پیاده سازی الگوریتم ژنتیک در متلب

[shirin parsa]

با سلام

کسی راجع به پیاده سازی الگوریتم ژنتیک تو متلب ، مطلب آموزشی داره ؟؟؟؟؟؟؟؟ ممنون میشم اگه کمکم کنید !!!

 

[P O U R I A]

با سلام

کسی راجع به پیاده سازی الگوریتم ژنتیک تو متلب ، مطلب آموزشی داره ؟؟؟؟؟؟؟؟ ممنون میشم اگه کمکم کنید !!!

سلام دوست من ...
دو فایل آموزشی برای شما قرار می دهم به شرح زیر :

1- آموزش کامل و جامع الگوریتم ژنتیک (GA)

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . الگوریتم های ژنتیک برای روش های کلاسیک بهینه سازی در حل مسائل خطی، محدب و برخی مشکلات مشابه بسیار موفق بوده اند ولی الگوریتم های ژنتیک برای حل مسایل گسسته و غیر خطی بسیار کاراتر می باشند.به عنوان مثال می توان به مسئله فروشنده دوره گرد اشاره کرد . در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . روند استفاده از الگوریتم های ژنتیک به صورت زیر می باشد: الف) معرفی جواب های مسیله به عنوان کروموزوم ب) معرفی تابع فیت نس ج) جمع آوری اولین جمعیت د) معرفی عملگر های انتخاب ه) معرفی عملگر های تولید مثل در الگوریتم های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک ، چندین جواب برای مسئله تولید می کنیم . این مجموعه جواب را جمعیت اولیه می نامیم . هر جواب را یک کروموزوم می نامیم . سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم های بهتر ، کروموزوم ها را باهم ترکیب کرده و جهشی در آنها ایجاد می کنیم . در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم ها حاصل می شود ، ترکیب می کنیم .با توجه به این که الگوریتم ژنتیک یکی از پرکاربردترین روش های بهینه یابی تکاملی می باشد، آشنایی و یادگیری آن می تواند به هر مهندس و دانشجویی برای حل مسائلش کمک کند. جزوه ی جامع “الگوریتم های فرااکتشافی جست و جو: الگوریتم ژنتیک” می تواند در این راستا کمک زیادی به شما بکند.

2- فایل آموزش تولباکس الگوریتم ژنتیک در متلب

الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند.مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.

 

[toteshan8602]

سلام دوست من ...
دو فایل آموزشی برای شما قرار می دهم به شرح زیر :

1- آموزش کامل و جامع الگوریتم ژنتیک (GA)

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . الگوریتم های ژنتیک برای روش های کلاسیک بهینه سازی در حل مسائل خطی، محدب و برخی مشکلات مشابه بسیار موفق بوده اند ولی الگوریتم های ژنتیک برای حل مسایل گسسته و غیر خطی بسیار کاراتر می باشند.به عنوان مثال می توان به مسئله فروشنده دوره گرد اشاره کرد . در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . روند استفاده از الگوریتم های ژنتیک به صورت زیر می باشد: الف) معرفی جواب های مسیله به عنوان کروموزوم ب) معرفی تابع فیت نس ج) جمع آوری اولین جمعیت د) معرفی عملگر های انتخاب ه) معرفی عملگر های تولید مثل در الگوریتم های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک ، چندین جواب برای مسئله تولید می کنیم . این مجموعه جواب را جمعیت اولیه می نامیم . هر جواب را یک کروموزوم می نامیم . سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم های بهتر ، کروموزوم ها را باهم ترکیب کرده و جهشی در آنها ایجاد می کنیم . در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم ها حاصل می شود ، ترکیب می کنیم .با توجه به این که الگوریتم ژنتیک یکی از پرکاربردترین روش های بهینه یابی تکاملی می باشد، آشنایی و یادگیری آن می تواند به هر مهندس و دانشجویی برای حل مسائلش کمک کند. جزوه ی جامع “الگوریتم های فرااکتشافی جست و جو: الگوریتم ژنتیک” می تواند در این راستا کمک زیادی به شما بکند.

2- فایل آموزش تولباکس الگوریتم ژنتیک در متلب

الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند.مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌ش

what's password?
tnx

 

[P O U R I A]

what's password?
tnx

pass:
powerprojects.ir

 

[toteshan8602]

pass:
powerprojects.ir

ممنون
ولی فایل pdf(gads_tb) باز نمیشه!

 

[P O U R I A]

ممنون
ولی فایل pdf(gads_tb) باز نمیشه!

درسته ..
رمز مقاله اول :

powerprojects.ir​

رمز مقاله دوم : matlabsite.com
فایل جدیدش رو براتون در لینک زیر قرار دادم ..
https://www.mediafire.com/?l62rl3x8qaidlbx

 

[toteshan8602]

درسته ..
رمز مقاله اول :

powerprojects.ir​

رمز مقاله دوم : matlabsite.com
فایل جدیدش رو براتون در لینک زیر قرار دادم ..
https://www.mediafire.com/?l62rl3x8qaidlbx

خیلی ممنون.لطف کردید.اگه اشکال داشتم میتونم ازتون کمک بگیرم.

