یکشنبه 27 اردیبهشت 1394  03:25 ق.ظ    ویرایش: - -

عنوان انگلیسی مقاله: An Ant Colony Optimization Approach to the Probabilistic Traveling Salesman Problem
عنوان فارسی مقاله: روش بهینه سازی الگوریتم مورچگان برای مساله فروشنده دوره گرد احتمالی. 
دسته: ریاضی
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 11
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.
_______________________________________
چکیده ترجمه:
درمساله فروشنده دوره گرد احتمالی هر مشتری بصورت مساوی الاحتمال نیازبه ملاقات دارد. هدف، یافتن مشتری است که دارای کمترین طول مورد انتظار برای ملاقات تمام مشتریان ، با استراتژی ملاقات زیرمجموعه ای تصادفی از مشتریان به ترتیب نمایش آنها در مسیر باشد. 
‏سوال ما این است که در کدام زمینه یک دورقیاسی میتواند بهترین جواب را دهد. 
‏ما این سوال را با تست کردن ارتباط خروجی دو الگوریتم مورچگان نشان میدهیم، سیستم کولونی مورچه ها (ACS) جواب میدهیم، که توسط دوریگو و گامباردلا برای مسئله فروشنده دوره گرد معرفی شد، و نوع دیگر آن سیستم کولونی مورچه های احتمالی که تابع هدف مساله فروشنده دوره گرد احتمالی را کمینه میکند. 
1. معرفی 
‏در یک مساله مسیر یابی مجموعه V را از بین n ‏مشتری در نظر بگیرید. در هر یک از نمونه های مسئله هر مشتری) یک موقعیت معلوم دارد و مقدار احتمال pi نیاز ملاقات میباشد. برای پاسخ به این سوال نیاز به یافتن یک زیرمجموعه تصاذفی S از V. ‏اصلاح میکند، یک مثال خیلی ساده: برای هر زیر مجموعه از مشتریان، هر کدام را به ترتیب نشان داده شده در دور قیاسی ، ملاقات کن و از مشتریانی که عضو زیر مجموعه نیستند صرفنظر کن. استراتژی با توجه به روش گفته شده ( استراتژی صرفنظری نامیده می شود.
‏روش PTSP ( مساله احتمالی فروشنده دوره گرد) در حالتی که مشتریان باید با یک پایه باقاعده (مثلآ روزانه) ملاقات شوند کاربرد دارد، اما تمام مشتریان نیاز به ملاقات همیشگی ندارند، ویا ‏این یک مساله غیر خطی مشکل است( 2 ‏.1)، و توسط جایل در رساله دکترایش معرفی شده است(3‏). 
‏ناممکن است. در این حالت شخص تحویل دهنده باید یک رویه استاندارد را طی کند(یعنی یک ‏دوریا مسیر قیاسی)، و مشتریانی که نیاز به ملاقات ندارند را صرفنظر کند. مسیر استاندارد کمترین ‏طول مسیر مورد انتظار مربوط به حل بهینه PTSP میباشد. ‏روشهای ابتکاری فراوانی برای پیدا کردن حل زیربهینه مساله وجود دارد. 
‏فرا ابتکاری ها از یک معیار همسایگی استفاده میکند که توسط ایکال ( 4 ‏) و گاویولی (5‏) و همچنین لاتر، برتسیماس - جایلیت-اودونی [ 1] و برتسیماسهول [ 6] ارائه شده است. 
‏اینها شامل ساخت مسیری ابتکاری (منحنی پرکردن فضا و سورت کردن شعاعی), ‏مسیر بهبود ابتکاری است. 
‏اغلب روشهای ابتکاری پیشنهاد شد. از روشهای ابتکاری حل TSP ‏برای حل PTSP ‏استفاده می شود.


