نظرت چیه ؟

مرکز هم فکری و انتقال تجربه

همین الان ثبت نام کن و از ما باش

ثبت نام

توجه : وارد کردن هر دو گزینه ایمیل و موبایل اجباری نیست فقط یک مورد کافی است.

پرسشنامه

کد امنیتی

تغییر

یاد آوری کردن کلمه عبور

چنانچه رمز عبور خود را فراموش کرده اید ایمیل خود را وارد کنید تا اطلاعات حساب کاربری برای شما ارسال شود.

یاد آوری کلمه عبور به وسیله موبایل

یاد آوری کلمه عبور به وسیله ایمیل

سطوح موازی کنترل

حل سینماتیک سطوح موازی کنترل3RPR  با استفاده از فناوری فوق هوشمند هیبریدی:

چکیده:

فناوری فوق هوشمند هیبریدی با موفقیت در حل بسیاری از مشکلات دنیای واقعی استفاده شده است. فناوری فوق هوشمند هیبریدی در زمینه مشکل های سینماتیک معرفی وبه طور خاص در حل مسائل سینماتیک در استفاده از ربات های موازیCRPR  استفاده شده9 است. این پیاده سازی ترکیبی از الگوریتم ژنتیک والگوریتمک شبیه سازی شده به دو روش اکتشافی فراترکیبی محبوب تبدیل شده است. آنها به عنوان کار گروهی از فناوری فوق هوشمند ترکیبی استفاده کردهو عملکرد الگوریتم ژنتیک را شبیه سازی کرده و مقایسه نموده اند. نتایج نشان می دهد که روش فرا ابتکاری راه حلی با کیفیت بالا به دست می دهد. الگوریتم های ژنتیکی و فناوری فوق هوشمند به طور مشترک عملکرد بهتری داده است. روش فناوری فوق هوشمند با توجه به به دست پآوردن تمام راه حل های منحصر به فرد و مقایسه با روش جبری نتایج امیدوارکننده ای را به دست می دهد.

1-مقدمه:

استفاده از الگوریتم های جستجوی فوق هوشمند  در دهه های اخیر برای حل مشکلات NP در بهینه سازی مسائل دنیای واقعی دشوار شده است. روش های جستجویفوق هوشمند مانند الگوریتم ژنتیک و الگوریتم شبیه سازی شده باعث تعدادی از مشکلات نرم افزاری می شود. محاسبات تکاملی صرفا از تکامل بیولوژیکی الهام گرفته شد و با استفاده از یک جمعیت راه حلها تکامل یافته و بهبود میابند. الگوریتم های تکاملی اغلب الگوریتم های فوق هوشمند هستند روش های محاسباتی بهینه سازی شده ای را برای حل مسائل دارند. الگوریتم های تکاملی قدرت خود را از طریق دقت بالا در مسائل بهینه سازی نشان دادند. بنابراین منطقی است که آنها را در حل مشکلات سیستم های معادلات غیر خطی وارد کنیم. در رباتیک الگوریتم ژنتیکی برای حل سینماتیک حرکت موازی جرثقیل(FKP) برای اولین بار توسط تورکان . بودرا انجام شد که الگوریتم ژنتیک واقعی کدگذاری شده RCGA) ) برای حل این مشکل استفاده شد که در آن گزارش شد که الگوریتم های ژنتیکی زمان بیشتری را نسبت به روش رافسون_نیوتون مصرف می کنند. روش نیوتونی مشکل ژاکوبین را دارد که آن ناپایداری عددی مربوط به استفاده از رنج اعداد شناور است. و مشکلات همگرایی زمان که با یک موفقیت اولیه خوب ارائه نشده است. بنابرایمن الگوریتم های تکاملیFKP ترجیح داده شده اند. ربات های فضایی نیز توسط الگوریتم های ژنتیکی3RPR طراحی شده توسط بودرا و تورکان با پلت فرمSSM تولید شده است. گزارش شده است که الگوریتم تکامل دیفرانسیل همگرایی نسبتا سریع تری را نسبت به الگوریتم ژنتیکی دارد.مشکلات حرکت شناسی ربات ها عمدتا با حل دستگاه معادلات غیر خطی همراه است و به ندرت به صورت مستقیم بهینه سازی می شود. بنابراین حل مسئله یک سیستم معادلاتی غیرخطی تبدیل به بهینه سازی یک مشکل در توصیف کل حرکت شناسی سیستم ربات خواهد شد. الگوریتم شبیه سازی شده یک روش جستجوی تصادفی است که در طول انجام کار جستجوی تصادفی را در مراحل انجام داده و به مرحله بعد می رود. اخیرا استفاده از این روش شبیه سازی با عنوان کاهش جمعیت الگوریتم های ژنتیک در مشکلات نرم افزاری شده که به آنها محدودیتی خاص داده است. این کار نشان می دهد که سهم شبیه سازی شده در حل FKP در جرثقیلهای3RPR و نتایج آن مقایسه با الگوریتم های ژنتیکی است. همچنین حل ترکیب ژنتیکی و الگوریتم شبیه سازی به دو روش فراهوشمند که از روش جبری استفاده شده توسط رولان است انجام می شود. نتایج اولیه ارائه شده و فرمت قابل توجهی الز نتایج به دست آمده است. بقیه مقاله به شرح زیر است:

