تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم فراکاوشی

اختصاصی از فی دوو تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم فراکاوشی دانلود با لینک مستقیم و پر سرعت .

• مقاله با عنوان: تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم فراکاوشی  

• نویسندگان: محمود محمد رضاپور طبری ، سید علی محمودی  

• محل انتشار: نهمین کنگره ملی مهندسی عمران - دانشگاه فردوسی مشهد - 21 تا 22 اردیبهشت 95  

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

روندیابی جریان های سیلابی در رودخانه ها یکی از موضوعات مهم در طراحی سازه های هیدرولیکی است. جهت روندیابی جریان و تعیین هیدروگراف جریان در پایین دست معمولاً از روش ماسکینگام استفاده می شود. از آنجا که این روش بر مبنای رابطه دبی - ذخیره متغیر به صورت هیدرولوژیکی و بر مبنای رابطه پیوستگی عمل می نماید، جهت تخمین پارامترهای مدل غیرخطی نیازمند سعی و خطا و صرف زمان زیاد می باشد. بر این اساس در این مطالعه با استفاده از الگوریتم فراکاوشی مبتنی بر جستجوی غیرمستقیم تهیه شده در محیط MATLAB، اقدام به تعیین مقدار بهینه پارامترهای مدل غیرخطی ماسکینگهام گردید. جهت دستیابی به حداقل میزان انحراف بین هیدروگراف مشاهده ایی و روندیابی شده، پنج تابع هدف SAD, DPO, NQ, MARE, SSQ تعریف گردید. نتایج حاصل از اجرای ساختار بهینه سازی تدوین شده نشان می دهد که بر مبنای تابع هدف SAD، بهترین میزان تطابق بین هیدروگراف روندیابی شده و مشاهداتی حاصل می شود. در واقع با استفاده از رویکرد پیشنهادی می توان در کوتاه ترین زمان و با دقت بالا به بهترین مقادیر مرتبط با مدل غیرخطی ماسکینگهام دست یافت. این روش می تواند به عنوان مبنایی برای تخمین پارامترهای سایر مدل های خطی و غیرخطی ماسکینگهام بکار گرفته شود.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

تحقیق در مورد الگوریتم های میکرو در مقابل ماکرو

اختصاصی از فی دوو تحقیق در مورد الگوریتم های میکرو در مقابل ماکرو دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین صفحه*

فرمت فایل : Word(قابل ویرایش و آماده پرینت)

تعداد صفحه : 25

فهرست مطالب:

الگوریتم های میکرو در مقابل ماکرو

مراحل پنج گانه

مرحله مقداردهی اولیه

مرحله ورودی

مرحله پردازش

مرحله خروجی

مرحله پاکسازی  ( Cleanup )

آیا هر برنامه شامل پنج مرحله گفته شده است؟

پالایش یک طرفه مرحله مقدار دهی اولیه

منابع

الگوریتم های میکرو در مقابل ماکرو

الگوریتم ها دارای ویژگی های متفاوتی می باشند . ما می توانیم در رابطه با  الگوریتم  استفاده شده  به منظور نوشتن یک برنامه مشخص صحبت نمائیم . از این زاویه  ، ما  صرفا" در رابطه با الگوریتم  در سطح ماکرو(macro level)  ، صحبت نموده ایم . در چنین مواردی ، الگوریتم ارائه شده ، سعی در بدست آوردن جنبه های عمومی برنامه از طریق یک مرور کلی به برنامه در مقابل درگیر شدن در جزئیات را  دارد.ما می توانیم در رابطه با الگوریتم ها ، از سطح "میکرو" صحبت نمائیم . از این زاویه ، به سطوح پایین تر رفته و به عوامل اساسی ونگهدارنده ای  که یک جنبه خاص از برنامه را با  یکدیگر مرتبط می نماید، صحبت کرد.  مثلا" در صورتیکه شما دارای داده هائی هستید که می بایست قبل از استفاده  مرتب گردند ،الگوریتم های مرتب سازی متعددی در این زمینه وجود داشته و  می توان یکی از آنها را بمنظور تامین اهداف مورد نظر خود انتخاب نمود. انتخاب یک الگوریتم مرتب سازی  ، صرفا" باعث حل شدن یکی از جنبه های متفاوت برنامه می گردد . پس از مرتب سازی داده ها ،می بایست از یک الگوریتم میکرو دیگر بمنظور نمایش  داده  ها ی مرتب شده استفاده  گردد .

