عنوان مقاله :حل مساله بهره برداری بهینه از سیستم چند مخزنه با استفاده از الگوریتم بهینه سازی سیستم مورچه ترتیبی
محل انتشار: دهمین کنگره بین المللی مهندسی عمران تبریز
تعداد صفحات:8
نوع فایل : pdf
عنوان مقاله :استفاده از مدل جرم و فنر بهینه شده با الگوریتم رقابت استعماری در شبیه سازی رفتار اجسام منعطف
محل انتشار: بیست و چهارمین همایش سالانه مهندسی مکانیک یزد
تعداد صفحات:6
نوع فایل : pdf
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه39
بخشی از فهرست مطالب
چکیده
مقدمه
.ارزیابیB
این مقاله الگوریتمی جدید برای مسئله برنامه ریزی مسیرکلی به یک هدف ، برای ربات متحرک را با استفاده از الگوریتم ژنتیک ارائه می دهد .الگوریتم ژنتیک برای یافتن مسیر بهینه برای ربات متحرک جهت حرکت در محیط استاتیک که توسط نقشه ای با گره ها و لینک ها بیان شده است ،بکار گرفته شده است.موقعیت هدف و موانع برای یافتن یک مسیر بهینه در محیط دو بعدی داده شده است .هر نقطه اتصال در شبکه ژنی است که با استفاده از کد باینری ارائه شده است.تعداد ژن ها در یک کروموزوم تابعی از تعداد موانع در نقشه (نمودار)می باشد.
بنابراین از یک کروموزوم با طول ثابت استفاده کردیم.مسیر ربات ایجاد شده ، در مفهوم کوتاهترین مسیر ،بهینه است .ربات دارای محل آغاز و محل هدف تحت فرضیه ای است که ربات از هر محل فقط یکبار می گذرد یا اصلا نمی گذرد.نتایج بدست آمده در شبیه سازی ؛قدرت الگوریتم پیشنهادی را تایید می نماید.
مسئله طراحی مسیر ربات متحرک را می توان بصورت ذیل بیان کرد:
داده های مسئله (محل شروع،محل هدف، نقشه ای دو بعدی مسیرهاکه شامل موانع ساکن می باشد).هدف بدست آوردن یک مسیر بدون تصادم بین دو نقطه خاص در ایفای معیار بهینه سازی با در نظر گرفتن محدودیت ها (به احتمال زیاد:کوتاهترین مسیر)می باشد. مسئله طراحی مسیر از نظر محاسباتی بسیار پر هزینه است.
با اینکه حجم زیادی از تحقیقات برای حل بیشتر این مسائل انجام شده است،با این وجود،روش های معمول ،غیر قابل انعطاف می باشند.
مرور و بازنگری روش های موجود برای حل مسئله طراحی مسیر ،در [1] ارائه شده است . روش های زیادی برای ایجاد یک مسیر بهینه از قبیل برنامه ریزی دینامیک و روش های تبدیل مسافت گزارش شده است .
در روش برنامه ریزی دینامیک اگر نقطه ی شروعSP و نقطه ی هدف GP باشد ، نقطه ی زیر هدف IP است.و روش تولید مسیر ،نحوه تعیین توالی زیر اهداف است که زیر اهداف خود از مجموعه IP (I=1,2,3,…) انتخاب می شوند.ما باید تمام مسیرهای ممکن را بررسی کرده و مسیر با کمترین مقدار هزینه را به عنوان مسیر بهینه انتخاب نمائیم.توان محاسباتی بسیار فراوانی بویژه در محیط های دارای زیر اهداف فراوان مورد نیاز است . در روش تبدیل مسافت ،کارطراحی مسیر ،محیطی را با شبکه یکنواخت می پوشاند و فواصل را از طریق فضای خالی ،از سلول هدف،منتشر می کند.قسمت پیشین موج مسافت ،حول موانع و در نهایت از طریق تمامی فضاهای آزاد در محیط جریان می یابد.برای هر نقطه شروع در محیط نمایانگر محل اولیه ربات متحرک ،کوتاهترین مسیر به مقصد،از طریق رفتن به قسمت پائین و از طریق شیب دارترین مسیر نزولی رسم شده است.با این وجود به هنگام وجود دو سلول یا بیشتر جهت گزینش با همان حداقل تبدیل فاصله ابهام مسیرهای بهینه وجود دارد. دو روش مذکور ملزم توان محاسباتی بسیار بالا در محیطی است که دارای تعداد زیاد اهداف فرعی (زیر اهداف)و موانع است.
