معرفی شرکت ها
GOBC-PA-1.2
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
A new unconstrained global optimization method based on clustering and parabolic approximation
| ویژگی | مقدار |
|---|---|
| سیستم عامل | OS Independent |
| نام فایل | GOBC-PA-1.2 |
| نام | GOBC-PA |
| نسخه کتابخانه | 1.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | - |
| ایمیل نویسنده | Ihsan Pence <ihsanpence@mehmetakif.edu.tr> |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/GOBC-PA/ |
| مجوز | - |
## Table of contents
* [General Info](#general-info)
* [Technologies](#technologies)
* [Setup](#setup)
* [How to use](#how-to-use)
* [Example](#Example)
* [Example 2](#Example2)
* [Cite](#Cite)
## General Info
GOBC-PA: A new unconstrained global optimization method based on clustering and parabolic approximation
(GOBC-PA) is proposed. Although the proposed method is basically similar to other
evolutionary and stochastic methods, it represents a significant advancement of global optimization
technology for four important reasons. First, it is orders of magnitude faster than existing optimization
methods for global optimization of unconstrained problems. Second, it has significantly better repeatability,
numerical stability, and robustness than current methods in dealing with high dimensionally
and many local minima functions. Third, it can easily and faster find the local minimums using the
parabolic approximation instead of gradient descent or crossover operations. Fourth, it can easily
adapted to any theoretical or industrial systems which are using the heuristic methods as an intelligent
system. In this study, we assume that the best cluster center gives the
position of the possible global optimum. The usage of clustering and curve fitting techniques brings
multi-start and local search properties to the proposed method. The experimental studies show that
the proposed methodology is simple, faster and, it demonstrates a superior performance
when compared with some state of the art methods.
Arguments: (input)
* func - objective function as text
* rang - range of search space
* target - target function value. That value used for measuring error.
* N - dimension number of objective function
* ite - Maximum iteration
* pop_size - population size
Arguments: (output)
* Best_point - Global minimum points
* Best_result - Global minimum value on global minimum points
* perf - errors list
* broken_epoch - epoch number of code break
* performance - best points and their objective value on each epoch
## Technologies
Project is created with:
* Python 3.7
## Setup
To run this project, install it locally using pip:
```
$ pip install GOBC-PA
```
## How to use
```
from GOBC_PA.GOBC_PA import GOBC_PA
Best_point, Best_result, perf, broken_epoch, performance = GOBC_PA(func,rang,target,N,ite,pop_size)
```
## Example
```
import numpy as np
from GOBC_PA.GOBC_PA import GOBC_PA
def func(x): Rastrigin function
y= x[0]**2+x[1]**2-np.cos(18*x[0])-np.cos(18*x[1])
return y
# min range values for each dimension are in the first row, max range values for each dimension are in the second row
rang = np.array([[-1,-1],[1, 1]])
target = -2
N,ite,pop_size = 2,1000,60
Best_point, Best_result, perf, broken_epoch, performance = GOBC_PA(func,rang,target,N,ite,pop_size)
```
## Example2
You can make an example like below to see how it sorts files in console output.
```
import numpy as np
from GOBC_PA.GOBC_PA import GOBC_PA
def func2(x): # Goldstein-Price's Function
y = (1 + ((x[0] + x[1] + 1) ** 2) * (
19 - 14 * x[0] + 3 * x[0] ** 2 - 14 * x[1] + 6 * x[0] * x[1] + 3 * x[1] ** 2)) * (
30 + ((2 * x[0] - 3 * x[1]) ** 2) * (
18 - 32 * x[0] + 12 * x[0] ** 2 + 48 * x[1] - 36 * x[0] * x[1] + 27 * x[1] ** 2))
return y
rang2 = np.array([[-2,-2],[2, 2]])
target2=3
N,ite,pop_size = 2,1000,60
Best_point, Best_result, perf, broken_epoch, performance = GOBC_PA(func2,rang2,target2,N,ite,pop_size)
```
## Cite
Pence, I., Cesmeli, M. S., Senel, F. A., & Cetisli, B. (2016). A new unconstrained global optimization method based on clustering and parabolic approximation. Expert Systems with Applications, 55, 493-507.
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl GOBC-PA-1.2:
pip install GOBC-PA-1.2.whl
نصب پکیج tar.gz GOBC-PA-1.2:
pip install GOBC-PA-1.2.tar.gz