کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر(CAPP) در محیطهای صنعتی مختلف

کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر(CAPP) در محیطهای صنعتی مختلف

توجه :

شما می توانید با خرید این محصول فایل " قلق های پایان نامه نویسی (از عنوان تا دفاع)" را به عنوان هدیه دریافت نمایید.

چکیده

در یک محیط صنعتی توزیع شده، کارخانه های مختلف و دارای ماشین ها و ابزارهای گوناگون در مکان های جغرافیایی مختلف غالبا به منظور رسیدن به بالاترین کارایی تولید ترکیب می شوند. در زمان تولید قطعات و محصولات مختلف ، طرح های فرایند مورد قبول توسط کارخانه های موجود تولید می شود. این طرحها شامل نوع ماشین، تجهیز و ابزار برای هر فرآیند عملیاتی لازم برای تولید قطعه است. طرح های فرایند ممکن است به دلیل تفاوت محدودیت های منابع متفاوت باشند. بنابراین به دست آوردن طرح فرایند بهینه یا نزدیک به بهینه مهم به نظر می رسد. به عبارت دیگر تعیین اینکه هر محصول درکدام کارخانه و با کدام ماشین آلات و ابزار تولید گردد امری لازم و ضروری می باشد. به همین منظور می بایست از بین طرحهای مختلف طرحی را انتخاب کرد که در عین ممکن بودن هزینه تولید محصولات را نیز کمینه سازد. در این تحقیق یک الگوریتم ژنتیک معرفی می شود که بر طبق ضوابط از پیش تعیین شده مانند مینیمم سازی زمان فرایند می تواند به سرعت طرح فرایند بهینه را برای یک سیستم تولیدی واحد و همچنین یک سیستم تولیدی توزیع شده جستجو می کند. با استفاده از الگوریتم ژنتیک، برنامه ریزی فرآیند به کمک کامپیوتر (CAPP) می تواند براساس معیار در نظر گرفته شده طرح های فرایند بهینه یا نزدیک به بهینه ایجاد کند، بررسی های موردی به طور آشکار امکان عملی شدن و استحکام روش را نشان می دهند. این کار با استفاده از الگوریتم ژنتیک در CAPP هم در سیستمهای تولیدی توزیع شده و هم واحد صورت می گیرد. بررسی های موردی نشان می دهد که این روش شبیه یا بهتر از برنامه ریزی فرآیند به کمک کامپیوتر (CAPP) مرسوم تک کارخانه ای است

فهرست مطالب

عنوان	صفحه
مقدمه ..........................................................................................................................................................................	11
فصل یکم - معرفی برنامه ریزی فرآیند به کمک کامپیوتر(CAPP) و الگوریتم ژنتیک ..............................................	17
1-1- برنامه ریزی فرآیند به کمک کامپیوتر................................................................................................................	17
1-1-1- رویکرد بنیادی ..............................................................................................................................................	18
1-1-2- رویکرد متنوع ...............................................................................................................................................	18
1-2- الگوریتم ژنتیک.................................................................................................................................................	20
1-2-1-کلیات الگوریتم ژنتیک..................................................................................................................................	21
1-2-2-قسمت های مهم الگوریتم ژنتیک....................................................................................................................	23
1-2-2-1-تابع هدف و تابع برازش..............................................................................................................................	26
1-2-2-2- انتخاب......................................................................................................................................................	27
1-2-2-3- تقاطع.........................................................................................................................................................	28
1-2-2-4- جهش........................................................................................................................................................	32
فصل دوم- نمونه هایی از کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر.........................................	34
2-1-بهینه سازی مسیر فرآیند با استفاده از الگوریتم ژنتیک...........................................................................................	34
2-1-1- توصیف توالی فرآیند.....................................................................................................................................	34
2-1-2- استراتژی کد گزاری.....................................................................................................................................	37
2-1-3- تجزیه و تحلیل همگرایی................................................................................................................................	38
2-1-3-1-همگرایی نزدیک شونده..............................................................................................................................	38
2-1-3-2-همگرایی با در نظر گرفتن احتمال................................................................................................................	40
2-1-3-3-همگرایی GAها در توالی سازی فرایندهای پشت سر هم.............................................................................	40
2-1-3-4-تعریف یک قانون.......................................................................................................................................	41
2-1-4-اپراتورهای ژنتیک...........................................................................................................................................	41
2-1-4-1-اپراتور انتخاب............................................................................................................................................	41
2-1-4-2- اپراتور تغییر و انتقال...................................................................................................................................	42
2-1-4-3- اپراتور جهش............................................................................................................................................	44
2-1-5- برقراری تابع تناسب.......................................................................................................................................	44
2-1-5-1- آنالیز محدودیت ها..................................................................................................................................	44
2-1-5-2- برقراری تابع برازش...................................................................................................................................	45
2-1-6-مثال................................................................................................................................................................	47
2-1-6-1-مثالهایی برای کاربرد این روشها .................................................................................................................	47
2-1-6-2-تاثیر پارامترهای متغیر بر روند تحقیقات ......................................................................................................	49
2-1-7-نتیجه گیری...................................................................................................................................................	50
2-2-روشی برای برنامه ریزی مقدماتی ترکیبات دورانی شکل محور Cاستفاده از الگوریتم ژنتیک.........................	51
2-2-1-مقدمه.............................................................................................................................................................	51
2-2-2-مدول های سیستمCAPP پیشنهاد شده........................................................................................................	54
2-2-3-تجسم قطعه...................................................................................................................................................	56
2-2-4-تولید توالی های ممکن..................................................................................................................................	58
2-2-4-1-الزامات اولویت دار..................................................................................................................................	58
2-2-4-2- الزامات تلرانس هندسی.............................................................................................................................	59
2-2-4-3- رابطه ویژگی های اولویت دار....................................................................................................................	60
2-2-5 بهینه سازی با استفاده از الگوریتم ژنتیک GA..................................................................................................	64
2-2-5-1- تابع برازش...............................................................................................................................................	67
2-2-5-2- الگوریتم ژنتیک......................... .............................................................................................................	68
2-2-6- نتایج و بحث...............................................................................................................................................	71
2-2-7-نتیجه گیری...................................................................................................................................................	71
فصل سوم: الگوریتم پیشنهادی برای کاربرد الگوریتم ژنتیک در طراحی قطعه به کمک کامپیوتر در محیط صنعتی .....	73
3-1-مقدمه................................................................................................................................................................	73
3-2-الگوریتم ژنتیک................................................................................................................................................	74
3-2-1-سیستم های تولیدی توزیع شده........................................................................................................................	74
3-2-2-نمایش طرح های فرایند...................................................................................................................................	75
3-2-3-جمعیت اولیه..................................................................................................................................................	76
3-3-تولید مثل..........................................................................................................................................................	76
3-3-1-ادغام...........................................................................................................................................................	76
3-3-2-دگرگونی و جهش.......................................................................................................................................	77
3-4- ارزیابی کروموزوم ...........................................................................................................................................	80
3-4-1- مینیمم سازی زمان فرایند................................................................................................................................	80
3-4-2- مینیمم سازی هزینه های تولید.........................................................................................................................	80
3-5- مطالعات موردی...............................................................................................................................................	81
3-5-1- CAPPسنتی................................................................................................................................................	81
3-5-2- CAPP توزیع شده.......................................................................................................................................	85
3-6- ارزیابی..............................................................................................................................................................	88
3-6-1- معیار اول.......................................................................................................................................................	88
3-6-2- معیار دوم.......................................................................................................................................................	89
فصل چهارم -نتیجه گیری....................................................................................................................................	90

