لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل: PowerPoint (قابل ویرایش و آماده پرینت)
تعداد اسلاید27
لینک دانلود کمی پایینتر میباشد
یعنی مانند طبیعت یک جمعیت از موجودات را تشکیل می دهند و با اعمالی بر روی این مجموعه به یک مجموعه بهینه و یا موجود بهینه دست می یابند.
بر می آیند.
برای دانلود کل پاورپوینت از لینک زیر استفاده کنید:
| مقاله با عنوان: ارزیابی عملکرد الگوریتم تکاملی در تخمین طول پرش هیدرولیکی
| نویسندگان: کیومرث روشنگر ، فرزین همایونفر ، وحید ملاعباس زاده ، سید مهدی ثاقبیان
| محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94
| فرمت فایل: PDF و شامل 8 صفحه می باشد.
چکیــــده:
پرش هیدرولیکی متداول ترین روش جهت استهلاک انرژی جنبشی آب در پایین دست سرریزها، شوت ها و دریچه ها می باشد. برای به روز کردن طراحی سازه های هیدرولیکی از جمله حوضچه های آرامش لازم است پدیده هایی چون پرش هیدرولیکی تحت شرایط مختلف مورد بررسی قرار گیرند. تخمین پارامتر طول پرش هیدرولیکی در طراحی حوضچه های آرامش نقش عمده ای ایفا می کند. تاکنون روابط متعددی اعم از تجربی و نیمه تجربی جهت تخمین عمق و طول پرش هیدرولیکی ارائه شده است ولی تاکنون هیچکدام از این روابط جامعیتی برای تعمیم کلی ندارد. در این مقاله طول پرش هیدرولیکی با استفاده از الگوریتم بیان ژنتیک و نتایج آزمایشگاهی در کانال مستطیلی برای چهار نوع مختلف پرش تخمین زده شده است. با مقایسه توابع از نظر دقت با روابط تجربی گذشته، مشخص شد که میزان کارایی روش های فوق در تخمین پارامترهای پرش هیدرولیکی بیشتر از روابط تجربی گذشته است.
وظیفه اصلی لایه شبکه ، هدایت بسته‌ها از ماشین منبع به ماشین مقصد است در اغلب زیر شبکه‌ها ، بسته‌ها باید چند جهش انجام دهند. تا به مقصد برسند. برای شبکه‌های پخشی،استثنایی وجود دارد، وای در اینجا نیز اگر منبع و مقصد در یک شبکه نباشد مسیر یابی مشکل محسوب می‌شود. الگورتیم هایی که مسیرها و ساختمان داده‌های مربوط به آن را انتخاب می‌کنند، موضوع مهم را طراحی لایه شبکه اند.
الگوریتم مسیر یابی بخشی از نرم افزار لایه شبکه است که تعیین می‌کند بسته ورودی باید به کدام خط خروجی منتقل شود. اگر زیر شبکه از داده‌ها گرام‌ها استفاده کند، این تصمیم گیری دوباره باید برای هر بسته ورودی تکرار شود ،چون تا آن موقع امکان دارد بهترین مسیر، تغییر کند اگر زیر شبکه از مدارهای مجازی استفاده کند ، تصمیمات مسیر یابی وقتی اتخاذ میشوند که مدار مجازی جدیدی استفاده گردد.
فهرست
الگوریتم های مسیر یابی
اصل بهینگی
مسیر یابی کوتاه ترین مسیر
الگوریتم غرق کردن
مسیر یابی بردار فاصله
مسئله بی نهایت گرایی
مسیر یابی حالت پیوند
کسب اطلاعاتی راجع به همسایه‌ها
اندازه گیری هزینه خط
ساخت بسته‌های حالت پیوند
توزیع بسته‌های حالت پیوند
مسیریابی سلسله مراتبی
مسیریابی پخشی
این فایل به صورت پاورپوینت و در 30 صفحه ارائه شده است.
