جستجوی مقالات مرتبط با کلیدواژه « الگوریتم جستجوی گرانشی » در نشریات گروه « برق »
تکرار جستجوی کلیدواژه «الگوریتم جستجوی گرانشی» در نشریات گروه «فنی و مهندسی»-
در سامانه های سلولی کنونی، عملکرد دستگاه کاربران موجود در مرز سلول به دلیل کیفیت ضعیف ارتباط، آسیب می بیند. حال آنکه این ارتباطات به تعداد بیشتری بلوک منابع و توان انتقالی نیز نیاز دارد. برای کاهش تعداد بلوک های فرکانسی و توان انتقالی، این مقاله به بررسی ارتباط دستگاه به دستگاه در حالت های فروسو و فراسوی سامانه های مخابرات سلولی می پردازد. به منظور بهینه سازی اتصال کاربران مختلف در شبکه به معنای یافتن بهترین ارتباط (کم ترین میزان توان مصرفی) یک کاربر با ایستگاه پایه که ممکن است از طریق ارتباط با کاربران دیگر و یا ارتباط مستقیم با ایستگاه پایه برقرار شود و با هدف کمینه کردن کل توان انتقال یافته، از روش های بهینه سازی متفاوتی مانند بهینه سازی جستجوی گرانشی، بهینه سازی ازدحام ذرات، بهینه سازی وراثتی و راهبرد توزیع شده مبتنی بر یادگیری Q با استفاده از تصمیم گیری بیشینه هموار بهره گرفته می شود. نتایج عددی کاهش توان حدود 30 درصد را برای این ارتباطات با پیچیدگی محاسباتی کمتر با استفاده از روش یادگیری Q نسبت به حالتی که به طور مرسوم تمام کاربران اتصال خود را از طریق ایستگاه پایه و به صورت متمرکز با پیچیدگی محاسباتی بالا برقرار می سازند، بیان می دارد.کلید واژگان: تخصیص توزیع شده منابع, ارتباطات فروسو و فراسو, ارتباط دستگاه به دستگاه, الگوریتم جستجوی گرانشی, یادگیری Q}In current cellular systems, the performance of active users' devices at the cell edge suffers from the poor link quality. However, these connections also requires more resource blocks and transmission power. In order to reduce the number of resource blocks and transmission power, this paper discusses device to device communication in downlink and uplink cases of cellular communication systems. In order to optimize the connections of different network users, which means finding the best user’s connection to a base station (minimum power consumption), which may be established through communication with other users or direct connection with the base station, and to minimize the total transmission power, different optimization methods such as gravitational search optimization, particle swarm optimization, genetic optimization algorithm and distributed strategy based on Q learning and softmax decision making methods are used. The numerical results show a power reduction of around 30 percent for these distributed communications with less computational complexity using the Q learning method compared to the case in which all users traditionally connect through the base station in a centralized way with high computational complexity.Keywords: Distributed resource allocation, downlink, uplink, device-to-device communication, Gravitational Search Algorithm, Q learning}
-
A Question Answering System (QAS) is a special form of information retrieval which consists of three parts: question processing, information retrieval, and answer selection. Determining the type of question is the most important part of QAS as it affects other following parts. This study uses effective features and ensemble classification to improve the QAS performance by increasing the accuracy of question type identification. We use the gravitational search algorithm to select the features and perform ensemble classification. The proposed system is extensively tested on different datasets using four types of experiments: (1) neither feature selection nor ensemble classification, (2) feature selection without ensemble classification, (3) ensemble classification without feature selection, and (4) feature selection with ensemble classification. These four kinds of experiments are carried out under the differential evolution algorithm and gravitational search algorithm. The experimental results show that the proposed method outperforms compared to state-of-the-art methods in previous researches.