خرید فایل

کنترل اتوماتیک فشارخون با استفاده از کنترلر PID و تنظیم پارامترهای آن توسط الگوریتم ژنتیک

کنترل اتوماتیک فشارخون با استفاده از کنترلر PID و تنظیم پارامترهای آن توسط الگوریتم ژنتیک

فشارخون بالا زمانی ایجاد می شود که فشارخون در دیواره رگ ها بیش از حد معمول بالا رود که این وضعیت بسیار خطرناک است چون گاهی اوقات تاْثیرات مخرب آن در مرور زمان افزایش می یابد ، پس ثابت نگه داشتن سطح فشارخون در حالت نرمال حائز اهمیت است . کنترل PID به دلیل سادگی و مقاوم بودن آن تا کنون در کنترل بسیاری از پروسه های صنعتی مورد استفاده قرار گرفته است. معمولا در کاربردهای صنعتی، پارامترهای کنترلر PID به صورت دستی و با سعی و خطا تنظیم می شود. تنظیم پارامترهای کنترلر به صورت دستی، کارایی آن را به ویژه در شرایطی که زمان اهمیت دارد و نیز در مواردی که پارامترهای پلانت از قبل مشخص نباشد، کاهش می دهد. لذا در سالهای اخیر کار تحقیقاتی زیادی در زمینه تنظیم اتوماتیک پارامترهای کنترلر PID انجام گرفته و از بسیاری از تکنیک های هوشمند مانند الگوریتم های ژنتیک، بهینه سازی انبوه ذرات و ... برای تنظیم پارامترهای این کنترلر استفاده شده است.

در این پایان نامه، از الگوریتم ژنتیک جهت تنظیم پارامترهای کنترلر PID استفاده شده است. تنظیم اتوماتیک پارامترهای کنترلر توسط الگوریتم ژنتیک، دقت و سرعت کنترلر را به طرز قابل توجهی بهبود بخشیده و انعطاف کنترلر را برای برخورد با سیستمهای مختلف افزایش می دهد. کنترلر PID-GA پیشنهادی ، جهت تنظیم نرخ تزریق دارو به منظور کنترل فشار خون بیمار مورد استفاده قرار گرفته است. نتایج شبیه سازی ها نشان می دهد که این کنترلر با دقت و سرعت مناسب، سطح فشار خون بیمار را به حالت نرمال برمی گرداند و تغییر پارامترهای بیمار نیز در کارایی کنترلر تاثیری نخواهد داشت.

واژه های کلیدی : تنظیم اتوماتیک فشارخون ، کنترلر PID ، الگوریتم ژنتیک ، تنظیم پارامترهای کنترلر PID با الگوریتم ژنتیک

فهرست مطالب:

فصل اول مقدمه 1

فصل دوم بیماری فشارخون و روش های درمان پزشکی 4

2-1 مقدمه 4

2-2 تعریف فشار خون 6

2-3 انواع فشار خون 7

2-3-1 علائم 7

2-3-2 تشخیص 8

2-3-3 درمان 8

2-4 افزایش فشار خون 11

2-4-1 شکل فشار خون بدخیم یا تشدید شده 12

2-5 عوارض ناشی از فشار خون بالا

2-5-1 نارسایی قلبی 12

2-5-2 نارسایی کلیه 13

2-5-3 ضعف بینایی 13

2-5-4 سکته مغزی 13

2-5-5 حمله گذرای ایسکمی 14

2-5-6 فراموشی 14

2-5-7 بیماری عروق قلبی 14

2-5-8 سکته (حمله) قلبی 15

2-5-9 بیماری عروق محیطی 15

2-6 شیوه های درمان فشار خون بالا 15

2-7 برخی داروهای پایین آورنده فشار خون 16

فصل سوم استفاده از الگوریتم ژنتیک در تنظیم پارامترهایکنترلر PID 17

3-1 مقدمه 17

3-2 کنترلر PID 18

3-2-1 مقدمه 18

3-2-2 اجزای کنترلر 19

3-2-3 PID پیوسته 20

3-2-4 بهینه سازی کنترلر 20

3-2-5 مشخصات کنترلر های تناسبی-مشتق گیر-انتگرالگیر 21

3-2-6 مثالی از تنظیم پارامترهای کنترلر PID 22

3-2-6-1 کنترل تناسبی 23

3-2-6-2 کنترل تناسبی – مشتق گیر 24

3-2-6-3 کنترل تناسبی – انتگرالی 25

3-2-6-4 اعمال کنترلر PID 26

3-3 الگوریتم ژنتیک 27

3-3-1 مقدمه 27

3-3-2 تاریخچه الگوریتم ژنتیک 28

3-3-3 زمینه های بیولوژیکی 29

3-3-4 فضای جستجو 30

3-3-5 مفاهیم اولیه در الگوریتم ژنتیک 31

3-3-5-1 اصول پایه 31

3-3-5-2 شمای کلی الگوریتم ژنتیک 31

3-3-5-3 کد کردن 32

3-3-5-4 کروموزوم 32

3-3-5-5 جمعیت 33

3-3-5-6 مقدار برازندگی 33

3-3-5-7 عملگر برش 34

3-3-5-8 عملگر جهش 36

3-3-6 مراحل اجرای الگوریتم ژنتیک 38

3-3-7 همگرایی الگوریتم ژنتیک 43

3-3-8 شاخص های عملکرد 44

3-3-8-1 معیارITAE 44

3-3-8-2 معیار IAE 44

3-3-8-3 معیار ISE 44

3-3-8-4 معیار MSE 45

3-4 تنظیم پارامترهای کنترلر PID با استفاده از الگوریتم ژنتیک 45

3-4-1 تاریخچه 46

3-4-2 نحوه تنظیم پارامترهای کنترلر PID با استفاده از الگوریتم ژنتیک 46

3-5 مدل سازی ریاضی سیستم تنظیم فشار خون 47

3-5-1 مقدمه 47

3-5-2 مدل های دینامیکی توسعه داده شده 48

3-5-2-1 مدل اول 48

3-5-2-2 مدل دوم 49

3-5-2-3 مدل سوم 50

3-5-2-4 مدل چهارم 52

3-6 پیاده سازی سیستم تحویل دارو برای تنضیم فشارخون 53

فصل چهارم الگوریتمهای هم تکاملیهم کارانه 55

4-1 مقدمه 55

4-1-1 مفهوم هم تکاملی در طبیعت 55

4-1-2 الگوریتم های هم تکاملی ( CEAs) 56

4-2 تاریخچه 57

4-3 چرا از الگوریتمهای هم تکاملی استفاده می کنیم؟ 58

4-3-1 فضای جستجوی بزرگ یا نامحدود 59

4-3-2 عدم وجود یا مشکل بودن بیان ریاضی معیار مطلق برای ارزیابی افراد 60

4-3-3 ساختارهای پیچیده و یا خاص 61

4-4 معایب هم تکاملی 62

4-5 طبقه بندی الگوریتم های هم تکاملی 64

4-5-1 ارزیابی 64

4-5-1-1 کیفیت و چگونگی Payoff 66

4-5-1-2 روش های اختصاص برازندگی 66

4-5-1-3 روش های تعامل بین افراد 67

4-5-1-4 تنظیم زمان به هنگام سازی 68

4-5-2 نحوه نمایش 69

4-5-2-1 تجزیه مسأله به اجزای کوچکتر 69

4-5-2-2 توپولوژی فضایی 69

4-5-2-3 ساختار جمعیت 69

4-6 چهارچوب کلی الگوریتم هم تکاملی همکارانه 70

4-7 مقاوم بودن در الگوریتم های هم تکاملی هم کارانه 70

4-8 تئوری بازیهاوتحلیل الگوریتم هم تکاملی براساس مفاهیم تئوری بازی تکاملی72

4-9 زمینه های کاربرد الگوریتم های هم تکاملی 75

فصل پنجم شبیه سازی ها و نتایج 78

5-1 مقدمه 78

5-2 کنترل بهینه فشارخون حین عمل جراحی توسط الگوریتم ژنتیک 78

5-2-1 شبیه سازی سیستم کنترل اتوماتیک فشارخون باکنترلر PID والگوریتم ژنتیک 79

5-2-1-1 انتخاب مدل ریاضی 79

5-2-1-2 انتخاب کنترلر 80

5-2-1-3 انتخاب تابع برازندگی برای الگوریتم ژنتیک 81

5-2-1-4 اعمال کنترلر و عمل کردن الگوریتم ژنتیک 82

5-2-2 نتایج شبیه سازی 84

5-2-3 پاسخ های حاصل از اجرای برنامه شبیه سازی شده 85

فصل ششم نتیجه گیری و پیشنهادات 88

6-1 نتیجه گیری 88

6-2 پیشنهادات 89

مراجع 90

فهرست شکل ها

شکل 3-1 شمای کلی کنترلر PID 19

شکل 3-2 مثالی از تنظیم پارامترهای کنترلر PID 22

شکل 3-3 پاسخ پله سیستم حلقه باز 23

شکل 3-4 پاسخ پله واحد سیستم حلقه بسته با کنترلر تناسبی 24

شکل 3-5 پاسخ پله واحد سیستم حلقه بسته با کنترلر PD 24

شکل 3-6 پاسخ پله واحد سیستم حلقه بسته با کنترلر PI 25

شکل 3-7 پاسخ پله واحد سیستم حلقه بسته با کنترلر PID 26

شکل 3-8 : تبدیل فنوتیپ ها به ژنوتیپ ها وبالعکس 29

شکل 3-9 نمونه ای از فضای جواب 30

شکل 3-10 نمایش یک کروموزوم n بیتی در پایه عددی m 33

شکل 3-11 عمل برش تک نقطه ای 35

شکل 3-12 : عمل برش چند نقطه ای 35

شکل 3-13 عمل برش یکنواخت 36

شکل 3-14 عمل جهش 37

شکل 3-15 مراحل اجرای الگوریتم ژنتیک 39

شکل 3-16 مدل چرخ رولت 40

شکل 3-17 بلوک دیاگرام سیستم کنترل با کنترلر 53

شکل 4-1 سلسله مراتب طبقه بندی ویژگی های یک الگوریتم هم تکاملی 65

شکل4-2 الگوریتم هم تکاملی هم کارانه ترتیبی خلاصه شده 71

شکل 4-3 ماتریس امتیازدهی 74

شکل 5-1 شمای کلی سیستم 79

شکل 5-2 فلوچارت سیستم کنترل فشارخون 83

شکل 5-3 شبیه سازی کنترلر PID 84

شکل 5-4 شبیه سازی سیستم کنترل فشارخون 84

شکل 5-5 مقدار برازندگی ها در هر نسل 86

شکل 5-6 ضرایب کنترلرPID 86

شکل 5-7 خروجی سیستم در حالتی که فشار از حالت مطلوب بیشتر است 87

شکل 5-8 خروجی سیستم در حالتی که فشار از حد مطلوب کمتر است 87

فهرست جداول

جدول 3-1 اثرات کنترلرهای ، ، 21

جدول 3-2 نمونه ای از عمل جهش 37

جدول 3-3 انتخاب کروموزوم ها با استفاده از مدل چرخ رولت 41

جدول 3-4 محدوده پارامترهای مدل دینامیکی سیستم فشارخون 51

جدول 3-5 مقادیر تعیین شده برای پارامترهای مدل 52

جدول 3-6 مقادیر پارامترهای فرمول رابطه بین تغییرات فشارخون و سرعت تزریق دارو53

جدول 5-1 انتخاب عدد مناسب برای پارامترهای مدل فشارخون 80

خرید فایل

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .
- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
مسئله اصلی که هنوز باید حل شود آموزش است .
حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .
در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .
آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .
دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .
اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .
بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .
اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .
برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .
این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .
با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .
همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .
- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
مسئله اصلی که هنوز باید حل شود آموزش است .
حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .
در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .
آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .
دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .
اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .
بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .
اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .
برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .
این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .
با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .
همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