همانگونه که احتمالا" حدس زده اید ، ما می توانیم تمام الگوریتم های میکرو را بمنظور ایجاد یک الگوریتم ماکرو ، جمع آوری نمائیم . اگر ما با الگوریتم های میکرو ، آغاز نمائیم ، و حرکت خود را بسمت نمایش ماکروی یک برنامه ، پیش ببریم ، کاری را انجام داده ایم که موسوم به طراحی " پایین به بالا" (buttom-up)  ، است . اگر ما فعالیت خود را با یک الگوریتم ماکرو آعاز و حرکت خود را بسمت پائین و الگوریتم های میکرو ، ادامه دهیم ، طراحی از نوع " بالا به پایین " (top-down)  را انجام داده ایم .

شاید این سوال مطرح گردد که  کدام روش بهتر است ؟ اگر شما تمام مقالاتی را که تاکنون در این زمینه نوشته شده اند را  دنبال نمائید ، هرگز به یک نتیجه قابل قبول دست نخواهید یافت . هر رویکرد، دارای نکات مثبت و منفی مربوط به خود است . صرفنظر از رویکرد طراحی استفاده شده ، می بایست دارای الگوئی (طرحی) مناسب برای برنامه باشیم .حداقل، نیازمند یک اعلامیه از مسئله برنامه نویسی و یک طرح ( الگو) برای برخورد با مسئله ، خواهیم بود . پس از شناخت مسئله ، می توان  نحوه حل مسئله را  ترسیم کرد.  شناخت عمیق و مناسب نسبت به  مسئله ای که قصد حل آن را داریم ، شرط اساسی و ضروری برای طراحی یک برنامه است .
با توجه به اینکه این اعتقاد وجود دارد که شناخت جامع و کلی از مسئله ای که حل آن را داریم ، بخشی ضروری در اولین مرحله برنامه نویسی است ، ما در ادامه از رویکرد "بالا - پایین "، تبعیـت می نمائیم . فراموش نکنیم که  رویکرد فوق ، امکان مشاهده مجازی از هر مسئله برنامه نویسی را فراهم خواهد نمود.

مراحل پنج گانه

هر برنامه را صرفنظر از میزان پیچیدگی آن ، می توان  به  پنج مرحله اساسی تجزیه کرد :

• مقدار دهی اولیه
• ورودی
• پردازش
• خروجی
• پاکسازی

در ادامه به بررسی هریک از مراحل فوق ، خواهیم پرداخت .

مرحله مقداردهی اولیه

مرحله مقداردهی اولیه ، اولین مرحله ای است که می بایست در زمان طراحی یک برنامه  در رابطه با آن فکر کرد . مرحله فوق ، شامل تمامی عملیات مورد نیازی  است که برنامه می بایست قبل ازبرقراری ارتباط  با کاربر ، انجام دهد . در ابتدا ممکن است این موضوع که عملیاتی را قبل از برقراری  ارتباط با کاربر می بایست انجام داد ، تا اندازه ای عجیب بنظر رسد ولی احتمالا" برنامه های زیادی را مشاهده نموده اید که در این راستا عملیات مشابهی را انجام می دهند. مثلا" ،  در زمان استفاده از برنامه هائی نظیر Word ، Excel و یا برنامه های مشابه دیگر ، با چنین مواردی برخورد نموده ایم . مثلا"  با انتخاب  گزینه منو File ، می توان  لیستی از فایل هائی را که با آنها کار کرده ایم در بخش انتهائی منوفوق ، مشاهده کرد. ( مشاهده آخرین فایل های  استفاده شده در یک برنامه خاص ، با استفاده از جادو! میسر نشده است ) . برنامه مورد نظر شاید ، لیست فایل های اخیر را از دیسک خوانده و آنها را به لیست مربوطه در منوی File ، اضافه کرده باشد . با توجه به اینکه لیست فایل های فوق ، می بایست  قبل از اینکه برنامه هر چیز دیگر را برای کاربر نمایش دهد ، خوانده و نمایش داده شوند ، می توان انجام عملیات فوق را نمونه ای از مرحله مقداردهی اولیه، در نظر گرفت.
یکی دیگر از عملیات متداول که به این مرحله مرتبط می باشد ، خواندن فایل های Setup است . چنین فایل هائی ممکن است حاوی اطلاعاتی در رابطه با نام مسیرهائی باشند که بانک ها ی اطلاعاتی خاصی و یا فایل های  ذخیره شده  دیگری را  بر روی دیسک را مشخص می نمایند . با توجه به نوع برنامه ای که اجراء می گردد ، فایل های Setup می توانند شامل اطلاعاتی در رابطه با فونت های نمایش ، نام و محل چاپگر ، رنگ های زمینه و رویه ، وضوح تصویر صفحه نمایشگر و اطلاعات مشابهی دیگر باشند