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 18
کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی
چکیده
در این مقاله، کاربرد الگوریتم ژنتیک در بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی بررسی شده است. بهینه‌سازی پارامترهای سیاست بهره‌برداری در این روش، صرفاً با استفاده از نتایج شبیه‌سازی سیستم انجام می‌شود. بنابراین می‌توان انواع مختلفی از مسائل بهره‌برداری را مستقل از نوع تابع هدف و قیدهای آن و نیز ساختار سیاست بهره‌برداری، بهینه‌سازی نمود. در این مقاله پس از بررسی اجمالی روش الگوریتم ژنتیک پیشنهادی، عملکرد آن در بهینه‌سازی یک سیستم پویای استوکستیک و برنامه‌ریزی پویا با رگرسیون مقایسه شده است. نتایج حاصل، نشانگر برتری الگوریتم ژنتیک هم به لحاظ سرعت و محاسیبات و هم مقدار تابع هدف در مقایسه با دو روش دیگر بوده است. با این حال به منظور افزایش کارایی این روش، اصلاحاتی در آن صورت گرفته است. بهبود کارایی عملگرهای الگوریتم ژنتیک به ویژه استفاده از قانون به هنگام‌سازی قدرت جهش و محاسبه برازندگی کروموزوم‌ها بوسیله شبیه‌سازی سیستم با دوره‌های متغیر، دو نمونه از این اصلاحات را تشکیل داده‌اند.
در بررسی‌های انجام شده اثر این اصلاحات کاملاً مفید ارزیابی شده است، به گونه‌ای که روش اصلاح شده قادر خواهد بود در مدت زمانی کمتر به نتایجی بهتر از روش معمولی دست یابد. ارزیابی مدل نهایی الگوریتم ژنتیک نشان می‌دهد که روش پیشنهادی، روشی بسیار کارآمد در حل مسائل سیستم‌های بزرگ است که حل آنها با روش‌های رایج غالباً غیرممکن است. به عبارتی، ارزش و کارامدی عملگرهای پیشنهادی از نقطه‌ای شروع می‌شود که عملگرهای رایج الگوریتم ژنتیک در آن نقطه متوقف شده و قادر به پیشروی نیستند.
1- مقدمه
بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی و تدوین قوانین و سیاست‌های کارآمد بهره‌برداری از آنها از چندین دهه پیش یکی از موضوعات اصلی در مطالعات منابع آب بوده و تحقیقات گسترده‌ای بر آن انجام شده است. در این راه پیشرفت‌های فراوانی چه به لحاظ استراتژی‌های جدید و کارآمد حل مساله و چه از نظر افزایش توانمندی و سرعت کامپیوترهای شخصی به عنوان ابزارهای محاسباتی بوجود آمده است. اما به رغم این پیشرفت‌ها، بهینه‌سازی بهره‌برداری از یک سیستم چندمخزنی بزرگ به صورت یکپارچه به ویژه هنگامی که عدم قطعیت‌های هیدرولوژیکی سیستم به صورت واقع‌بینانه در نظر گرفته میشوند، همچنان کاری چالش‌دار باقی مانده است.
لادبادیه در مروری بر استراتژی‌های حل مساله بهینه‌سازی بهره‌برداری از سیستم مخازن، این استراتژی‌ها را در چهار دسته بهینه‌سازی استوکستیک ضمنی، بهینه‌سازی استوکستیک صریح، کنترل بهینه زمان واقعی و روش‌های برنامه‌ریزی کاوشی مورد بررسی قرار داده است. روش الگوریتم ژنتیک در این بررسی به عنوان یک روش برنامه‌ریزی کاوشی در نظر گرفته شده است و دارای این مزیت ویژه میباشد که می‌دانید تمامی جزئیات مدل‌های شبیه‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی مساله یا محاسبه مشتقات تابع هدف نیاز داشته باشد. از این رو می‌توان روش GA را استراتژی امیدوارکننده‌ای در حل مساله بهره‌برداری بهینه از سیستم مخازن، به ویژه در سیستم‌های واقعی بزرگ با توابع هدف و قیدهای پیچیده غیرخطی و تفکیک‌ناپذیر دانست.
الگوریتم ژنتیک از طریق فرآیندی شبیه به روش‌های انتخاب طبیعی در علوم زیست‌شناسی به بهینه‌سازی مسائل می‌پردازد. این الگوریتم‌ها در طول دهه گذشته به طور گسترده به عنوان ابزارهای جستجو و بهینه‌سازی در رشته‌های مختلف از جمله بازرگانی، علوم و مهندسی بکار گرفته شده‌اند.