خرید فایل

الگوریتم های هیوریستیک ها

الگوریتم های هیوریستیک ها

1-مقدمه
سیستم‌های پیچیده اجتماعی تعداد زیادی از مسائل دارای طبیعت ترکیباتی1 را پیش روی ما قرار می‌دهند. مسیر کامیونهای حمل و نقل باید تعیین شود، انبارها یا نقاط فروش محصولات باید جایابی شوند، شبکه‌های ارتباطی باید طراحی شوند، کانتینرها باید بارگیری شوند، رابط‌های رادیویی می‌بایست دارای فرکانس مناسب باشند، مواد اولیه چوب، فلز، شیشه و چرم باید به اندازه‌های لازم بریده شوند؛ از این دست مسائل بی‌شمارند. تئوری پیچیدگی به ما می گوید که مسائل ترکیباتی اغلب پلی‌نومیال2 نیستند. این مسائل در اندازه‌های کاربردی و عملی خود به قدری بزرگ هستند که نمی‌توان جواب بهینه آنها را در مدت زمان قابل پذیرش به دست آورد. با این وجود، این مسائل باید حل شوند و بنابراین چاره‌ای نیست که به جوابهای زیر بهینه3 بسنده نمود به گونه‌ای که دارای کیفیت قابل پذیرش بوده و در مدت زمان قابل پذیرش به دست آیند.
چندین رویکرد برای طراحی جوابهای با کیفیت قابل پذیرش تحت محدودیت زمانی قابل پذیرش پیشنهاد شده است. الگوریتم‌هایی هستند که می‌توانند یافتن جوابهای خوب در فاصله مشخصی از جواب بهینه را تضمین کنند که به آنها الگوریتم‌های تقریبی می‌گویند. الگوریتم‌های دیگری هستند که تضمین می‌دهند با احتمال بالا جواب نزدیک بهینه تولید کنند که به آنها الگوریتم‌های احتمالی گفته می‌شود. جدای از این دو دسته، می‌توان الگوریتم‌هایی را پذیرفت که هیچ تضمینی در ارائه جواب ندارند اما بر اساس شواهد و سوابق نتایج آنها، به طور متوسط بهترین تقابل کیفیت و زمان حل برای مسئله مورد بررسی را به همراه داشته‌اند. به این الگوریتم‌ها، الگوریتم‌های هیوریستیک گفته می‌شود.

خرید فایل

مقاله الگوریتم های ژنتیک

مقاله الگوریتم های ژنتیک

چکیده موضوع ………………………………………………………………………

مقدمه……………………………………………………

الگوریتم ژنتیک چیست؟…………………………………… ……………………………………

ایده اصلی …………………………………………………………………………………

الگوریتم ژنتیک ……………………………………………………………………….

سود و کد الگوریتم………………………………………………………..

روش های نمایش ………………………………………………………….

روش های انتخاب ………………………………………………………..

روش های تغییر ……………………………………………………………..

نقاط قوت الگوریتم های ژنتیک... ……………………………………

نقاط ضعف الگوریتم های ژنتیک. ……………………………………

نمونه هایی از کاربردهای الگوریتم های ژنتیک در دنیای امروز……………………………………..

یک مثال ساده با

خرید فایل

بررسی ایمن ترین مسیر از منظر نرخ تصادفات با نگاهی به الگوریتم های مسیریابی

مقدمه:
در اعصار اخیر با تکامل جوامع انسانی، تغییراتی در تمامی جنبه‌های زندگی انسان‌ها ایجاد شده است که انسان چاره‌ای جز اینکه خود را با این تغییرات منطبق کند ندارد.
امروز تفکر انسان‌ها در مورد حمل و نقل و وسائل نقلیه تغییر کرده است. امروزه در اکثر کشورها معضلات آلودگی‌های محیط و هوا و از بین رفتن زیبایی‌ها و ایجاد سروصدا و نظایر اینها اولین مسائلی هستند که در مورد سیستم‌های حمل و نقل جلب توجه می‌کند و صد البته درصد ایت آثار سوء روز به روز حتی می‌توان گفت لحظه به لحظه در حال افزایش است.
در کنار این آثار زیست محیطی، با افزایش تعداد وسائل نقلیه شخصی و یا عمومی و در کنار آن افزایش حجم ترافیک و درنتیجه بوجود آمدن مشکلات کنترل و ساماندهی وسائل نقلیه و کمبودها و نقایص راههای ارتباطی باعث ایجاد ناراحتی‌ها و رنجش‌های روانی در افراد می‌گردد.
قرارگیری این عوامل در کنار هم باعث بوجود آمدن تصادفات با روند صعودی می‌گردد، که هزینه‌‌های گزاف اجتماعی و اقتصادی را بهمراه دارد.
اهمیت این موضوع برای کشورهای در حال توسعه از جمله ایران بیشتر است چرا که آمار تصادفات و درنتیجه خسارات (جانی و مالی) ناشی از آن در این کشورها نسبت به کشورهای توسعه یافته بیشتر است. هرچند که در کشورهای توسعه یافته نیز این آمار کم نیست. جهت بهبود ایمنی راهها باید اقدام به شناخت عوامل بوجود آورندة تصادفات و تصحیح آنها نمود. اما مسلماً رسیدن به این مرحله یعنی تصحیح عوامل بوجود آورندة حوادث کار ساده و آسانی نیست که به سرعت نتیجه دهد و نیازمند تحصیات وسیع و گسترده و همچنین هزینه‌های اقتصادی و زمانی بالا می‌باشد.
با توجه به اهمیت موضوع ایمنی راهها از منظر دارا بودن کمترین میزان تصادفات در این پژوهش عوامل مؤثر در ایجاد تصادفات و تأثیر آنها بر ایمنی راه‌ها و همچنین خلاصه‌ای از روش‌های آماری مورد استفاده در شناسایی مکان‌های حادثه نیز مورد بررسی قرار گرفته، و ارائه گردیده است؛ همچنین در انتها الگوریتم‌های مربوط به یافتن ایمن‌ترین مسیر از جهت دارا بودن کمترین میزان تصادفات با در ظنر گرفتن چند عامل از مجموعه عوامل ایجاد تصادفات ارائه شده تا در جهت انجام نمونة عملی مورد استفاده قرار گیرد.