دانلود تحقیق زمانبندی پروسس ها با الگوریتم ژنتیک در سیستم های چند پردازنده ای

اختصاصی از فی دوو دانلود تحقیق زمانبندی پروسس ها با الگوریتم ژنتیک در سیستم های چند پردازنده ای دانلود با لینک مستقیم و پر سرعت .

در سده ی اخیر با پیشرفتهایی که در زمینه های گوناگون علمی نصیب انسان شده است و با تخصصی تر شدن هرچی بیشتر علوم، شاخه های جدیدی از دانش از بطن دانش قدیم بشر سر برآورده  و رشد و بالیدن گرفته اند. یکی از این علوم نسبتا جدید الگوریتم ژنتیک است که موجودیت و حیاتش ریشه در علومی دارد که به گونه ای از انسان ناشی میشود.
این علم در سالهای اخیر بسیار مورد توجه همگان بوده است در نتیجه مراحل تکامل طبیعی موجودات زنده تبدیل به یکی از علوم جذاب و مطلوب پژوهشگران شده و بستر تحقیقات و مطالعات فراوانی گردیده است. این علم شاخه ها و عرصه های مختلفی را شامل میشود که هریک به تنهایی میتواند در حد یک علم مستقل مطرح شود.
نکته اصلی در این کار تلاش برای جستجو و یافتن پیوندهای پیدا و نهانی است که علم  ژنتیک با علوم کامپیوتر دارد. اهمیت این عرصه از آن جهت است که انجام مطالعاتی با این درون مایه و سمت و سو جدا از آنکه سبب یافتن ریشه های علم ژنتیک در سایر علوم میشود، میتواند راهنما و پاسخگوی بسیاری از پرسش ها و ابهاماتی باشد که گاه در مطالعه ی علوم کامپیوتری برای افراد به وجود می آید و جز استفاده از ژنتیک شیوه مناسب دیگری برای پاسخگویی به آنها وجود ندارد. بنابراین ضرورت انجام چنین تحقیقاتی کاملا احساس میشود نگارنده با احساس کردن همین ضرورت در این پژوهش بر آن شد تا قدم به این عرصه بگذارد و ریشه های ژنتیک را در علوم کامپیوتری بالاخص تخصیص منابع جستجو کند.
در این راستا ، این پژوهش پاسخگوی این پرسشها بود که
•    علم ژنتیک در چه زمانی شناخته شد و شروع به کار کرد
•    اساس کار و عملکرد علم ژنتیک چیست.
•    بهینه سازی مسائل چگونه انجام میشود.
•    چگونه از علم ژنتیک در زمانبندی منابع بالاخص CPU استفاده میشود.
و در آخر
•    آیا استفاده از الگوریتم ژنتیک در تخصیص منابع باعث  بهینه شدن آن میشود.
پاسخ دادن به این پرسشها هریک به نوبه ی خود به عنوان یکی از اهداف اصلی این پژوهش مطرح شد و زمینه ساز آغاز مطالعات در این زمینه گردید.
