مقالات و تحقیق آماده
ارائه محصولات فایلی و دانلودی برای شما عزیزان
مقالات و تحقیق آماده
ارائه محصولات فایلی و دانلودی برای شما عزیزاندانلود کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با الگوریتم ژنتیک
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با الگوریتم ژنتیک
فرمت فایل دانلودی: .rarفرمت فایل اصلی: .m
حجم فایل: 1 کیلوبایت
قیمت: 22000 تومان
توضیحات:
کد متلب (Matlab) تعیین موقعیت گره های شبکه حسگر بیسیم با الگوریتم ژنتیک.
این کد پیاده سازی طراحی شبکه حسگر بیسیم بر اساس مصرف انرژی بهینه است. این فایل حاوی کد متلب یک ترکیب و استفاده بهینه از الگوریتم ژنتیک در شبکه های حسگر بیسیم است.
کد متلب (Matlab) تعیین موقعیت گره های شبکه حسگر بیسیم با الگوریتم ژنتیک.
این کد پیاده سازی طراحی شبکه حسگر بیسیم بر اساس مصرف انرژی بهینه است. این فایل حاوی کد متلب یک ترکیب و استفاده بهینه از الگوریتم ژنتیک در شبکه های حسگر بیسیم است.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود کد خرپا دو بعدی در متلب
کد خرپا دو بعدی در متلب
فرمت فایل دانلودی: .zipفرمت فایل اصلی: .m
حجم فایل: 313 کیلوبایت
قیمت: 42000 تومان
توضیحات:
کد نوشته شده خرپا دوبعدی در متلب (Matlab).
در این کد مقادیر اولیه مثل طول اعضا و تعداد اعضا و مفاصل و درجات آزادی و مدول الستسیته و نیروها و... به نرم افزار داده شده و کرنش ها و تنش ها خروجی کد می باشد.
کد نوشته شده خرپا دوبعدی در متلب (Matlab).
در این کد مقادیر اولیه مثل طول اعضا و تعداد اعضا و مفاصل و درجات آزادی و مدول الستسیته و نیروها و... به نرم افزار داده شده و کرنش ها و تنش ها خروجی کد می باشد.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP
فرمت فایل دانلودی: .rarفرمت فایل اصلی: m
حجم فایل: 3 کیلوبایت
قیمت: 35600 تومان
توضیحات:
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP (برنامه نویسی مبتنی بر بیان ژن).
این M فایل حاوی کد شبیه سازی متلب- محلی سازی نودها در شبکه WSN با استفاده از الگوریتم GEP می باشد.
در اسقرار دستی گره ها در یک شبکه حسگر بیسیم (manual Placement)، این امکان وجود دارد که موقعیت گره ها را طوری تنظیم کنیم که هر گره قادر به تعیین موقعیت خود در شبکه باشد. اما شرایطی پیش می آید ، که امکان چینش نظارت شده نودها وجود ندارد. بطور مشخص این محدودیت در مواردی بیشتر نمود پیدا میکند که:
1- پدیده هدف متحرک باشد و نیاز به ایجاد تغییرات سریع در معماری شبکه مطرح باشد. (ردگیری پرندگان مهاجر، ردیابی کلونی ماهیها در زیر آب ).
2- دسترسی به فضا یا منطقه مورد نظر مقدور نباشد (خاک دشمن هنگام وقوع جنگها، میادین مین، ، مناطق آلوده) ،
3- فاکتور محدودیت زمانی مطرح باشد
4- قابلیت سنسورها بعلت تفاوتهای سخت افزاری و نرم افزاری متفاوت، یا مستلزم محاسبات بسیار پیچیده باشد
5- ...
در چنین مواردی، از معماری چینش تصادفی (Random Placement) برای استقرار نودها استفاده میکنیم. مهمترین چالشی که در استقرار رندوم ممکن است بروز کند این است که تنها تعداد معدودی از سنسورها بتوانند موقعیتشان را شناسایی و اعلان کنند. در اصطلاح از این نودها با نام گره های لنگر شبکه(Anchor Nodes) یا گره فانوس دریایی (Beacon) یاد میشود.