 

[toteshan8602]

درسته ..
رمز مقاله اول :

powerprojects.ir​

رمز مقاله دوم : matlabsite.com
فایل جدیدش رو براتون در لینک زیر قرار دادم ..
https://www.mediafire.com/?l62rl3x8qaidlbx

دررابطه با الگوریتم ژنتیک مثال مهندسی شیمی اگه دارید ممنون میشم بزارید
بازم از زحماتتون ممنونم

 

[toteshan8602]

من یه مثال مهندسی شیمی در این رابطه میخواااااااام

 

[P O U R I A]

استفاده از الگوریتم ژنتیک در مسائل کوتاهترین مسیر چند معیاره بر پایه سیستمهای اطلاعات مکانی

استفاده از الگوریتم ژنتیک در مسائل کوتاهترین مسیر چند معیاره بر پایه سیستمهای اطلاعات مکانی

نویسندگان
پرهام پهلوانی؛ محمودرضا دلاور؛ فرهاد صمدزادگان


چکیده
مسائل کوتاهترین مسیر چند معیاره1(MSPP) از جمله مسائل NP-Hard قلمداد می‌شوند. درMSPP با در نظر گیری معیارهای مستقل با درجه اهمیت مساوی؛ ارائه یک راه‌حل بهینه منحصربفرد که بهینه کننده تمام معیارها بصورت همزمان باشد، بندرت در واقعیت امکان پذیر است و در نتیجه ناچار به محاسبه‌ی تقریبی از بهینه کلی خواهیم بود. تعدادی از روشهای تقریبی مسیریابی برای حل این دسته از مسائل پیشنهاد شده‌اند اما پیچیدگی زمانی این روشها باعث شده است که از مطرح شدن آنها بعنوان یک راه‌حل عملی در شبکه‌های بزرگ جلوگیری شود. در طول دهه‌های گذشته الگوریتم ژنتیک2(GA) در حل مسائل پیچیده بهینه‌سازی چند هدفه به خوبی عمل کرده‌است. در این مقاله یک الگوریتم ژنتیک در محیط سیستم‌های اطلاعات مکانی3(GIS) برای MSPP با در نظر گرفتن معیارهای مستقل با درجه اهمیت مساوی ارائه شده ‌است. نتایج بدست آمده از تجزیه و تحلیل کارهای عملی انجام شده، حاکی از قابلیت الگوریتم ژنتیک پیشنهادی در جستجوی فضای مساله، تولید یک مجموعه‌ی بزرگ از مسیرهای پیشنهادی و تکامل بسوی تقریبی با کیفیت خوب از جواب های بهینه در MSPP می‌باشند.

کلیدواژگان
الگوریتم ژنتیک چند هدفه؛ سیستم‌های اطلاعات مکانی؛ کوتاهترین مسیر چند معیاره

____________________________________________
http://www.mediafire.com/view/2bznwtqdnd6w4r2/JFE194341213990200.pdf

 

[P O U R I A]

تحلیل و بهینه‌سازی سازه‌های ساندویچی با هسته سینوسی

تحلیل و بهینه‌سازی سازه‌های ساندویچی با هسته سینوسی

نویسندگان
محمدکاظم بشارتی گیوی؛ مهدی قاسمی؛ سیدمحمودی موسوی مشهدی
دانشگاه تهران


چکیده
در این مقاله به بررسی نوع خاصی از پانل‌های ساندویچی با هسته سینوسی پرداخته شده است که در آن بار به صورت گسترده به صفحات بالایی و پایینی اعمال می شود، ابتدا با رسم نمودار های آزاد و روش انرژی و تئوری کاستیگیلیانو نیروها و ممان ها در هسته به تشکیل گردیده و سپس از روی این معادلات تنش ها و تغییر مکان های عمودی و افقی در اثر بار وارده به دست آمده اند، به منظور بررسی صحت نتایج تحلیلی، جواب ها با نرم افزار ANSYS مقایسه شده اند. با در نظر گرفتن قید مکان برای پانل ساندویچی، بهینه سازی توسط الگوریتم ژنتیک و جعبه ابزار MOEA در محیط MATLAB انجام شده و در انتها جواب های حاصل از بهینه سازی با هم مقایسه گردیده اند. در این تحقیق برنامه مدلی در نرم افزار MATLAB به صورت m-file تهیه شده است که در آن کاربر می تواند مشخصات پانل مورد نظر خود را از قبیل جنس و محدوده هرکدام از مشخصه ها را در فایل وارد کرده سپس با استفاده از جعبه ابزار MOEA جواب های بهینه را ملاحظه نماید، سپس با اجرای دستورات APDL داده شده در محیط ANSYS و وارد کردن مشخصه های بهینه جواب های حاصل از تحلیل را مشاهده نماید که این امر می تواند کمک بسیار خوبی برای سازندگان این پانل ها باشد.

کلیدواژگان
الگوریتم ژنتیک؛ سازه های ساندویچی

_______________________________________________
https://www.mediafire.com/?a479qcx4hm5q2dr

 

[P O U R I A]

بهینه سازی تک معیاره و چند معیاره برج خنک کن خشک هلر در نیروگاه‌های سیکل ترکیبی با استفاده از الگوریتم ژنتیک

بهینه سازی تک معیاره و چند معیاره برج خنک کن خشک هلر در نیروگاه‌های سیکل ترکیبی با استفاده از الگوریتم ژنتیک

نویسندگان
1حسین شکوهمند؛ 1محمدعلی نظری؛ 1بابک قائم پناه؛ 2محمدرضا علیگودرز
1دانشگاه تهران
2دانشگاه شهید رجائی

چکیده
در این مقاله طراحی، محاسبه عمل کرد و بهینه سازی برج خنک کن خشک غیرمستقیم (هلر) مورد بررسی قرار گرفته است. مبدل های حرارتی در اینجا از نوع خاصی به نام فورگو T60 می باشند. این نوع برج های خنک کن در نیروگاه های سیکل بخار و تر کیبی به کار می روند. به منظور بهینه سازی برج خنک کن از دو شیوه الگوریتم ژنتیک تک معیاره و چند معیاره با هدف کاهش هزینه و افزایش راندمان استفاده شده است. از آنجایی که عمل کرد سیستم خنک کن خشک هلر بسیار وابسته است به دمای محیط و هم چنین عمل کرد آنها اثری مستقیم بر میزان تولید برق چرخه قدرت دارد، در این بهینه سازی منحنی تغییرات سالانه دما و منحنی مشخصه چرخه قدرت نیز به عنوان داده های طراحی اعمال شده اند. به منظور بررسی صحت نتایج حاصل از این بهینه سازی از اطلاعات برخی از نیروگاه های در حال کار استفاده شده است که به نتایج خوبی در مقایسه با مقادیر واقعی رسیده ایم.