برای رسیدن به این هدف لازم بود ابتدا به مطالعه منابع علم ژنتیک پرداخته شود که شامل تاریخچه آن ، عملکرد آن و آشنایی با کدهای الگوریتم ژنتیک میباشد و مطالعه در زمینه تخصیص منابع که منابع شامل موارد گوناگون از جمله CPU ، RAM ، دستگاهها و ... میباشد .
سپس این تحقیقات و CPU (به عنوان منبع مورد آزمایش) به عنوان منابع پایه مورد بررسی قرار گیرد.
که چنین نیز شد.
کتابها و مقالاتی که از طریق کتابخانه ها و اینترنت – به عنوان به روزترین منابع – بطور مستقیم به بررسی این علم می-پرداخت ، همچنین منابع جانبی ای مانند مصاحبه با افراد متخصص که امکان داشت به طور غیر مستقیم در انجام این پژوهش موثر واقع شود ، مورد مطالعه و یادداشت برداری قرار گرفت. با انجام این مراحل پیشینه ی تحقیقی موضوع مورد نظر ما بیش از پیش آشکار شد و مشخص گردید که تاکنون در این زمینه بخصوص در این دانشگاه و حومه ی آن کمتر کار شده. منابع موجود نیز بیشتر به معرفی آن پرداخته بودند و در آنها هیچگونه بررسی با درون مایه ی مورد نظر ما به چشم نمی خورد.
مجموع این مسائل اگر چه برای پژوهش نوعی تنگنا محسوب می شد اما موجب آن شد که نگارنده با انگیزه مضاعفی به انجام این تحقیق بپردازد و آنچه پیش رو دارید حاصل این انگیزه و تلاش ناشی از آن است.
عنوان پژوهش با توجه به اهداف کار «زمانبندی پروسسها با الگوریتم ژنتیک در سیستمهای چند پردازنده-ای» انتخاب شد و فصلها نیز با توجه به همین اهداف و یادداشت برداری های انجام شده مرتب گردید.
فصل اول بطور کامل به معرفی تخصیص منابع اختصاص یافت و با نظر به آنکه استفاده کنندگان از این پژوهش دانشجویان مهندسی کامپیوتر خواهند بود سعی اصلی در این فصل بر آن قرار گرفت تا یک تصویر کلی اما جامع از تخصیص منابع ، معرفی منابع و زمانبندها شکل گیرد تا برقرار کردن ارتباط با فصلهای بعدی آسانتر صورت گیرد.
فصل دوم به بررسی مفهوم بهینه سازی مسائل پرداخته است. توابع آن و اهداف بهینه کردن در این فصل مشخص گردیده و روشهای موجود بهینه سازی معرفی شده است که یکی از این روشها الگوریتم ژنتیک می باشد.
که فصل سوم به این الگوریتم پرداخته است. تاریخچه ، شرح کامل اصطلاحات، عملکرد، کاربردهای آن و بهینه سازی به روش الگوریتم ژنتیک بیان شده است.