   


نظرات()  
یکشنبه 23 فروردین 1394  05:14 ق.ظ    ویرایش: - -


 جهت اخذ درجه کارشناسی
عنوان کامل: مدلسازی و شبیه سازی سیستم بوسیله سیستم توده pso
دسته: مهندسی برق - قدرت
فرمت فایل: WORD (قابل ویرایش)
تعداد صفحات پروژه: 157
______________________________________________________
بخشی از مقدمه:
حركت توده ای یك نوع حركت دسته جمعی هماهنگ است كه معمولا با استفاده از ارتباطات اندک موجود بین اعضای آن و اطلاعات محدود از وضعیت کل سیستم انجام می شود. با وجود توانایی و هوش محدود و اندك برای هر عضو، مجموعه این اعضا در كنار هم قادر به انجام اهداف سطح بالا و قابل توجهی هستند.
با ایده گرفتن از حرکات توده ای موجود در طبیعت و مشاهده تعامل بین-عضوی در آنها زمینه جدیدی در علم رباتیک به وجود آمد که حرکات توده رباتیکی  را شبیه سازی می کند. توده رباتیکی از تعدادی ربات های همسان-که هر کدام از آنها در این توده دارای قابلیت های پایین هستند- تشکیل شده است که این تعداد در کنار هم و به طور جمعی توانایی های قابل توجهی پیدا می کنند.
در این فصل به مرور پژوهش های پیشین در زمینه توده رباتیکی، توضیح مدل توده رباتیكی استفاده شده در این رساله، تعریف موضوع و بیان اهمیت و نوآوری آن می پردازیم.
در اینجا اهداف كنترلی توده رباتیكی مورد بحث و بررسی قرار می گیرد. اهداف كنترلی مورد بحث عبارتند از: 
1- كنترل رفتاری اعضای توده به منظور تقلید مدل واقعی توده رباتیكی از مدل مطلوب آن.
2- كنترل حركت اعضای توده به منظور طی كردن مسیر معین.
این اهداف به وسیله یكی از روش های نوین كنترلی مبتنی بر یادگیری تقویتی به نام كنترلر فازی- عصبی تطبیقی با وجود نقاد انجام شده است. در این روش نقاد با نقد عملكرد كنترلر یادگیری تقویتی را پیاده سازی می كند. از مزیت های این روش كنترلی نوین می توان به سادگی ساختار آن، سرعت یادگیری و همگرایی سریع، عدم وابستگی به مدل، انجام همزمان كنترل و یادگیری و مقاوم بودن آن در برابر نویزهای مختلف اشاره كرد. 
در این فصل ابتدا به معرفی كنترلرهای مبتنی بر یادگیری تقویتی پرداخته شده است و در ادامه آن دو نوع از این كنترلرها به نام كنترلرهای تقویتی كلاسیك و نوین معرفی شده اند. سپس دو هدف كنترلی گفته شده در بالا و خصوصیات كنترلر طراحی شده و نتایج شبیه سازی در هر كدام از اهداف به طور مجزا توضیح داده شده اند.
انواع مسائل بهینه سازی را می توان به چهار دسته كلی تقسیم كرد:
1- بر حسب تعداد اهدافی كه باید بهینه شوند:
 این مسائل به دو دسته تقسیم می شوند: مسائل بهینه سازی تك هدفه  و چندهدفه . دسته اول مسائل بهینه سازی که در آنها فقط یک پارامتر بهینه می شود، مانند کمترین مسافت طی شده بین دو نقطه شهری و دسته دوم مسائل بهینه سازی که در آنها بیش از یک هدف بهینه می شوند، مثل مسئله کمترین مسافت طی شده درکمترین زمان بین دو نقطه ی شهری.
2- برحسب وجود تغییرات زمانی درتابع هزینه  (تابع هدف )‌:‌
از نظر كلی بهینه سازی شامل اعمال تغییرات بر روی یك راه حل اولیه و استفاده از اطلاعات جمع-آوری شده به منظور بهبود این راه حل است. به بیان دیگر بهینه سازی، فرآیند تنظیم ورودی های یك تابع برای اكسترمم كردن خروجی ها یا تنظیم پارامترهای یك فرآیند برای اكسترمم كردن یك نتیجه است.

واژگان کلیدی: توده رباتیكی؛ روشهای الهام گرفته از طبیعت؛ كنترلر تقویتی نوین؛ الگوریتم پرواز پرندگان؛ الگوریتم مورچگان؛ الگوریتم ژنتیك

   


نظرات()  

ساعت مچی زنانه

شبکه اجتماعی فارسی کلوب | Buy Website Traffic | Buy Targeted Website Traffic