حل مسئله فروشنده دوره گرد با الگوریتم ژنتیک (GA) و کرم شب تاب (FA) با پایتون

حل مسئله فروشنده دوره گرد با الگوریتم ژنتیک و کرم شب تاب

در این بخش دانلود رایگان پروژه حل مسئله فروشنده دوره گرد با الگوریتم ژنتیک (GA) و کرم شب تاب (FA) را با پایتون آماده کردیم در ادامه به توضیحاتی در مورد مسائل NP کامل و مسئله فروشنده دوره گرد پرداخته و لینک دانلود رایگان این پروژه هوش مصنوعی با زبان Python قرار داده شده است.

مسئله NP کامل

امروزه بسیاری از مسائل بهینه سازی هستند که با استفاده از روش های دقیق قابل حل نمی باشند. به اینگونه مسائل، مسئله NP کامل گفته می شود. روش های بهینه یابی موجود برای حل مسائل NP کامل، شامل تعداد بسیاری از متغیر ها و محدودیت ها هستند که در عملکرد عملی آنها در حل مسائل با ابعاد واقعی تاثیر منفی دارد.

مسئله فروشنده دوره گرد (TSP)

یکی از مسائل NP کامل که در دنیای واقعی کاربرد های زیادی دارد، مسئله فروشنده دوره گرد (Travelling Salesman Problem – TSP) است که یکی از مهم ترین مسائل در تئوری گراف ها (Graph Theory) می باشد. بیشتر مسائلی که می توان آنها را با مسئله TSP مدل سازی کرد، مقیاس بسیار بزرگی دارند. به صورتی که الگوریتم های موجود توانایی حل آنها را در یک زمان قابل قبول ندارند. در حال حاضر بهترین و بهینه ترین روش برای حل اینگونه مسائل، بکارگیری الگوریتم های فرا ابتکاری یا الگوریتم های بهینه سازی (Optimization Algorithms) به عنوان ابزار جستجو است.

معرفی پروژه

در این پروژه هوش مصنوعی با الگوریتم های هوشمند، مسئله فروشنده دوره گرد (TSP) با استفاده از دو الگوریتم بهینه سازی شامل الگوریتم ژنتیک (Genetic Algorithm – GA) و کرم شب تاب (Firefly Algorithm – FA) با زبان پایتون حل شده که سورس کد آن به همراه یک پاورپوینت برای دانلود رایگان قرار داده شده است.

تصاویر خروجی پروژه