پیش گفتار 1
فصل اول : مدیریت منابع 4
1-1 مدیریت منابع 5
1-2 ویژگی ها 5
1-3 منابع کلیدی سیستم عامل 6
 1-3-1 حالت Running 7
 1-3-2 حالت Ready 7
 1-3-3 حالتDespatch7
 1-3-4 Time Out Run 7
 1-3-5 حالت Blocked 8
 1-3-6 حالت Suspend Ready 8
 1-3-7 Suspend Blocked 8
1-4 وظایف سیستم عامل 9
1-5 زمانبندی 10
 1-5-1 زمانبند بلند مدت 10
 1-5-2 زمانبند میان مدت 10
 1-5-3 زمانبند کوتاه مدت 10
 1-5-4 معیار های کمی زمانبندی11
 1-5-5 معیارهای کیفی زمانبندی 12
1-6 الگوریتم زمانبندی 13
1-6-1 First Come First Service 13
1-6-2Prionty14
1-6-3 SRTN 14
1-6-4 SJF 15
1-6-5 MQ 16
1-6-6 MLQ 16
1-7 مدیریت پردازنده 17
1-8 مدیریت حافظه و فضای ذخیره سازی 21
1-8-1 شمای مدیریت حافظه 21
1-8-2 جدول پارتیشن بندی 22
1-8-3 پارتیشن بندی داخلی 22
1-8-4 مکانیزم تخصیص حافظه 23
1-8-5 مدل پارتیشن ایستا23
1-8-6 اشتراک گذاری در پارتیشن ایستا 24
1-8-7 پارتیشن بندی پویا 24
1-8-8 جدول پارتیشن بندی پویا 25
1-8-9 اشتراک گذاری در مدل پویا 26
1-9 ساختار PCB 26
1-9-1 اطلاعاتی درباره پروسه 26
1-9-2 گفتگوی پروسه ها 27
1-9-3 رقابت پروسه ها 28
1-9-4 ملزومات انحصار متقابل 30
1-9-5 پروتکلها 30
فصل دوم : بهینه سازی 32
2-1 بهینه سازی 33
2-2 مراحل حل مسئله بهینه سازی 33
2-3 هدف 34
2-4 متغیرهای بهینه سازی 34
2-5 ارتباط میان هدف و متغیرها بصورت ریاضی 35
2-6 پس از تعریف ارتباط ریاضی تابع هزینه و متغیرهای بهینه سازی چه باید کرد 36
2-7 آیا تابع هزینه مسئله بصورت یک برنامه است 37
2-8 پارامترها 37
2-9 الگوریتم رقابت استعماری 37
2-10 بهینه سازی و روشهای موجود 39
فصل سوم : الگوریتم ژنتیک 41
3-1 الگوریتم ژنتیک 42
3-1-1 ایده اصلی الگوریتم ژنتیک 42
3-1-2 روشهای انتخاب در الگوریتم ژنتیک 43
3-1-3 شمای کلی از نحوه عملکرد الگوریتم ژنتیک 44
 3-1-4 اصطلاحات الگوریتم ژنتیک 45
3-2 اجزای اساسی الگوریتم و تشریح کلی آن 45
 3-2-1 شبه کد 46
 3-2-2 آغاز الگوریتم ژنتیک 47
 3-2-3 شمای کلی شبه کد 48
3-3 کروموزوم 48
 3-3-1 طراحی کروموزوم 48
3-4 روند کار الگوریتم ژنتیک 49
3-5 شرایط خاتمه الگوریتم 50
3-6 کاربردهای الگوریتم ژنتیک 51
3-7 بهینه سازی به روش الگوریتم ژنتیک 51
3-8 اصول اساسی الگوریتم ژنتیک 52
فصل چهارم : پیاده سازی 54
توابع برنامه 55
4 – 1 تابع Final 55
 4 – 1 – 1 تابع Task_Generate 56
 4 – 1 – 2 تابعSort 56
 4 – 1 – 3 تابع Generate_Initial_Population 57
 4 – 1 – 4 تابع Size_Chromosome 57
 4 – 1 – 5 تابع Fitness_Of_Chromosome 58
4 – 1 – 6 تابع Rank 58
4 – 1 – 7 تابع Select_Best 59
4 – 1 – 8 تابع Crossover 59
4 – 1 - 9 تابع Mutation 61
4 – 2 خروجی برنامه 62
4 – 3 نمودار طول زمانبند در هر نسل 64
نتیجه گیری 65
واژه نامه انگلیسی به فارسی 66
واژه نامه فارسی به انگلیسی 67
منابع 68

