دانلود متن کامل کارشناسی ارشد مهندسی برق گرایش سیستم

عنوان :عنوان تحقیق به فارسی: پخش بار اقتصادی با سوخت های چندگانه با استفاده از الگوریتمIPSO

برای رعایت حریم خصوصی نام نگارنده درج نمی شود

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 نامیده میشود و هر جواب مانند یک پرنده در گروهی از پرندگان است و ذره نام دارد و شبیه کرموزوم در الگوریتم ژنتیک است. تمامی ذرات دارای مقدار شایستگی هستند که با استفاده از تابع شایستگی محاسبه میگردند و تابع شایستگی ذرات باید بهینه گردد. جهت حرکت هر ذره توسط بردار سرعت 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: xi موقعیت فعلی ذره ،vسرعت حرکت ذره و yi بهترین موقعیتی که ذره تا به حال تجربه کرده است و ŷi 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 ŷi ،yi ،vi ،xi در هر مرحله به صورت بهبود یافته بروزرسانی می شوند
[1] Swarm
[2] Particle
[3] Fitness value
[4] Fitness function
[5] Velocity
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***