کلیدواژگان
الگوریتم ژنتیک تک معیاره و چند معیاره؛ برج خنک کن خشک هلر؛ بهینه سازی؛ تابع هدف قیمت عملکرد؛ چرخه قدرت؛ مبدل حرارتی فورگو؛ منحنی مشخصه


_________________________________________
https://www.mediafire.com/view/gkw8pymsaz4arkj/111.pdf

 

[P O U R I A]

شناسایی سیستم و طراحی کنترل بهینه با استفاده از الگوریتم ژنتیک برای کنترل ارتعاشات یک بال هوشمند

شناسایی سیستم و طراحی کنترل بهینه با استفاده از الگوریتم ژنتیک برای کنترل ارتعاشات یک بال هوشمند

نویسندگان
حسین شاهی؛ عقیل یوسفی‌کما؛ علیرضا محرابیان*

چکیده
در این مقاله روشی برای مسئله شناسایی و کنترل ارتعاشات سازه‌های هوشمند ارائه شده است. سازه‌های هوشمند به کمک سنسورها و محرک‌های تعبیه شده در آنها می‌توانند به صورت فعال شکل فیزیکی خود را تغییر دهند. به عنوان یک مثال خاص، در این مطالعه مدلی از بال عمودی یک هواپیمای جنگی در مقیاس کوچک به عنوان یک بال هوشمند در نظر گرفته شده است. همچنین از تعدادی پیزوسرامیک که بر روی بال چسبانده شده‌اند، به عنوان محرک استفاده شده است. پاسخ فرکانسی بال هوشمند از طریق آزمایش به دست آمده و تابع تبدیل حاکم بر بال هوشمند، به روش شناسایی سیستم تجربی و به کمک جعبه‌ابزار «شناسایی سیستم» نرم‌افزار Matlab استخراج شده است. در ادامه به منظور کاهش ارتعاشات سازه هوشمند، با استفاده از مدل به دست آمده و به کمک الگوریتم ژنتیک، یک کنترلر PID بهینه و یا یکی از مشتقات آن (P، PI، PD) طراحی می‌شود. بدین منظور توابع هدف مختلفی تعریف گردید و از میان نتایج حاصله از آنها بهترین گزینه انتخاب گردید. نتایج به دست آمده بیانگر آنست که کنترلر طراحی شده توانسته است به طور چشمگیری ارتعاشات بال هوشمند را کاهش دهد.

کلیدواژگان
الگوریتم ژنتیک؛ سازه‌های هوشمند؛ شناسایی سیستم دینامیکی؛ کنترلر PID بهینه؛ کنترل فعال ارتعاشات

________________________________________
http://pouriatiz.persiangig.com/document/JFE192941205958600.pdf/download

 

[P O U R I A]

روشی مبتنی بر تئوری گراف جهت تعیین بهینه جزیره ها در فرآیند بازیابی

روشی مبتنی بر تئوری گراف جهت تعیین بهینه جزیره ها در فرآیند بازیابی

نویسندگان
حسین افراخته؛ محمودرضا حقی فام*

چکیده
در این مقاله، اثر تغییر تعداد جزیره ها در فرآیند بازیابی مورد مطالعه قرار گرفته و یک روش جدید مبتنی بر تئوری گراف به منظور تعیین حدود و مرزهای بهینه هر جزیره ارائه خواهد شد. تابع هدف، مینیمم کردن شاخص انرژی تامین نشده (ENS) با در نظر گرفتن قیود مختلف بهره برداری شامل حدود ولتاژ شینه ها، حداکثر ظرفیت خطوط انتقال و محدوده توان واحدهای تولیدی است. تعیین مقدار تقریبی شاخصENS بر اساس روش اختصاص ظرفیت تولید به بارهای مصرفی انجام گرفته که چگونگی اجرای این روش نیز بیان گردیده است. مبنای بهینه سازی، الگوریتم ژنتیک بوده و یک کدینگ خاص برای مدل سازی شبکه و اعمال آن به الگوریتم بکار رفته است. به منظور ارزیابی قابلیت های روش پیشنهادی، سیستم تست IEEE-118Bus مورد استفاده قرار گرفته و نتایج بدست آمده در تقسیم شبکه تست به 2 الی 7 جزیره و تعیین حدود و مرزهای بهینه آنها در بخش مطالعات عددی داده شده است.

کلیدواژگان
الگوریتم ژنتیک؛ انرژی تامین نشده (ENS)؛ بازیابی بار؛ بازیابی سیستم قدرت؛ تئوری گراف؛ جزیره

___________________________________________
http://pouriatiz.persiangig.com/document/JFE190031195677000.pdf/download

 

[P O U R I A]

تنظیم پارامترهای ترانسفورماتور با استفاده از الگوریتم ژنتیک

تنظیم پارامترهای ترانسفورماتور با استفاده از الگوریتم ژنتیک

نویسندگان
ابراهیم رحیم پور؛ وحید رشتچی؛ اسماعیل مشهدی رضاپور*

چکیده
با توجه به اینکه مدلهای مشروح ترانسفورماتورها با استفاده از ساختار داخلی ترانسفورماتور حاصل می شوند، برای مطالعة پدیده های داخلی ترانسفورماتور در شرایط کار مختلف بسیار مناسب هستند. برای اینکه مدل مشروح بتواند رفتار ترانسفورماتور را در یک حوزة فرکانس بخوبی شبیه سازی کند لازم است پارامترهای آن با دقت بسیار خوبی محاسبه شوند. در این مقاله مدل مشروحی بر اساس اندوکتانسهای خودی و متقابل برای یک سیم پیچ فشارقوی متعلق به یک ترانسفورماتور توزیع MVA 2/1 ارائه می‌شود. بعد از محاسبة پارامترهای مدل مشروح پیشنهادی توسط فرمولهای ریاضی موجود در مراجع، دیده می‌شود که مدل مشروح بدست آمده بدلیل وجود تقریب در فرمولها و نیز تُلرانسهای مربوط به تولید، تابع تبدیل ترانسفورماتور را کاملاً دقیق شبیه سازی نمی‌کند. در این مقاله برای اولین بار روشی بر مبنای الگوریتم ژنتیک ارائه می شود، که با استفاده از آن می‌توان پارامترهای مدل مشروح را برای شبیه سازی دقیقتر تابع تبدیل ترانسفورماتور بدست آورد.

