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

الگوریتم تکاملی ترکیبی GA-DE برای سنتز مسیر ارتباطی چهارخطی

الگوریتم تکاملی ترکیبی GA-DE برای سنتز مسیر ارتباطی چهارخطی:

 

چکیده:

یک الگوریتم تکاملی واقعی کد شده برای سنتز یک مسیر چهارخطی معرفی شده است این الگوریتم تکاملی جدید با ترکیب دیفرانسیل به دست آمده(DE) با الگوریتم ژنتیکی حقیقی(RGA) یه دست آمده استGA-DE اصلاحیه این الگوریتم است. تنها تفاوت بین الگوریتم پیشنهادی  .و RGA در محتوای تقاطع آنها است. عملیات متقاطع در RGA توسط بردار دیفرانسیلی اختلال جایگزین شده با بهترین عنوان یا برخی از عناوین خوب به عنوان بردار پایه شناخته شده است. بنابراین هردو اختلال اصلی بردار دیفرانسی و اغتشاش جزئی به عنوان اپرتورهای ژنتیکی در الگوریتم ترکیبیGA-DE استفاده می شود. کارایی و دقت روش ارائه شده با استفاده از چهارمورد تست شده است. یفته ها نشان می دهد که راه حل برای سه مورد از چهار مورد بسیار دقیق بوده و می توان از این روش استفاده کرد. نمودار میله ای این مکانیزم سنتز را می توان با استفاده از قابلیت طراحی دوبعدی در نرم افزار Solid works بدست آورد. برای بررسی اینکه آیا مکانیزم سنتز در مدار با نقص روبرو می شود این تحقیق انجام شده است.

مقدمه:

سنتز یک مسیر چهار خطه به طور فعال در طول پنجاه سال گذشته مورد مطالعه تعداد زیادی قرار گرفته است. تعداد زیادی مطالعات در مورد این موضموع با استفاده از روش های مختلف انجام شده است. این موارد شامل تحلی،برنامه نویسی غیر خطی،شیب دقیق،منحنی تابع جفت زاویه و روش های انحنای منحنی انجام شده است. مشکل روش سنتز ارتباطی یک مسیر چهارخطه این است که نقطه  می تواند به مسیر متصل شده و یا نقطه هدف مورد نظر را بدون هیچ تحلیل ردیابی کند. راه حل مشکل به طور کلی در اهداف بیش از پنج نقطه است. این نوع مشکل ممکن است با روش های عددی نیز حل شود. به عنوان مثال ممکن است بهینه سازی مکانیزم برای به حداقل رساندن عملکرد هدف در نظر گرفته شود. تابع هدف رایج ترین خطا در موقعیت را به عنوان حاصل جمع مربع اقلیدسی تعریف کند که فاصله بین نقاط هدف و نقاط متصل به هم به دست بیاید. پس از توسعه الگوریتم های تکاملی و بیولوژیکی و هوش گروهی این الگوریتم همان چیزی است که برای استفاده در این سنتز مناسب می باشد. الگوریتم ژنتیک GA برای اولین بار در هلند تعریف شد. سپس توسط دانشجویان دیجانگ جهت انطباق با مسائل بهینه سازی عددی امتحان شد. تکامل تفاضلی(DE) برای اولین بار توسط استورن ارائه شد که یکی دیگر از الگوریتم های تکاملی ساده اما قدرتمند برای بهینه سازی پارامترها بود. تراکم نقاط بهینه سازی (PSO) توسط کندی و آبرهارد پیشنهاد شد که یکی از روش های بهینه سازی هوش گروهی در تقلید فعالیت ها بود. این روش تکاملی ساده و آسان به پیاده سازی حل های پیچیده برای مسائل بهینه سازی در دنیای واقعی بود. این روش تکاملی بدون نیاز به مطالبات بیشتر مربوط به گرادیان و یا دیگر توابع هدف بود. علاوه براین اگر تابع هدف به عنوان بهینه سازی یک تابع روشن از نتغیرهای طراحی بهینه سازی شده و یا معادل آن بیان شود آن را بیش از حد پیچیده می کند. به عنوان مثال مشکل بهینه سازی سنتز پنج نقطه ای نیاز به مکانیزم خاصی دارد. که الگوریتم تکاملی مناسب برای بهینه سازی این بوده و روش های سنتی را بهینه سازی قطعی می کند. اگرچه الگوریتم ژنتیک استفاده می شود، کابر و همکاران  با استفاده از روش تکاملی جدد مبتنی بر DE سنتز مسیر ارتباطی چهارخطی را انجام دادند. با این حال روش آنها تا حدودی متفاوت نسبت به GA و یا DE بود. تفاوت اصلی بین روش تکاملی جدید و DE  در روش است. تابع هدف دارای دو بخش است بخش اول در رابطه با خطای موقعیت می باشد. بخش دوم محدودیت اعمال شده توسط تابع است. این قضیه را سه نفر مورد مطالعه قرار دادند.و راه حل به دست آمده را براساس روش ژنتیکی مقایسه نمودند. یفته ها نشان می داد که اشتباهات بسیار کوچک در همگرایی سریع به وجود میآید در نتیجه الگوریتم تکاملی جدید نسبتا موثر و کارآمدتر بود. توجه کنید که خطای نهایی در تحقیقات کابررا و همکارانش 2 بوده است. که همان خطای پارامترهای موقعیت در روش سنتز بود. با این حل ارزش اشتباهات نهایی برای موارد 1 و 3 یکسان نبودند. در رو.ش دیگر اشتباهات برای موارد 1 و3 در تحقیقات کابررا و همکارانش به دست آمد. ممکن است که این نادرست و یا تایپ اشتباه شده باشد. برای پیدا کردن بهتری الگوریتم در رمز دودویی GA (BGA) , PSO و DE به صورت متقاطع چند نقطه ای یک رویکرد جدید را با استراتژی سنتز مسیر ارتباطی چهارخطه ارائه نمودند. آنها همچنین به معرفی یک روش جدید برای تکنولوژی های اولیه پرداختند. این روش برای حل مسئله بهینه سازی مقید بسیار مفید است. سه مورد ابرای مطالعه از پنج نقطه هدف در نظر گرفته شده اند. یافته ها نشان می دهند که روشDE یک راه حل بهتر را که قبلا توسط کابررا و همکاران به دست آمده بود را می دهد. برای مورد یک و DE ، BGA و PSO برای هرسه مورد بهتر است با این حال برخی از نتیج خود را برای مورد 2 و3 ممکن است غیر قابل اعتماد باشد. این خطا برای مورد یک توسط کابررا و همکاران ارائه شد. سپس مندل وآچاریا آن را اصلاح نمودند. دوباره توجه داشته باشید که خطا باز در ریشه دوم قرار دارد. با این حال این به وضوح بیان نشده است. این خطا برای راه حل BGA برای مورد 2 و خطا برای BGA ، PSO راه حل DE را برای مورد 3 معادل دانسته و خود پارامترهای سنتز شده ممکن است خطا باشد. اگر پارامترهای سنتز شده نشان داده شده در مقاله درست باشد خطای راه حل BGA برا دو مورد در حدود 45.817 بوده و نمی تواند 3.71 باشد.  خطای BGA ،PSO و راه حلDE باید برای مورد 3  به ترتیب در حدود2.403 و 0.83 و 50.423 باشد. که با توجه به پارامترهی سنتز آنها است. هدف از این تحقیق پیشنهاد یک الگوریتم تکاملی حقیقی جدید برای حل مشکلات ارتباط چهارخطه است. الگوریتم تکاملی جدید ترکیبی از الگوریتم ژنتیکی حقیقی(RGA) و دیفرانسیل تکامل است. براساس این الگوریتم GA_DE یک الگوریتم هیبریدی نامیده می وشد که برای تایید کارایی ودقت و صحت روش ارائه شده بسیاری از موارد مذکور مورد بررسی قرار گرفته اند. تنها تفاوت بین الگوریتم تکاملی پیشنهادی و الگوریتم ژنتیک حقیقی در محتوای متقاطع است.. عملیات متقاطع در RGA به جای اختلال بردار دیفرانسیل DE یک شرایط عالی را به عنون بردار پایه معرفی می کند. بنابراین هردو اختلال اصلی بردار دیفرانسیل به اغتشاش جزئی به عنوان اپراتورهای در الگوریتم ژنتیک ارائه شده است. در واقع می توان چرخش لینکی را از طریق نرم افزار طراحی دوبعدی Solid works با استفاده از ماوس به وجود آورد. اگر این لینک را نمی توان به یک منطقه مشخصی کشید در این حالت نقص در طرح وجود دارد. اگر کسی این کار را توانست در طراحی دوبعدی انجام دهد او دو موقعیت  محدود را خواهد دید. علاوه براین در صورتی که نقص منجر به ناتوانی حرکت شود،علت نقص در طرح می باشد. طراحی دو بعدی نیز برای فاصله بین نقاط هدف و نقاط متصل به هم مفید است.

2-پیگیری مشکلات:

2-1درجه معادلات:

شکل 1 تصویر یک طراحی اسکلت را با تمام پارامترهای هندسی از اتصال چهار نقطه که در آن نقطه C به سه نقطه DOF، به چهار خط با زاویه 2θ است. و زاویه 3θ را می توان با توجه به معادله بدست آورد موقعیت اتصال نقطه C در دستگاه مختصات را می توان با ابزار طراحی سیستم OXY با روابط زیر انجام داد

 

2-2پارامترهای طراحی:

حداقل نه پارامتر طراحی برای تولید مسیر با یک زمان بندی تعیین شده وجود دارد که شامل r1 ،r2 ، r3 و r4،rcx ، rcy،  x0 ، y0و0θ است علاوه بر نه پارامتر طراحی شده زاویه تتای ورودی 2θ است که مقدار آن

  (i=1-N)  است و مربوط به هدف قرار دادن نقاطی است که بدون زمان بندی آورده شده اند. متغیر طراحی و بردار X به شرح زیر آورده شده است

 

که در آن N تعداد نقاط هدف بهینه است.

2-3 هدف طراحی:

خطا در موقعیت به عنوان حاصل جمع مجذور فاصله اقلیدسی بین هر Cd و خود C تعریف شده است که در آنCd مجموعه ای از موقعیت های نقطه هدف مشخص شده توسط طراح است. و نقطه C مجموعه ای از مواضع متصل نقطه ساز با زاویه....تتا2........ می باشد. آنها را می توان در سیستم مختصات با عنوان رابطه زیر بدست آورد. در این کار ارتباط سنتز بین چهارخط برای به حداقل رساندن خطا در موقعیت در نظر گرفته شده است

 

برای ایجاد یک معیار نهایی متوسط خطا در فاصله بین هدف و نقاط متصل تعریف می شود.

 

2-4محدودیت:

در این مطالعه تنها محدودیت های زیر در نظر گرفته شده است.

1-شرایط گراشوف که به نوبه خود به یک لینک اجازه حرکت می دهد.

2-ادامه زاویه2θ بین CW یا CCW در حال چرخش.

3-پارامترهای طراحی در محدوده مشخصی می باشد.

4-محدوده چرخش نشانگر.

برای تمام مورد مورد بحث در اینجا چهار محدودیت با زویه چرخش 360 درجه وجود دارد. به غیر از زاویه ورودی سه محدودیت دیگر توسط تعیین مقدار یک متغیر در محدوده تعیین شده در طول عملیات اولیه انجام می شود. علاوه براین اگر مقدار به دست آمده توسط عمل متقاطع در محدوده تعیین شده نباشد ممکن است این عملیات تا زمانی که در محدوده بیاید تکرار شود. زاویه ورودی ها در محدوده П 4  >2θ> П 2 بوده و با تفریق از П 2  بدست می آید بنابراین آن را مجاز برای مقدار زاویه ورودی که بیش از حد است در دوره تکامل قرار می دهد. تا زمانی که محدودیت در تکامل نهایی به وجود بیاید. علاوه براین مجددا مرتب و زاویه آن بینCW یاCCW در مقدار اولیه چرخش کرده تا چرخه کامل شود. نقاط کوچک ممکن است هردو در این طرح مکانیزم به تکامل برسند. این طرح در این کار که به صورت متفاوت ارائه شده است توسط مندل و آچاریا پیشنهاد شده است که در این طرح خود روند اولیه را انجام داده و همیشه الگوریتم دو محدودیتن را چک می کند. محدودیت در آخر تابع هدف 1 به عنوان یک ضربه آخر در معادله زیر قرار می گیرد

 

که در آن.hi(X)=0.نشان دهنده شرایط گراشوف ودرستی آن است و اگر hi(X)=0 باشد نشان می دهد که شرایط گراشوف نادرست بود وM1 یک مقدار ثابت بوده و تابع هدف را با محدودیت مواجه می کند.

3- الگوریتم تکاملی ترکیبی GA-DE:

الگوریتم تکاملی GA-DE با ترکیب الگوریتم ژنتیک بدست می آید. الگوریتم های ژنتیکی،تکنیک های جهانی در جستجو براساس مفاهیم ژنتیکی برای بقا هستند. فرایند جستجویRGAبه طور خلاصه در زیر آمده است. جمعیت ها به طور تصادفی تولید می شوند. هر کروموزوم فرد به عنوان یک راه حل است. کیفیت هر کروموزوم با تناسب اندام آن برابر می شود. با استفاده از عملگرهای ژنتیکی،تقاطع و جهش از یک جفت که به صورت تصادفی انتخاب می شوند وجود دارد. یک جامعه ژنتیکی نسل به نسل تحت چندین روش متقاطع در RGA مانند تقاطع ریاضی وترکیب متقاطع(BLX-a) است. با این حال روش RGA لزوما بهتر از روش BGA برای سنتز است. تعداد دیگر از عملیات های متقاطع به عنوان مثال شبیه ساز متقاطع باینری و عملیات نوترکیب فازی وجود دارد. برخی از شباهت ها نیز در روش متقاطع می باشد. همانطور که اشاره شد،استفاده از روشRGA با روشBGA مقایسه می شود. تقاطع RGA ممکن است به عنوان بهترین ترکیب توصیفی باشد وممکن است به عنوان آشفتگی در نظر گرفته شود. اکثر اوپراتورهای ترکیبی در RGA به عنوان اوپراتور متقاطع شناخته شده است. علاوه براین اگرچه این موضوع قابل بحث است. دب معتقد است که تمایز بین عملیات تقاطع وجهش در RGA نهفته است. ما با نظر دبر موافق بوده بنابراین در این کار توسط یک جایگزین دیفرانسیل اختلال را با فرایند متقاطع برای تکامل بردار جایگزین می کنیم. بنابراین هردو اختلال اصلی بردار دیفرانسیلی و اختلال جزئی با عنوان اوپراتور ژنتیکی در الگوریتم تکاملی ارئه شده است. در اینجا ژنهای Xi   (i=1-n), نشان دهنده پارامترهای طراحی کدگذاری شده در بین مرزهای خود است. همه ژنها در بردار X نشان دهنده ی یک کروموزوم گروه بندی شده است.

 

که در آن n تعداد پارامترهای طراحی است.

3-1 مقداردهی اولیه:

جمعیت اولیه کروموزم ها Np به طور تصادفی تولید شده اند. ژن در هر کروموزوم برابر است با

رابطه 10 که در آن Y یک عدد حقیقی تصادفی بین صفر ویک ست. ار آنجایی که اینجا شرایط گرشوف اتفاق می افتد ممکن است تعداد کمی از نمونه ها بمانند. بنابراین در هنگام مقداردهی اولیه طبیعی است که r1 و r2 و r3 وr4 جابه جا شوند. همانطورکه آچاریا و مندل به دست آوردند منظور از اشاره به صورت تصادفیθ2 (i=1-N), می تواند دوباره CW یا CCW را تغییر دهد.

3-2 سازگاری:

کیفیت کروموزمبا بررسی ارزش اندام آن برآورده می شود. ارزش اندام با کم کردن مقدار تابع هدف در معادله 7 تعریف شده است. ارزشهای بزرگ تعیین شده برای به حداقل رساندن مشکل است. وجود ارزشهای بزرگ ممکن است برای جلوگیری از شرایط بدتر بوده و امکان تبدیل شدن به مقادیر منفی برای حفظ تنوع جمعیت لازم است. مقدار زیاد آنها در حدود 10000 است . ارزش اندام منفی برروی صفر تنظیم می شود. در حالی که میانگین خطا به دست آمده است این یک معیاربوده و عنوان تابع زیر بررسی می شود.

 

 

که در آن etol یک مقدار مشخص برای تحمل خطا است. اگر معیار پایانی راضی کننده نیست باید عملیات اغتشاش به تولید نسل بعدی اقدام کند. این روش تا زمانی که معیار راضی کننده شود ویا تا زمانی که تعداد نسل ها به تعداد مقرر برابر باGmax برسد ادامه خواهد یافت.

3-3 انتخاب وجفت کردن:

انتخاب رولت- ول در این کار به ما اجازه می دهد تا گونه هایی با آمادگی بالاتر را که شانس بیشتری دارند را انتخاب کنیم . پس ازآن دوبه دو به صورت غیر تکراری و به صورت تصادفی انتخاب می شوند.

3-4 آشفتگی بردار دیفرانسیل:

عملیات متقاطع در RGA توسط بردار اغتشاش دیفرانسیلی DE جایگزین می شود تا بهترین نوع از انواع به عنوان بردار پایه انتخاب شوند. همه زوج ها به صورت تصادفی مربوط به نوع K بالا توسطXtop1,Xtop2,Xtopk  مشخص می شوند . اینها برذدارهای پایه را تشکیل می دهند. ارزش  یک عدد صحیح تعریف شده توسط کاربر است. در گروهI تعداد زیرگروه ها ممکن است توسط تولید که در آن

معادله 12

که در آن Xr1 و Xr2 هردو زوج ها هستند. F1و F2 هردو اعداد تصادفی بین 0 و1 برای هر متغیر می باشند. نرخ اغتشاش اصلیTm1 به عنوان نسبت تعداد زیرگروه های تولید شده مورد انتظار توسط بردار دیفرانسیل آشفتگی نسبت به انهدازه کل جمعیت است. در حالی که نرخ متقاطع Pc در RGA است.

3-5 جهش:

جهش ممکن است در حفظ تنوع جامعه مفید باشد. در اینجا جهش انجام شده است تا به طور تصادفی کروموزم های اعداد حقیقی انتخاب شوند که در حدود یک متغیر می باشند. به عنوان مثال نرخ جهش به عنوان نسبت تعداد مورد انتظار فرزندان جهش یافته نسبت به اندازه کل جمعیت معرفی شده تعریف شده است.

3-6 نخبه گرایی:

این روش از نخبه گرایی در این اثر به کار گرفته شده است که به شرح زیر می باشد:

فرد مناسب جایگزین بدترین فرد فعلی که حامل به نسل بعدی است می شود.

3-7مقایسه با DE:

برخی از تفاوت ها بین الگوریتم ترکیبی GA و DE به شرح زیر است:

1-برای همان تعداد از بردار دیفرانسیل محدوده ای از توزیع بردار دیفرانسیل برای الگوریتم ترکیبی GA ممکن است بهتر از DE باشد. دلیل این است که تعریف بردار مشکل دار در رابطه 12 آمده است و مقادیر Xr1 و Xr2 به طور جفتی انتخاب شده اند. در استراتژی های مختلف DE بردار مشکل سازDE/X/y/z با مقدارY=2 مختل می شود. Y تعداد بردار دیفرانسیلی و Z تقاطع ها از چهار نمونه به صورت تصادفی به دست آمده است. با این حال .....8...........استراتژی است که به طور گسترده در آثار کابررا و همکارانش و آچاریا و مندل استفاده شده است.

2- تعداد نمونه ها در الگوریتم ترکیبیGA-DE می تواند یک یا دو یا بیشتر باشدذ. در حالی که تعدادی از بردارهای پایه DE فقط یکی است.این ممکن است در جستجوی یک راه حال بهتر برای برخی از مشکلات و مقاصد دیگر مفید باشد.

3-هردو اختلال اصلی بردار دیفرانسیل واغتشاش جزئی از جهش به عنوان اوپراتورهای ژنتیکی در الگوریتم ترکیبی استفاده شده است. با این حال این الگوریتم مانند GA است. اختلال اصلی بردار دیفرانسیل در DE پیاده سازی شده و اوپراتور متقاطع برای تنوع جمعیتی باقی می ماند.

4- مسیری که انتخاب شده است زوج های بازمانده برای الگوریتم DE جایگزین می شوند.

4-بحث ونتیجه گیری

کارایی و دقت این روش با بررسی چهار مورد از بیش از پنج نقطه هدف انجام شد. دو مجموعه از پارمترهای تامین شده توسط کاربر استفاده شد. یکی به منظور مقایسه با راه حل های دیگر مورد بحث بود. این شامل موارد زیر است:اندازه جمعیت Np=100 تنها بهترین زیرگروهی که به عنوان بردار پایه برای استفاده در بردار دیفرانسیلK=1 تعداد نسلها Gmax=1000 برای موارد 1 تا 3 و Gmax=50  برای چهار مورد. نرخ اختلال عمده Pm1=0.6  نرخ اختشاش جزئیPm2=0.01 میزان تحمل خطاetol=10-4 . انتظار می رود برای کمک به دست آوردن راه حل های بیشتری به کار بیایند. این شامل موارد زیر است که در آن اندازه جمعیتNp=400 و 2 زیرگروه به عنوان بردارهای پایه استفاده می شود. به عنوان مثال K=2 . دیگر پارامترها توسط کاربران تامین شده است. تمام راه حل های سنتز در این کار مشخص شده به گونه ای که هیچ نقصی در طرح وجود ندارد وآنها از حرکت ناتوان هستند. تعداد ارزیابی تابع هدف و اندازه جمعیت در جدول نشان داده شده است.

4-1 موارد 1 تا 6 نقطه هدف و 15 متغیر طراحی:

مورد اول یک مسیر مشکل سنتز شده با شش نقطه هدف مرتب شده در یک خط عمودی و بدن زمان بندی است

 

پارامترهای هندسی ساخته شده و مقادیر تابع هدف و متوسط خطا در جدول 1 همراه با راه حل سنتز به دست آمده توسط کابررا و همکاران دیده می شود. مقدار اصلی ...تتا2.... برای Np=100  و K=1 به مقدار 6.80719 می باشد. بنابراین مقدار واقعی آن 0.524005 است. اگرچه محدودیتی از زاویه ورودی در طول تکامل در این دوره نادیده گرفته شده است هیچ نقصی در مکانیسم سنتز وجود ندارد و در جدول 1 دیده می شود. بدیهی است صحت راه حل برای مورد 1 با این مدل بهبود یافته است. مقدار خطا در Np=100 و K=1 به دست آمده است. که در حدود 76% کاهش یافته است. که تحقیقات آچاریا و مندل نیز کاهش ورود 86% را با مقایسه با راه حل کابررا و همکاران است. واضح است که راه حل BGA غیرقابل قبول است. و همانطور که در جدول 1 نشان داده شده است باید مقدار Np=400 و K=2 باشد. برای پیدا کردن راه حل هایی برای ارزش اصلی تابع هدف باید مقدار ارزش تابع 10-6 باشد . به هرحال با نقص مواجه خواهیم شد. جدول 2 شش نقطه هدف و منحنی بدست آمده از این روش را با مقدار Np=400 و K=2 را نشان می دهد که همراه با نتایج بدست آمده توسط آچاریا و مندل بود. شکل 3 شش نقطه هدف و منحنی متصل به دست آمده با استفاده از این روش با مقدارNp=400 و K=2 را برای مورد 1 را نشان می دهد.

4-2 مورد 2:شش نقطه هدف و نه متغیر طراحی:

این مورد یک مسیر متشکل از شش نقطه هدف مرتب شده در یک قوس نیم دایره و در زمان مشخص استمتغیرهای طراحی شامل

 

است. پارامترهای ساخته شده و مقادیر تابع هدف و متوسط خطا در جدول شماره 2 نشان داده شده است. که همراه با راه حل های سنتز به دست آمده توسط آچاریا و مندل است. بدیهی است که راه حل های BGA نادرست می باشد. متوسط خطا در 00 Np=1 و K=1 نشان می دهد که کاهشی حدود 31%در مقایسه با راه حلDE بوده است.بهبود مقدار Np=400 و k=2  تقریبا ناچیز است که در جدول 2 دیده می وشد. بنابراین این مورد باید بیشتر مورد مطالعه با استفاده از الگوریتم های دیگر قرار داده شود. شکل 4 شش نقطه هدف و منحنی متصل به آن را با مقادیر Np=100 و k=1   را برای مورد 2 را نشان می دهد که توسط مندل و آچاریا به دست آمده است.

4-3 مورد 3:  10نقطه هدف و 19 متغیر طراحی:

در مورد یک مسیر مشکل سنتز با 10 نقطه هدف که در یک بیضی بدون زمان بندی تعیین شده است. پارامترهای هندسی به وجود آمده و مقادیر تابع هدف و متوسط خطا در جدول 3 نشان داده شده است.

 

 که همراه با راه حل های سنتز شده توسط آچاری و مندل است. اگرچه محدودیت از دنباله زاویه ورودی در طول تکامل در این مورد نادیده گرفته شده است،هیچ نقصی در مکانیزم سنتز وجود ندارد که می توان در جدول 3 آن ها را دید بدیهی است که راه حل DE نادرست است. بهبود قابل توجهی در دقت و صحت راه حل با استفاده از روش حاضر دیده می شود. متوسط خطا برای Np=100 و k=1    به دست آمده است که نشان می دهد حدود 93%کاهش نسبت به راه حل های دیگر وجود دادر. علاوه بر این DGA نیازبه نسل دیگری برای همگرایی دارد. همانطور که در جدول 3 دیده می شود  Np=400 و k=2 که بسیار دقیق تر از   Np=100 و k=1   است.

 

 

شکل 6 نشان می دهد که 10 نقطه هدف و متصل به منحنی با استفاده از روش ارائه شده با مقادیر Np=100 و k=1   برای مورد 3 همراه با دستاوردهای آچاریا در شکل 7 دیده می شود. ک ه 10 نقطه هدف و متصل به منحنی به دست آمده است.

4-4 مورد 4: 18 نقطه هدف و 10 متغیر طراحی:

این مورد یک مسیر مشکل سنتز است که 18 نقطه هدف و زمان در آن تعیین شده است.

 

پارامترهای هندسی ساخته شده و مقادیر تابع هدف و متوسط خطا در جدول 4 همراه با راه حل های سنتز به دست آمده از تحقیقات کنجور و کریشنامورتی و کابررا آمده است. متوسط خطا برای Np=100 و k=1  به مقدار 14% و افزایش یافته و 34% در مقایسه با راه حل های به دست آمده توسط کابررا و همکارانش افزایش دیده می شود. همانطورکه انتظار می رود و در جدول شماره 4 دیده می شود Np=400 و k=2 بهبود یافته است. شکل 8 18 نقطه هدف و منحنی متصل را با استفاده از روش ارائه  Np=100 و k=1  را نشان می دهد. شکل 9 نیز 18 نقطه هدف و منحنی متصل به دست آمده را از روش ارائه شده با مقادیر Np=400 و k=2 که توسط کریشنامورتی به دست آمده است را نشان می دهد.

5 نتیجه گیری:

الگوریتم ترکیبی GA-DE ارائه شده است که باید برای این مشکل چهار ارتباط به وجود آید. مزیت اصلی این الگوریتم تکاملی آن است که ساده وآسان برای پیاده سازی می باشد و به شکل موثری در حل مسائل پیچیده و بهینه سازی آنها بدون نیاز به دانش عمیق در بردارد. این روش ساده قابلیت طراحی در نرم افزارSolid work را داشته و می توان توسط آن ، آن را مورد ارزیابی قرار داد. الگوریتم ترکیبی GA_DE توسط ترکیب الگوریتم ژنتیک با تکامل دیفرانسیلی تولید می شود. هردو اختلال اصلی بردار دیفرانسیل و اغتشاش جزئی از جهش را می توان به عنوان اپراتور ژنتیکی استفاده کرد. اپراتور متقاطع ممکن است در نتیجه غیر ضروری باشد.برای مشکلات بدون زمان بندی تعیین شده محدودیت از زاویه ورودی ممکن است نادیده گرفته شود و مجددا آنها را مرتب کرده و مقداردهی در طول جهش انجام شود. نتایج موارد 3-1 نشان می دهد که راه حل بسیار دقیقتر با الگوریتم ترکیبی GA-DE  در مقایسه با سایر روش های تکاملی به دست آمده است . با این حال این کار می تواند منجربه این ادعا شود که الگوریتم تکاملی پیشنهادی بهتر از دیگر الگوریتم ها در تمام مسائل بهینه سازی باشد. نتیجه گیری ما این را نشان می دهد که الگوریتم های تکاملی دارای پتانسیلی برای حل مشکل بهینه سازی به طور موثر را دارد. تحقیق حاضر ممکن است برای حل دیگر مشکلات نیز انجام شود. پیشنهاد می شود از این الگوریتم های تکاملی در مسیرهای دیگری در آینده استفاده شود.

تقدیر و تشکر

تشکر از شورای ملی علوم جمهوری چین  

 


نظر دهی

برای نظر دهی باید وارد سایت شوید. با تشکر