http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html نگاه علیرضا و فرانک مجیدی به دنیای آی‌تی، پزشکی و سینما Fri, 10 Feb 2012 04:45:10 +0000 hourly 1 http://wordpress.org/?v=3.1 http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16880 badahwazi Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16880 ممنون دکتر من امتحان کردم ولی سیستمم خیلی سنگین شد دلیل چیه؟ ممنون دکتر من امتحان کردم ولی سیستمم خیلی سنگین شد دلیل چیه؟

]]> http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16873 پت Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16873 یک نکته نچندان مهم، الگوریتم پیاده شده در این پست، یک gradient descent است. و به همین دلیل سرعت پایینی دارد. در صورتی که گاهی اوقات حالت های بد (حالت هابیی که شباهت کمتری دارند) را به عنوان حالت بعدی قبول کند می شود Monte Carlo . و اگر یک جمعت را نگه دارد می شود GP یک نکته نچندان مهم، الگوریتم پیاده شده در این پست، یک gradient descent است. و به همین دلیل سرعت پایینی دارد. در صورتی که گاهی اوقات حالت های بد (حالت هابیی که شباهت کمتری دارند) را به عنوان حالت بعدی قبول کند می شود Monte Carlo . و اگر یک جمعت را نگه دارد می شود GP

]]> http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16862 zee Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16862 why genetic algorithms is translated to Tavarosi? why genetic algorithms is translated to Tavarosi?

]]> http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16852 جام طلا Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16852 دیدن عملی اینکه الگوریتم ژنتیک کاملا بر مبنای نظریه تکامل برای مسائل بهینه سازی با استفاده از تنها دو جواب تصادفی جواب نهایی بسیار خوبی میدهد، برای من خیلی جالب بود. وقتی برای اولین بار بطور عملی میدیدم که در هر قدم، جواب حاصل به جواب بهینه نزدیک و نزدیکتر میشه. اون موقع من کاملا بطور تئوریک با منطقش آشنا بودم و کاملا منطقی بود اما دیدن کارکردش توی یک مساله بهینه سازی پیچیده واقعا زیبا بود. این الگوریتم ژنتیک خیلی ایده جالبی است. دیدن عملی اینکه الگوریتم ژنتیک کاملا بر مبنای نظریه تکامل برای مسائل بهینه سازی با استفاده از تنها دو جواب تصادفی جواب نهایی بسیار خوبی میدهد، برای من خیلی جالب بود. وقتی برای اولین بار بطور عملی میدیدم که در هر قدم، جواب حاصل به جواب بهینه نزدیک و نزدیکتر میشه. اون موقع من کاملا بطور تئوریک با منطقش آشنا بودم و کاملا منطقی بود اما دیدن کارکردش توی یک مساله بهینه سازی پیچیده واقعا زیبا بود. این الگوریتم ژنتیک خیلی ایده جالبی است.

]]> http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16847 علی مصلحی Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16847 این پست رو خوندم یاد یه بازی افتادم تو بچگی دکتر که اول می رفتیم بیرون بعد مثلا یه چیزی رو تغییر می دادن تو اتاق و ما می یومدیم تو و دنبالش می گشتیم! فکر کنم این نسل جدید بازی های اینطوری باشه یه حسی به بچگیم داد این پست ... این رو گفتم تا باهم شریک بشیم این پست رو خوندم یاد یه بازی افتادم تو بچگی دکتر که اول می رفتیم بیرون بعد مثلا یه چیزی رو تغییر می دادن تو اتاق و ما می یومدیم تو و دنبالش می گشتیم! فکر کنم این نسل جدید بازی های اینطوری باشه
یه حسی به بچگیم داد این پست … این رو گفتم تا باهم شریک بشیم

]]> http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16845 کمانگیر » Blog Archive » توضیحانه: رابینسون کروزوئه نقاش می شود Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16845 [...] این “توضیحانه” در مورد این پست دکتر مجیدی عزیز است: روند تدریجی تکامل را در یک عکس تجربه کنید. [...] [...] این “توضیحانه” در مورد این پست دکتر مجیدی عزیز است: روند تدریجی تکامل را در یک عکس تجربه کنید. [...]