برنامه نویسی مبتنی بر بیان ژن (Gene Expression Programming) یک الگوریتم یادگیری تکاملی برای ایجاد مدلهای بهبود یافته ی کامپیوتری است. این مدل ، ساختاری درختی دارد، که برای تعریف آن ، از "درخت بیان" (Expression tree) استفاده میکنیم. این ساختار درختی ، مشابه یک موجود زنده خودش را ، با تغییر اندازه ، تغییر شکل، و ترکیبهای مختلف ، تطبیق و آموزش میدهد.GEP هم گروه ، الگوریتم ژنتیک (GA) و برنامه نویسی ژنتیک(GP) است و وجوه تشابه زیادی با آنها دارد ولی از دیدگاه تخصصی الگوریتمهای تکاملی، با آنها تفاوتهای مشخص ساختاری و کاربردی دارد .بعبارت دیگر، GEP از قابلیتهای GA و GP بطور هدفمند و همزمان بهره میبرد. همانند سایر الگوریتمهای یادگیری، هدف از بکارگیری GEP استخراج روابط بین متغیرها در مجموعه ای از داده ها و سپس ایجاد مدل برای توضیح این روابط است.
مراحل کلی الگوریتم GEP برای ایجاد این مدل شامل این موارد است:
1-ایجاد جمعیت اولیه از راه حلهای کاندید
2- انتخاب و تولید مجدد جمعیتها در یک فرایند دوره ای(تکاملی)، با توجه به شاخص برازش
3- ایجاد تغییر و تنوع در جمعیتها، برای دستیابی به بهترین راه حل کاندید ، با استفاده از عملگرهای ژنتیک از قبیل جهش(mutation) و نوترکیبی(Recombination)..
یکی از بهترین عملکردهای الگوریتم GEP زمانی است که بدنبال رسیدن به مدلی بهینه در فضایی با متغیرهایی با تولید تصادفی هستیم.
در این شبیه سازی افراد (individuals) جمعیت اولیه را سنسورهای یک شبکه بیسیم با نودهای لنگر محدود و تصادفی ،در نظر گرفته ایم. با الگوریتم GEP فرایند یادگیری را به این جمعیت اعمال کرده ایم. بطوریکه همه نودها پس از فرایند آموزش و با واسطه قرار دادن نودهای لنگر قادر به تعیین و اعلام موقعیت خود نسبت به سایر گره ها در سراسر شبکه با باشند. پیاده سازی تنها در قالب یک mfile با 196 خط کدنویسی در نرم افزار متلب انجام شده . برنامه حافظه ی رم کمی را درگیر میکند لذا، زمان اجرایی آن نسبت به سایر الگوریتمهای تکاملی مشابه بسیار سریع تر است. سعی شده با تعریف ساختاری ساده و سلسله مراتبی ،این برنامه قابلیت تعمیم در مسایل و سناریوهای مشابه را دارا باشد. برای فهم بهتر مراحل، قطعه کدها را با عبارات ساده انگلیسی کامنت گذاری کرده ایم.
برای اجرا کافی است فایل برنامه با نام GEP_WSN.m را به Current folder متلب کپی کرده، با دابل کلیک باز کنید، سپاس با استفاده از آیکون Run در نوار ابزار متلب و یا با تایپ عبارت GEP_WSN در پنجره Command window و اینتر از صفحه کلید اجراکنید. نتایج گرافیکی در دو پنجره فیگور نمایش داده شده و نتایج محاسباتی در قالب ماتریس در پنجره Work space قابل مشاهده و ارزیابی خواهد بود.
برای مطالعات بیشتر ، مراجعه به لینکهای زیر پیشنهاد میشود:
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP (برنامه نویسی مبتنی بر بیان ژن).
این M فایل حاوی کد شبیه سازی متلب- محلی سازی نودها در شبکه WSN با استفاده از الگوریتم GEP می باشد.
در اسقرار دستی گره ها در یک شبکه حسگر بیسیم (manual Placement)، این امکان وجود دارد که موقعیت گره ها را طوری تنظیم کنیم که هر گره قادر به تعیین موقعیت خود در شبکه باشد. اما شرایطی پیش می آید ، که امکان چینش نظارت شده نودها وجود ندارد. بطور مشخص این محدودیت در مواردی بیشتر نمود پیدا میکند که:
1- پدیده هدف متحرک باشد و نیاز به ایجاد تغییرات سریع در معماری شبکه مطرح باشد. (ردگیری پرندگان مهاجر، ردیابی کلونی ماهیها در زیر آب ).
