یافتن بدترین پاسخ فرکانسی سیستم دیسکو پره به کمک شبکه عصبی و الگوریتم ژنتیک
دیسک و پره در سیستمهای مختلف مهندسی، مانند فنها، پمپها،
توربینها و موتورهای جت کاربرد فراوان دارد. این سیستم در حالت
ایدهآل در حالت میزان یا تقارن دایرهای قرار دارد. در این حالت همه
پرهها دقیقا مشابه میباشند. اما در عمل در اثر تولرانسهای ساخت،
خستگی و غیره، همواره اختلافات تصادفی و کوچک بین پرهها وجود
دارد که باعث عدم تقارن دایرهای سیستم میشود. مقادیر بسیار
کوچک نامیزانی بین پرهها میتواند به شدت موجب افزایش پاسخ
فرکانسی سیستم شود. در تحقیق حاضر از شبکه عصبی و الگوریتم
ژنتیک به عنوان روشی کارآمد، سریع و دقیق برای رسیدن به بدترین
پاسخ فرکانسی استفاده شدهاست. در این مقاله ابتدا مدل اجزاء
محدود سیستم دیسک و پره در محیط نرمافزار انسیس ایجاد شد و
پاسخ فرکانسی پرهها در حالت میزان بدست آمد. سپس طی 200
مرحله آزمایش برای مدول الاستیسیتههای متفاوت که به صورت
تصادفی در یک بازه مشخص انتخاب شدند، ماکزیمم پاسخ سیستم
نامیزان برای هر آزمایش بدست آمد. در ادامه با استفاده از شبکه-
عصبی و الگوریتم ژنتیک بدترین پاسخ فرکانسی محاسبه شد.
های بدستآمده مدل جدید ایجادشد و ماکزیمم پاسخ فرکانسی d j با
آن بدست آمد. پاسخ بدستآمده از نرمافزار با پاسخ شبکه عصبی و
الگوریتم ژنتیک مطابقت قابل قبولی دارد، که کارایی روش به کار
رفته را نشان میدهد.
تعداد مشاهده: 330 مشاهده
فرمت فایل دانلودی:.pdf
حجم فایل:139 کیلوبایت
-
محتوای فایل دانلودی:
پخش بار بهینه با استفاده از الگوریتم ژنتیک در نرم افزار متلب
برنامه پخش بار بهینه با استفاده از الگوریتم ژنتیک در نرم افزار متلب.
مناسب برای پروژه های دانشگاهی و صنعتی.
مورد استفاده دانشجویان برق مقاطع کارشناسی ارشد و دکتری.
انجام شده توسط کد نویسی (m-file).
تعداد مشاهده: 450 مشاهده
فرمت فایل دانلودی:.rar
فرمت فایل اصلی: m
حجم فایل:4 کیلوبایت
-
راهنمای استفاده:
کافیست فایل gaopf را اجرا کنید.
-
محتوای فایل دانلودی:
پاورپوینت شیوه ارائه پیرامون الگوریتم استعماری
عنوان: شیوه ارائه پیرامون الگوریتم استعماری
قالب: پاورپوینت
تعداد اسلاید: 21
شرح مختصر: الگوریتم رقابت استعماری روشی در حوزه محاسبات تکاملی است که به یافتن پاسخ بهینه مسائل مختلف بهینه سازی می‌پردازد. این الگوریتم با مدلسازی ریاضی فرایند تکامل اجتماعی – سیاسی، الگوریتمی برای حل مسائل ریاضی بهینه سازی ارائه میدهد. از لحاظ کاربرد، این الگوریتم در دسته الگوریتم های بهینه سازی تکاملی همچون الگوریتم های ژنتیک، بهینه سازی انبوه ذرات، بهینه سازی کلونی مورچگان، تبرید فلزات شبیه سازی شده، و … قرار می گیرد. همانند همه الگوریتم های قرار گرفته در این دسته، الگوریتم رقابت استعماری نیز مجموعه اولیه ای از جوابهای احتمالی را تشکیل می دهد. این جوابهای اولیه در الگوریتم ژنتیک با عنوان “کروموزوم”، در الگوریتم ازدحام ذرات با عنوان “ذره” و در الگوریتم رقابت استعماری نیز با عنوان “کشور” شناخته می شوند. الگوریتم رقابت استعماری با روند خاصی که در ادامه می آید، این جوابهای اولیه (کشور ها) را به تدریج بهبود داده و در نهایت جواب مناسب مسئله بهینه سازی (کشور مطلوب) را در اختیار می گذارد. پایه‌های اصلی این الگوریتم را سیاست همسان سازی، رقابت استعماری و انقلاب تشکیل می‌دهند. این الگوریتم با تقلید از روند تکامل اجتماعی، اقتصادی و سیاسی کشورها و با مدلسازی ریاضی بخشهایی از این فرایند، عملگرهایی را در قالب منظم به صورت الگوریتم ارائه میدهد که می‌توانند به حل مسائل پیچیده بهینه سازی کمک کنند. در واقع این الگوریتم جوابهای مسئله بهینه سازی را در قالب کشورها نگریسته و سعی می‌کند در طی فرایندی تکرار شونده این جواب‌ها را رفته رفته بهبود داده و در نهایت به جواب بهینه مسئله برساند.