]]> http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16844 M.K_Soft Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16844 سلام دکتر. مطلب جالبی بود. ممنون. تا جایی که من میدونم رسم تمامی تصاویر در کامپیوتر که به وسیله کارت گرافیک انجام میشه, از مثلث های کوچک و به تعداد بسیار بالا تشکیل شده و ما حاصل کار را به صورت یک شکل منسجم میبینیم. در ابتدا این کار به وسیله مربع انجام میشد ولی با درک این مسئله که با سه ضلعی ها تصاویر دقیق تر و شفاف تری در اختیار داریم, تمامی شتاب دهنده های گرافی به سمت استفاده از مثلث روی آوردند. در این تکنیک اشکال با کمترین شکست در لبه های تصویر, شکل شفاف و واضح و کاملا Smooth ای را ارائه میدهند. این آقا هم قطعا از همین موضوع استفاده کرده و به جای استفاده از میلیارد ها مثلث کوچک قصد داره با تعدادی از اون ها در محیط واقعی به نوعی شبیه سازی انجام بده. موفق باشید. www.thelightnights.wordpress.com سلام دکتر. مطلب جالبی بود. ممنون.
تا جایی که من میدونم رسم تمامی تصاویر در کامپیوتر که به وسیله کارت گرافیک انجام میشه, از مثلث های کوچک و به تعداد بسیار بالا تشکیل شده و ما حاصل کار را به صورت یک شکل منسجم میبینیم.
در ابتدا این کار به وسیله مربع انجام میشد ولی با درک این مسئله که با سه ضلعی ها تصاویر دقیق تر و شفاف تری در اختیار داریم, تمامی شتاب دهنده های گرافی به سمت استفاده از مثلث روی آوردند.
در این تکنیک اشکال با کمترین شکست در لبه های تصویر, شکل شفاف و واضح و کاملا Smooth ای را ارائه میدهند.
این آقا هم قطعا از همین موضوع استفاده کرده و به جای استفاده از میلیارد ها مثلث کوچک قصد داره با تعدادی از اون ها در محیط واقعی به نوعی شبیه سازی انجام بده.
موفق باشید.
http://www.thelightnights.wordpress.com

]]> http://1pezeshk.com/archives/2008/12/polygons-evolving-into-a-picture.html#comment-16843 سهیل Thu, 01 Jan 1970 00:00:00 +0000 http://1pezeshk.com/?p=2339#comment-16843 سلام. در الگوریتم ژنتیک، چند حالت اولیه در نظر می‌گیریم(که طبیعتاً هیچ‌کدام جواب نهایی نیستند.) برای مسئله تابعی تعریف می‌کنیم به نام تابع ارزیابی، که وظیفه‌اش محاسبه‌ی مقداری است،‌که از روی آن مقدار می‌شود نزدیکی و دوری حالت فعلی، با جواب نهایی را تعیین کرد. مقدار تابع ارزیابی را برای آن چند حالت اولیه محاسبه می‌کنیم و دورترین‌ها را حذف، و نزدیک‌ترین‌ها به جواب را دوبل و بلکه سوبل می‌کنیم! حالا،‌ حالت‌ها را دوتا دوتا دسته‌بندی می‌کنیم و به شکل تصادفی،‌ یک قسمت از یک حالت را، با قسمت مشابه حالت هم‌دسته‌ای‌اش جابه‌جا می‌کنیم. مثلاً اگر دو دنباله‌ی 8 رقمی داشته‌باشیم و به شکل تصادفی قرار شود که از رقم پنجم به بعد را جابه‌جا کنیم، پنج رقم اول دنباله‌ها را با هم عوض می‌کنیم. با احتمال کوچکی، هر کدام از این حالت‌های جدیداً به‌دست آمده، می‌توانند دچار جهش هم بشوند که منظور این است که بعضی از قسمت‌هایشان تغییر کند، درست مثل جهش ژنتیکی. دوباره تابع ارزیابی را محاسبه می‌کنیم و روز از نو، روزی از نو! سلام.
در الگوریتم ژنتیک، چند حالت اولیه در نظر می‌گیریم(که طبیعتاً هیچ‌کدام جواب نهایی نیستند.)
برای مسئله تابعی تعریف می‌کنیم به نام تابع ارزیابی، که وظیفه‌اش محاسبه‌ی مقداری است،‌که از روی آن مقدار می‌شود نزدیکی و دوری حالت فعلی، با جواب نهایی را تعیین کرد.
مقدار تابع ارزیابی را برای آن چند حالت اولیه محاسبه می‌کنیم و دورترین‌ها را حذف، و نزدیک‌ترین‌ها به جواب را دوبل و بلکه سوبل می‌کنیم! حالا،‌ حالت‌ها را دوتا دوتا دسته‌بندی می‌کنیم و به شکل تصادفی،‌ یک قسمت از یک حالت را، با قسمت مشابه حالت هم‌دسته‌ای‌اش جابه‌جا می‌کنیم. مثلاً اگر دو دنباله‌ی ۸ رقمی داشته‌باشیم و به شکل تصادفی قرار شود که از رقم پنجم به بعد را جابه‌جا کنیم، پنج رقم اول دنباله‌ها را با هم عوض می‌کنیم. با احتمال کوچکی، هر کدام از این حالت‌های جدیداً به‌دست آمده، می‌توانند دچار جهش هم بشوند که منظور این است که بعضی از قسمت‌هایشان تغییر کند، درست مثل جهش ژنتیکی.
دوباره تابع ارزیابی را محاسبه می‌کنیم و روز از نو، روزی از نو!

]]>