2- دسترسی به فضا یا منطقه مورد نظر مقدور نباشد (خاک دشمن هنگام وقوع جنگها، میادین مین، ، مناطق آلوده) ،
3- فاکتور محدودیت زمانی مطرح باشد
4- قابلیت سنسورها بعلت تفاوتهای سخت افزاری و نرم افزاری متفاوت، یا مستلزم محاسبات بسیار پیچیده باشد
5- ...
در چنین مواردی، از معماری چینش تصادفی (Random Placement) برای استقرار نودها استفاده میکنیم. مهمترین چالشی که در استقرار رندوم ممکن است بروز کند این است که تنها تعداد معدودی از سنسورها بتوانند موقعیتشان را شناسایی و اعلان کنند. در اصطلاح از این نودها با نام گره های لنگر شبکه(Anchor Nodes) یا گره فانوس دریایی (Beacon) یاد میشود.
برنامه نویسی مبتنی بر بیان ژن (Gene Expression Programming) یک الگوریتم یادگیری تکاملی برای ایجاد مدلهای بهبود یافته ی کامپیوتری است. این مدل ، ساختاری درختی دارد، که برای تعریف آن ، از "درخت بیان" (Expression tree) استفاده میکنیم. این ساختار درختی ، مشابه یک موجود زنده خودش را ، با تغییر اندازه ، تغییر شکل، و ترکیبهای مختلف ، تطبیق و آموزش میدهد.GEP هم گروه ، الگوریتم ژنتیک (GA) و برنامه نویسی ژنتیک(GP) است و وجوه تشابه زیادی با آنها دارد ولی از دیدگاه تخصصی الگوریتمهای تکاملی، با آنها تفاوتهای مشخص ساختاری و کاربردی دارد .بعبارت دیگر، GEP از قابلیتهای GA و GP بطور هدفمند و همزمان بهره میبرد. همانند سایر الگوریتمهای یادگیری، هدف از بکارگیری GEP استخراج روابط بین متغیرها در مجموعه ای از داده ها و سپس ایجاد مدل برای توضیح این روابط است.
مراحل کلی الگوریتم GEP برای ایجاد این مدل شامل این موارد است:
1-ایجاد جمعیت اولیه از راه حلهای کاندید
2- انتخاب و تولید مجدد جمعیتها در یک فرایند دوره ای(تکاملی)، با توجه به شاخص برازش
3- ایجاد تغییر و تنوع در جمعیتها، برای دستیابی به بهترین راه حل کاندید ، با استفاده از عملگرهای ژنتیک از قبیل جهش(mutation) و نوترکیبی(Recombination)..
یکی از بهترین عملکردهای الگوریتم GEP زمانی است که بدنبال رسیدن به مدلی بهینه در فضایی با متغیرهایی با تولید تصادفی هستیم.
در این شبیه سازی افراد (individuals) جمعیت اولیه را سنسورهای یک شبکه بیسیم با نودهای لنگر محدود و تصادفی ،در نظر گرفته ایم. با الگوریتم GEP فرایند یادگیری را به این جمعیت اعمال کرده ایم. بطوریکه همه نودها پس از فرایند آموزش و با واسطه قرار دادن نودهای لنگر قادر به تعیین و اعلام موقعیت خود نسبت به سایر گره ها در سراسر شبکه با باشند. پیاده سازی تنها در قالب یک mfile با 196 خط کدنویسی در نرم افزار متلب انجام شده . برنامه حافظه ی رم کمی را درگیر میکند لذا، زمان اجرایی آن نسبت به سایر الگوریتمهای تکاملی مشابه بسیار سریع تر است. سعی شده با تعریف ساختاری ساده و سلسله مراتبی ،این برنامه قابلیت تعمیم در مسایل و سناریوهای مشابه را دارا باشد. برای فهم بهتر مراحل، قطعه کدها را با عبارات ساده انگلیسی کامنت گذاری کرده ایم.