اگرچه استفاده از GA در مستئل بهره‌برداری از سیستم‌های منابع آب روش نسبتاً جدید محسوب می‌شود، اما کاربردهای موفقی از آن گزارش رشده است. ایسات و هال کاربرد GA را در یک سیستم چهارمخزنی معروف بررسی کردند. آنها مدل GA را با برنامه‌ریزی پویا، مقایسه و آن را به لحاظ نیازهای محاسباتی کاملاً برتری گزارش نمودند. واردلا و شریف نیز از GA برای بهینه‌سازی همان سیستم چهارمخزنی استفاده کرده و نشان دادند که این روش می‌تواند جواب‌های توانمند و قابل قبولی ارائه دهد. یک سال بعد این کار توسط شریف و واردلا توسعه بیشتری یافت. اولیویرا و لاکس از GA برای بهینه‌سازی منحنی‌های فرمان در سیستم‌های چندمخزنی سیاست‌های بهره‌برداری از سیستم‌های مخازن پیچیده ارزیابی نمودند. کای و همکاران، GA را برنامه‌های خطی با موفقیت مورد استفاده قرار دادند.
چن از این الگوریتم در به دست آوردن منحنی‌های فرمان یک سیستم تک‌مخزنی استفاده کرد و آن را برای بهینه‌سازی سیستم‌های کاملاً غیرخطی، بسیار موثر ارزیابی نمود. تونگ و همکاران از GA برای تعیین مقدار بهینه پارامترهای نوعی از منحنی‌های بهره‌برداری مخازن استفاده کرده و آن را ابزار قدرتمندی برای یافتن استراتژی‌های مدیریت منابع آب بهینه ارزیابی نمودند. ممتحن و همکارانریال از GA در بهینه‌سازی ساختارهای مختلفی از سیاست‌های بهره‌برداری برای یک سیستم تک‌مخزنی استفاده کردند و عملکرد آن را با روش‌های برنامه‌ریزی پویای استوکستیک و برنامه‌ریزی پویا رگرسیون به عنوان دو روش مرسوم بهینه‌سازی مقایسه نمودند. آنها سیاست‌های با ساختار خطی و خطی قطعه‌ای به دست آمده از روش GA را برتر از سیاست‌هاتی حاصل از روش‌های بهینه‌سازی مرسوم گزارش نمودند.
به طور کلی می‌توان کاربرد GA در بهینه‌سازی بهره‌برداری از منابع آب را در تحقیقات گذشته به دو دسته بهینه‌سازی برداشت‌های هر دوره زمانی و بهینه‌سازی پارامترهای سیاست بهره‌برداری تقسیم کرد. در این دسته‌بندی، شریف و واردلا از دسته اول و اولیویرا و لاکس و ممتحن و همکاران از دسته دوم می‌باشند. در دسته اول GA به طریقی بکار گرفته می‌شود که نتایجی مشابه مدل‌های برنامه‌ریزی پویا تولید کند و بنابراین به طور خودکار قسمتی از مشکلات محاسباتی این مدل‌ها را نیز به همراه خواهد داشت، اما در دسته دوم از GA با یک رویکرد جدید، یعنی جستجوی مستقیم پارامترهای سیاست، استفاده شده است، به گونه‌ای روش‌های بهینه‌سازی دیگر امکان استفاده در این رویکرد را ندارند. بنابراین، به نظر می‌رسد در این روش استفاده بهتری از پتانسیل GA می‌شود. روش مورد استفاده در این مقاله نیز از دسته دوم میباشد.
در مقاله حاضر کار ممتحن و همکاران توسعه داده شده و روش جستجوی مستقیم پارامترهای سیاست، با استفاده از GA در سیستم‌های چندمخزنی بررسی شده است. همچنین در بخش‌های مختلفی از این روش اصلاحاتی پیشنهاد شده تا بتوان سیاست‌های بهینه‌سازی بهتری را در زمانی کمتر به دست آورد. عملکرد این مدل به لحاظ نیازهای محاسباتی و مقادیر تابع هدف در یک سیستم سه مخزنی با مدل‌های SDR, DRP مقایسه شده است.