کلیدواژگان
ترانسفورماتور ـ الگوریتم ژنتیک ـ تخمین پارامتر

________________________________________________
http://pouriatiz.persiangig.com/document/JFE190031195677000.pdf/download

 

[P O U R I A]

بهینه سازی ورقهای کامپوزیت با استفاده از الگوریتم ژنتیک

بهینه سازی ورقهای کامپوزیت با استفاده از الگوریتم ژنتیک

نویسندگان
محمدرضا قاسمی؛ خسرو پیله وریان*
0541-2446251

چکیده
بهینه‌سازی سازه‌ها یعنی طراحی آنها به صورتی که هم مسائل فنی رعایت شوند و هم کمترین وزن و هزینه اجرایی را داشته باشد. در سالهای اخیر استفاده از مواد‌مرکب‌چندلایه در ساخت سازه‌های مکانیکی، فضایی، دریایی و خودروسازی افزایش یافته است. یکی از دلایل عمده استفاده از این مواد، مقاومت بسیار زیاد به همراه وزن کم آنها می باشد. از اهداف این تحقیق طراحی بهینه یک ورق مرکب چند‌لایه با کمترین وزن و هزینه ممکنه است، بطوریکه صفحه بیشترین بار ممکن را تحمل نماید تا به مرحله گسیختگی نهایی برسد. معیار گسیختگی در این تحقیق معیار تسای-هیل می‌باشد. تابع برازندگی که به صورت چند هدفه است، ترکیبی از وزن، هزینه و بار گسیختگی نهایی می‌باشد. بنابراین مسئله در اینجا یک مسئله کمینه سازی و بیشینه‌سازی بطور همزمان می باشد-کمینه‌سازی وزن و هزینه و بیشینه‌سازی بار گسیختگی نهایی. متغیرهای طراحی در این مسئله متشکل از ضخامت، زاویه الیاف و جنس برای هر لایه می‌باشند که می‌توانند به صورت پیوسته یا گسسته در نظر گرفته شوند. تغییرات ضخامت به صورت پیوسته و تغییرات زاویه الیاف و جنس به صورت گسسته می‌باشند. تعداد لایه‌ها ثابت در نظر گرفته می‌شود و برای تحلیل ورق از روش تئوری کلاسیک چندلایه‌ها استفاده می‌گردد. از اهداف اصلی این تحقیق چگونگی تلفیق توابع کمینه‌سازی و بیشینه‌سازی چندهدفه بطور همزمان و نیز بدست آوردن بار گسیختگی نهایی صفحه- باری که تحت آن بار همه لایه‌ها و نه فقط اولین لایه گسیخته شود. اغلب برنامه‌های بهینه‌ساز با دو اشکال عمده همگرایی موضعی وعملکرد با متغیرهای گسسته مواجه هستند. لذا دستیابی به ابزاری که بر مشکل مذکور غلبه کند, ضروری به نظر می‌رسد. الگوریتم وراثتی که یکی از روشهای بهینه سازی الهام گرفته از طبیعت است، بر این مشکل فائق آمده است. به منظور نیل به اهداف فوق اقدام به تهیه نرم افزاری گردیده که کلیه مراحل تحلیل، طراحی وبهینه سازی صفحات کامپوزیت را با در نظرگرفتن شرایط‌ اخیر بوسیله الگوریتم وراثتی انجام می‌دهد. نتایج این تحقیق نشان می‌دهد که با یک ترکیب قابل قبول از لحاظ وزن و هزینه، یک صفحه کامپوزیت قادر به تحمل بارهای بسیار بزرگی از نظر مقدار می‌باشد.

کلیدواژگان
الگوریتم ژنتیک؛ تابع چند هدفه؛ کمینه‌سازی و بیشینه‌سازی همزمان؛ ورقهای کامپوزیت


___________________________________________
http://pouriatiz.persiangig.com/document/JFE155971164141000.pdf/download

 

[P O U R I A]