برای اجرا کافی است فایل برنامه با نام GEP_WSN.m را به Current folder متلب کپی کرده، با دابل کلیک باز کنید، سپاس با استفاده از آیکون Run در نوار ابزار متلب و یا با تایپ عبارت GEP_WSN در پنجره Command window و اینتر از صفحه کلید اجراکنید. نتایج گرافیکی در دو پنجره فیگور نمایش داده شده و نتایج محاسباتی در قالب ماتریس در پنجره Work space قابل مشاهده و ارزیابی خواهد بود.
برای مطالعات بیشتر ، مراجعه به لینکهای زیر پیشنهاد میشود:
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود کد متلب بهینه سازی پروتکل LEACH به روش چندجهشی در شبکه حسگر بیسیم
کد متلب بهینه سازی پروتکل LEACH به روش چندجهشی در شبکه حسگر بیسیم
فرمت فایل دانلودی: .rarفرمت فایل اصلی: .m
حجم فایل: 1 کیلوبایت
قیمت: 34000 تومان
یکی از مشکلاتی در ارتباطات شبکه های حسگر بیسیم (WSN) که با روشهای برقراری ارتباط مستقیم (Direct transmition) ، تک جهشی (Single-hop) و پروتکلهای آگاه از انرژی مانند LEACH طراحی شده اند بروز میکند، این است که گره سرخوشه نمیتواند برای تبادل و بروزرسانی اطلاعات بطور مستقیم با ایستگاه پایه ارتباط برقرار کند.در این برنامه با ایجاد تغییراتی در پروتکل LEACH و ترکیب آن با روش دستیابی چند جهشی با برقراری ارتباط و ایجاد گامهای کم هزینه بین سرخوشه ها ، روشی بهینه را برای رفع این محدودیت شبیه سازی کرده ایم.از مزایای این پیاده سازی میتوان به جدید بودن ایده، خلاصه بودن در قالب یک , mfile با 184 خط کدنویسی، استفاده از خروجی گرافیکی برای درک بهترو ایجاد سهولت در ارزیابی شاخصهای عملکرد (هزینه ,سرعت ، انرژی) اشاره کرد.
برای اجرا ، mfile برنامه را به پوشه جاری متلب (Current folder) کپی کرده، Run نمایید. نتایج گرافیکی بصورت مرحله، مرحله نمایش داده شده و قابل ارزیابی خواهد بود ، نتایج محاسباتی و مقادیرنهایی تخصیصی به پارامترهای سیستم بصورت ماتریس ذخیره شده و از طریق پنجره’ Workspace متلب ، قابل دستیابی و ارزیابی خواهد بود.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود کد متلب ارایه روشی بهبود یافته برای بهینه سازی، بر مبنای الگوریتم ازدحام ماهیهای مصنوعی (AFSA)
کد متلب ارایه روشی بهبود یافته برای بهینه سازی، بر مبنای الگوریتم ازدحام ماهیهای مصنوعی (AFSA)
فرمت فایل دانلودی: .rarفرمت فایل اصلی: .m
حجم فایل: 1 کیلوبایت
قیمت: 31500 تومان
توضیحات:
کد متلب ارایه روشی بهبود یافته برای بهینه سازی، بر مبنای الگوریتم ازدحام ماهیهای مصنوعی (AFSA).
این فایل حاوی کد برنامه متلب برای پیاده سازی یک الگوریتم جدید و بهبود یافته الگوریتم ازدحام ماهیهای مصنوعی با هدف بهبود مدل های شبکه عصبی و مقایسه آن با الگوریتم(PSO) می باشد.
الگوریتم ازدحام ماهی های مصنوعی (artificalt fish-swarm algrithm) الگوریتمی از نوع تکاملی ، ابتکاری و بر گرفته از تئوریهای هوش جمعی می باشد که از رفتار های اجتماعی کلونی های ماهی در طبیعت الهام گرفته است . الگوریتم AFSA یک تکنیک توسعه یافته از الگوریتم ژنیک است و تا حدودی ساختار و مفاهیم پایه ای مشابه مانند کروموزوم،ژن، جمعیت، تکامل ، جهش و...در هر دوی آنها موجود است. ازویژگی ها و مزایای نسبی تکنیک AFSA میتوان به انعطاف پذیری و تحمل پذیری خطای بالا، عدم حساسیت به مقادیر اولیه و سرعت همگرایی بالا اشاره کرد. الگوریتم ازدحام ماهی ها، بطور ویژه ، در کاربردهای بهینه سازی، مانند آموزش شبکه های عصبی پیشرو ، بهینه سازی ترکیبی و تخمین پارامترها استفاده می شود.