در بخش 2 مروری برروش های ترکیبی فراهوشمند با تاکید برالگوریتم های ژنتیک و شبی سازی شده ارائه شده است. در بخش 3 جزئیات سیستم های فوق هوشمند هیبریدی که از آن در این مطالعه استفاده شده است ارائه می شود. بخش 4 مشکل سینمالتیک حرکت به جلوی موازی جرثقیل و تبدیل آن به یک مسئله بهینه سازی شده را بررسی میکند. بخش5 نتایج تجزیه و تحلیل را داردو بخش نتیجه گیری و تحقیقات آتی را ارئه می دهد.

2-سابقه ی فناوری فوق هوشمند هیبریدی:

2-1 الگوریتم های تکاملی:

الگوریتم های تکاملی الهام گرفته از طبیعت هستند که در آنها استفاده از یک جمعیت به عنوان راه حل در طول زمان با اپراتورهای تکاملی بهبود یافته است. الگوریتم های عمده تکاملی عبارتند از الگوریتم ژنتیک،استراتژی تکامل،برنامه نویسی تکاملی و برنامه نویسی ژنتیکی است. شباهت بین الگوریتم های تکاملی در این است که آنها از یک جمعیت به عنوان راه حل استفاده میکنند. الگوریتم های تکاملی درنظرگرفته شده برای استفاده در مشکلات در طول زمان می باشد. الگوریتم های تکاملی یک مشکل مستقل هستند. آنها میتوانند برای مشکلات مختلف صرفنظر از ماهیتشان به کار گرفته شده و از این رو برای مشکلاتی که غیرقابل تشخیص می باشد استفاده شده است. به طور عمده یک جمعیت جدید در روند تکاملی ایجاد می شود.در طول سال الگوریتم اصلی ژنتیک(GA) توسط هلند معرفی شد که به طور قابل توجهی به منظور اصلاح چالش های بهینه سازی در دنیای واقعی بود که مهندسان و دانشمندان با آن درگیر بئدند. به طور سنتی راه حل های دیگری مانند سیستم باینر،آنها را پشتیبانی می کرد. یک تغییر مهم از الگوریتم ژنتیک واقعی این بود که اعداد حقیقی پیاده سازی شوند و سیستم دودویی آنها ار پشتیبانی کند. این تضمینی بود که بتوان آنها ا قابل درک تر در نرم افزارهای مهندسی کرد. الگوریتم های ژنتیکی یکی از راه حل هایی بودند که به نام فونوتیپ نامیده می شوند. راه حل های جدید زیرگروه هایی هستند که از ترکیب راه حل های اشاره شده با عنوان زوج ساخته می شوند. هر زیر گروه وضعیت آن مورد بررسی RCGA قرار می گیرد. استفاده از اپراتورهای ژنتیکی مانند انتخاب،تقاطع و جهش برای ایجاد زیرگروه ها است. ایده اصلی در بهینه سازی RCGA در الگوریتم شماره 1 استفاده شده است. در ابتدا تعدادی از راه حل های تعیین شده یک جمعیت را تشکیل می دهند.. بعد از هر نسل،الگوریتام هر یک از زیر گروه ها با توجه به تناسبشان بررسی شده و از آنها به عنوان اپراتورهای ژنتیکی برای تولید زیرگروه هااستفاده می شود. اقدامات راه حل  است که آنها واسطه هستند. زیرگروهها به جمعیت اضافه شده است. در حالی که گاهی اوقات حداقل زیرگروه های مناسب کنارگذاشته شده اند. این روند تا زمانی که الگوریتم  یک راه حل خوب  را به دست آورد،ادامه دارد.   انتخاب اپراتوری ژنتیکی مناسب مهم است چون به طور مستقیم همگرایی الگوریتم ژنتیک را تحتت تاثیر قرار می دهد. با این حال اشکال مختلف اپراتورهای ژنتیکی با توجه به نوع الگوریتم ژنتیک مورد نیاز انتخاب می شود. مروری براجزای اصلی الگوریتم ژنتیک در زیر آمده است.