مدلسازی سینتیکی واکنش گوگردزدایی دی بنزوتیوفن

مدلسازی سینتیکی واکنش گوگردزدایی دی بنزوتیوفن

نویسندگان
شهره فاطمی؛ رامین بزرگمهری؛ محمد هاشمی*

چکیده
امروزه تصفیه گازوییل و نفتای سنگین از ترکیبات گوگردی در صنایع نفت وپالایش به جهت بالابردن کیفیت محصولات و رفع آلودگی زیست محیطی حایز اهمیت است. از آنجایی که برشهای سنگین نفتی دارای ترکیبات سنگین گوگردی از جمله بنزوتیوفن و دی بنزو تیوفن می باشند نیاز است سینتیک واکنش انجام شده مدلسازی شود تا بتوان فرایند گوگرد زداییHDS) ( را در مقیاس نیمه صنعتی و صنعتی شبیه سازی و طراحی کرد.
به این منظوردر مقاله حاضرمدل مناسب سینتیکی برای واکنش گوگردزدایی از خوراک دی بنزو تیوفن بررسی شده و پارامتر های بهینه آن تعیین شده اند. در این تحقیق با کمک الگوریتم های جستجوی تصادفی که یک نوع آن الگوریتم ژنتیک1 است‏ این مدلسازی انجام شده است. در مقاله حاضر از میان مدلهای دقیق سینتیکی متداول که معمولا از نوع لانگمیر-هینشلوود2 می باشند، شش معادله برای واکنش هیدروژنولیز و چهار معادله برای واکنش هیدروژناسیون انتخاب شده و توسط الگوریتم ژنتیک در برازش با نتایج آزمایشی مرجع ]1[ تحلیل شده تا پارامتر های بهینه تعیین شوند. در میان این مدل ها‏ سه مدل با دقت بالاتری برروی نتایج آزمایشی برازش شده است.
همچنین در الگوریتم بکار رفته اثر میزان جهش3 بر روی عملکرد بهینه الگوریتم در شرایط ترکیب4 کامل بررسی شدو در نهایت ملاحظه شد که در اکثر موارد با ترکیب 100% و جهش 5% نتایج سریعتر همگرا می شود.
در تحقیق حاضر الگوریتم لونبرگ-مارکوارت5 نیز در تحلیل و مقایسه با الگوریتم ژنتیک قرار گرفته است، که نتیجه شد الگوریتم مذکور بر خلاف الگوریتم ژنتیک نسبت به حدس های اولیه حساس است و امکان گرفتار شدن در دام مینیمم نسبی وجود دارد. در نهایت به دلیل عدم حساسیت الگوریتم ژنتیک نسبت به حدس های اولیه، از این الگوریتم در تعیین پارامتر های آرنیوسی ثابت های سرعت و جذب استفاده شده است.

کلیدواژگان
الگوریتم ژنتیک؛ دی بنزوتیوفن؛ سینتیک گوگردزدایی

__________________________________________
http://pouriatiz.persiangig.com/document/JFE139741161549000_3.pdf/download

 

[P O U R I A]

مدل کردن ژنراتور و طراحی پایدار ساز در سیستمهای قدرت چند ماشینه

مدل کردن ژنراتور و طراحی پایدار ساز در سیستمهای قدرت چند ماشینه

نویسندگان
محمدرضا بسمی؛ J.W. Finch*

چکیده
هدف این مقاله طراحی پایدار سازهای قدرت(PSS) در سیستمهای قدرت چند ماشینه می باشد. در این مطالعه نقش مدل کردن ژنراتور و شبکه که تاثیر مستقیمی در طراحی PSS دارد مورد توجه ویژه قرار گرفته است. جهت این منظور مهمترین مدل های ژنراتور در یک سیستم قدرت چند ماشینه در شبکه قدرت بدون اتصال به شین بینهایت (MMPS) ونیز شبکه ای که به شین بینهایت متصل شده باشد(MMPSW) شبیه سازی شده اند و اثرات این مدل ها و شین بینهایت در شبکه در شرایط دینامیک سیستم مورد توجه قرار گرفته و نتایج حاصله برای انتخاب مدل مورد نظر و شبکه مورد نظر در طراحی PSS مورد بررسی قرارگرفته است. کنترل کننده PID جهت طراحی PSS مورد استفاده قرار گرفته است و پارامترهای این کنترل کننده در تعدادی از شرایط کاری مشخص در یک سیستم قدرت چند ماشینه از روش جدید الگوریتم ژنتیک ساده(NSGA) بدست آمده است. از روش شبکه های عصبی (ANN) جهت ارتباط و استفاده مناسب از پارامترهای بدست آمده از طریق GA در یک فضای کاری پیوسته و وسیع استفاده شده است.

کلیدواژگان
الگوریتم ژنتیک؛ پایدار ساز سیستم قدرت سیستم قدرت چند ماشینه؛ شبکه های عصبی

______________________________________
http://pouriatiz.persiangig.com/document/JFE140251161549000.pdf/download

 

[P O U R I A]

تعیین بهترین وضعیت نصب ***یونرها در شبکه های توزیع انرژی الکتریکی

تعیین بهترین وضعیت نصب ***یونرها در شبکه های توزیع انرژی الکتریکی

تعیین بهترین وضعیت نصب ***یونرها در شبکه های توزیع انرژی الکتریکی

نویسندگان
حمید فلقی؛ محمودرضا حقی فام؛ مریم رمضانی


چکیده
قابلیت اطمینان شبکه های توزیع انرژی الکتریکی از جمله موارد مهمی است که توجه بسیاری از شرکت های توزیع نیروی برق را به خود جلب کرده است. یکی از راهکارهای عمده و سهل الوصول برای ارتقاء سطح قابلیت اطمینان شبکه های توزیع نصب ***یونرها روی فیدرهای فشار متوسط است. در این مقاله با توجه به محدودیت بودجه طرح و در نظر داشتن ملاحظات فنی و اقتصادی و اهمیت نقاط بار سه مدل برای مکان یابی ***یونر ها در شبکه های توزیع ارائه شده است. در مدل اول هدف تعیین وضعیت قرارگیری ***یونرها به صورتی است که ضمن رعایت محدودیت حداکثر بودجه طرح هزینه های تجهیزات تعمیر و نگهداری و خاموشی ها کمیته گردد. در مدل دوم هدف اصلی تعیین بهترین نحوه صرف منبع مالی در دسترس در شبکه های توزیع به نحوی است که بیشترین بهبود را در قابلیت اطمینان بوجود آورد. در مدل سوم نیز دستیابی به حد مشخصی از قابلیت اطمینان با صرف کمترین هزینه به عنوان هدف منظور شده است. برای بهینه سازی مساله از الگوریتم ژنتیک به عنوان ابزار بهینه سازی استفاده شده است. کارایی روش پیشنهادی از طریق اجرای آزمایشهایی روی شبکه توزیع مربوط به باس 2 RBTS و نیز در مورد یک فیدر واقعی از شبکه توزیع ایران نشان داده شده است.