این محصول، کد برنامه متلب برای پیاده سازی یک الگوریتم جدید و بهبود یافته الگوریتم ازدحام ماهیهای مصنوعی است و هدف آن بهبود مدل های شبکه عصبی، در مقایسه با الگوریتم بهینه سازی ازدحام ذرات ((PSO میباشد .ابتدا دو الگوریتم PSO و AFSA با شخصات اصلی زیر تعریف شده:
* برای دستیابی به مقاسیه ای منصفانه ، تعداد جمعیتها (20) و دوره های تکرار(200) برای هر دو الگوریتم یکسان در نظر گرفته شده .
* برای تولید ذرات وتعیین سرعت اولیه در هر دو الگوریتم از روش مقداردهی تصادفی استفاده شده، که در است که برای انجام مراحل بهینه سازی، تابع نمونه (f (x بهمراه متغیرها یی با مقادیر آزمایشی بعنوان ورودیهای شبکه ، تعریف شده. تابع و مقادیر متغیرهای ورودی با توجه به سناریو قابل تغییر است.). در نهایت ، کدنویسی برای شبیه سازی هر دو الگوریتم انجام گرفته.
چون در اینگونه الگوریتمها ، مقداردهی برای تولید ذرات اولیه بصورت random صورت میپذیرد،در هر بار اجرا نتایج بدست آمده با توجه به تغییر مقادیر پارامترهای ورودی ، تغییر خواهد کرد. لذا ، برای بررسی عملکرد ، باید برنامه را دفعات مشخصی اجرا کنیم ، در نهایت با روش شمارش نتایج شاخص fitness و یا معدل گیری از نتایج ، عملکرد را بررسی کنیم. مسلما" هر چه تعداد دفعات اجرا بیشتر شود، نتیجه حاصل شده ،از دقت بالاتری برخوردار خواهد بود.
برای نمونه ، برنامه 100 مرحله متوالی اجرا شد و نتایج بدست آمده برای شاخص شایستگی بررسی شد. عملکرد الگوریتم ازدحام ماهی مصنوعی پیشنهادی ، به روش شمارش نتایج نهایی ، در 61 مورد از 100 مورد اجرا، بهتر از الگوریتم استاندارد بهینه سازی ازدحام ذرات (pso) بدست آمد. تلاش شده برنامه دارای ساختاری روان و انعطاف پذیر داشته و وابستگیها سلسله مراتبی تعریف شود تا توسعه ساده آن برای سناریوهای مختلف بهینه سازی ، خصوصا" ارتقای عملکرد انواع مدلهای شبکه های عصبی با اعمال کمترین تغییرات ،فراهم شود. کدهای اصلی دارای کامنت انگلیسی میباشد.
برای اجرای برنامه، پس از خارج کردن فایل فشرده دانلودی از حالت فشرده، پوشه حاوی کدهای برنامه که شامل سه mfile میباشد را به current folder نرم افزار متلب کپی کنید و فایل با نام main.m را Run نمایید. نتایج محاسباتی در command window و نتایج گرافیکی مقایسه دو الگوریتم pso و AFSA است بصورت منحنی در پنجره فیگور نمایش داده میشود.
کد متلب ارایه روشی بهبود یافته برای بهینه سازی، بر مبنای الگوریتم ازدحام ماهیهای مصنوعی (AFSA).
این فایل حاوی کد برنامه متلب برای پیاده سازی یک الگوریتم جدید و بهبود یافته الگوریتم ازدحام ماهیهای مصنوعی با هدف بهبود مدل های شبکه عصبی و مقایسه آن با الگوریتم(PSO) می باشد.
