹۰)
قديمي ۰۳-۲۳-۱۳۸۹, ۰۷:۴۰ قبل از ظهر   #3 (لینک دائم)
عضو فعال
 
آواتار goodboy_me
 
تاريخ عضويت: دي ۱۳۸۸
محل سكونت: Iran
پست ها: 11
تشكرها: 2
15 تشكر در 6 پست
ارسال پيغام Yahoo به goodboy_me
Wink کد دلفی abc

این هم یک کد دلفی برای کلونی زنبور

كد:
  var i,j,k,ks:integer;
begin
     GetParamsSetValues();

     gen:=0;
     randomize;
     minstop:=false;
     initial;
     eval:=0;
     for i:=1 to np do
     	 CalculateFunction(i);
     for i:=1 to np do
     begin
        pf[i]:=f[i];
        pfit[i]:=fit[i];
     end;
	  sortfitness;
	  minf:=pf[1];
	  enfit:=pfit[1];
	  for k:=1 to d do
en[k]:=p[1,k];
REPEAT
gen:=gen+1;
for i:=1 to e do
begin
for j:=1 to n1 do
begin
for k:=1 to d do
x[i,k]:=p[i,k]+ngh*(2*random-1);
CalculateFunction(i);
if fit[i]>pfit[i] then
begin     end
eval:=eval+1;
end;//for j
end; // for i

for i:=e+1 to m do
begin
for j:=1 to n2 do
begin
for k:=1 to d do
x[i,k]:=p[i,k]+ngh*(2*random-1);
CalculateFunction(i);
if fit[i]>pfit[i] then
begin
pfit[i]:=fit[i];
pf[i]:=f[i];
for k:=1 to d do
p[i,k]:=x[i,k];
end;//if
eval:=eval+1;
end;//for j
end; // for i

for i:=m+1 to np do
begin
for k:=1 to d do
x[i,k]:=xlo[j]+random*(xhi[k]-xlo[k]);
CalculateFunction(i);
pfit[i]:=fit[i];
pf[i]:=f[i];
for k:=1 to d do
p[i,k]:=x[i,k];
eval:=eval+1;
end; // for i

sortfitness;
minf:=pf[1];
enfit:=pfit[1];
for k:=1 to d do
en[k]:=p[1,k];
if abs(minf-desired) min[gen]:=min[gen]+minf;
UNTIL ((gen=maxgen)or(minstop=true));
end.
goodboy_me آفلاين است   پاسخ با نقل قول
از goodboy_me تشكر كرده اند:
alip30c (۰۹-۷-۱۳۸۹), Astaraki (۰۵-۳۱-۱۳۸۹), donya 22 (۰۹-۱۸-۱۳۹۰), masood (۰۵-۲۱-۱۳۹۱), razmmm (۰۹-۱۶-۱۳۹۰), reza3zar (۱۰-۱-۱۳۸۹), sadeghian110 (۰۸-۳-۱۳۸۹), shahin7580 (۰۹-۱۷-۱۳۹۰)
قديمي ۰۸-۴-۱۳۸۹, ۰۲:۱۷ بعد از ظهر   #4 (لینک دائم)
عضو جدید
 
آواتار jazireh
 
تاريخ عضويت: مهر ۱۳۸۹
پست ها: 1
تشكرها: 0
1 تشكر در 1 پست
پيش فرض

با سلام
کدهای حرکت به جلو و حرکت به عقب bee algoritm رو می خوام .
jazireh آفلاين است   پاسخ با نقل قول
از jazireh تشكر كرده است:
razmmm (۰۹-۱۶-۱۳۹۰)
قديمي ۰۱-۲۴-۱۳۹۰, ۰۸:۴۷ قبل از ظهر   #5 (لینک دائم)
عضو فعال
 
آواتار omidam
 
تاريخ عضويت: فروردين ۱۳۹۰
پست ها: 12
تشكرها: 8
2 تشكر در 2 پست
پيش فرض

سلام
من کدمسئله فروشنده دوره گرد رابا الگوریتم زنبور عسل می خواهم.خیلی خیلی فوریه تورو خدا یه نفر کمکم کنه. اصلاً میشه همچین کدی پیدا کرد؟


اصلاً این زنبورهای عسل تونستند یک مسئله رو حل کنند که کدش پیدا بشه؟خیلی مهمه اصلاً وقت ندارم اگه میتونید کمکم کنید
omidam آفلاين است   پاسخ با نقل قول
از omidam تشكر كرده است:
razmmm (۰۹-۱۶-۱۳۹۰)
قديمي ۰۵-۲۱-۱۳۹۱, ۰۶:۲۰ بعد از ظهر   #6 (لینک دائم)
عضو جدید
 