فهرست:
ایده اصلی الگوریتم ژنتیک
الگوریتم رقابت استعماری
شکل دهی امپراطوری های اولیه
سیاست همگون سازی
انقلاب
تعویض مستعمره و استعمارگر
قدرت کل امپراطوری
رقابت استعماری
سقوط امپراطوری
شبه کد
تعداد مشاهده: 529 مشاهده
فرمت فایل دانلودی:.zip
فرمت فایل اصلی: PPT
تعداد صفحات: 2100
حجم فایل:2,595 کیلوبایت
-
محتوای فایل دانلودی:
بهینه سازی عملکرد سیستم مخزن چند منظوره سد شهر چای، با استفاده از الگوریتم ژنتیک در آذربایجان غربی
در این تحقیق، بهینه سازی بهره برداری از مخازن چند منظوره مورد بررسی قرار گرفته و از الگوریتم ژنتیک که در سالهای اخیر به عنوان یک روش بهینه سازی کارا در زمینه حل مسائل پیچیده ومقیاس بزرگ ودارای حجم عملیاتی زیاد با توابع هدف ،قیدهای خطی ،ناپیوسته ،مشتق ناپذیر،وهمگرایی سریعتر به جواب توانسته به روشهای سنتی مانند برنامه ریزی خطی و پویا و.. غلبه کند مورد استفاده قرار گرفته است . وبرای کارایی مدل ارائه شده جهت بهینه سازی از الگوریتم ژنتیک روی سد شهر چای ارومیه مطالعه موردی انجام گرفته ونتایج حاصله از مدل ارائه گردیده است.
الگوریتم های ژنتیک با توجه به قابلیت آنها به عنوان یک تکنیک بهینه سازی در مسائل پیچیده بسیار بزرگ ودشوار مورد توجه قرار گرفته اند.سه مزیت عمده الگوریتم های ژنتیک در حل مسائل بهینه سازی عبارتند از:
1-الگوریتم های ژنتیک احتیاج به ریاضیات ومحاسبات زیادی در مسائل بهینه سازی ندارند وبدون توجه به خصوصیات متغییر ها ، تابع هدف وقیودات مسئله ،تنها با توجه به خصلت تکاملی خود جواب مسئله را جستجو می نمایند.
2-الگوریتم های ژنتیک می توانند هر نوع تابع هدف ویا قید(خطی یا غیر خطی )را در فضای جستجوی گسسته یا پیوسته ویا ترکیب این دو بپذیرند.
3-الگوریتم های ژنتیک انعطاف پذیری زیادی جهت ترکیب با توابع کاوشی را دارا می باشند.
مقاله شامل:
چکیده
مقدمه
الگوریتم ژنتیک
اجزای اصلی مدل بهینه سازی
موقعیت حوضه آبریز سد شهرچای
مشخصات فیزیکی سدشهرچای
میانگین ماهانه ورودی به مخزن ونیازهای آبی پایین دست سدشهرچای
نتایج بکارگیری از مدل بهینه سازی
جمع بندی وتحلیل نتایج
منابع
word
8صفحه
تعداد مشاهده: 164 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: DOC
تعداد صفحات: 8
حجم فایل:43 کیلوبایت
-
محتوای فایل دانلودی:
word
پروژه 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 .
1- 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 .
تعداد مشاهده: 672 مشاهده
فرمت فایل دانلودی:
فرمت فایل اصلی: doc
تعداد صفحات: 22
حجم فایل:442 کیلوبایت
-
محتوای فایل دانلودی:
حاوی فایل ورد قابل ویرایش