محققان روش های فراوان را برای حل مسائل طراحی مسیر ربات های متحرک با وجود موانع ایستا و متحرک بر مبنای soft computing ،بیان کرده اند. soft computing متشکل از منطق فازی،شبکه های عصبی و محاسبات تکاملی است (الگوریتم های ژنتیک و تکاملی GA & EA).تاکنون تلاش های زیادی در استفاده از منطق فازی برای طراحی و برنامه ریزی حرکت ربات متحرک وجود داشته است .اخیرا استفاده از محاسبات تکاملی رواج فراوانی پیدا کرده و در واقع روشی است که به منظور بکارگیری در موقعیت هایی که دانش اولیه راجع حل مسئله وجود نداشته و یا اطلاعات محدود می باشد،قابلیت استفاده به گونه ای موثرتر،عمومی تر و راحت تر را داراست.
الگوریتم های ژنتیکی و تکامکلی نیازمند اطلاعات اشتقاقی یا برآوردهای فرمال اولیه از راه حل نیستند و از آنجائیکه طبیعتا تصادفی می باشند دارای قابلیت جستجوی کل فضای جواب با احتمال بیشتر پیدا کردن بهینه عمومی می باشند.
می توان تحقیق قبلی راجع طراحی مسیر را به صورت یکی از دو روش مقابل طبقه بندی کرد: مبتنی بر مدل و مبتنی بر سنسور .
در حالت مبتنی بر مدل ،مدل های منطقی از موانع شناخته شده ،برای تولید تصادم بدون مسیر بکار گرفته می شوند.در حالیکه در روش مبتنی بر سنسور ، کشف و اجتناب از موانع ناشناخته است.در این مقاله الگوریتمی جدید جهت بدست آوردن مسیر بهینه بر مبنای مدل پیشنهاد شده است.
ادامه مطالب مقاله بصورت ذیل مرتب شده اند :
در بخش 2 ،مقدمه ای مختصر راجع الگوریتم ژنتیک ارائه شده است .در بخش 3 ،فرمول سازی مسئله مورد بررسی واقع شده،در بخش 4 الگوریتم پیشنهادی ، معرفی و در بخش 5 نتایج شبیه سازی نشان داده شده است.
مشخصات این فایل
عنوان: کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه
فرمت فایل: word( قابل ویرایش)
تعداد صفحات: 24
این مقاله درمورد کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه می باشد.
1-1- معرفی ها
یک بهینه سازی چند هدفه با قیود نامساوی می تواند به زبان ریاضی توسط یک تابع برداری f معرفی شود که یک مجموعه از m پارامتر ( متغیر های تصمیم گیری ) را به n تابع هدف می نگارد . این موضوع می تواند مانند زیر بیان شود.
Y=f(x)=(f1(x),f2(x),f3(x),f4(x))
که x عبارت است از مجموعه بردارهای تصمیم گیری و X عبارت است از فضای پارامترها و y نیز بردار هدف می باشد و Y فضای تابع هدف است. حقیقت مورد ملاحظه در مورد این گونه حلها این است که هنگامی که تمام توابع هدف در نظر گرفته شوند، هیچ کدام از حلها در فضای جستجو نسبت به بقیه برتری ندارد. مجموعه حلهای یک مسئله بهینه سازی چند هدفه تشکیل شده است از همه پارامترهای تصمیم گیری بنحوی که بردارهای هدف آنها نتوانند بدون تنزلِ بقیه، بهبود یابند. یک چنین حلهایی، حلهای بهینه پارِتو نامیده می شوند. یک حل بهینه پارتو یکتا نیست اما عضوی از مجموعه نقطه هایی می باشد که هر کدام به تنهایی و با درنظرگرفتن بردارهدف، خوب می باشد.
2-1- نسبت دهی لیاقت و ماندگاری واگرایی
نسبت دهی لیاقت و استراتژی ماندگاری واگرایی، دو موضوع مهم در MOPs می باشند. برای نسبت دهی لیاقت، تعداد زیادی MOGA می توانند در دو گروه رده بندی کرد که عبارتند از حلهای پارتو و حلهای غیر پارتو. روشهای غیر پارتو [9]، [10]، [13] مستقیما از مقادیر تابع هدف برای تصمیم گیری برای باقی ماندن یا حذف شدن افراد استفاده می کنند. در حالی که روشهای پارتو [6]، [11]، [16]، [18]، [19] لیاقت یک فرد را در رابطه با خواص مشرف بودن آن اندازه گیری می کنند. افراد غیر مشرف در جمعیت، بعنوان افراد با لیاقت بالاترین در نظر گرفته می شوند و افراد مشرف بعنوان افراد با لیاقت کمترین فرض می شوند.
