منابع پایان نامه ارشد با موضوع بهینه سازی، انحراف معیار، الگوریتم بهینه سازی، توده ذرّات

دانلود پایان نامه ارشد

سازی علف های هرز
الگوریتم بهینه سازی علف های هرز دارای پارامتر های مهمی است که چگونگی انتخاب آنها تأثیر بسزایی در کیفیت و صحّت عمل روش مذبور دارد. این پارامتر ها عبارتند از تعداد جمعیت اولیه ، حداکثر تکرار ، بیشترین تعداد علف ها ، حداکثر و حداقل تعداد دانه، ضریب غیر خطّی و مقدار اولیه و نهایی انحراف معیار می باشد. .” محرابیان و لوکاس ،2006 “
تعداد جمعیت اولیه
تعداد جمعیت اولیه تعداد دانه های اولیه است که در فضای جستجو پخش می شوند. هرگاه تعداد ذرّات زیاد باشند و ذرّات در فضای جستجو به طور یکنواخت توزیع شده باشند، تنوع بین ذرّات زیاد شده و الگوریتم راندمان بالاتری می‌یابد. البته باید توجه شود که تعداد زیاد ذرّات در پیچیدگی الگوریتم ارتباط مستقیم دارد، هرچند نسبت به زمانی که تعداد ذرّات کم است، تعداد تکرار های الگوریتم کمتر است و زمان رسیدن به جواب های بهینه نیز کمتر می باشد.
حداکثر تعداد تکرار
الگوریتم تا زمانی تکرار می شود که تعداد تکرار ها از بیشترین تعداد تکرار کمتر باشد. به عبارت دیگر این پارامتر مشخص کنندۀ تکرارهای الگوریتم است. تعداد تکرار برای بدست آوردن یک نتیجۀ خوب وابسته به نوع مسأله می‌باشد. اگر تعداد تکرار ها بیش از حد کم باشد ممکن است فرآیند جستجو قبل از پیدا کردن جواب بهینه متوقف شود، در حالیکه تکرار بیش از حد زیاد باشد منجر به پیچیدگی محاسباتی شده و زمان بیشتری مورد نیاز است.
بیشترین تعداد علف ها
بیشترین تعداد علف، بیشترین تعداد علفی است که در هر تکرار می تواند موجود باشد، اگر تعداد علف ها از این مقدار بیشتر باشد بنابراین علف هایی که شایستگی کمتری دارند حذف می شوند. لازم به ذکر است اگر P_max بیشتر باشد احتمال رسیدن به جواب مطلوب بیشتر می شود.
حداکثر و حداقل تعداد دانه ها
حداکثر و حداقل تعداد دانه ها ( S_max و S_min ) ، به ترتیب بیشترین و کمترین تعداد دانه ای است که هر علف می‌تواند تولید نماید. هرچه تعداد حداکثر و حداقل دانه ها بیشتر باشد ، امکان جستجوی منطقۀ جواب پیچیدگی محاسباتی بیشتر می شود.
مقدار اولیه و نهایی انحراف معیار
مقدار اولیه و نهایی انحراف معیار ( S_final و S_initial ) ، در طول الگوریتم و در تکرار های متفاوت علف های موجود دانه های جدیدی که تولید کرده اند، این دانه ها در اطراف والد خود به شکل تصادفی و با توزیع نرمال و انحراف معیار متفاوت پخش می شوند. انحراف معیار در هر تکرار متغیر است و از مقدار اولیه تا مقدار نهایی کاهش می یابد.
تابع هدف ( تابع شایستگی )
میزان شایستگی هر پاسخ محتمل برای حضور در تکرار بعد، با ارزیابی آن پاسخ بر مبنای یک تابع هدف تعیین می‌شود بطور کلّی تابع هدف، برا اساس اهداف و قیود مسأله تعریف می شود. برای بهینه یابی ضرایب الگو، پارامتر ها باید به نحوی تعیین شوند که مقادیر پیش بینی شدۀ متغیر مورد نظر بسیار نزدیک به مقادیر واقعی باشد. روش های مختلفی برای تعریف تابع هدف وجود دارد که در این تحقیق تابع هدف به صورت زیر تعریف شده است.
(3-1) minf(x)=1/n ∑_(t=1)^n▒(E^actual-E^forecasted )
(3-2) x_t=α_1 X_(t-1)+ α_2 X_(t-2)+ …+ α_p X_(t-p)+ Z_t
که در آن n تعداد کل مشاهدات و E^actual مقدار تقاضای فرآورده های سوختی نفتی و E^forecasted مقدار پیش بینی شده برای فرآورده های سوختی نفتی می باشد.