کلیدواژگان
الگوریتم ژنتیک؛ شبکه توزیع؛ محدودیت بودجه؛ مکان یابی ***یونر

___________________________________
http://pouriatiz.persiangig.com/document/JFE102531130013000.pdf/download

 

[P O U R I A]

طراحی سیستم تولید سلولی در شرایط پویا و احتمالی و حل آن با استفاده از الگوریتم ژنتیک

طراحی سیستم تولید سلولی در شرایط پویا و احتمالی و حل آن با استفاده از الگوریتم ژنتیک

نویسندگان
محمدجواد اصغرپور؛ نیک بخش جوادیان*

چکیده
در این مقاله حل مسأله تولید سلولی(CM) در شرایط پویای احتمالی با استفاده از یک الگوریتم ژنتیک مورد بررسی قرار می گیرد.سیستم های تولید سلولی در واقع کاربردی از فناوری گروهی در زمینه ساخت و تولید می باشند که هدف از آنها دسته بندی قطعات و ماشین بگونه ای است که از تشابه ظاهری و یا عملیاتی آنها در جنبه های مختلف ساخت و طراحی استفاده شود. در اکثر تحقیقات گذشته مسأله تولید سلولی همواره در شرایط تولید ثابت ویا تقاضای معین مورد بحث قرار می گرفت حال آنکه در عمل تولید پویا و تقاضا برای محصولات نامعین است .از آنجاییکه تطبیق هر چه بیشتر یک مدل CM با شرایط واقعی مستلزم فزونی متغیرها و محدودیت های مدل می باشد بنابراین حل چنین مدلی توسط روشهای بهینه سازی سنتی احتیاج به زمان،حافظه و قدرت پردازش بالا خواهد داشت در نتیجه امروزه روشهای نوینی همانند الگوریتم های ژنتیک مورد توجه قرار گرفته اند. الگوریتم های ژنتیک جزء تکنیک های جستجوی تصادفی می باشند که برای حل مسایل NP-Complete همانند CM استفاده می شوند. در این مقاله ابتدا یک مدل عدد صحیح غیرخطی از CM ارائه و سپس توسط الگوریتم ژنتیک حل می گردد ودر خاتمه نتایج به دست آمده با حل بهینه مقایسه و صحت الگوریتم ارائه شده مورد بررسی قرار می گیرد .

کلیدواژگان
الگوریتم ژنتیک؛ دسته بندی قطعات و ماشین ها؛ سیستم تولید سلولی؛ شرایط پویای احتمالی

_____________________________________________________
http://pouriatiz.persiangig.com/document/JFE145041082403000.pdf/download

 

[P O U R I A]

بهبود شاخصهای فرمان پذیری خودرو از طریق بهینه‌سازی هندسی مکانیزم فرمان

بهبود شاخصهای فرمان پذیری خودرو از طریق بهینه‌سازی هندسی مکانیزم فرمان

نویسندگان
رضا کاظمی؛ مسعود شریعت پناهی؛ حمید رضا حاجی اسماعیلی*

چکیده
فرمان پذیری یک خودرو که بیانگر رفتار دینامیکی آن در حرکت بر روی مسیرهای منحنی است متاثر از ویژگیهای هندسی و عملکردی ساز و کارهای گوناگون به کار رفته در خودرو نظیر سیستم فرمان، سیستم تعلیق و سیستم ترمز می‌باشد. بر این اساس در طراحی هر یک از سیستمهای یاد شده باید تاثیر ویژگیهای آن سیستم در فرمان پذیری خودرو به عنوان یکی از معیارهای مهم در نظر گرفته شود. در این مقاله تاثیر هندسه ( و به طور مشخص مختصات اتصالات و لوله‌ها) ساز و کار دنده‌ شانه‌ای به کار رفته در سیستمهای معمول فرمان بر فرمان پذیری خودرو بررسی شده و روش جدیدی برای دستیابی به بهترین کیفیت فرمان پذیری با استفاده از الگوریتمهای ژنتیک پیشنهاد شده است. بدین منظور مدل دینامیکی فرمان دنده شانه ای با مدل دینامیکی کل خودرو تلفیق شده و پارامترهای دینامیکی و قیدهای سینماتیکی ساز و کار فرمان در مدل دینامیکی مناسبی که با استفاده از مدل خطی تایر برای بررسی فرمان پذیری خودرو انتخاب شده ادغام گردیده است. سپس معادلاتی که به این طریق بدست می آید به ازاء ورودی پله‌ای با غربیلک فرمان و به کمک نرم‌افزار MATLAB حل شده و مقادیر شاخصهای فرمان پذیری خودروی مورد نظر محاسبه شده و مورد بحث قرار گرفته است. همچنین دلائل به کارگیری الگوریتم ژنتیک برای یافتن مختصات بهینه اتصالات ساز و کار فرمان و مزایای استفاده از این روش توضیح داده شده است.

کلیدواژگان
الگوریتمهای ژنتیک؛ بهینه‌سازی؛ دینامیک خودرو؛ سیستم فرمان؛ فرمان پذیری

_________________________________________________
http://pouriatiz.persiangig.com/document/JFE101971069446600.pdf/download

 

[P O U R I A]

طراحی بهینه ترانسفورماتور به کمک الگوریتم ژنتیک

طراحی بهینه ترانسفورماتور به کمک الگوریتم ژنتیک

نویسندگان
سید هادی حسینی؛ حسین سیفی

چکیده
انتقال انرژی الکتریکی در مسافتهای طولانی به همراه لزوم کاهش تلفات و افت ولتاژ شبکه باعث استفاده از ترانسفورماتور در شبکه در سطوح ولتاژی مختلف آن می شود . نقش این عنصر در شبکه بهمراه قیمت بالای آن که به سبب استفاده از مواد گرانقیمت در ساخت آن ناشی می شود، لزوم طراحی بهینه آن را آشکارتر می سازد. در این مقاله با کمک گیری از مفهوم روش مدرن بهینه سازی بر مبنای آلگوریتم ژنتیک، روشی متفاوت با روشهای بهینه سازی پیشین برای طراحی بهینه ترانسفورماتور ارائه شده است. براساس روش فوق، نرم افزاری جهت طراحی بهینه ترانسفورماتور پیاده سازی شده است و نتایج طراحی بوسیله این نرم افزار برای یک نمونه ترانسفورماتور توزیع آورده شده است.