یکی دیگر از مشخصه های MOGAs ها عبارت است ازاستراتژی ماندگاری واگرایی. این موضوع باعث می شودکه حلها بصورت خیلی یکنواخت در تمام مجموعه بهینه پارتو پخش شوند بجای اینکه در یک ناحیه کوچک مجتمع شوند. به اشتراک گذاشتن، لیاقت افرادی که کاندیدای یک لیاقت باشند را کم می کند و یکی از تکنیکهای خیلی جدید می باشد . اخیرا بعضی از تکنیکهای مستقل از پارامتر نظیر SPEA و NSGA نیز پیشنهاد شده اند. در این مطالعه، یک تکنیک مبتنی بر منطق فازی برای انجام بهتر نسبت دهی لیاقت و ماندگاری واگرایی بکار گرفته شده است.
روشهای قدیمی نظیر روش مجموع وزنها یا روش قیدهای [4] در هر بار اجراء فقط می توانند یک حل بهینه پارتو را پیدا کنند. همچنین این روشها وابسته به مسئله مورد حل می باشند و ممکن است ساده سازیهای بسیار زیادی را انجام دهند. در اکثر برنامه های بازیها، لیاقت استاتیکی زیر برای پیدا کردن جهت جستجو بکار برده می شود.
که fi ها feature ها هستند و wi ها وزنهای مربوطه می باشند که میزان مهم بودن feature ها را نشان می دهند. مشخص کردن این feature ها و وزنها برای یک جستجوی کار آمد در یک مسئله بهینه سازی چند هدفه بسیار مهم می باشند. انتخاب وزنها در یک فضای دینامیکی چند معیاری سخت می باشد و انتصاب مقادیر وزنها اغلب بصورت سعی و خطا انجام می گیرد . این فرایند بسیار زمانبر می باشد. به منظور غالب آمدن بر مشکل بالا ، یک تابع لیاقت با پایه منطق فازی مورد استفاده قرار می گیرد. بهینه سازی به روش فازی بجای اینکه بر یک مدل ریاضی بنا شود بر یک مدل فازی بنا می شود. مهمترین مزیت های این روش بهینه سازی این است که توابع هدف فازی، ماهیت غیر قابل دیفرانسیل گیری دارند و نظریه مجموعه های فازی یک روش بسیار جذاب را برای جداسازی اطلاعات از داده های نا مشخص دینامیکی و غیر مدل شده بدست می دهد. تابع لیاقت دینامیکی زیر برای بدست آوردن وزنهای هدف در منطق فازی بکار می رود.
که ها تابع عضویت هستند که از مشخصه های fi (feature)می باشند.
3-1- توضیح صورت مسئله
نرم افزار THUNDER یک نرم افزار خیلی بزرگ شبیه سازی مدل است که بر اساس شبیه سازی مونت کارلو کار می کند. این نرم افزار یک نرم افزار شبیه سازی تئوری اتفاقی دو طرفه از کارهای نظامی می باشد که توسط System Simulation Solution Inc(531) برای مطالعات مربوط به نیروی هوائی و آژانسهای تحلیل (AFSAA) نوشته شده است. این نرم افزار می تواند تقریبا 25 ماموریت هوایی را که شامل ماموریت های هوا به زمین ، هوا به هوا، دفاع هوایی، جاسوسی، موشکهای بالستیک ضد تاکتیکی و سوخت گیری هوایی می باشد را انجام دهد. این نرم افزار به صورت خود کار، پیشروی ها و حرکتهای نظامی را توضیح می دهد و بر اساس یک پایه قانونمند اجرای نقش می کند. این نرم افزار، یک پشتیبان کار آمد برای تحلیلهای است که شامل اثرهای انتگرالی بر روی حوزه فضا و زمان می باشند. این موضوع شامل توزیع خود کار تهدیدها و هدفها، تعداد هدفهای کشته شده، پیشروی زمینی و آرایش ارتشی است. این شبیه سازی، همچنین قیودی را بر مسائلی نظیر نرخ پروازهای هوایی کوتاه و مکان ماموریتها اعمال می کند.
مهمترین هدف این تحقیق این بود که چگونه نیروهای نظامی آرایش داده شوند که این کار توسط الگوریتم ژنتیکی سازگار و با وزنهای ارتقاء یافته انجام گرفت. دلیل اینکه چرا الگوریتم ژنتیکی برای تعیین آرایش نظامی نیروها و شبیه سازی جنگ بکار گرفته شده این بود که اینگونه الگوریتمها یک فرایند جستجوی پایدار را برای انواع مختلفی از توابع که دارای غیر پیوستگی، چند مودی، تعداد بعد زیاد، فضا جستجو بزرگ و نویز، در اختیار قرار می دهند. شبیه سازی با در نظر گرفتن نویزهای داخلی شناخته نشده و عدم پیوستگی انجام می شود. الگوریتم ژنتیکی سازگار یافته که شامل قابلیت تغییر دادنِ به هنگام وزنها را داشته باشد برای انجام استراتژی های مختلف در حالتهای گوناگون جنگ مورد نیاز است چون تاکنیکهای جنگی و مکان میدان جنگ به رفتار دشمن نیز بستگی دارد و باید بتواند به مرور زمان تغییر کند.