شامل 75 صفحه فایل word

سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن

اختصاصی از فی دوو سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب  پی دی اف و 65 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-کنترل طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده

در این سمینار الگوریتم جستجوی محلی Simulated Annealing,SA (پخت شبیه سازی شده) را معرفی کرده و جزئیات، مزایا، معایب و کاربردهای آن را مورد بررسی قرار خواهیم داد به طوری که روش های توسعه یافته این الگوریتم نیز به اجمال معرفی می شوند. سپس اهمیت تعیین مشخصات مدارات الکترونیکی (Circuit Sizing) را با انواع روش های موجود برای این کار را مورد بررسی و مقایسه قرار می دهیم. برنامه ریزی هندسی و روش های بر پایه شبیه سازی معروف ترین استراتژی هایی هستند که برای تعیین مشخصات مدار به منظور بهینه سازی آنها به کار می روند که در ادامه با توجه به ضرورت بهینه سازی بلوک های جمع کننده و ضرب کننده که عنصر اصلی در مدارات دیجیتال می باشند، روش SA را به عنوان یک الگوریتم ساده و با قابلیت یافتن نقطه بهینه در کل برای حداقل شدن توان مصرفی و تاخیر در این بلوک ها، انتخاب می کنیم.

مقدمه

جستجو برای یافتن خواسته های مطلوب و بهینه از میان گزینه های قابل انتخاب جزء مسائلی است که بشر همواره با آن مواجه بوده است. در زندگی روزمره نیز به کرات با چنین مسائلی مواجه هستیم مانند: انتخاب یک محل مناسب برای زندگی، تنظیم جدول زمانی برای امتحانات سراسری، یافتن بهترین مسیر برای مسافرت با وسیله نقلیه، حرکت مناسب در بازی شطرنج و… نه تنها در زندگی روزمره بلکه در انواع مسائل مهندسی، معماری، مالی، اقتصادی، تحقیقات اپراتوری، پزشکی، نظامی و… به نوعی با مسائل بهینه سازی مواجه هستیم.

در تمام مسائل جستجو واضح است که یافتن یک حل ممکن برای مسئله بسیار آسان تر از یافتن بهترین حل می باشد. محدودیت ها در یافتن بهترین جواب ناشی از زمان، منابع در دسترس، پیچیدگی طبیعی خواسته های بهینه سازی و کثرت گزینه های قابل انتخاب می باشد.

در بعضی از مسائل بهینه سازی باید عملیات جستجو به نحوی انجام شود که چندین تابع هزینه باهم بهینه شوند (Multi objective). همچنین محدودیت ها و قیودات مختلفی بسته به نوع مسئله وجود دارد به عنوان مثال برای تنظیم بهینه جدول زمانی امتحانات یک دانشگاه چندین موضوع باید در نظر گرفته شود مانند: تعداد دانشجویانی که امتحانات پشت سرهم دارند، تعداد دانشجویانی که بیشتر از یک امتحان در یک روز دارند، حداکثر زمان مشخص شده برای کل امتحانات، حداکثر اتاق های قابل استفاده، تعداد مراقبان امتحانات و… بدون شک پیدا کردن جوابی که تمام خواسته ها و محدودیت ها را برآورده کند کاری بسیار مشکل می باشد.

برای یافتن بهترین جواب باید بیشترین جستجو را انجام داد این خود باعث صرف شدن زمان زیاد و تلاش محاسباتی (effort) حجیم می شود. در مسائل بهینه سازی باید مصالحه ای بین کیفیت جواب و زمان و تلاش محاسباتی برقرار شود. چنانچه محدودیت کمی برای زمان و تلاش محاسباتی وجود داشته باشد می توانیم بیشترین جستجو را انجام دهیم یعنی فضاهای جستجو را به اندازه ممکن بزرگ در نظر گرفته و نقاط بیشتری را از یک فضای مشخص به عنوان حل های ممکن در نظر بگیریم. اما چنانچه محدودیت های ما بر روی زمان و تلاش محاسباتی زیاد باشد نمی توانیم همه نقاط ممکن را جستجو کنیم در نتیجه برای رسیدن به جواب مناسب باید روشی را پیدا کنیم که به سمت جواب های بهتر هدایت شویم. در واقع به جای جستجوی همه نقاط ممکن (explore) باید اطلاعات به دست آورده از جستجوهای قبلی را طوری تحلیل کنیم تا به سمت نقاط بهتر هدایت شویم (exploite). البته این عمل در بعضی از مسائل بسیار مشکل می باشد.

الگوریتم هایی که برای حل مسئله بهینه سازی و جستجو به کار می روند در صورتی که قابل اعمال به دسته وسیعی از مسائل باشند به الگوریتم های همه منظورمه (general – purpose optimization algorithm) موسوم می باشند. این الگوریتم ها نیز بسته به استراتژی جستجو در آنها به دو دسته کلی تقسیم می شوند. دسته اول که به روش محلی تک نقطه ای موسوم می باشند در هر ملحه تنها یک جواب انتخاب می شود. (SA (simulated annealing و جستجوی TABU جزء این دسته می باشند. دسته دیگر به روش های جستجوی دسته جمعی موسوم می باشند. در هر مرحله به صورت موازی چندین حل انتخاب می شود. سپس از میان آن ها حل هایی که دارای بیشترین برازش باشند برای همسایگی در مرحله بعدی در نظر گرفته می شوند و این عمل تکرار می شود.