1-مقداردهی اولیه:

در مرحله اول نامزدهای انتخاب شده که به صورت تصادفی بوده اند،تعداد زیرگروه ها را در جامعه تعیین کرده و در بسیاری از موارد به لحاظ تجربی مورد بررسی و آزمایش قرار می گیرن. در برخی از موارد راه حل ها در منطقه ای از فضای جستجو که در آن به احتمال زیاد راه حل مورد نظر یافت شود وجود دارد.

2-انتخاب:

اپراتور نقش مهمی را در تضمین کیفیت افراد مناسب تر ایفا می کند. که به پویا ماندن نسل های آینده منجر می شود. برخی از استراتژی ها رایج انتخاب می شوند که براساس انتخاب گردش،انتخاب توانایی ها و استراتژی نخبه گرایی آنها است. انتخاب میزان گردش آنها در این مورد کار انجام می دهد. این اولویت را به زیرگروه هایی با تناسب بالا می دهند. با این حال زیرگروه های مناسب گاهی اوقات کم هستند.

3- باروری آنها با استفاده از روش متقاطع:

اپراتورها تولیدکننده های اصلی هستند که به روش تقاطع و جهش این اتفاق می افتد. اپراتور متقاطع،تبادل مواد ژنتیکی را از والدین به فرزندان را برعهده دارد. برخی اپراتورهای مشترک برای الگوریتم های ژنتیک واقع کدگذاری شده اند که در مقاطع مسطح،مقاطع ساده،مقاطع حسابی و مقاطع خطی و مقاطع اکتشافی است که عملکرد برتر آنها در مقایسه با سستم دودویی برای بهینه سازی مسائل بررسی می شود. اپراتور متقاطع اکتشافی در این کار استفاده می شود.

4-تولید با استفاده از جهش:

عمگر،جهش را به عنوان یک فرایند تصادفی در جمعیت فراهم می کند. این مهم است که الگوریتم حداقل در یک محل به دام بیفتد. برخی از اپراتورهای جهش شایع عبارتند از:چهش یکنواخت تصادفی و جهش غیریکنواخت. در جهش یکنواخت یک عدد به طور تصادفی در بازه ی بین(a,b) که در آن a,b  بالاترین و پایین ترین ارزش ها را دارند کاهش می یابند. عملگر جهش یکنواخت در این کار استفاده می شود.

5-خاتمه:

در الگوریتم های ژنتیکی روند تکامل تا زمانی که خاتمه پیدا کرده است ادامه می یابد و دسگر جستجو انجام نمی شود و آن هم زمانی است که یکی از موارد زیر به وجود آید. 1-تعداد ثابتی از نسل و یا عارزیابی عملکرد کافی باشد. 2- راه حل با مورد یافت شده تناسب داشته باشد و 3- بالاترین رتبه بندی را در راه حل به دست آورده باشد.