فهرست مطالب:

مقدمه..................4
· بخش اول
-طرح مسئله...............7
-اهمیت موضوع............8
· بخش دوم:تصادفات
-فصل اول:عامل انسانی.........30
-فصل دوم:عامل راه.....40
· تقاطع‌های چراغ‌دار............63
· انحراف از راه..........101
-فصل سوم :عامل وسیله نقلیه و محیط..... 115
-فصل چهارم:مقایسه عوامل تصادف.......122
· بخش سوم:مسیر ایمن
-فصل اول:شناسایی مکان‌های حادثه‌خیز....136
-فصل دوم:پارامترهی موثر در ترافیک........ 144
فصل سوم:الگوریتم‌های مسیر‌یابی.......151
· نتایج و پیشنهادات......... 166
· منابع و مؤاخذ...............168

خرید فایل

ادغام روش‌های بهینه سازی ازدحام ذرات و الگوریتم ژنتیک برای خوشه بندی پویا

چکیده اگرچه الگوریتمهای مربوط به آنالیز خوشه‌بندی دائما در حال پیشرفتند، ولی اکثر الگوریتمهای خوشه بندی همچنان نیاز به تعیین تعداد خوشه ها دارند. از این جهت، هدف مطالعه حاضر برای ارائه یک روش خوشه بندی دینامیک جدید بر پایه بهینه سازی ازدحام ذرات (PSO و الگوریتم ژنتیک (GA(DCPG) می‌باشد. الگوریتم DCPG پیشنهادی ما ،میتواند به طورخودکار داده‌های خوشه بندی را با آزمایش داده ها و بدون تعین قبلی تعداد خوشه ها، انجام دهد. نتایج محاسباتی برای 4 جفت مجموعه داده های دودویی مشخص کرد که الگوریتم DCPG دارای صحت و ثبات بهتری نسبت به سایر روشهای خوشه بندی بر پایه دودویی pso(dcpso) و روش خوشه بندی باینری بر پایه GA(DCGA) هستند. علاوه بر این الگوریتم DCPG برای خوشه بندی قبوض در شرکت (BOM) در تایوان مورد استفاده قرار گرفته است. نتایج خوشخ‌بندی میتواند برای دسته ّندی محصول ...

الگوریتم عیب یابی گیربکس های اتوماتیک

شرح مختصر: با پیچیده تر شدن سیستم های اتومبیل نیاز به یکپارچه سازی تحقیقات علمی و نرم افزارهای مهندسی رو به افزایش است. به عنوان ابزار شبیه سازی می توان از نرم افزارهای مختلف برای مدل سازی فرایند سیستم های مختلف خودرو نظیر سیستم گیربکس اتوماتیک استفاده نمود. برای عیب یابی سیستم گیربکس اتوماتیک نیز یک سری الگوریتم تعریف شده است. در این مقاله در فصل 1 مطالب مقدماتی در زمینه گیربکسهای اتوماتیک ارائه می شود. سپس در فصل 2 به بررسی عیوب گیربکس های اتوماتیک و کدهای عیوب آن می پردازیم. در پایان نیز الگوریتم و پروسه عیب یابی گیربکس اتوماتیک و متعلقات آن را مورد بررسی و پژوهش قرار می دهیم.

فهرست مطالب

1- مقدمه:4

1-1- گیربکس اتوماتیک.... 4

1-2- مزایای سیستم.. 6

1-3- اجزاء و قطعات سیستم گیربکس اتوماتیک هوشمند. 7

2- عیوب گیربکسهای اتوماتیک.... 8

2-1- کدهای مربوط به عیوب مختلف گیربکس.... 8

3- الگوریتم عیب یابی گیربکس اتوماتیک ZF 4HP20.. 11

3-1- پروسه عیب یابی.. 11

3-1-1- بررسی های اولیه. 12

3-1-2- عیب یابی سریع.. 13

3-1-3- نشتی روغن گیربکس اتوماتیک.... 14

3-2- تجهیزات عیب یابی گیربکس اتوماتیک.... 16

3-3- الگوریتم های عیب یابی.. 19

3-3-1- لیست عیوب احتمالی گیربکس اتوماتیک.... 19

3-3-2- سیگنال سرعت موتور20

3-3-3- سرعت ورودی گیربکس اتوماتیک.... 21

3-3-4- سرعت خروجی گیربکس اتوماتیک.... 22

3-3-5- سوئیچ چند کاره22

نتیجه گیری:23

مراجع 24

خرید فایل

الگوریتم رقابت استعماری(استراتژی بهینه سازی مبتنی بر تکامل اجتماعی سیاسی)

شرح مختصر:

الگوریتم های بهینه‌سازی الهام گرفته از طبیعت به عنوان روشهای هوشمند بهینه‌سازی در کنار روش‌های کلاسیک موفقیت قابل ملاحظه‌ای از خود نشان داده‌اند. از جمله این روش‌ها می‌توان به الگوریتم‌های ژنتیک[1] (الهام گرفته از تکامل بیولوژیکی انسان و سایر موجودات)، بهینه‌سازی کلونی مورچه‌ها[2] (بر مبنای حرکت بهینه مورچه‌ها) و روش بازپخت شبیه‌سازی شده[3] (با الهام‌گیری از فرایند تبرید فلزات) اشاره نمود. این روش‌ها در حل بسیاری از مسائل بهینه‌سازی در حوزه‌های مختلفی چون تعیین مسیر بهینه عامل‌های خودکار، طراحی بهینه کنترل کننده برای پروسه های صنعتی، حل مسائل عمده مهندسی صنایع همانند طراحی چیدمان بهینه برای واحدهای صنعتی، حل مسائل صف و نیز در طراحی عامل‌های هوشمند استفاده شده‌اند.

الگوریتم‌های بهینه‌سازی معرفی شده، به طور عمده الهام گرفته از فرایند‌های طبیعی می‌باشند و در ارائه این الگوریتم‌ها به سایر نمودهای تکامل انسانی توجهی نشده است. در این نوشتار الگوریتم جدیدی برای بهینه‌سازی مطرح می‌‌شود که نه از یک پدیده طبیعی، بلکه از یک پدیده اجتماعی – انسانی الهام گرفته است. بطور ویژه این الگوریتم به فرایند استعمار، به عنوان مرحله‌ای از تکامل اجتماعی – سیاسی بشر نگریسته و با مدل‌سازی ریاضی این پدیده تاریخی، از آن به عنوان منشأ الهام یک الگوریتم قدرتمند در زمینه بهینه‌سازی بهره می‌گیرد. در مدت کوتاهی که از معرفی این الگوریتم می‌گذرد، از آن برای حل مسائل بسیاری در حوزه بهینه‌سازی استفاده شده است. طراحی چیدمان بهینه برای واحد‌های صنعتی، آنتن‌های مخابراتی هوشمند، سیستم‌های پیشنهاددهنده هوشمند و نیز طراحی کنترل کننده بهینه برای سیستم‌های صنعتی شیمیایی تعدادی معدود از کاربردهای گسترده این الگوریتم در حل مسائل بهینه‌سازی می‌باشد.

فهرست مطالب

1 مقدمه......................................................................... 1-2

1-1 هدف و اهمیت مسئله:...................................... 1-2

1-2 الگوریتم توسعه داده شده:...................... 1-3

1-3 مزایای الگوریتم توسعه داده شده:.. 1-5

1-4 ساختار پایان‌نامه............................................ 1-6

2بهینه‌سازی و روشهای موجود........................................ 2-3

3 استراتژی بهینه‌سازی مبتنی بر تکامل اجتماعی‌ـ‌سیاسی 3-5

3-1 مقدمه........................................................................... 3-5

3-2 مروری تاریخی بر پدیده استعمار........ 3-6

3-2-1 هند......................................................................... 3-8

3-2-2 مالزی................................................................... 3-9

3-2-3 هند و چین فرانسه.......................................... 3-9

3-2-4 هند شرقی (اندونزی)............................. 3-10

3-3 الگوریتم پیشنهادی....................................... 3-11

3-3-1 شکل دهی امپراطوری‌های اولیه...... 3-13

3-3-2 مدل‌سازی سیاست جذب: حرکت مستعمره‌ها به سمت امپریالیست...................... 3-17

3-3-3 جابجایی موقعیت مستعمره و امپریالیست 3-19

3-3-4 قدرت کل یک امپراطوری....................... 3-20

3-3-5 رقابت استعماری........................................ 3-20

3-3-6 سقوط امپراطوری‌های ضعیف................. 3-23

3-3-7 همگرایی........................................................... 3-24

3-4 مثال کاربردی..................................................... 3-25

3-5 نتیجه‌گیری.............................................................. 3-30

3-6 توابع هزینه مورد استفاده.................... 3-31

4پیاده‌سازی های انجام شده........................................... 4-3

4-1 استفاده از الگوریتم معرفی شده برای طراحی یک کنترل‌کننده PID بهینه 4-3

4-1-1 کنترل‌کننده PID............................................ 4-3

4-1-2 طراحی کنترل‌کننده PID بهینه توسط الگوریتم رقابت استعماری..................... 4-5

4-1-3 نتیجه‌گیری...................................................... 4-10

4-2 استفاده از الگوریتم رقابت امپریالیستی برای طراحی کنترل‌کننده PID چند متغیره برای سیستم صنعتی ستون تقطیر 4-10

4-2-1 مقدمه................................................................. 4-10

4-2-2 کنترل‌کننده PID برای فرایند چند متغیره 4-11

4-2-3 نتایج شبیه‌سازی........................................ 4-13

4-2-4 نتیجه‌گیری...................................................... 4-20

4-3 الگوریتم رقابت استعماری؛ ابزاری برای یافتن نقطه تعادل نش 4-20

4-3-1 یک بازی غیر خطی استاتیک ساده. 4-20

4-3-2 یک بازی با پیچیدگی بیشتر............ 4-22

4-4 طراحی بهینه آنتهای آرایه‌ای.............. 4-24

4-5 استفاده از الگوریتم رقابت استعماری برای شناسایی ویژگی مواد از آزمون فرورفتگی4-26

4-5-1 مقدمه................................................................. 4-26

4-5-2 توصیف مسئله معکوس............................... 4-27

4-5-3 حل مسئله معکوس توسط الگوریتم رقابت استعماری4-28

4-5-4 نتیجه‌گیری...................................................... 4-31

4-6 کنترل فازی اتومبیل.................................... 4-31

4-6-1 مدل اتومبیل................................................ 4-31

4-6-2 نتایج................................................................. 4-33

5 خلاصه، نتیجه‌گیری و پیشنهادات.................................... 5-3

6 مراجع........................................................................ 6-2

پیوست: جعبه‌ابزار بهینه‌سازی تهیه‌شده........................................ 3

بیان مسئله................................................................................... 5

تنظیم پارامتهای الگوریتم............................................ 5

نمایش نتایج................................................................................ 7

انتخاب شیوه نمایش............................................................... 7

پیوست: مقالات مستخرج........................................................... 3

مقالات ژورنال............................................................................. 4

مقالات کنفرانس.......................................................................... 5

فهرست شکل‌ها

شکل ‏1‑1: شمای کلی الگوریتم رقابت استعماری............................................. 1-4

شکل ‏1‑2: حرکت مستعمرات به سمت امپریالیست (سیاست جذب).................... 1-4

شکل ‏1‑3: شمای کلی رقابت استعماری.......................................................... 1-5

شکل ‏3‑1: اعمال سیاست جذب از طرف استعمارگران بر مستعمرات................... 3-8

شکل ‏3‑2: فلوچارت الگوریتم پیشنهادی........................................................ 3-12

شکل ‏3‑3: اجزای اجتماعی سیاسی تشکیل دهنده یک کشور............................ 3-14

شکل ‏3‑4: چگونگی شکل‌گیری امپراطوری‌های اولیه....................................... 3-16

شکل ‏3‑5: شمای کلی حرکت مستعمرات به سمت امپریالیست......................... 3-17

شکل ‏3‑6: حرکت واقعی مستعمرات به سمت امپریالیست................................ 3-18

شکل ‏3‑7: تغییر جای استعمارگر و مستعمره................................................... 3-20

شکل ‏3‑8: کل امپراطوری، پس از تغییر موقعیت‌ها.......................................... 3-20

شکل ‏3‑9: شمای کلی رقابت استعماری: امپراطوری‌های بزرگ‌تر، با احتمال بیشتری، مستعمرات امپراطوری‌های دیگر را تصاحب می‌کنند................................................. 3-21

شکل ‏3‑10: سقوط امپراطوری‌ ضعیف؛ امپراطوری شماره 4، به علت از دست دادن کلیه مستعمراتش، دیگر قدرتی برای رقابت ندارد و باید از میان بقیه امپراطوری‌ها حذف شود........ 3-25

شکل ‏3‑11: شبه کد مربوط به الگوریتم رقابت استعماری................................. 3-25

شکل ‏3‑12: شمای کلی الگوریتم توسعه داده شده........................................... 3-26

شکل ‏3‑13: نمایش سه بعدی از تابع مسئله ............................................... 3-27

شکل ‏3‑14: امپراطوری‌های اولیه؛ هر رنگ نمایش‌دهنده‌ی یک امپراطوری می‌باشد.3-28

شکل ‏3‑15: امپراطوری‌ها در نسل 10ام؛ 4 تا از امپراطوری‌ها باقی مانده‌اند........ 3-28

شکل ‏3‑16: امپراطوری‌ها در نسل 30ام؛ تنها دو امپراطوری باقی مانده‌اند........... 3-28

شکل ‏3‑17: امپراطوری‌ها در نسل 33ام (همگرایی)؛ تنها یک امپراطوری واحد داریم.3-29

شکل ‏3‑18: هزینه‌ی مینیمم و میانگین همه‌ی امپراطوری‌های مسئله بر حسب تکرار الگوریتم 3-29

شکل ‏3‑19: هزینه‌ی مینیمم و میانگین همه‌ی امپراطوری‌های مسئله ، و ، بر حسب تکرار الگوریتم........................................................................................................ 3-30

شکل ‏3‑20: هزینه‌ی مینیمم و میانگین همه‌ی امپراطوری‌های مسائل و بر حسب تکرار الگوریتم 3-30

شکل ‏4‑1: بلوک دیاگرام یک سیستم کنترل فیدبک............................................ 4-3

شکل ‏4‑2: زمان صعود (t_r)، زمان نشست (t_s)، بیشترین فراجهش (M_p) و انتگرال قدر‌مطلق خطا (مساحت ناحیه‌ی تیره رنگ)................................................................................. 4-5

شکل ‏4‑3: امپراطوری‌های اولیه در مسئله طراحی کنترل‌کننده PID...................... 4-7

شکل ‏4‑4: امپراطوری‌ها در نسل 30ام؛ دو امپراطوری ضعیف سقوط کرده و تنها 4 امپراطوری باقی مانده‌اند........................................................................................................... 4-7

شکل ‏4‑5: امپراطوری‌ها در نسل 50ام؛ تنها 2 تا از امپراطوری‌ها زنده‌اند و بصورت شدیدی برای حذف یکدیگر رقابت می‌کنند........................................................................... 4-8

شکل ‏4‑6: هزینه‌ی مینیمم و میانگین امپریالیست‌ها بر حسب تکرار الگوریتم، در مسئله طراحی کنترل‌کننده PID.................................................................................................... 4-8

شکل ‏4‑7: هزینه‌ی مینیمم جمعیت الگوریتم ژنتیک، بر حسب تکرار، در مسئله طراحی کنترل‌کننده PID........................................................................................................... 4-9

شکل ‏4‑8: پاسخ پله‌ی سیستم به ورودی پله با استفاده از هر چهار کنترلر موجود در جدول 4-1. 4-11

شکل ‏4‑9: بلوک دیاگرام یک سیستم چند متغیره را به همراه کنترل‌کننده............. 4-11

شکل ‏4‑10: شمای ساده‌ای از فرایند تقطیر شیمیایی........................................ 4-13

شکل ‏4‑11: فلوچارت الگوریتم رقابت استعماری مورد استفاده برای طراحی یک کنترل‌کننده PID برای سیستم ستون تقطیر.............................................................................. 4-16

شکل ‏4‑12: هزینه مینیمم ICA و GA را بر حسب تکرار نسل.......................... 4-17

شکل ‏4‑13: پاسخ سیستم ستون تقطیر به تاخیر‌های متفاوت در ورودی پله (الف: ورودی اول، ب: ورودی دوم).................................................................................................. 4-18

شکل ‏4‑14: قدر مطلق خطای خروجی فرایند ستون تقطیر به تأخیر‌های مختلف در ورودی پله. (الف: قدر مطلق خطای ورودی اول. ب: قدر مطلق خطای ورودی دوم).................... 4-19

شکل ‏4‑15: شمای کلی الگوریتم رقابت استعماری، اعمال شده به مسئله تعیین نقطه تعادل نش. ناحیه داخل خط‌چین مربوط به الگوریتم و بقیه مربوط به مسئله می‌باشد....................... 4-21

شکل ‏4‑16: همگرایی هزینه برای الگوریتم ژنتیک........................................... 4-22

شکل ‏4‑17: همگرایی هزینه برای الگوریتم رقابتی استعماری............................ 4-22

شکل ‏4‑18: نحوه پخش (f1,f2) برای 50000 نقطه تصادفی............................ 4-23

شکل ‏4‑19: همگرایی الگوریتم ژنتیک........................................................... 4-24

شکل ‏4‑20: همگرایی الگوریتم معرفی شده.................................................... 4-24

شکل ‏4‑21: شمای کلی یک آنتن آرایه ای..................................................... 4-24

شکل ‏4‑22: نمودار همگرایی الگوریتم رقابت استعماری و الگوریتم ژنتیک........ 4-25

شکل ‏4‑23: مقایسه LMS با الگوریتم ژنتیک.................................................. 4-26

شکل ‏4‑24: مقایسه الگوی الگوریتم ژنتیک و الگوریتم معرفی شده.................... 4-26

شکل ‏4‑25: فلوچارت ICA، اعمال شده به آنالیز معکوس آزمون فرورفتگی....... 4-28

شکل ‏4‑26: امپراطوری‌های اولیه.................................................................. 4-29

شکل ‏4‑27: امپراطوری‌ها در نسل 35............................................................ 4-29

شکل ‏4‑28: امپراطوری‌ها در نسل 77 (همگرایی). جواب نهایی مسئله............... 4-29

شکل ‏4‑29: هزینه میانگین و مینیمم همه‌ی امپریالیست‌ها بر حسب تکرار الگوریتم.4-29

شکل ‏4‑30: مقایسه جواب‌های دقیق و نتایج الگوریتم معکوس برای یک دسته از نتایج آزمون فرورفتگی به دست آمده از FEA............................................................................. 4-30

شکل ‏4‑31: مقایسه جواب‌های دقیق و نتایج الگوریتم معکوس برای یک دسته از نتایج آزمون فرورفتگی به دست آمده از FEA، در صفحه‌ی ................................................. 4-30

شکل ‏4‑32: مقایسه جواب‌های دقیق و نتایج الگوریتم معکوس برای یک دسته از نتایج آزمون فرورفتگی به دست آمده از FEA، در صفحه‌ی .................................................. 4-30

شکل ‏4‑33: مقایسه جواب‌های دقیق و نتایج الگوریتم معکوس برای یک دسته از نتایج آزمون فرورفتگی به دست آمده از FEA، در صفحه‌ی ................................................ 4-30

شکل ‏4‑34: اتومبیل در جاده شیب‌د‌ار............................................................ 4-32

شکل ‏4‑35:توابع عضویت مربوط به متغیر سرعت.......................................... 4-33

شکل ‏4‑36:توابع عضویت متغیر ............................................................... 4-33

شکل ‏4‑37:توابع عضویت متغیر T............................................................... 4-34

شکل ‏4‑38: سرعت خروجی برای V(0)=0 و =1....................................... 4-34

شکل ‏4‑39: سرعت خروجی برای V(0)=0 و =5....................................... 4-34

شکل ‏4‑40: سرعت خروجی برای V(0)=100 و =7................................... 4-34

شکل ‏4‑41: سرعت خروجی برای V(0)=100 و =-6.................................. 4-34

شکل ‏0‑1: شمای کلی جعبه ابزار گرافیکی تهیه شده بر مبنای الگوریتم رقابت استعماری 3

شکل ‏0‑2: صفحه انتخاب الگوریتم مورد نظر برای بهینه‌سازی................................ 4

شکل ‏0‑3: صفحه راهنمای مربوط به الگوریتم ژنتیک............................................ 4

شکل ‏0‑4: بخش مربوط به بیان مسئله................................................................. 5

شکل ‏0‑5: بخش مربوط به تنظیم پارامترهای الگوریتم رقابت استعماری.................. 6

شکل ‏0‑6: الگوریتم رقابت استعماری در حال بهینه‌سازی تابع GUI_Testfunction. 6

شکل ‏0‑7: انتخاب شیوه نمایش نتایج.................................................................. 7

فهرست جدول‌ها

جدول ‏4‑1: پارامترهای کنترل‌کننده‌های مختلف طراحی شده، به همراه میزان هزینه‌های مختلف آن‌ها 4-9

جدول ‏4‑2: مقادیر پارامتر‌های کنترل‌کننده‌های به دست آمده از اعمال الگوریتم رقابت استعماری، الگوریتم ژنتیک و روش DRF 4-17

جدول ‏4‑3: بخش‌های مختلف تابع هزینه به دست آمده از روش‌های ICA، GA و DRF 4-18

جدول ‏4‑4: پارامتهای مورد استفاده در الگوریتم رقابت استعماری 4-25

جدول ‏4‑5: پارامتهای مورد استفاده در الگوریتم ژنتیک 4-25

جدول ‏4‑6: قوانین فازی مورد استفاده در کنترل سرعت اتومبیل 4-33

خرید فایل

کاربرد الگوریتم ژنتیک در شبکه های حسگر

کاربرد الگوریتم ژنتیک در شبکه های حسگر

قسمتی از متن:

الگوریتم ژنتیک: الگو ریتم ژنتیک که روش بهینه سازی الهام گرفته از طبیعت جاندار(موجودات زنده) است که میتوان در طبقه‌بندی‌ها، از آن به عنوان یک روش عددی، جستجوی مستقیم و تصادفی یاد کرد. این الگو ریتم، الگو ریتمی مبتنی بر تکرار است و اصول اولیۀ آن همانطور که پیشتر اشاره شد از علم ژنتیک اقتباس گردیده است و با تقلید از تعدادی از فرآیندهای مشاهده شده در تکامل طبیعی اختراع شده است و به طور موثّری از معرفت قدیمی موجود در یک جمعیت استفاده می‌کند، تا حل‌های جدید و بهبود یافته را ایجاد کند. این الگوریتم در مسائل متنوعی نظیر بهینه‌سازی، شناسایی و کنترل سیستم، پردازش تصویر و مسایل ترکیبی، تعین توپولوژی و آموزش شبکه‌های عصبی مصنوعی و سیستم‌های مبتنی بر تصمیم و قاعده به کار می‌رود.علم ژنتیک، علمی است که دربارۀ چگونگی توارث و انتقال صفحات بیولوژیکی از نسلی به نسل بعد صحبت می‌کند. عامل اصلی انتقال صفحات بیولوژیکی در موجودات زنده کروموزوم‌ها و ژن‌ها می‌باشد و نحوه عملکرد آنها به گونه‌ای است که در نهایت ژن‌ها و کروموزوم‌های برتر و قوی مانده و ژن‌ها[1]ی ضعیف‌تر از بین می‌روند. به عبارت دیگر نتیجۀ عملیات متقابل ژن‌ها و کروموزوم‌‌ها باقی ماندن موجودات اَصلح و برتر می‌باشد.

همچنین مجدداً یادآور می‌شویم که این الگوریتم برای بهینه سازی، جستجو و یادگیری ماشین مورد استفاده قرار می‌گیرد. اساس این الگوریتم قانونِ تکاملِ داروین (بقا بهترین) است که می‌گوید: موجودات ضعیف‌تر از بین می‌روند و موجودات قوی‌تر باقی می‌مانند. در واقع تکامل فرآیندی است که روی رشته‌ها صورت می‌گیرد، نه روی موجودات زنده‌ای که معرف موجودات رشته است. در واقع، قانون انتخاب طبیعی برای بقا می‌گوید که هر چه امکان تطبیق موجود بیشتر باشد بقای موجود امکان‌پذیرتر است و احتمال تولید مثل بیشتری، برایش وجود دارد. این قانون بر اساس پیوند بین رشته‌ها و عملکرد ساختمان‌های رمزگشایی شده آنها می‌باشد.

---

[1] Gene

خرید فایل