Keywords: Question Answering System, Question Classification, Gravitational Search Algorithm, differential evolution algorithm} -
شبکه های حس گر کاربردهای فراوانی درشاخه های مختلف مهندسی پیدا کرده اند. یک شبکه حس گر از تعدادزیادی حس گر کوچک تشکیل شده است که با کمک یکدیگر اطلاعاتی را در مورد میدان اطراف در اختیار کاربران قرار می دهند. یکی از مسایل مهم و اساسی در شبکه های حس گر بی سیم، مسئله پوشش است که محیط فیزیکی اطراف تا چه اندازه تحت نظارت حس گرهای اطراف قرار دارد. اهمیت این مسئله تا بدان حد است که از آن به عنوان یکی از پارامترهای کیفیت سرویس دهی یاد می شود. با توجه به این نکته، روش هایی که بتوانند پوشش شبکه را به طور دقیق محاسبه کنند از اهمیت خاصی برخوردار هستند. با استفاده از الگوریتم فراابتکاری جستجوی گرانشی، در این مقاله جواب بهینه ای برای مسئله پوشش در شبکه های حس گر بی سیم ارایه گردیده است. با در نظر گرفتن یک گره گذرگاه، توان شبکه بهینه سازی شده به میزان پنج برابر افزایش یافته است.کلید واژگان: الگوریتم جستجوی گرانشی, پوشش انرژی, شبکه حس گر, مهندسی مخابرات}Sensor networks have found many applications in different branches of science. A sensor grid is made up of a large number of small sensors. These sensors help each other to provide information about the sensory field. One of the major issues in sensor networks is the problem of coverage. The problem of coverage explores the answer to the question of how far the physical environment of a sensor network is properly monitored by the nodes of the network. The importance of this issue is to the extent that it is considered as one of the parameters of the quality of service in such networks. In all cases, the need for the methods that can accurately calculate network coverage is well known. In this paper, we try to provide an optimal solution to the problem of coverage in a wireless sensor network with the help of a modified gravitational search algorithm.
-
مزایای فراوان فناوری مالتی پلکس فرکانسی متعامد (OFDM) و انعطاف پذیری بالای آن باعث شده که در بسیاری از استانداردهای مخابراتی بی سیم مورد استفاده قرار گیرد. یکی از موارد موثر در افزایش کارایی سیستم های بی سیم، تخمین دقیق اطلاعات حالت کانال می باشد. تا کنون تکنیک های متنوعی برای تخمین کانال ارایه شده است. یک دسته از این تکنیک ها با استفاده از سیگنال دریافتی و اطلاعات آماری سیگنال های ارسالی و دریافتی سعی در تخمین کانال دارند که پیچیدگی بالا و عملکرد نسبتا ضعیفی دارند. دسته دیگر با ارسال سمبل های پایلوت، در قبال صرف منابع با روش های ساده تخمین بهتری از کانال ارایه می دهند. در سال های اخیر، تکنیک های مبتنی بر الگوریتم های هوشمند مانند الگوریتم ژنتیک (GA) و بهینه سازی ازدحام ذرات (PSO) مورد توجه قرار گرفته اند. این روش ها قادرند با سربار پایلوت بسیار کم، تابع انتقال کانال مربوط را با استفاده از سیگنال های دریافتی، به نحو مناسبی تخمین بزنند. محدودیت عمده این روش ها سرعت همگرایی نسبتا پایین آنهاست. در این مقاله یک روش ابتکاری برای تخمین کانال با استفاده از الگوریتم جستجوی گرانشی (GSA) پیشنهاد شده که در مقایسه با روش های GA و PSO قادر است تخمین دقیق تری از کانال ارایه دهد. این در حالی است که پیچیدگی محاسباتی آن در حد الگوریتم PSO بوده و برای دستیابی به برازش یکسان از سرعت همگرایی بالاتری نیز نسبت به آنها برخوردار است. عملکرد روش پیشنهادی برای تخمین یک کانال دومسیره با محوشدگی سریع بر اساس دو معیار نرخ خطای بیت (BER) و میانگین مربع خطا (MSE) ارزیابی شده و نتایج شبیه سازی موید برتری آن نسبت به روش های GA و PSO می باشد.
کلید واژگان: الگوریتم جستجوی گرانشی, بهینه سازی تابع, تخمین کانال OFDM, تخمینگر هوشمند کانال}The abundant benefits of Orthogonal Frequency-Division Multiplexing (OFDM) and its high flexibility have resulted in its widespread applications in many telecommunication standards. One important parameter for improving wireless system’s efficiency is the accurate estimation of channel state information (CSI). In the literatures many techniques have been studied in order to estimate the CSI. Nowadays, the techniques based on intelligent algorithms such as genetic algorithm (GA) and particle swarm optimization (PSO) have attracted attention of researchers. With a very low pilot overhead, these techniques are able to estimate the channel frequency response (CFR) properly only using the received signals. Unfortunately each of these techniques suffers a common weakness: they have a slow convergence rate. In this paper, a new intelligent and different method has been presented for channel estimation using gravitational search algorithm (GSA). This method can achieve accurate channel estimation with a moderate computational complexity in comparison with GA and PSO estimators. Furthermore, with higher convergence rate our proposed method is capable of providing the same performance as GA and PSO. For a two-path fast fading channel, simulation results demonstrate the robustness of our proposed scheme according to the bit error rate (BER) and the mean square error (MSE).