2-2 بازپخت شبیه سازی:

الگوریتم بازپخت شبیه سازی(SA) از روند سرد شدن آهسته مذاب فلزات الهام گرفته شده است. به طور مستقل کرگ پاتریک و کرنی توسعه و تامین این روش را در شهر مونت کارلو انجام دادند. الگوریتم بازپخت شبیه سازی شده همانند یک الگوریتم تصادفی عمل می کند و تبدیل به  الگوریتم خالص در مرحله  نهایی می شود. در هرسطحی از دما برای  انجام برخی تعداد تکرارها به عنوان  زنجیره مارکو(MCL) شناخته می شود. الگوریتم پیشرفت کرده و با راه حل های اولیه تصادفی و در ادامه با ایجاد یک راه حل جدید ادامه می یابد. پس از آن ارزش تابع انرژی  شناخته می شود. الگوریتم پیشرفت کرده و با راه حل های اولیه تصادفی و در ادامه با ایجاد یک راه حل جدید ادامه می یابد. پس از آن ارزش تابعانرژی E(s) برای محاسبه تغییر در تابع انرژِ نجام می شود ΔE=E(s)new –E(S)تا یک راه حل بهبود یافته پذیرفته شود. راه حل بهبودنیافته به احتمال زیاد توسط رابطهP(-ΔE,T)=min(1,exp(-ΔE/T).مقدارT محسبه شد هو آن را به نام درجه حرارت نامگذاری می کنند. راه حل قابل قبول این است که اگر P بزرگتر از مقدر تصادفی باشد مح دوده آن بن  صفر و یک خواهد بود. این بدان معنی است که الگوریتم های دئشوار در زمان های خاص در طول جستجو حرکت می کنند. حرکت سربالایی ممکن است به فرار الگوریتم از محل منجر شود. همانطور که درجه حرارت کاهش می یابد احتمال پذیرش راه حل های ضعیف تر کاهش می یابد. مواردی که به عنوان نمونه ای با انرژی بالا تر هستند. دمای اولیه طولر  زنجیره مارکوف و میزان درجه حرارت خنک کننده ها را به عنوان متغیرهای مهم در طراحی الگوریتم های بازپخت شبیه سازی شده لحاظ می کند. معمولا برای راه حل های جدید با اضافه کردن تعداد کمی از مقادیر تولد شده یک راه حل جدید به وجود می آید .  معیارهای خاتمه الگوریتم هم می تواند هنگامی که ΔE کمتر است از یک آستانه رد شده و یا زمانی دما به حداقل برسد و یا وقتی که الگوریتم به حداکثر تعداد برسد،تکرار انجام می شود. طول زنجیره مارکوف متفاوت تر است.

2-3 فناوری فرا هوشمند :

 فناوی هوشمند فرا ترکیبی اشاره به خانواده از الگوریتم جستور دارد که با ر های اسسی اکافی بهبود یافته و قابلیتهای کاوش گسترش یافته است. این روش برای اولین بار توسط گلوور در سال 1986 گسترش یافت که مشتق شده از دو واژه ی یونانی باستان است. کلمه اول هروسکین یعنی پیدا کردن و کلمه دوم متا به معنی فراتر است. این روش برای حل بهینه سازی های سخت مفید است. این یک راه حل مطلوب جهانی را تضمین نمیکند. با این حال راه حل های نزدیکی با شرایط مطلوب تر را می توان در مقایسه با روش های بهینه سازی مطلوب به این نتیجه رسید که این روش سریع تر است. این روش به گروهی از الگوریتم های ترکیبی اشاره دارد که در ان جتجو براساس تکنیک های ترکیبی برای حل مسائل دشوار استوار شده است. تنوع در جستجو برای به دست آوردن یک راه حل قوی تر وجو دارد. توانایی برای بازدید از مناطق مختلف در فضای جستجو باعث به دست آوردن راه حل هایی با کیفیت بالا در فضایی خاص است اغلب جستجو یا اکتشاف به عنوان یک فرایند کلی انجام می شود. و جستجو در یک منطقه محلی تشدید شده و پالایش ئ بهره برداری انجام می شود. مشکل اصلی این روش در تعادل در فرایند جستجو است. هدف این است که برای رسیدن به یک شرایط مطلوب جهانی راه حل های با کیفیت بالایی را در بهینه سازی به دست آوریم

2-4 استفاده از MHS:

MHS در تبادل اطلاعات بین اجزای مختلف پی در پی یا به صورت موازی انجام می شود. یک همکاری در زیرشاخه ها که به صورت گروهی است انجام می وشد. کار گروهی مشترک شامل الگوریتم های تکاملی است که به صورت موازی کار میکنند. الگوریتم های تدریجی واقعی کدگذاری شده برای زیرجمعیت استفاده می شود. این زیر جمعیت برای تنوع و شدت و تکامل به صورت موازی با مهاجرت اطلاعات همراه است. توسعه الگوریتم ترکیبی به صورت موازی در بازپخت شبیه سازی شده است که با درجه حرارت پایین تر به اجرا پس از استفاده از اپراتورهای نوترکیب ژنتیکی مانند تقاطع و جهش است. روش COSEARCH توسط تالبی و باچلت پیشنهاد شد که در آن پیاده سازی ترکیبی از EA برای جستجو انجام می شود که شامل تاریخچه جستجو نیز هست. رله ی مشترک MHS از روند پایپ لاین برای اجرای روش های جستجوی فرا هوشمند که در آن هر خروجی به عنون یک ورودی استفاده می شود. آنها به دنبال چیز جدیدی بودند که در مرحله اولیه و بهره برداری در مراحل بعدی بود. یک الگوریتم MHهیبریدی به دو مرحله عمدا تقسیم می شود که در آن مرحله اول راه اندازی یک الگوریتم ژؤنتیک مشخص بوده و مرحله دوم بهترین راه حل را با روش جستجو ارائه می کند. علاوه براین جستجوی اولیه با درجه حرارت بالا در شبی سازی بازپخت انجام شسده است که با استفاده از روش اکتشافی سریع تر مانند الگوریتم ژنتیک جاگزین شده است. سپس این مسئله با ارائه دمای اولیه پایین تر به الگوریتم بازپخت شبیه سازی که بیشتر به بهبود کیفیت راه حل است انجم می شود. این کار با استفاده از الگوریتم ژنتیک به عنوان یک تکنیک جستج در مرحله اول و بعد از آن یک راه حل برای شبیه سازی بازپخت الگوریتم با دمای پایین تر برا پالایش بیشتر را  ارئه می دهد.

2-5 فناوری فراهوشمند یکپارچه:

فناوری هوشمند یکپارچه ترکیبی از روش های جداسازی شده مانند بهبود محلی از راه حل های نامزد های بهینه سازی داخلی الگوریتم بوده و تکنیک های دقیق برای جستجو در فضاهای بسیار بزرگ را ارئه می دهد. الگوریتم های ممتیک به خوبی روش شناخته شده ای برای دسته بندی MH است. الگورتم های ممتیک به طور معمول ترکیبی ز الگوریتم تکاملی مبتنی بر جمعیت با پالایش محلی به منظور ارئه یک راه حل کلی بهبود یافته است.

3-پیشنهادهای مشترک MHS برای FKP:

در این مقاله یک کار تیمی پیاده سازی شده و  فناوری فراهوشمند به طور مشترک با الگوریبتم ژنتیک شبیه سازی کار می کند.

3-1 کار گروهی و همکاری MH:

کار گروهی MH ترکیبی از هردو الگوریتم به عنوان الگوریتم ژنتیک و بازپخت شبیه سازی شده معرفی می گردد. توجه داشته باشید که بازپخت شبیه سازی شده در نظر گرفته شده به عنوان یک روش جستجوی جهانی است که  در آن از درجه حرارت بالا در درجه حرارت های پایین تر حرکت می کند. با توجه به درجه حرارت پایین در مرحله تولیه شبیه سازی سردشدن آهسته می تواند به عنوان یک روش جستجوی محلی استفاده شود. در کار گروهی GA-SA  عملیات جهش پس از تقاطع انجام می شود. در هر گروه از GA-SA درجه حرارت پایین برای تعداد مشخصی انجام می شود. درجه حرارت پایین یک جستجوی محلی را در SA  انجام می دهد. شدت جستجوی محلی(LSI) و مدت زمان به کار گرفتن آن توسط SA تعریف می شو.د. مشخص شده ات که تعداد تکرار در SA،N  است. میزان جستجوی محلی و تعیین آن براساس فرکانس های LSR انجام می شود. که احتمالا با جستجوی محل در بین همه  زیر گروه ها در هر نسل به کار گرفته می شود.LSR وLSI دوپارامتر مهم به منظور دستیابی به راه حل های باکیفیت مورد بررسی قرار می گیرد که در آن زمان بهینه سازی پایین است. جزئیات این کار گروهی در الگوریتم 3 آمده است. درون حلقه الگوریتم 3 توسط مقداردهی جمعیت از افراد با اعداد حقیقی تصادفی آغاز شده و در برخی دامنه ها مشخص است. افراد با محاسبه تناسب خود با تابع ارزیابی می شوند. هنگامی که افراد مورد بررسی از الگوریتم به عنوان یک GA خارج شوند،اپراتورهای ژنتیکی مانند انتخاب و تقاطع برای ایجاد زیرگروه اقدام میکنند. اپراتور متقاطع ترکیبی از هردو جفت یک زیر گروه تولید می کند . با توجه به LSR زیرگروه ها با الگوریتم SA با دمای اولیه مشخص ارائ هشده است. تعریف LSI در مدت زمان SA در نظر گرفته می شود. این روش تا زمانی که به بیرون حلقه بیاییم انجام می شود. اپراتور متقاطع اکتشافی عملکرد بهتری در مقایسه با دیگر اپراتورهای متقاطع برای مجموعه از مسائل بهینته سازی نشان داده شده است. بنابراین آن در تمام موادرGA استفاده می شود. اپراتور اکتشافی به تولید زیرگروه هایی از جفت ها می کند. برای یک جفت

 به وجود می آید که در معادله 1 دیده می شودو.

 

که در آنr یک عدد حقیقی تصادفی بین صفر و یک است و X1 یک جفت با بهترین تناسب را نشان میدهد عمگلر در گروه کمی، تعداد کمی مقادیر تصادفی استفاده شده است.

3-2 رله های مشترک MH

ان کار نیز برای اجرای الگوریتم MH است که به عنوان الگوریتم ژنتیک رله و شبی سازی بازپخت را در یک فرایند دومرحله ای را ترکیب می کند در ابتدا GA منتشر شده و هنگامی که به یک تناسب مشخصی رسید بهترین نوع از این جمعیت به عنوان یک راه حل اولیه در فضای جستجو ارائه می شود. با استفاده از درجه حرارت کمتر اولیه جستجو بیشتر می شود. این از راه حل های جدید برای الگوریتم بازپخت شبیه سازی شده بسیار مهم است و باید به طراحی مشکلات که نیاز به راه حل های با کیفیت دقت بالا دارند اقدام شوند.

3-3 ارزیابی کارایی:

اندازه گیری عملکرد اصلی با پارامترهای زیر خواهد بود

.1- مدت زمان بهینه سازی از نظر تعداد ارزیابی عملکرد

2-میزان موفقیت

3-کیفیت راه حل از نظر خطای تعریف شده توسط تابع

4-دقت راه حل نسبت به نتایج دقیق

4- کاربرد:حرکت شناسی ربات های موازی 3RPR:

ایده برای طراحی مکانیزم های موازی مسطح را می توان به اوایل سال 40 در پولارد نسبت داد که به طور کلی مکانیزم های موازی توجه زیادی را به عنوان شبیه سازهای پرواز به خود اختصاص داده اند. در آنها سه حرکت زنجیره ای در یک سطح یعنی 3RPR وجود داشت. همانطورکه در شکل 1 نیز نشان داده می شود فرضیه هایی طراحی و بیان شد .که مفاصل را بسیار سخت و سفت تولید می کرد. متغیرهای مشترک با تعداد پنج درجه آزادی وجو داشتند.

4-1 سینماتیک جرثقیل موازی:

هر ربات توسط پارامترهای مکانیکی پیکر بندی شده و وضعیتش مشخص می شود. این پارامترها در نتیجه نقطه اتصال را مشخص می کرد. متغیرهای مدل مختصت تعمیم داده شد. متغیرهای مشترک شرح داده شد.

معمولا سینماتیک معکوس لازم بود که با مدلFKP تعریف شود. با توجه به مواضع مشترک مشکل سینماتیک رو به جلو تعریف می شد. در اکثر موارد کنترل موازیFKP بسیار مشکل بود.

