|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/python-ile-genetik-algoritma/
课程评论：没有评论
**课程名称：** Python 编程实现遗传算法 **课程概述：** 本课程深入探讨了遗传算法（GA），一种受生物进化启发的元启发式（Meta-heuristics）算法。元启发式算法是解决大规模优化问题的“顶层”策略，它们结合了启发式算法在局部搜索中的优势，并利用自然选择等策略来跳出局部最优解，寻找全局最优解。 遗传算法作为其中一个流行的选择，以其灵活性和适应性，能够解决有约束和无约束的优化问题。课程将详细介绍遗传算法的核心组成部分： * **种群 (Population)：** 解决方案的集合。 * **个体/染色体 (Individual/Chromosome)：** 种群中的单个解决方案。 * **选择与父代 (Selection and Parents)：** 选择优秀的个体用于繁殖。 * **配对、交叉和子代 (Crossover and Offspring)：** 组合父代信息生成新的解决方案（子代）。 * **变异 (Mutation)：** 引入随机性以探索新的解决方案空间。 * **精英主义 (Elitism)：** 保留当前种群中最优的个体，防止最优解丢失。 * **适应度函数 (Fitness Function)：** 评估个体优劣的标准。 * **世代/迭代 (Generation/Iteration)：** 算法运行的周期。 课程还将强调在应用遗传算法时需要注意的事项。 **实践应用：** 本课程将通过实际的 Python 代码实现，解决两个经典的组合优化问题： * **旅行商问题 (Traveling Salesperson Problem - TSP)：** 寻找访问一系列城市并返回起点的最短路径。 * **二次分配问题 (Quadratic Assignment Problem - QAP)：** 将一组设施分配到一组位置，最小化设施之间的运输成本。 我们将利用 TSPLIB 和 QAPLIB 库中的学术示例，并对问题输出进行分析和可视化，以优化算法的性能。 **目标学员：** 理想的学员应具备以下基础知识： * 运筹学 (Operations Research) * 组合优化 (Combinatorial Optimization) * Python 编程 课程内容将尽可能从基础讲解，确保所有学员都能理解。
Büyük ölçekli optimizasyon problemlerinin çözümü için algoritma ve arama tekniklerine yol gösteren (üst akıl) yöntemlerdir Meta-Sezgisel (Meta-heuristics) algoritmalar.Yerel arama için sezgisel algoritmaların avantajlarına sahip olduğu gibi; yerel optimum sonuçları atlatarak global optimum çözüme ulaşmak için de ilham aldığı konulardaki stratejileri kullanır.İşte bu algoritmalar arasında en popüler olanlardan biri de Genetik Algoritma (GA)'dır.Genetik algoritma (GA), biyolojik evrimi taklit eden doğal seleksiyon sürecine dayalı, hem kısıtlı hem de kısıtsız optimizasyon problemlerini çözmek için kullanılan esnek yapıda ve uyarlanabilir bir algoritmadır.GA'nın çıkış noktası doğa ve evrimdir. Evrimden ilham alan yapısı gereği, motto'su: "En güçlü olanın hayatta kalması"Bu kursta Genetik Algoritma (GA) konusunu detayları ile ele alıyoruz.Nedir?Nasıl çalışır?Hangi bileşenlerden oluşur?NüfusBirey/KromozomSeçim ve ebeveynlerEşleşme, çaprazlama ve yavrularMutasyonElitizmUygunluk FonksiyonuNesil/Jenerasyon yapısıNelere dikkat etmek gerekir?Ek olarak; Gezgin Satıcı Problemi (TSP) ve Karesel Atama Problemi (QAP) detaylı olarak ele alınıyor; TSPLIB ve QAPLIB kütüphanelerinde bulunan akademik örnekler ile Python'da Genetik Algoritma'yı kodlayarak bu problemleri çözmeye çalışıyoruz. Problem çıktılarını inceliyor, görselleştiriyor ve algoritmanın daha verimli çalışması için performans iyileştirmeleri yapıyoruz.Bu kursa katılan ideal öğrenci; Yöneylem Araştırması, Kombinatoryal Optimizasyon ve Python'da programlama konularında temel bilgi düzeyine sahip olmalıdır. Bu sizi korkutmasın, tüm konular mümkün olduğunca temel düzeyde ele alınacak şekilde bir içerik hazırlandı.Kursta görüşmek üzere!