جدول ‏31. معرفی پارامتر ها
پارمتر
تعریف
N_weed
تعداد علف های اولیه
〖MAX〗_IT
بیشینه تعداد تکرار الگوریتم
P_max
بیشینه تعداد علف ها
S_max
بیشینه تعداد دانه های تولید شده در کنار هر علف
S_min
کمینه تعداد دانه های تولید شده در کنار هر علف
S_final
انحراف معیار نهایی برای فرآیند تولید مثل
S_initial
انحراف معیار اولیه برای فرآیند تولید مثل
POW
ضریب غیر خطی

نحوۀ محاسبه دانه های تولیدی و به روزرسانی انحراف معیار
(3-2)
(3-3)

شکل ‏35. فلوچارت الگوریتم علف های هرز
الگوریتم بهینه سازی توده ذرّات (PSO)
مقدمه
در بیشتر گونه های جانوران رفتارهای گروهی دیده می شود. چه بسا که بعضی از این گونه ها نیز توسط یک گروه برتر هدایت و راهنمایی می شوند. به عنوان مثال در شیرها ، میمون ها و گوزن ها این امر کاملاً مشاهده می شود. مطلب جالب تری که وجود دارد این است که گونه هایی از جانوران وجود دارند که به صورت گروهی زندگی می کنند اما راهنمایی ندارند. هر عضو یک رفتار خودسازمانده دارد که بدون استفاده از یک راهنما می تواند در محیط حرکت نموده و نیازهای طبیعی خود را برطرف نماید. مانند گروه پرندگان ، ماهی ها و گلۀ گوسفندان. این گونه از جانوران هیچ دانشی نسبت به محیطی که در آن قرار دارند، ندارند. در عوض قادرند با ردوبدل نمودن اطلاعات با اعضای همجوار خود در محیط حرکت نمایند. این تعامل ساده بین ذرّات باعث ایجاد رفتار پیچیده تر گروه می شود. مانند جستجوی یک محیط توسط ذرّات. تحقیقات زیادی بر روی رفتار های اجتماعی ذرّات انجام شده است که در ادامه به چند نمونه از انها می پردازیم.
رفتار پرندگان
رفتار گروه ماهی ها
شکار کردن وال ها
جهت فهم بهتر رفتار پویای گروه ذرّات، در بعضی از رفتارها شبیه سازی شدند و رفتار آنها به دسته های زیر تقسیم شده است:
1- اجتناب از برخورد: اعضای یک گروه با یکدیگر برخوردی ندارند
2- تنظیم سرعت: هر عضو سرعت خود را متناسب با اعضای همسایۀ خود تنظیم می کند.
3- جمع شدن مرکز: هر عضو تلاش می کند که در کنار همسایگان خود حرکت نماید.
در بسیاری از کاربرد های بهینه سازی از این شبیه سازی ها الهام گرفته شده است. در ادامه به مدل خاصی از بهینه سازی ها که از زندگی جانوران انبوه الهام گرفته شده است پرداخته می شود که بهینه سازی ازدحام ذرّات یا PSO نام دارد. برای اجرای موفق PSO، یکی از اعمال کلیدی، یافتن چگونگی طرح حل مسأله ، درون ذرّات PSO است، که به طور صحیح کارایی و امکان اجرای آن را تحت تأثیر قرار دهد.
تاریخچۀ بهینه سازی توده ذرّات