آواتار 09166603321
 
تاريخ عضويت: مرداد ۱۳۹۱
پست ها: 1
تشكرها: 0
0 تشكر در 0 پست
پيش فرض

سلام من راجع به الگوریتم ملکه ی زنبور عسل و پیاده سازی یک تابع با آن مطلب میخوام لطفا کمکم کنید؟
09166603321 آفلاين است   پاسخ با نقل قول
قديمي ۰۲-۵-۱۳۹۲, ۱۱:۳۰ قبل از ظهر   #7 (لینک دائم)
عضو جدید
 
آواتار **maryam**
 
تاريخ عضويت: مهر ۱۳۹۱
محل سكونت: مشهد
پست ها: 3
تشكرها: 2
0 تشكر در 0 پست
My Mood: Khoshhal
پيش فرض

سلام دوستان
من باید الگوریتم زنبورعسل (ABC) رو روی چند تابع benchmark توی matlab پیاده سازی کنم و نتایجش رو با الگوریتم تغییریافته زنبورعسل ( MABC) که اون رو هم روی همون توابع داخل matlab پیاده سازی میکنم از نظر سرعت همگرایی و جواب درست (گیر نیفتادن داخل بهینه محلی) با رسم نمودار و تابع با هم مقایسه کنم. یعنی نتایج حاصل از ABC رو با MABC

کد آماده ABC رو از نت گرفتم اما نمیدونم باید چیکار کنم؟
کسی میتونه کمکم کنه؟
خیلی ممنون میشم
**maryam** آفلاين است   پاسخ با نقل قول
قديمي ۱۰-۱۳-۱۳۹۲, ۰۸:۱۹ بعد از ظهر   #8 (لینک دائم)
عضو جدید
 
آواتار novin2014
 
تاريخ عضويت: دي ۱۳۹۲
پست ها: 7
تشكرها: 4
2 تشكر در 2 پست
پيش فرض

برای دریافت کد متلب انتخاب ویژگی با الگوریتم زنبور عسل به این ایمیل درخواست بدید
novin_fararayaneh@yahoo.com
novin2014 آفلاين است   پاسخ با نقل قول
قديمي ۱۰-۲۲-۱۳۹۲, ۰۴:۵۰ بعد از ظهر   #9 (لینک دائم)
عضو جدید
 
آواتار mojtaba14405
 
تاريخ عضويت: شهريور ۱۳۸۸
پست ها: 1
تشكرها: 0
0 تشكر در 0 پست
پيش فرض تنظیم پارامترها

سلام دوستان
من یه سری رابطه دارم که قراره با الگوریتم زنبور عسل بهینه سازی کنم ولی نمیدونم چطور باید پارامتر ها رو تنظیم کنم. میشه بگید این روابط رو چه طور میتونم به برنامه مثلا متلب بدم؟ و یه مثال بزنید. ممنون میشم.
mojtaba14405 آفلاين است   پاسخ با نقل قول
قديمي ۱۲-۸-۱۳۹۲, ۱۲:۴۰ بعد از ظهر   #10 (لینک دائم)
عضو جدید
 
آواتار shamim_no
 
تاريخ عضويت: خرداد ۱۳۹۱
پست ها: 1
تشكرها: 0
0 تشكر در 0 پست
Unhappy شبیه سازی با مطلب

نقل قول:
نوشته اصلي بوسيله **maryam** نمايش پست
سلام دوستان
من باید الگوریتم زنبورعسل (abc) رو روی چند تابع benchmark توی matlab پیاده سازی کنم و نتایجش رو با الگوریتم تغییریافته زنبورعسل ( mabc) که اون رو هم روی همون توابع داخل matlab پیاده سازی میکنم از نظر سرعت همگرایی و جواب درست (گیر نیفتادن داخل بهینه محلی) با رسم نمودار و تابع با هم مقایسه کنم. یعنی نتایج حاصل از abc رو با mabc

کد آماده abc رو از نت گرفتم اما نمیدونم باید چیکار کنم؟
کسی میتونه کمکم کنه؟
خیلی ممنون میشم
سلام دوستان
روالی رو که ایشون خواستن به هدف منم کمک می کنه کسی می تونه مراحلی رو که باید طی کنیم بگه؟
واقعا کمکم می کنید اگه بگین
ممنون میشم
shamim_no آفلاين است   پاسخ با نقل قول
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 
ابزارهاي تاپيک
نحوه نمايش

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۳:۳۳ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2024, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design