کلیدواژگان
آلگوریتم ژنتیک؛ ترانسفورماتور؛ طراحی بهینه

____________________________________________
http://pouriatiz.persiangig.com/document/JFE101341030044600.pdf/download

 

[P O U R I A]

مکان یابی و تعیین ظرفیت بهینه پست های فوق توزیع با استفاده از الگوریتم ژنتیک در حضور بار های غیر قطعی

مکان یابی و تعیین ظرفیت بهینه پست های فوق توزیع با استفاده از الگوریتم ژنتیک در حضور بار های غیر قطعی

نویسندگان
محمود رضا حقی فام؛ مجید شهابی*

چکیده
مساله برنامه ریزی بلند مدت طرح توسعه شبکه توزیع از ابعاد مختلف دارای پیچیدگی های فراوانی بوده چرا که این مساله دارای تعداد بسیار زیادی متغیر تصمیم گیری است . جابجایی بهینه پست های فوق توزیع و تعیین ظرفیت و حوزه سرویس دهی بهینه آنها یکی از مسائل عمده در طراحی توسعه می باشد . در این مقاله یک روش پیشنهادی برای یافتن تعداد ، مکان ، تعیین ظرفیت و حوزه سرویس دهی بهینه پست های فوق توزیع از میان مکان های برای احداث پست ، ارائه گردیده است . با در نظر گرفتن نادقیق بودن پیش بینی بار نواحی ، روش پیشنهادی بر اساس الگوریتم ژنتیک و مدل فازی برای میزان توان نواحی برق مدل سازی شده و همراه با سه روش استاتیکی ، پی در پی و شبیه پویا طرح توسعه پست های فوق توزیع برای دوره های مختلف زمانی پیشنهاد می گردد . با انجام آزمایشات گوناگون بر روی یک مثال پایه ای ، کارایی روش ارائه شده نشان داده شده است .

کلیدواژگان
الگوریتم ژنتیک؛ پست های فوق توزیع؛ جایابی بهینه؛ حوزه سرویس دهی؛ مدل فازی

__________________________________________
http://pouriatiz.persiangig.com/document/JFE101211030044600.pdf/download

 

[P O U R I A]

ارائه مدل تخصیص ترافیک به شبکه حمل و نقل شهری و حل آن با استفاده از الگوریتم ژنتیک

ارائه مدل تخصیص ترافیک به شبکه حمل و نقل شهری و حل آن با استفاده از الگوریتم ژنتیک

نویسندگان
محمدجواد اصغرپور؛ سعداله ابراهیم نژاد*

چکیده
در این مقاله یک مدل جدید ریاضی دو سطحی،با زمان گسسته ارائه شده است که این مدل پیشنهادی،مساله تخصیص ترافیک را بصورت پویا مدلسازی می نماید. این مدل از نوع برنامه ریزی آرمانی غیرخطی آمیخته با اعداد صحیح است که از نظر جایگاه ، در دسته مسائل تخصیص بهینه ترافیک قرار دارد. با توجه به اینکه حل این قبیل مسائل در دسته مسائل NP-Hard قرار دارد و اغلب آنها از نظر پیچیدگی زمانی،رفتار چندجمله ای ندارند،لذا در این مقاله علاوه بر استفاده از یک الگوریتم قطعی در حل مساله موجود برای دسترسی به یک شاخص قطعی برای مقایسه،یک الگوریتم ژنتیک خاص نیز طراحی شد و مدل پیشنهادی با آن حل گردید. این الگوریتم علاوه بر کنترل محدودیتها در فضای تصمیم گیری و اصلاح اعضای نسل،سبب بهبود فرآیند تکامل گردیده و مساله را با سرعت قابل قبولی حل مینماید. نتایج حل آن با نتایج حل الگوریتم دقیق مبتنی بر کرادیان تقلیل یافته عمومی مورد مقایسه وتجزیه و تحلیل قرار گرفت. نتایج نشان داد که حل مدل پیشنهادی با الگوریتمGRG و الگوریتم ژنتیک از نظر مقدار تابع هدف آرمانی اختلاف زیادی ندارند. همچنین حل مدل پیشنهادی با الگوریتم ژنتیک،با تعداد زیادی از نمونه ها نشان داد که زمان حل مدل با الگوریتم ژنتیک با اندازه جمعیت ([m]?30) و تعداد نسل([gen]?300) کمتر از الگوریتم GRG می باشد . با افزایش تعداد نسلها و اندازه جمعیت از مقادیر فوق، استفاده از الگوریتم ژنتیک موازی کارآتر خواهد بود.

کلیدواژگان
الگوریتم ژنتیک؛ بهینه سازی شبکه چند هدفه؛ تخصیص ترافیک؛ مدل شبکه حمل و نقل شهری

_____________________________________
http://pouriatiz.persiangig.com/document/JFE143681014150600.pdf/download

 

[P O U R I A]

مدلسازی و فهرست بندی در FMS با استفاده از شبکه های پتری و الگوریتم های ژنتیکی

مدلسازی و فهرست بندی در FMS با استفاده از شبکه های پتری و الگوریتم های ژنتیکی

نویسندگان
بهزاد مشیری؛ منصور هادی زاده*

چکیده
در این مقاله سعی خواهد شد که یک مدل جامع از یک سیستم انعطاف پذیر (F.M.S) به کمک شبکه پتری ارائه گردد و در ادامه به کمک الگوریتم های ژنتیکی روشی سریع برای یافتن یک فهرست بندی مناسب و بهینه ارایه گردد.
در این تحقیق سعی میشود اولاً تمام نکات عملی موجود در FMS نظیر ماشین های CNC ، ربات ها،حامل های بار نظیر AGV ، نگهدارنده ها و همچنین مسایلی نظیر تداخل مسیر حرکت حاملها و یا تداخل حرکت ربات ها همگی در مدلسازی مسأله مطرح شوند. ضمناً برای دستیابی به جوابهای سریع تر چند روش برای فهرست بندی های محلی و نزدیک به بهینه نیز ارایه میشود.

کلیدواژگان
الگوریتم ژنتیک؛ بهینه سازی؛ تطابق الگو؛ سیستمهای انعطاف پذیر تولید؛ شبکه های پتری

________________________________________
http://pouriatiz.persiangig.com/document/JFE15331927315000.pdf/download

 

[toteshan8602]

لطف میکنید اگه یه بازنگری رو مقاله هایی که گذاشتید داشته باشید..
ممنون

 

[P O U R I A]

کاربرد الگوریتم ژنتیک در تعادل گازی هیدرات گازی

کاربرد الگوریتم ژنتیک در تعادل گازی هیدرات گازی

کاربرد الگوریتم ژنتیک در تعادل گازی هیدرات گازی

رجلالي سيد روز
مهندسي شيمي گروه - دانشكده مهندسي - دانشگاه آزاد اسلامي - واحد شاهرود
فرشاد ورامينيان
مهندسي شيمي گروه - دانشكده مهندسي - دانشگاه سمنان

چكيده :
مي باشند ك هيدرات هاي گازي بلورهايي ه در دماهايي بسيار بالاتر از دماي تشكيل يخ مي توانند ظاهر شوند، تشكيل هيدرات نتيجه تركيب آب و بعضي از سازنده هاي موجود در گاز طبيعي و در اصل متان مي باشند. شبكه بلور به دليل پيوند هيدروژني بين مولكولهاي آب شكل مي گيرد. تنها مولكول هايي كه در محدوده خاص از قطر مولكولي هستند مي توانند هيدرات گازي را تشكيل دهند. انتقال گاز طبيعي به صورت كريستال هيدرات در راستاي كاهش هزينه تمام شده گاز و جلوگيري از گرفتگي لوله ها در زمينه توليد گاز طبيعي انگيزه اصلي اين مقاله بوده است. در اين مقاله تعادل فازي هيدرات گازي با وجود سه فاز مايع – گاز – جامد با وجود اجزاء متان و آب مورد بررسي قرار گرفته است. براي تعيين ضرائب معادلات از روش بهينه سازي الگوريتم ژنتيك استفاده شده است. الگوريتم ژنتيك يك روش جستجوي موثر در فضاهاي بسيار وسيع و بزرگ است كه در نهايت منجر به جهت گيري به سمت پيدا كردن يك جواب بهينه مي شود كه با ساير روش ها به زمان بسيار طولاني محاسبات مورد نياز است.




_____________________________________
http://pouriatiz.persiangig.com/document/13_5.pdf/download

 

[P O U R I A]

فایل ورد در مورد الگوریتم ژنتیک :

http://pouriatiz.persiangig.com/document/genetic.Doc/download

 

[toteshan8602]

کاربرد الگوریتم ژنتیک در تعادل گازی هیدرات گازی

رجلالي سيد روز
مهندسي شيمي گروه - دانشكده مهندسي - دانشگاه آزاد اسلامي - واحد شاهرود
فرشاد ورامينيان
مهندسي شيمي گروه - دانشكده مهندسي - دانشگاه سمنان

چكيده :
مي باشند ك هيدرات هاي گازي بلورهايي ه در دماهايي بسيار بالاتر از دماي تشكيل يخ مي توانند ظاهر شوند، تشكيل هيدرات نتيجه تركيب آب و بعضي از سازنده هاي موجود در گاز طبيعي و در اصل متان مي باشند. شبكه بلور به دليل پيوند هيدروژني بين مولكولهاي آب شكل مي گيرد. تنها مولكول هايي كه در محدوده خاص از قطر مولكولي هستند مي توانند هيدرات گازي را تشكيل دهند. انتقال گاز طبيعي به صورت كريستال هيدرات در راستاي كاهش هزينه تمام شده گاز و جلوگيري از گرفتگي لوله ها در زمينه توليد گاز طبيعي انگيزه اصلي اين مقاله بوده است. در اين مقاله تعادل فازي هيدرات گازي با وجود سه فاز مايع – گاز – جامد با وجود اجزاء متان و آب مورد بررسي قرار گرفته است. براي تعيين ضرائب معادلات از روش بهينه سازي الگوريتم ژنتيك استفاده شده است. الگوريتم ژنتيك يك روش جستجوي موثر در فضاهاي بسيار وسيع و بزرگ است كه در نهايت منجر به جهت گيري به سمت پيدا كردن يك جواب بهينه مي شود كه با ساير روش ها به زمان بسيار طولاني محاسبات مورد نياز است.




_____________________________________
http://pouriatiz.persiangig.com/document/13_5.pdf/download

اووووووه اینکه استاد خودمون بوده(دکتر ورامینیان)
میشه بگید این مقاله ها رو ازکجا پیدا کردید؟؟!

 

[P O U R I A]

اووووووه اینکه استاد خودمون بوده(دکتر ورامینیان)
میشه بگید این مقاله ها رو ازکجا پیدا کردید؟؟!

از اینترنت ..