روش بهینه سازی ازدحام ذرّات در سال 1995 توسط جیمز کندی و راسل ابرهارت معرفی گردید. آنها در ابتدا قصد داشتند که با بهره گیری از مدل های اجتماعی و روابط موجود اجتماعی، نوعی از هوش محاسباتی را بوجود بیاورند که به توانایی فردی ویژه نیازی نداشته باشد. کار آنان منجر به ایجاد الگوریتم قوی برای بهینه سازی، به نام الگوریتم بهینه سازی ازدحام ذرّات شد. این روش از عملکرد دسته جمعی گروههای حیوانات مانند پرندگان و ماهی ها، اقتباس شده است. در الگوریتم ازدحام ذرّات تعدادی از موجودات وجود دارند، که آنها را ذرّه معرفی می کنیم و درفضای جستجو پخش شده اند. هر ذرّه مقدار تابع هدف را در موقعیتی از فضا که در آن قرار گرفته است، محاسبه می کند. پس با استفاده از ترکیب اطلاعات محل فعلی اش و بهترین محلی که قبلاً در آن بوده است و همچنین اطلاعات یک یا چند ذرّه از بهترین ذرّات موجود در جمع جهتی را برای حرکت انتخاب می کند. پس از انجام حرکت جمعی، یک مرحله از الگوریتم به پایان می رسد. این مراحل چندین بار تکرار می شوند تا آنکه جواب مورد نظر بدست بیاید. علی رغم سادگی زیاد این الگوریتم، دارای قدرت زیادی را برای بهینه سازی می باشد. بطور کلی PSO جزو الگوریتم تکاملی می‌باشد زیرا یک مکانیزم بهبود یابنده می باشد که در حال تکرار است. ولی اصلی ترین طبقه بندی از PSO، در هوش ازدحامی جای می گیرد.
هوش ازدحامی
هوش ازدحامی نوعی روش هوش مصنوعی، مبتنی بر رفتار های جمعی می باشد. هوش ازدحامی یک چارچوب بر اساس رفتار جانداران اجتماعی مانند زنبورعسل ، مورچه، ماهی ها و پرندگان در راه و روش همکاری برای انجام کارهای پیچیده و سخت منحصربفرد هستند. این همکاری در کل جمعیت بدون هیچ گونه کنترل مرکزی فعّال می‌باشد. هر جانور به سادگی از یک مجموعه قوانینی کوچک پیروی می کند که این قوانین تحت تأثیر اطلاعات محلّی می باشند. این رفتار نوظهور نتیجۀ موقعیّت گروهی است که هیچ عضوی به تنهایی نمی تواند آن را انجام دهد. خصوصیات دیگر سیستم های دارای هوش ازدحامی شامل: مقاومت در برابر رفتار سایر اعضای گروه یا از بین رفتن یکی از اعضای گروه، انعطاف پذیری در مقابل تغییر سریع محیط پویا ، و یک موازی سازی ذاتی یا رفتار توزیع شده می‌باشند. چهار اصل در هوش ازدحامی وجود دارند که آنها را هدایت می کنند:
بازخور مثبت: تقویت کردن راه حل های خوب مشاهده شده در سیستم
بازخور منفی: حذف کردن راه حل های قدیمی یا ضعیف
تصادفی بودن: راه حل ها می توانند بدون در نظر گرفتن کیفیت درج شده آزمایش شوند. این می تواند باعث بوجود آمدن نتایج خلاقانه و جدید غیر معمول گردد، که به ترتیب نتیجه اش خلاقیت35 و راه حل های غیرمتعارف است.
تعامل چندگانه: کلید اصلی تقویت کردن راه حل های خوب
با فهمیدن این خصوصیات و اعمال درست آنها ، سیستم های هوش گروهی می توانند طراحی شوند. هر اصل فوق یک نقش مشخصی را در هدایت سیستم ایفا می کند. اصل هوش گروهی می تواند به کاربرد های متنوع دیگر ، فراتر از شبکه های کامپیوتری نیز اعمال شوند.بطورکلی زمانی می توانیم از هوش جمعی یا ازدحامی یاد کنیم که مؤلفه های زیر را دارا باشد.