4-2 فرمول برداری از مدل حرکت شناسی:

این شامل معادلاتی با بسیاری از متغیرها بود که باید یک فرمولی برای ـآن ساخته می شد. شکل 3 یک بردار بسته را با  نقاطش نشان می دهد که در آن هوش مصنوعی،نقاط اتصال سینماتیک زنجیره ای و پایه های ثابت وجود دارد.

 

 

 

4-3 مشکل سینماتیک معکوس:

 ربات های موازی بررسی شده . به نشان می دهد که اکثریت پیشنهادات به سه قسمت 3RPR و 3RRP و3PRR و3RRR تبدیل می شود. تنها مورد 3RPR یک زنجیره سینماتیک را تشکیل می دهد. با توجه به معدله 2 و جانشین کردن آن در معادله 4 معادله 5 به شرح زیر به دست می آید.

4-4 جنبش روبه جلو و بهینه ساری:

عبارت IKP یک سیستم جبری متشکل از سه معادله از نظر متغیرهای کلاسیک است. تنها مسائل بهینه سازی قابل اجرا بازپخت شبیه سازی شده و الگوریتم ژنتیک است که تابع یک حداکثر یا حداقل ر نشان می دهد. بنابراین ما باید به طور موثر یک سیستم معادلات را برای بهینه سازی مسئله حل کنیم. از این رو تنها مدل حرکت معکوس مورد نیاز است که از ن ما به راحتی می توانیم مشتق یک تابع هدف را به وجود بیاوریم

5 آزمایش نتایج و تجزیه و تحلیل:

 در این بخش فراین بازپخت شبی سازی شده،الگوریتم ژنتیک،کارگروهی و روش ترکیبی فرافناوری برای استفاده در حل FKP ارئه شده سات. مراحل زیر در این بخش آمده است.

1-الگوریتم ژنتیکی برای حل مشکل FKP

2-بازپخت شبیه سازی شده برای حل مشکل FKP

3-ربه ترکیبی GA-SA

4-کارگروهی ترکیبی GA-SA

5-روش فرافناوری برا بهینه سازی زمان

6-راه حل به دست آمده توسط روش فرافناوری

5-1 الگوریتم ژنتیک :

برای اولین بار الگوریتم ژنتیک استفاده شد. نرخ متقاطع 0.9 و سزعت جهش یکنواخت0.1 استفاده شد. جدول 2 زمان بهینه سازی و موفق را در 100 آزمایش از نظر اندازه جمعیت نشان می دهد. در زمان مشخص برحسب ثانیه 95%اطمینان از اندازه جمعیت 40 به وجود آمده است.

5-2 بازپخت شبیه سازی شده:

هدف از این الگوریتم،بازپخت شبیه سازی شده برای رسیدن به حداقل خطا از 1e-20 در حداکثر زمان بین 300 هزار تکرار استو نتایج در جدول 3 نشان داده شده است و می بینیم که بهترین ارزش برای طول زنجیره مارکوف است. نتیاج نشان می دهد که الگوریتم بازپخت شبیه سازی شده حداقل در 30 زمان دارد. طول زنجیره مارکوف از 10 بوده و تاحداقل بهینه سازی خواهد بود ودر بقیه آزمایش نیز استفاده می شود. جدول 3 گزرشهای حاصل از اطمینان به مقدار95،و برای خطاها و زمان محاسبه شده نشان می دهد.

5-3 رله ی ترکیبی GA=SA :

رله ترکیبی GA=SA در مرحله اولیه GAو در مرحله بهد در SA اجرا شد. ارزیابی زمان مهم است ما خطا را مشاهده کرده و تغییر زمانی FKPرا با تغییر خطا در جدول 4 می بینیم. نتایج نشان می دهد که رله ترکیبی GA-SAنتوانسته است همگرایی را در به حداقل رساندن خطا در حداکثر زمان را به وجود آورد. میزان فاصله اطمینان 95%گزارش شده و تعداد اجرای موفق 30 آزمایش بوده که در جدول 4 آمده است.

5-4 کارگروهی GA=SA در کار گروهی ترکیبی GA-SA  راه حل جدید در الگوریتم بازپخت شبیه سازی شده با اضافه کردن تعداد واقعی در محدوده ثابت از(-0.01-0.01) به تمام متغیرها در راه حل بود. طول زنجیره مارکوف 10 می باشد. جدول 5 زمان پاسخ و نرخ موفقیت را نشان می دهد.. جدول 5 عملکرد دوروش مختلف را در جستجوه نشان می دهد. در روش 1 LSI,ازآغاز برای جستجوی کامل به کار گرفته شده است. در صورتی که در روش 2 جستجو در مراحل بعدی انجام شده است. جدول 6 میزان جستجویLSR را نشان می دهد.