الگوریتم ازدحام ماهی های مصنوعی (artificalt fish-swarm algrithm) الگوریتمی از نوع تکاملی ، ابتکاری و بر گرفته از تئوریهای هوش جمعی می باشد که از رفتار های اجتماعی کلونی های ماهی در طبیعت الهام گرفته است . الگوریتم AFSA یک تکنیک توسعه یافته از الگوریتم ژنیک است و تا حدودی ساختار و مفاهیم پایه ای مشابه مانند کروموزوم،ژن، جمعیت، تکامل ، جهش و...در هر دوی آنها موجود است. ازویژگی ها و مزایای نسبی تکنیک AFSA میتوان به انعطاف پذیری و تحمل پذیری خطای بالا، عدم حساسیت به مقادیر اولیه و سرعت همگرایی بالا اشاره کرد. الگوریتم ازدحام ماهی ها، بطور ویژه ، در کاربردهای بهینه سازی، مانند آموزش شبکه های عصبی پیشرو ، بهینه سازی ترکیبی و تخمین پارامترها استفاده می شود.
این محصول، کد برنامه متلب برای پیاده سازی یک الگوریتم جدید و بهبود یافته الگوریتم ازدحام ماهیهای مصنوعی است و هدف آن بهبود مدل های شبکه عصبی، در مقایسه با الگوریتم بهینه سازی ازدحام ذرات ((PSO میباشد .ابتدا دو الگوریتم PSO و AFSA با شخصات اصلی زیر تعریف شده:
* برای دستیابی به مقاسیه ای منصفانه ، تعداد جمعیتها (20) و دوره های تکرار(200) برای هر دو الگوریتم یکسان در نظر گرفته شده .
* برای تولید ذرات وتعیین سرعت اولیه در هر دو الگوریتم از روش مقداردهی تصادفی استفاده شده، که در است که برای انجام مراحل بهینه سازی، تابع نمونه (f (x بهمراه متغیرها یی با مقادیر آزمایشی بعنوان ورودیهای شبکه ، تعریف شده. تابع و مقادیر متغیرهای ورودی با توجه به سناریو قابل تغییر است.). در نهایت ، کدنویسی برای شبیه سازی هر دو الگوریتم انجام گرفته.
چون در اینگونه الگوریتمها ، مقداردهی برای تولید ذرات اولیه بصورت random صورت میپذیرد،در هر بار اجرا نتایج بدست آمده با توجه به تغییر مقادیر پارامترهای ورودی ، تغییر خواهد کرد. لذا ، برای بررسی عملکرد ، باید برنامه را دفعات مشخصی اجرا کنیم ، در نهایت با روش شمارش نتایج شاخص fitness و یا معدل گیری از نتایج ، عملکرد را بررسی کنیم. مسلما" هر چه تعداد دفعات اجرا بیشتر شود، نتیجه حاصل شده ،از دقت بالاتری برخوردار خواهد بود.
برای نمونه ، برنامه 100 مرحله متوالی اجرا شد و نتایج بدست آمده برای شاخص شایستگی بررسی شد. عملکرد الگوریتم ازدحام ماهی مصنوعی پیشنهادی ، به روش شمارش نتایج نهایی ، در 61 مورد از 100 مورد اجرا، بهتر از الگوریتم استاندارد بهینه سازی ازدحام ذرات (pso) بدست آمد. تلاش شده برنامه دارای ساختاری روان و انعطاف پذیر داشته و وابستگیها سلسله مراتبی تعریف شود تا توسعه ساده آن برای سناریوهای مختلف بهینه سازی ، خصوصا" ارتقای عملکرد انواع مدلهای شبکه های عصبی با اعمال کمترین تغییرات ،فراهم شود. کدهای اصلی دارای کامنت انگلیسی میباشد.
برای اجرای برنامه، پس از خارج کردن فایل فشرده دانلودی از حالت فشرده، پوشه حاوی کدهای برنامه که شامل سه mfile میباشد را به current folder نرم افزار متلب کپی کنید و فایل با نام main.m را Run نمایید. نتایج محاسباتی در command window و نتایج گرافیکی مقایسه دو الگوریتم pso و AFSA است بصورت منحنی در پنجره فیگور نمایش داده میشود.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه