عنوان مقاله : کمینه سازی انرژی کرنش الاستیک محیط پیوسته با استفاده از الگوریتم های معیار بهینگی و مجانب های متحرک
محل انتشار: دومین کنفرانس مصالح و سیستم های نوین در مهندسی عمران
تعداد صفحات:7
نوع فایل : pdf
مقالات علمی پژوهشی کامپیوتر با فرمت Pdf صفحات 12
چکیده :
شبکهی حسگرهای بیسیم شبکهای متشکل از تعداد بسیار زیادی از حسگرهای بیسیم که دارای منبع انعر ی موعدود قیرلابعل زعایگ ین
هستند، میباشد. یکی از مسائل مهم در شبکههای حسگر بیسیم، اف ایش طول عمر شبکه است. فاصله ارتباطی طولانی بین سنسورها و گره
مرک ی در این شبکهها، انر ی زیادی را مصرف میکند و همچنین طول عمر شبکه را نی کاهش میدهد. بنابراین یکی از پارامترهای بسیار
مهم در این نوع شبکهها، مصرف بهینه انر ی است. یکی از روشهای کاهش مصرف انر ی، خوشهبندی گرههای شبکه است. در این مقاله
یک روش تعیین سرخوشه و تعیین گرههای عضو هر سرخوشعه بعا اسعتفاده از الگعور یتمهعا ی کلعونی زنبورعسعل پیشعنهاد معی گعردد . نتعای
آزمایشات نشان داد که الگوریتم پیشنهادی در مقایسه با روشهای پیشین بهبود لابل توزه در مصرف انر ی گعره هعا و افع ایش طعول عمعر
شبکه دارد.
واژگان کلیدی:
دسته بندی : پاورپوینت
نوع فایل: ppt _ pptx
( قابلیت ویرایش )
قسمتی از محتوی متن پاورپوینت :
تعداد اسلاید : 27 صفحه
1 الگوریتم های ژنتیک Instructor : Farhad M.Kazemi 2 الگوریتم ژنتیک الگوریتم ژنتیک روش یادگیری بر پایه تکامل بیولوژیک است. این روش در سال 1970 توسط John Holland معرفی گردید این روشها با نام Evolutionary Algorithms نیز خوانده میشوند.
3 ایده کلی یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن ار تولید میکند. هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار میگیرد. آنگاه تعدادی از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند.
که اینکار باعث تکامل راه حلها میگردد. بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب برسد در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل نماید.
4 فضای فرضیه الگوریتم ژنتیک بجای جستجوی فرضیه های general-to specific و یا simple to complex فرضیه ها ی جدید را با تغییر و ترکیب متوالی اجزا بهترین فرضیه های موجود بدست میاورد. در هرمرحله مجموعه ای از فرضیه ها که جمعیت (population) نامیده میشوند از طریق جایگزینی بخشی از جمعیت فعلی با فرزندانی که از بهترین فرضیه های موجود حاصل شده اند بدست میآید. 5 ویژگیها الگوریتم های ژنتیک در مسائلی که فضای جستجوی بزرگی داشته باشند میتواند بکار گرفته شود. همچنین در مسایلی با فضای فرضیه پیچیده که تاثیر اجرا آن در فرضیه کلی ناشناخته باشند میتوان از GA برای جستجو استفاده نمود. برای discrete optimizationبسیار مورد استفاده قرار میگیرد. الگوریتم های ژنتیک را میتوان براحتی بصورت موازی اجرا نمود از اینرو میتوان کامپیوترهای ارزان قیمت تری را بصورت موازی مورد استفاده قرار داد. امکان به تله افتادن این الگوریتم در مینیمم محلی کمتر از سایر روشهاست. از لحاظ محاسباتی پرهزینه هستند. تضمینی برای رسیدن به جواب بهینه وجود ندارد.
6 Parallelization of Genetic Programming در سال 1999 شرکت Genetic Programming Inc.
یک کامپیوتر موازی با 1000 گره هر یک شامل کامپیوتر های P2, 350 MHZ برای پیاده سازی روش های ژنتیک را مورد استفاده قرار داد. 7 کاربر دها کاربرد الگوریتم های ژنتیک بسیار زیاد میباشد optimization, automatic programming, machine learning, economics, operations research, ecology, studies of evolution and learning, and social systems 8 زیر شاخه های EA روش های EA به دو نوع مرتبط به هم ولی مجزا دسته بندی میشوند: Genetic Algorithms (GAs) در این روش راه حل یک مسئله بصورت یک bit string نشان داده میشود.
Genetic Programming (GP) این روش به تولید expression trees که در زبانهای برنامه نویسی مثل lisp مورد استفاده هستند میپردازد بدین ترتیب میتوان برنامه هائی ساخت که قابل اجرا باشند.
9 الگوریتم های ژنتیک روش متداول پیاده سازی الگوریتم ژنتیک بدین ترتیب است که: استخری از فرضیه ها که population نامیده میشود تولید وبطور متناوب با فرضیه های جدیدی جایگزین میگردد. در هر بار تکرارتمامی فرضیه ها با استفاده از یک تابع تناسب یا Fitness مورد ارزیابی قرار داده میشوند.
آنگاه تعدادی از بهترین فرضیه ها با استفاده از یک تابع احتمال انتخاب شده و جمعیت جدید را تشکیل میدهند. تعدادی از این فرضیه های انتخاب شده
متن بالا فقط قسمتی از محتوی متن پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل را فورا دانلود نمایید
لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت: توجه فرمایید.
دانلود فایل 
پرداخت آنلاین
لینک پرداخت و دانلود در "پایین مطلب"
فرمت فایل: word (قابل ویرایش و آماده پرینت)
تعداد صفحات:22
در هوش مصنوعی ،الگوریتم تکاملی یک زیرمجموعه از محاسبه تکاملی است ، الگوریتم بهینه سازی فوق ابتکاری اجماع مدار جنسی .یک الگوریتم تکاملی برخی مکانیسم هایی را که توسط سیر تکاملی بیولوزیکی الهام می شوند را استفاده می کند :تولید دوباره ، جهش ،ترکیب دوباره ،گزینش طبیعی وبقای انسب .راه حل های کاندید در مسئله بهینه سازی نقش منفرد ها را در اجتماع بازی می کنند ، وتابع هزینه محیط را در جایی که راه حل ها زنده اند را مشخص می سازد .سیر تکاملی اجتماع بعد اتفاق می افتد سپس کاربرد تکرار شده اپراتورهای فوق .سیر تکاملی مصنوعی یک پروسه که شامل الگوریتم های تکاملی می شود را تشریح می کند .الگوریتم های تکاملی اعضا منفردی هستند که در سیر تکاملی شرکت می کنند .
الگوریتم های تکاملی به طور ثابت راه حل های مشابه خوبی را به همه انواع مسائل انجام می دهند چرا که آنها هیچ فرضیه ای راجع به حوزه موردنظر سازگاری ارایه نمی دهند.این کلیت توسط موفقیت های در زمینه های معکوس با مهندسی ،هنر ،بیولوزی ،اقتصاد ،زنتیک ،عملیات های جستجو ،روبات ،علوم اجتماعی ،فیزیک ،و شیمی نشان می دهند.جدا از استفاده آنها به عنوان بهینه گرهای ریاضیا تی ،محاسبات تکاملی والگوریتم ها همچنین به عنوان یک قالب کاری آزمایشی برای اعتبار بخشیدن به تئوری های سیر تکاملی بیولزیکی و مجموعه طبیعی استفاده می شوند ،فقط از طریق کار در زندگی مصنوعی .تکنیک های ناشی از الگوریتم های تکاملی به کار رفته در مدلینگ سیر تکاملی بیولزیکی به طور کلی به کشفیات پروسه های میکرو تحولی محدود می شوند.اگر چه برخی مشابهات کامپیوتر ها ،مانند تیرا و آویدا تلاش می کنند تا سیر تکاملی دینامیک را مدل سازی کنند.یک محدودیت الگوریتم های تکاملی فقدان تفاوت موخود بین زنوتیپ و
فنوتیپ می باشد.در طبیعت سلول بارور شده تخم مرغ متحمل یک پروسه پیچیده به نام پیدایش جنین می شود تا یک فنوتیپ رسیده وبالغ شود.این کدگذاری غیر مستقیم باور شده که جستجوی زنتیک را قوی تر می کند ، وهمچنین ممکن است گشایش اورگانیسم را اصلاح کند.کارهای اخیر در زمینه پیدایش جنین یا سیستم های توسعه مصنوعی این توجهات را نشان می دهند.
تکنیک های الگوریتم تکاملی
تکنیک های مشابه در جزئیات اجرایی و مسئله به کار گرفته شده متفاوت هستند .
مقالات علمی پژوهشی انرژی با فرمت Pdf صفحات 16
چکیده:
با تعیین برنامه زمانی مناسب بهرهبرداری از پمپهای یک سامانه انتقال آب میتوان صرفه جویی قابل توجهی در میزان هزینه انرژی مصرفی
ایجاد کرد. در این پژوهش برنامه بهرهبرداری از یک پمپ بهصورت رشتهای از مقادیر صفر و یکی به گونهای تعریف شد که هر یک از
خانههای این رشته وضعیت روشن یا خاموش بودن آن پمپ در یک دوره زمانی به خصوص را نشان دهد و مسئله تعیین برنامه بهرهبرداری
بهینه پمپها بهصورت مسئله تعیین بهترین رشته صفر و یکی کد شد. یک مدل بهینهسازی شبیهسازی مبتنی بر الگوریتم ژنتیک برای مسئله -
تعیین برنامه بهرهبرداری بهینه پمپها ارائه گردید. در این مدل الگوریتم ژنتیک در محیط MATLAB با بخش هیدرولیکی مدل
EPANET به عنوان مرجعی از فرامین و اطلاعات تلفیق شد. از مدل پیشنهادی برای تعیین برنامه بهینه بهرهبرداری از سامانه انتقال آب از
سد درودزن به شهر شیراز در یک روز معمولی استفاده شد. نتایج نشان داد هزینه کل انرژی مصرفی در حالت بهرهبرداری بهینه 93 درصد
کمتر از هزینه متوسط برق مصرفی در یک روز متوسط است. مقایسه برنامه بهینه بهرهبرداری استخراج شده با نتایج پژوهشهای پیشین و
همچنین شرایط بهرهبرداری عادی، توانایی مدل را نشان میدهد.
واژگان کلیدی: الگوریتم ژنتیک، ایستگاه پمپاژ متوالی.