Keywords: Gravitational search algorithm, function optimization, OFDM channel estimation, intelligent channel estimator} -
در این مقاله، با استفاده از نظریه مجموعه های فازی، الگوریتمی برای انتخاب سرخوشه و بهبود الگوریتم زنبورعسل به منظور مسیریابی در شبکه های ویژه خودرویی ارائه شده است. با توجه به اینکه تغییر سریع توپولوژی و ازدحام در شبکه های ویژه خودرویی باعث شکست اتصال ها می شوند، پروتکل پیشنهادی با بررسی میزان پایداری و ازدحام اتصال ها، میزان اعتبار هر گره و اتصال را محاسبه می کند. با توجه به اهمیت به دست آوردن توابع عضویت بهینه در سیستم استنتاج فازی، از الگوریتم جستجوی گرانشی برای تعدیل توابع عضویت استفاده می شود. در انتها، پروتکل پیشنهادی با استفاده از نرم افزار متلب شبیه سازی شده و با روش های مسیریابی دیگر مانند AODV، VANET QoS-OLSR و الگوریتم زنبورعسل مقایسه می شود که نتایج به دست آمده نشان می دهد این الگوریتم نرخ تحویل بسته بیشتر و تاخیر انتها به انتهای کمتری دارد.کلید واژگان: شبکه های ویژه خودرویی, هوش جمعی, خوشه بندی, مسیریابی, نظریه مجموعه های فازی, الگوریتم جستجوی گرانشی, اعتبار}In this paper, a new protocol to select cluster-heads and improve the Bee algorithm in order to routing in Vehicular Ad Hoc Networks (VANETs), which utilizes fuzzy set theory, is proposed. As regards the rapid topology change and congestion in VANETs lead to links failure, the proposed protocol calculates the validity value of each node and link based on the connectivity and the congestion level of the links of the route. Despite the importance of achieving optimal membership function in fuzzy inference system, Gravitational Search Algorithm (GSA) is employed to tune the fuzzy membership functions (MFs). Finally, the proposed protocol is simulated by MATLAB and compared with other routing protocols such as AODV, VANET QoS-OLSR and Bee algorithm that experimental results show that this algorithm achieves high data packet delivery ratio and low end to end delay.Keywords: Vehicular Ad Hoc Networks (VANETs), Swarm Intelligence, Clustering, Routing, Fuzzy set theory, Gravitational Search Algorithm (GSA), Validity}
-
الگوریتم جمعیت ذرات اطلاع دهنده ی محلی، یک روش ساده و موثر است که اخیرا برای حل مسائل بهینه سازی چندمدی ارائه شده است. این الگوریتم دارای یک ضعف اساسی است: برای محاسبه سرعت یک ذره، "شایستگی" و " فاصله ی" ذرات همسایه ی آن ذره را در نظر نمی گیرد، درصورتیکه در نظر گرفتن این دو پارامتر در محاسبه سرعت می تواند به الگوریتم برای ایجاد یک تعادل مناسب بین همگرایی و تنوع راه حل ها کمک زیادی کند. در این مقاله، یک نسخه جدید از این الگوریتم با نام "الگوریتم جمعیت ذرات اطلاع دهنده ی محلی گرانشی" ارائه شده است، که در آن هر ذره موقعیت خود را با استفاده از قوانین گرانش و حرکت به سمت بهترین موقعیت همسایگان محلی اش تنظیم می کند. در الگوریتم پیشنهادی، هر چه همسایه ی محلی یک ذره دارای کیفیت بیشتری باشد یا دارای فاصله ی کمتری با ذره باشد، جرم گرانشی بیشتری به آن همسایه تعلق می گیرد و در نتیجه آن همسایه مجاز به اعمال نیروی گرانشی بیشتری به آن ذره می شود. برای بررسی کارایی الگوریتم پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک استاندارد صورت گرفته است. نتایج این آزمایشات نشان می دهد که الگوریتم پیشنهادی می تواند نتایج بهتری نسبت به الگوریتم جمعیت ذرات اطلاع دهنده ی محلی و سایر الگوریتم های بهینه ساز چندمدی به دست آورد.کلید واژگان: بهینه سازی جمعیت ذرات, الگوریتم جستجوی گرانشی, قاعده به روزرسانی سرعت, بهینه سازی چندمدی}Gravitational Locally Informed Particle Swarm Algorithm for solving Multimodal Optimization ProblemsLocally Informed Particle Swarm (LIPS) is a simple and effective method for solving multimodal optimization problems. Despite the good performance of LIPS’s velocity updating rule, the quality (fitness) of this local neighbors is not considered in calculating the velocity. Considering the quality of neighbors to update the particle velocity can reinforce the search power of LIPS. In this paper, a new version of LIPS with Gravitational velocity updating rule (GLIPS) is proposed. In GLIPS each particle successively adjusts its position towards the best positions of its local neighbors using laws of gravity and motion. In proposed GLIPS, local neighbors with a higher quality get a greater gravitational mass and therefore are allowed to apply the higher gravity force to other particles to attract them. In this case, the particles near good solutions try to attract the other particles which are exploring the search space. We perform a detailed empirical evaluation on the several commonly used multimodal benchmark functions. Our results demonstrate that the new velocity updating rule for LIPS can obtain better results for multimodal function optimization.Keywords: particle swarm optimization, Gravitational Search Algorithm, Velocity updating rule, Multimodal optimization}
-
با توجه به اهمیت فراوان موتورهای القایی در صنعت، نگهداری و محافظت از آن ها امری ضروری و حیاتی می باشد. یکی از راه های نگهداری از چنین موتورهایی بررسی مداوم سلامت آنها می باشد که از طریق مونیتورینگ مداوم مقادیر پارامترهای ساختاری آن میسر می شود. بروز کوچکترین مشکلی در موتور القایی قفسه سنجابی تاثیر قابل توجهی بر مقادیر پارامترهای ساختاری آن مانند مقاومت های استاتور و روتور، اندوکتانس های استاتور و روتور و اندوکتانس متقابل می گذارد، از طرف دیگر، تخمین درست و دقیق پارامترهای ساختاری، کمک شایان توجهی به کنترل وضعیت موتور نیز خواهد کرد. در این مقاله برای تخمین پارامترهای ساختاری موتور القایی از رویکرد شناسایی جعبه خاکستری استفاده شده است. با استفاده از داده های استخراج شده از موتور که عبارتند از مقادیر موثر جریان استاتور و ضریب توان و با کاربرد الگوریتم های فراابتکاری که عبارتند از بهینه سازی جمعیت ذرات، بهبود یافته بهینه سازی جمعیت ذرات، جستجوی گرانشی، بهبود یافته جستجوی گرانشی، جستجوی هارمونی و تبرید شبیه سازی شده، مدلی از موتور القایی قفسه سنجابی مورد مطالعه تخمین زده شده است. نتایج بدست آمده نشان می دهند، الگوریتم های فراابتکاری می توانند گزینه مناسبی برای تخمین پارامترهای موتور القایی باشند. ارزیابی ها نشان می دهند، می توان با مصلاحه ای بین سرعت، دقت و قابلیت اطمینان با توجه به نیاز کاربر در بین الگوریتم های فراابتکاری بهترین گزینه را انتخاب کرد.کلید واژگان: الگوریتم بهینه سازی جمعیت ذرات, الگوریتم بهینه سازی فراابتکاری, الگوریتم تبرید شبیه سازی شده, الگوریتم جستجوی گرانشی, الگوریتم جستجوی هارمونی, رویکرد شناسایی جعبه خاکستری, موتور القایی قفسه سنجابی}Journal of Iranian Association of Electrical and Electronics Engineers, Volume:14 Issue: 1, 2017, PP 93 -101Induction motors are so important in industry, so their protection and maintenance seem a vital issue. Continuous control of structural parameter of such motors is the way that can protect them. Appearance of a small problem in motor can change the value of structural parameter of squirrel cage induction motor, such as; resistances of stator and rotor, inductances of stator and rotor and mutual inductance. Therefore, precise estimation of these structural parameters with acceptable reliability can help to control condition of motor. In this paper, in order to estimate the structural parameters of under studied induction motor, gray box identification procedure has been used, such that using extracted data from motor (namely; values of root mean square of stator current and power factor) and meta-heuristic algorithms, which are Particle Swarm Optimization (PSO), Improved version of Particle Swarm Optimization (IPSO), Gravitational Search Algorithm (GSA), Improved version of Gravitational Search Algorithm (IGSA), Harmony Search (HS) and Simulated Annealing (SA), a model of under studied induction motor is identified. Obtained results show that meta-heuristic optimization algorithms can be a good chose for estimating the parameters of induction motor. Assessments show that implementing tradeoff between speed, accuracy and reliability based on the users requirement best meta-heuristic algorithm can be selected.Keywords: Gravitational Search Algorithm (GSA), Gray box identification procedure, Harmony Search (HS), Meta-Heuristic Optimization Algorithms, Particle Swarm Optimization (PSO), Simulated Annealing (SA), Squirrel Cage Induction Motor}
