پروژه حل پازل اعداد با استفاده از الگوریتم ژنتیک در متلب

حل پازل اعداد با استفاده از الگوریتم ژنتیک در متلب یا حل مسئله جورچین با استفاده از الگوریتم ژنتیک در متلب عنوان پروژه ای است که در این لحظه از مطلب دی ال برای دانلود قرار داده ایم.در ادامه توضیحات این پروژه آورده شده است.

پروژه حل مسئله جورچین با استفاده از الگوریتم ژنتیک در متلب

هدف از این پروژه حل مسئله جورچین با استفاده از الگوریتم ژنتیک در نرم افزار Matlab می باشد.

مسئله جورچین یا N-Puzzle

مسئله ما به N-Puzzle معروف است که شامل N عدد از 1 تا N می شود. این اعداد باید به ترتیب در یک حالت مربعی به صورت زیر قرار بگیرند. هر عدد فقط می تواند بصورت افقی و عمودی در چارچوب تعیین شده حرکت کند.

یا به عبارت دیگر در این مسئله جورچین یک صفحه 3*3 شامل اعداد 1 تا 8 که به صورت تصادفی چیده شده اند (همانند شکل سمت راست) به ما داده شده است و مسئله در صورتی حل شده در نظر گرفته می شود که اعداد 1 تا 8 به صورت مرتب در آن قرار گرفته باشند (شکل سمت چپ).

قوانین بازی:

• خانه ها تنها در صورتی می توانند جا به جا شوند که یکی از خانه ی اطراف آنها (چپ، راست، بالا و یا پایین) خالی باشد.
• خانه ها تنها در جهت خانه ی خالی می توانند حرکت کنند.
• تنها اعمال ممکن حرکت به چپ، راست، بالا و یا پایین می باشد.
• در هر حرکت فقط یک خانه را می توان جا به جا کرد.

در اینجا ما میخواهیم با الگوریتم ژنتیک که یک الگوریتم تکاملی بسیار پرکاربرد و معروف است مسئله جورچین یا پازل اعداد را حل نماییم. ورژن های کد بسیاری از پایتون گرفته تا زبان C در سایت های خارجی مختلفی موجود است. همچنین مقالات بسیاری در این زمینه به چاپ رسیده است که فقط بعضی ازآنها موفق شده اند این مساله را با الگوریتم ژنتیک بصورت کامل حل کند.

همچنین بخوانید: پروژه ترکیب الگوریتم کلونی مورچه ، الگوریتم ژنتیک و PSO برای حل مسئله TSP در متلب

الگوریتم ژنتیک

اصطلاحاتی برای پیاده سازی الگوریتم ژنتیک لازم است که در ادامه مشاهده می شود.

در این پروژه ما (پروژه حل پازل اعداد با استفاده از الگوریتم ژنتیک در متلب)، بهینه سازی توابع نمونه، هر ژن متناظر با یک متغیر x است. یک کروموزوم برابر یک دسته n تایی از جواب هاست و یک جمعیت (Population) مربوط به تعداد زیادی از کروموزوم هاست که در حقیقت یک مجموعه از جواب های مسئله است.

پیوند یا Crossover

مرحله ­ی Crossover یکی از اساسی ترین بخش های الگوریتم ژنتیک است که عملکرد آن بصورت زیر است:

در این مرحله، دو کروموزم در نقش والدین ظاهر می شوند و با لگوریتم های مختلف سبب تولید فرزندان می شود. بطور مثال، شکل بالا یک Single point crossover را نشان می دهد که بعد از عمل Crossover فرزاندن زیر(A5,A6) حاصل می شود:

جهش یا Mutation

مرحله ی Mutation یا جهش در الگوریتم ژنتیک سبب ایجاد ویژگی های جدید در نسل جدید می گردد که این کار با ایجاد جهش در ژن ها صورت می گیرد. همچنین از همگرایی نارس یا زودرس جلوگیری می کند. شکل زیر نحوه ایجاد جهش در یک کروموزوم را نشان می دهد که سه ژن بصورت تصادفی انتخاب و سپس در آن جهش صورت گرفته است:

شرط توقف یا Stop criteria

از آنجا که الگوریتم ژنتیک یک الگوریتم تکراری است، یک شرط توقف برای خاتمه ی الگوریتم مورد نیاز است. شرط توقف می تواند عواملی چون تعداد تکرارها یا رسیدن به همگرایی لازم باشد.

تابع هزینه

یکی از قسمت های مهم الگوریتم ژنتیک، تابع هزینه است که معیار انتخاب ژن ها و نسل های بعدی است.

همچنین بخوانید: خوشه بندی با ترکیب الگوریتم k-means و الگوریتم ژنتیک

تصاویری از نتیجه نهایی پروژه حل مسئله جورچین با استفاده از الگوریتم ژنتیک

نکته:
کد الگوریتم ژنتیک از سایت فرادرس اقتباس شده است. ولی توابع جهش، پیوند و هزینه و همچنین پیاده سازی مساله 8-پازل با ژنتیک در متلب کار کارشناس مطلب دی ال می باشد و با ایده ی کارشناس مطلب دی ال پیاده سازی شده است.

کارشناسان وب سایت MATLABDL قادر به انجام پروژه با موضوعات مشابه می باشند.

قیمت: ۱۲۰,۰۰۰ تومان

کد پروژه: 2021220003
توضیحات : پیاده سازی در نرم افزار متلب انجام شده است.
کلمات کلیدی: پروژه حل پازل اعداد با استفاده از الگوریتم ژنتیک در متلب,پروژه حل مسئله جورچین با استفاده از الگوریتم ژنتیک در متلب,نرم افزار متلب,الگوریتم ژنتیک,مسئله جورچین,پازل اعداد
منبع : مطلب دی ال