اکثر الگوریتم های تکاملی جزء روش های جستجوی دسته جمعی می باشند. در بسیاری از مقالات میان الگوریتم های بهینه سازی مقایسه شده است. این مقایسه از چند جهت ضروری می باشد اولا آنکه مقایسه مشخص می کند که برای مسائل مختلف کدام الگوریتم بهتر عمل می کند دوما آنکه برای مسائلی که در آینده مطرح می شوند دید کافی برای حل آنها وجود خواهد داشت. البته این موضوع بستگی به دسته بندی صحیح مسائل بهینه سازی از جهت خصوصیات آنها و سازگاری الگوریتم های بهینه سازی برای هریک از این مشخصات خواهد داشت. سوم آنکه مقایسه الگوریتم ها بر روی یک فرآیند باعث فهم بهتر عملکرد آن فرآیند شده و این امکان را می دهد تا اصلاحات لازم بر روی الگوریتم ها انجام شده یا حتی آنها را با یکدیگر ترکیب کنیم تا از مزایای هرکدام بهره مند شویم.

یکی از مباحث مطرح شده در ریاضیات میزان پیچیدگی الگوریتم ها می باشد. الگوریتمی برای تعیین پیچیدگی یک مسئله وجود دارد که بسته به ساده ترین راه حل ممکن برای آن مسائل را به دو دسته سخت و آسان تقسیم بندی می کند. هرچقدر برای رسیدن به جواب مطلوب تعداد گام های بیشتری صرف شود آن الگوریتم پیچیده تر خواهد بود. مسائل بهینه سازی از جهت پیچیدگی به دو دسته “سرکش” (intractable) و “رام” (tractable) تقسیم می شوند.

مسائل سرکش مسائلی هستند که به طور معمول غیرقابل تصمیم گیری هستند یعنی پیدا کردن حل های ممکن برای آنها بسیار سخت است مانند حل معادلات دیوفانتین که اثبات شده است که هیچ روند پیاپی برای حل همه مثال های آن وجود ندارد. اما مسائل رام مسائلی هستند که راه حل های ممکن برای آن قابل استخراج می باشد اما ممکن است زمان و تلاش محاسباتی زیادی برای جستجوی همه راه حل های ممکن مورد نیاز باشد. در مسائل سرکش هیچ الگوریتمی وجود ندارد که به ازای گام های معین که تابعی چند جمله ای از اندازه مسئله می باشند بتواند آنها و همه مثال های مربوط به آن مسائل را حل کند.

سمینار کارشناسی ارشد برق بررسی حجم محاسبات الگوریتم های MPC

اختصاصی از فی دوو سمینار کارشناسی ارشد برق بررسی حجم محاسبات الگوریتم های MPC دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب  پی دی اف و 108 صفحه می باشد.

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-کنترل طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

چکیده

کنترل کننده های پیش بین از پیش بینی انجام شده توسط مدل سیستم در ساختار کنترل کننده استفاده می کنند. کنترل کننده های پیش بین دارای حجم محاسباتی بالایی هستند برای استفاده از این کنترل کننده ها در سیستم های سریع، لازم است تا با استفاده از ترفندهایی از حجم محاسبات آنها کاسته شود.

در این پایان نامه سعی شده است تا حجم محاسبات الگوهای کنترل کننده های پیش بین محاسبه شود. و با استفاده از روش هایی این حجم محاسبات کاهش داده شوند.

