دانلود پایان نامه های دانشگاه ها

تخصصی: قدرت

رشته تحصیلی:برق                                  گرایش:سیستم

نیمسال ورود به مقطع جاری:دوم /1391                   نیمسال شروع به تحصیل :    

نام و نام خانوادگی استاد (اساتید) راهنما:                            نام و نام خانوادگی استاد (اساتید) مشاور:

1- هادی زاینده رودی 
تکه هایی از متن به عنوان نمونه :

الگوریتم بهینه­سازی گروه ذرات هوشمند IPSO

الگوریتم فراابتکاری بهینه­سازی گروه ذرات روش محاسباتی تکاملی مبتنی بر جمعیت جواب­ها است. مانند سایر الگوریتم­های فراابتکاری، الگوریتم مذکور ابزار بهینه­سازیی است که می­تواند برای حل انواع مختلفی از مسایل بهینه­سازی به­کار گرفته شود. این الگوریتم از جدیدترین روش­های فراابتکاری است که با الهام­گیری از رفتار اجتماعی گروهی از پرندگان مهاجر که در تلاش برای دستیابی به مقصد ناشناخته­ای هستند، توسط کندی و ابرهارت (1995) در سال 1995 میلادی توسعه داده شده است. در الگوریتم PSO، جمعیت جواب­ها، گروه^[1] نامیده می­شود و هر جواب مانند یک پرنده در گروهی از پرندگان است و ذره^[2] نام دارد و شبیه کرموزوم در الگوریتم ژنتیک است. تمامی ذرات دارای مقدار شایستگی^[3] هستند که با استفاده از تابع شایستگی^[4] محاسبه می­گردند و تابع شایستگی ذرات باید بهینه گردد. جهت حرکت هر ذره توسط بردار سرعت^[5] آن ذره معین می­شود. برخلاف الگوریتم ژنتیک، در فرآیند تکاملی الگوریتم مذکور، پرندگان جدیدی از نسل قبل (جواب­های جدید از جواب‌های قبلی) ایجاد نمی­گردد، بلکه هر پرنده رفتار اجتماعی خود را با توجه به تجربیاتش و رفتار سایر پرندگان گروه تکامل بخشیده و مطابق آن حرکت خود را به سوی مقصد بهبود می­دهد.

در این تحقیق از الگوریتم بهبود یافته بهینه سازی انبوه ذرات (IPSO) استفاده می شود. الگوریتم IPSO همانند الگوریتم PSO است، با این تفاوت که در هر بار محاسبه مقدار تابع هدف، از روش های بهبود همانند ^* opt-2 استفاده می شود . با استفاده از این روش، زمان حل نسبت به PSO کمتر می شود. همچنین جواب های ارایه شده بهتر می شوند

الگوریتم IPSO، یک الگوریتم بهینه سازی تصادفی بر اساس جمعیت است که از شبیه سازی رفتار اجتماعی گروه پرندگان و ماهیان مدل سازی شد. در ابتدای الگوریتم ،تعدادی از ذرات (پرنده) به طور تصادفی تولید می شوند، سپس به هر یک از آن ها، سرعتی نسبت داده می شود. بر اساس سرعت فعلی ذره و فاصله آن از بهترین موقعیتی که تا کنون توسط خود او دیده شده است و نیز فاصله او از بهترین موقعیت یافت شده توسط ذرات مجاور، سرعت جدیدی برای آن ذره محاسبه می شود و با توجه به این نکته که مقدار سرعت به دست آمده، برابر با مقدار جابه جایی ذره در طی یک مرحله است، میتوان موقعیت جدید ذره را در مرحله بعدی، پس از به روز رسانی موقعیت به دست آورد. این فرآیند سپس تا تعداد تکرار مشخصی انجام می گیرد و در نهایت، بهترین مکان ملاقات شده توسط همه ذرات به عنوان جواب مسئله ارایه می شود . هر ذره در الگوریتم بهینه سازی انبوه ذرات، از سه بردار d بعدی تشکیل شده است؛ d بعد فضای جستجو است. برای ذره i اُ–ُم این سه بردار عبارتند از: x_i موقعیت فعلی ذره ،vسرعت حرکت ذره و y_i بهترین موقعیتی که ذره تا به حال تجربه کرده است و ŷ_i بهترین مکانی که تا کنون توسط ذرات مجاور یافت شده است. الگوریتم بهینه سازی ذرات انبوه، چیزی فراتر از یک مجموعه ذرات است و هیچ یک از ذرات به تنهایی توانایی حل مسئله را ندارند و فقط هنگامی می توانند مسئله را حل کنند که با یکدیگر تعامل داشته باشند. در واقع برای انبوه ذرات، حل مسئله یک مفهوم اجتماعی است که از رفتار تک تک ذرات و تعامل میان آنها به وجود می آید. با این وجود، اگر تابع برازندگی مسئله مفروضی، تابع f باشد ،مقادیر ŷ_i ،y_i ،v_i ،x_i در هر مرحله به صورت بهبود یافته بروزرسانی می شوند

برای دانلود متن کامل پایان نامه اینجا کلیک کنید.