شکل ‏36.
کاربردهای الگوریتم بهینه سازی توده ذرّات
انواع مسائل بهینه سازی پیوسته و گسسته
مدل سازی و کنترل
مدیریت سیستم های تولید و توزیع نیرو
طراحی و بهینه سازی شبکه های ارتباطی
پیش بینی و مدل سازی مدل های اقتصادی
طراحی سیستم های خودکار و رباتیک
مراحل اجرای الگوریتم بهینه سازی توده ذرّات
مرحلۀ اول: موقعیت و سرعت اولیۀ ذرّات در محدودۀ مجاز به صورت تصادفی تولید می شود.
مرحلۀ دوم: محاسبۀ مقدار تابع هدف برای هر ذرّۀ i باتوجه به مکان هر ذرّه
مرحلۀ سوم: در تکرار اول P_ij برای هر ذرّه برابر با موقعیّت اولیه اش درنظر گرفته می شود. همچنین برترین ذرّه (g_i) در میان ذرّات از نظر میزان شایستگی در تابع هدف تعیین می شود.
مرحلۀ چهارم: سرعت و موقعیّت جددید هر ذرّه با استفاده از روابط (3-3) و (3-4) محاسبه می گردد.
مرحلۀ پنجم: تابع هدف برای هر ذرّه محاسبه می شود.”کندی وابرهارت ،1995″

توپولوژی یا ساختار شبکۀ اجتماعی
برای هریک از ذرّات باید همسایگی تعریف شده باشد. در واقع این همسایگی تعیین کنندۀ میزان تعامل اجتماعی و حرکات ذرّات در گروه می باشد. وقتی همسایگی ذرّات کوچک باشد تعامل کمتر اتفاق می افتد وهمگرایی آهسته تر خواهد بود اما کیفیت راه حل ها را بهبود می بخشد. برای همسایگی های بزرگ تر همگرایی سریع تر خواهد بود اما خطر همگرایی زودرس وجود دارد . برای حل این مشکل، فرآیند جستجو با همسایگی های کوچک شروع می شود و پس از آن اندازۀ همسایگی با گذشت زمان افزایش یافته است. در واقع این روش ابتدا باعث تنوّع جستجو و با گذشت زمان باعث همگرایی می شود. در الگوریتم ازدحام ذرّات تعامل اجتماعی در میان تمام دسته ها وجود دارد، ذرّات با یکدیگر ارتباط برقرار کرده و در مورد موقعیّت هر ذرّه در گروه تبادل اطلاعات می کنند. هنگامی که یک ذرّه در تمام گروه موقعیّت بهتری می یابد تمام ذرّات به سمت این ذرّه حرکت می کنند، در واقع، گردش اطلاعات از طریق گروه و حرکت بسوی ذرّۀ بهتر، بستگی به ساختار همسایگی دارد. بعضی از ساختارهمسایگی ها در زیر مورد بحث قرار می گیرد:

شکل ‏37. تعدادی از ساختار شبکۀ اجتماعی
شکل (a) همسایگی ستاره ای را نشان می دهد که در این ساختار همۀ ذرّات با یکدیگر در ارتباط هستند، ارتباط بسیار بالا در بین ذرّات وجود دارد. کِنِدی و مِندِز بطور تجربی نشان دادند که همسایگی ستاره ای دارای همگرایی سریع تر نسبت به سایر مدل های همسایگی می باشد، اما آنها با جواب بهینه در زمانی زودتر از سایر مدل های همسایگی می نمایند. این نوع همسایگی ریسک قرار گرفتن در کمینۀ محلّی را افزایش می دهد و به طور کلی این ساختار یک همسایگی سراسری می باشد که اشاره به g_i دارد.
شکل (b)

پایان نامه
Previous Entries منابع پایان نامه ارشد با موضوع شبکه های عصبی، پیش بینی تقاضا، شبکه های عصبی مصنوعی، تقاضای انرژی Next Entries پایان نامه با کلید واژه های بازی رایانه ای، بازی های رایانه ای، میزان استفاده، همبستگی پیرسون