2- بهینه سازی چند هدفه
2-1- توضیح در مورد فرمولبندی مسئله
موقعیت های جنگی که بر اساس قابلیتهای نیروهای تهدید کننده، شرایط جنگ و قابلیت نیروهای خودی مشخص می شوند تماما می توانند توسط نرم افزار THUNDER شبیه سازی شوند. فایل مشخصات جنگی معمولا توسط کاربر داده می شود. این موقعیت های جنگی مستقیما توسط عقیده و نظر یک تحلیل گر مشخص می شود و وظیفه بسیار وقتگیری نیز می باشد. این موضوع همیشه باعث تولید نتایج مستحکمی نمی شود چون خبرگی نرم افزار نمی تواند مسائل دینامیکی و اتفاقی ناشناخته را در شبیه سازی درک کند. این موضوع باعث این می شود که رابطه های بین ورودیها و خروجیهای THUNDER به خوبی درک نشود. هر موقعیت جنگی نیاز به خصوصیات خود را دارد. بعنوان یک مثال در این مطالعه ، فقط 4 موقعیت جنگی و 15 روز جنگ بعنوان ورودی استفاده شده است. موقعیتهای در نظر گرفته شده عبارتند از بی اثر کردن حمله متخاصم هوایی استراتژیک (OCA) محجور کردن هدف استراتژیک (STI) محجور کردن وسیع هوایی (DSEAD). موقعیتهای (OCA) و (STI) و (INI)، موقعیتهای هوا به زمین می باشند. OCA در مقابل Airbase و موقعیت INI در مقابل واحد های متحرک بر روی شبکه و در پادگان، آسان کردk عملیات لوجسیتکی، شبکه هایِ ترابری، نقاط مورد بازرسی و دفاع هوایی پیچیده می باشد. موقعیت STI در مقابل هدفهای استراتژیک می باشد. موقعیت DSEAD یک موقعیت باز دارنده برای ارتش دفاع هوایی است و در مقابل سایتهای هوایی انجام می گیرد. نرم افزار THUNDER می توان با دید یک بازی دو نفره دیده شود که رنگ آبی نشان دهنده طرف خودی و رنگ قرمز نشان دهنده طرف دشمن است . با توجه به این توضیحات توابع هدف ما چنین خواهند بود.
1- مینمم کردن زمینهایی که طرف آبی از دست می دهد
2- مینمم کردن از بین رفتن هواپیماهای طرف آبی
3- ماکزیمم کردن تعداد کشته های هدفهای استراتژیک طرف قرمز
4- ماکزیمم کردن تعداد کشته های طرف قرمز
موارد گفته شده یک حالت عمومی برای مسائل بهینه سازی چند هدفه می باشند زیرا منظورمان بهینه کردن چهار تابع هدف بالا بصورت همزمان می باشد. خروجیهای نرم افزار THUNDER (زمینهای از دست رفته هواپیماهای از دست رفته تعداد کشته های هدف استراتژیک و تعداد کشته های طرف دشمن) با یک امتیاز مینیمم و یک امتیاز ماکزیمم، مقدار دهی می شوند. این مقادیر ماکزیمم و مینیمم می تواند 2 و 1 باشد. مقادیر بین این دو عدد می توانند با میان یابی بین بهترین حالت و بدترین حالت مشخص شوند که نیازمند اطلاعات مجربی می باشد.
2-2- الگوریتم ژنتیکی قرار دادی ما تابع لیاقت وزنی استاتیک
در ابتدا، این مسئله بهینه سازی چند هدفه به یک شکل مفید برای استفاده مستقیم از الگوریتم ژنتیکی تبدیل می شود که بتواند از تابع لیاقت استاتیکی استفاده کند. تابع لیاقت پایه مربعی مورد استفاده قرار گرفت چون در مقایسه با دیگر توابع لیاقت فرض شده، نتایج بهتری را بدست می دهد.
خلاصه
1- مقدمه
1-1- معرفی ها
2-1- نسبت دهی لیاقت و ماندگاری واگرایی
3-1- توضیح صورت مسئله
2- بهینه سازی چند هدفه
2-2- الگوریتم ژنتیکی قرار دادی ما تابع لیاقت وزنی استاتیک
3-2- الگوریتم ژنتیکی سازگاری یافته با تابع لیاقت وزنی قانونمند
3- نتایج و بحث
4-نتیجه گیری