مقدمه

کنترل پیش بین MPC شامل تعدادی از الگوریتم های کنترلی است که براساس مفهوم خاصی عمل می کند. در یک کنترل کننده MPC، تعدادی از ورودی های آینده به گونه ای تعیین می شوند که خروجی پروسه در طول فاصله زمانی معینی، براساس یک تابع معیار به ورودی نزدیک باشد. این محاسبات طی هر زمان نمونه برداری انجام می شود و معمولا اولین عنصر محاسبه شده از سیگنال کنترلی به پروسه اعمال می شود. برای این عمل نیاز به یک مدل در کنار پروسه می باشد تا ورودی های آینده را به آن داده و خروجی های آینده پروسه را طبق آن پیش بینی کرد. از مشکلات اساسی کنترل کننده های پیش بین، حجم بالای محسبات آنها در هر زمان نمونه برداری می باشد. این محاسبات، معمولا به پیچیدگی مدل و فرآیند بهینه سازی تابع معیار ربط دارد. در بهینه سازی، نیاز به ضریب ماتریس ها و معکوس سازی ماتریسی است. همین فرآیند حجم محاسبات بالایی را به خود اختصاص می دهد. شاید همین امر، عامل اساسی محدود شدن استفاده از این نوع کنترل کننده به فرآیندهای کم سرعت و از جمله به فرآیندهای شیمیایی شده است. پیاده سازی این نوع کنترل کننده ها در سرعت های خیلی زیاد از اهمیت بسزایی می تواند برخوردار باشد. در این سمینار حجم محاسبات الگوهای مختلف کنترل کننده های پیش بین مانند MAC و DMC و GPC و D-DMC و FFC و Armakov-PFC برای سیستم های SISO و MIMO بررسی می شود.

فصل دوم

مروری بر الگوریتم کنترل کننده پیش بین و پارامترهای آن

کنترل پیش بین MPC شامل تعدادی از الگوریتم های کنترلی است که براساس مفهوم خاصی عمل می کند. در یک کنترل کننده MPC، تعدادی از ورودی های آینده به گونه ای تعیین می شوند که خروجی پروسه در طول فاصله زمانی معینی، براساس یک تابع معیار به ورودی مرجع نزدیک باشد. این محاسبات طی هر زمان نمونه برداری انجام می شود و معمولا اولین عنصر محاسبه شده از سیگنال کنترلی به پروسه اعمال می شود. برای این عمل نیاز به یک مدل در کنار پروسه می باشد تا ورودی های آینده را به آن داده، و خروجی های آینده پروسه را طبق آن پیش بینی کرد.

کنترل پیش بین در حوزه زمان و به صورت گسسته طراحی می گردد. برای پیاده سازی الگوریتم کنترل کننده پیش بین، در هر زمان نمونه برداری مراحل زیر باید اجرا گردد:

1- مسیر مطلوب آینده محاسبه شود.

2- با استفاده از مدل پروسه خروجی های آینده پیش بینی گردد.

3- برای به دست آوردن سیگنال کنترلی، یک مساله بهینه سازی حل گردد. بهینه سازی به صورت حلقه باز انجام می شود در نتیجه نسبت به کنترل بهینه که در حالت حلقه بسته کار می کند از محاسبات ساده تری برخوردار است.

تفاوت الگوریتم های مختلف کنترل پیش بین را می توان در نوع مدل مورد استفاده برای پیش بینی پاسخ پروسه و در تابع هزینه ای که کمینه می گردد، دانست. در کنترل کننده DMC برای پیش بینی خروجی پروسه از مدل ضرایب پاسخ پله پروسه استفاده می شود. کنترل کننده های پیش بین معروف دیگر، MAC و GPC و DDMC و PFC هستند که به ترتیب از مدل های پاسخ ضربه، تابع تبدیل، پاسخ پله واحد و تابع تبدیل استفاده می کنند.

آنچه که باعث استقبال روزافزون از این نوع کنترل کننده ها شده است را می توان در موارد زیر برشمرد:

– قابل اعمال به سیستم های پیچیده (حلقه باز ناپایدار، نامشخص، دارای صفر سمت راست، تاخیر متغییر و…) است.

– قابل اعمال به سیستم هایی که محدودیت هایی روی ورودی و یا خروجی آنها وجود دارد.

– قابل اعمال به سیستم های خطی و غیرخطی است.

– خطای مدلسازی و اغتشاشات را می تواند جبران کند.

– در مواردی که مسیر مرجع در زمان های آینده، از قبل مشخص باشد، کنترل کننده پیش بین می تواند از این اطلاعات استفاده کند و نسبت به تغییرات مسیر مرجع عکس العمل نشان دهد. بنابراین اثرات نامطلوبی مانند اثر تاخیر زمانی را جبران کند. نتایج به دست آمده بهتر از حالت بدون پیش بینی است.