5-5مقایسه روش های فناوری فرا هوشمند:

ارزیابی عملکرد از این چهار روش از نظر حداقل زمان بهینه سازی و حداقل خطا در جدول 7 آمده است و فاصله اطمینان برای 100 آزمایش 95% می باشد.

میزان موفقیت نشان می دهد که این روش یک راه حل خوب برای جستجوی تصادفی در فضای مورد نظر می باشد. به منظور بررسی راه حل های به دست آمده توسط روش های مربوطه ما یک روش جبری را برای نتایج دقیق تر و جهت بررسی اینها انجام می دهیم. نتایج دقیق با استفاده از روش جبری در جدول 8 نشان داده شده است. به نظر می رسد راه حل های 1و2 یکسان هستند اما مقدار خطا در آنها متفاوت است. به نظر می رسد که آنها یکسان بوده و چهار رقم اعشار در آنها گزارش شده است.

5-6 شرح وبحث:

نتایج در جدول 7 نشان می دهد که الگوریتم های ژنتیکی و ترکیبی کارگروهی GA-SAقادر به ارائه یک راه حل صحیح با حداقل خطا در زمان بهینه سازی هستند. همچنین بازپخت شبیه ساز و رله نتایج مشابهی را به دست می دهد. این ببه این معنی است که اپراتور دارای قابلیت جستجوی محلی وکلی برای به دست آوردن راه حل های با کیفیت بالا است. این آشکار است که با توجه به نتایج به دست آمده در الگوریتم های عمومی و کارگروهی ترکیبی GA-SA نرخ تقاطع در تمام مراحل جستجو بالا است. در بازپخت شبیه سازی شده جستجوی کلی با استفاده از درجه حرارت بالا تضمین می شود. با ین حال جستجوی محلی با دمای پایین محدود است.

در کار گروهی ترکیبیGA-SA عملیات متقاطع به طور مواز انجام می شود که تبادل اطلاعات ژنتیکی را به صورت همگرا امکان پذیر می کند.و به خودی خود SA ضعیف عمل می کند. نتایج قابل دسترسی و نزدیک به عینیت در روش فرا هوشمند وجود  دارد. همچنین باید توجه داشته باشیم که تمام روش های فراهوشمند در پیدا کردن موقعیت موفقیت آمیز بوده است.  با اجرای آزمایش های متعدد یک موفقیت اولیه در فضای جستجو وجو دارد. به این ترتب الگوریتم فرافناورانه راه حل نزدیکی نسبت به موقعیت های جستجوی دیگر همگرا تر بود.

6-نتیجه گیری:

نتایج نشان می دهد که الگوریتم و کار تیمی ژنتیکGA-SA بهترین راه حل از لحتظ دقت و بهینه سازی و راه حل زمانی بود. روش ترکیبی به طور کلی در کاهش زمان بهینه سازی الگوریتم ژنتیک موفق نیست. دلیل آن این است که آنها از دو الگوریتم جستجو استفاده می کنند. این کار همچنین نشان داد که الگوریتم های فرا ابتکاری قادر به ارائه راه حل های مجزا در آزمایشها متعدد با موقعیت های جستجوی متفاوت است. توجه داشته باشید که هر روش جستجوی محلی را می توان از طریق بازپخت شبیه سازی شده انجام داد. الگوریتم ژنتیکی می تواند توسط هر الگوریتم تکاملی دیگر برای بهینه سازی واقعی پارامترها جایگزین شود. محدودیت اصلی این مطالعه بهینه سازی اجرای FKP در 3RPR در زمان واقعی بود. همینطور نشان دادیم که روش فرا هوشمند قادر به ارائه  راه حل های قوی و با کیفیت بالا بدون مواجهه با مشکل همگرایی است. این زمینه تحقیقات را برای آینده باز می کند.


نظر دهی

برای نظر دهی باید وارد سایت شوید. با تشکر