-
تخمین پارامترهای مدل آماری کلاتر، مساله ای مهم در زمینه مدل سازی، شبیه سازی، طبقه بندی و شناسایی کلاتر رادار می باشد. کلاتر رادار، ذاتا دارای ماهیت تصادفی است، بنابراین عموما از توزیع های آماری برای توصیف بهتر ویژگی های کلاتر رادار استفاده می شود. توزیع K یکی از مدل های رایج برای توصیف کلاتر است که دارای دو مولفه اسپیکل و توان محلی می باشد. این توزیع دارای دو پارامتر مقیاس و شکل می باشد و به دلیل آن که مولفه های آن توسط توزیع گاما مدل سازی می شوند، مساله تخمین پارامتر های توزیع K مساله ای چند بعدی، غیرخطی و پیچیده است. در این مقاله، روش جدیدی مبتنی بر الگوریتم جستجوی گرانشی جهت تخمین پارامتر های توزیع K پیشنهاد شده است. روش پیشنهادی دارای دقت بسیار بالا در تخمین پارامتر های این نوع کلاتر می باشد. برای ارزیابی دقیق روش پیشنهادی این مقاله، تابع توزیع احتمال و تابع چگالی طیف توان کلاتر با پارامتر های تخمین زده در دو آزمایش مختلف مورد ارزیابی قرار گرفتند. هم چنین از تست کولموگروف-اسمیرنوف نیز برای تعیین میزان دقت کلاتر تولیدی استفاده گردید. نتایج شبیه سازی و ارزیابی، کارآمدی روش پیشنهادی برای تخمین پارامتر های توزیع K را به وضوح تصدیق می کنند.کلید واژگان: الگوریتم جستجوی گرانشی, تخمین پارامتر, توزیع آماری K, کلاتر رادار, تست کولموگروف, اسمیرنوف}Parameter estimation is an important task in the modeling, classification, and detection of radar clutters. Radar clutters have stochastic characteristics. Therefore, Statistical distributions are usually used to describe the features of clutters better. K distribution is one of the most common models utilized to the simulation of clutters. This distribution, which consists of scale and shape parameters, has two speckle and local power components. Because local power component is modeled by gamma distribution, the parameter estimation of K distribution is a high dimensional and nonlinear problem. In this paper, a novel method is proposed based on the gravity searching algorithm for the parameter estimation. This new method has high accuracy and validity in estimating parameters. For the evaluation of the proposed method, the estimated probability density function and power spectrum in two different experiments were compared to actual ones. Finally, the results of the new method are compared to the results of the maximum likelihood method. Furthermore, K-S test is performed to evaluate generated clutters with estimated parameters. Results prove the validity of the proposed method for the parameter estimation.Keywords: Gravity Searching Algorithm, K distribution, Parameter Estimation, Radar Clutter, K, S Test}
-
نشریه تحقیقات نوین در سیستم های قدرت هوشمند، سال پنجم شماره 1 (پیاپی 11، بهار و تابستان 1395)، صص 52 -60
در این مقاله، مکانیابی تجهیزات سیستم انتقال انعطاف پذیر (FACTS) در سیستم های قدرت حلقوی شکل با حضور توربین های بادی و واحدهای حرارتی صورت پذیرفته است. تجهیزات مد نظر STATCOM و TCSC می باشد. استفاده از این تجهیزات می تواند بهره برداری سیستم را افزایش دهد. بنابراین مکانیابی این تجهیزات همراه با با پخش بار بهینه مد نظر قرار گرفته است. هدف پخش بار بهینه با هدف حداقل سازی هزینه های ناشی از تولید توان مولدها می باشد. شبیه سازی توسط نرم افزار MATLAB پیاده سازی شده است. الگوریتم جستجوی گرانشی بمنظور حل مسیله مورد استفاده قرار گرفته است و شبکه استاندارد 39 شین IEEE بمنظور پیاده سازی روش پیشنهادی بکار گرفته شده است.
کلید واژگان: پخش بار بهینه, الگوریتم جستجوی گرانشی, توربین های بادی, هزینه بهره برداری}In this paper, the location of the FACTS system in ring power systems with the presence of wind turbines and thermal units has been made. Equipment required by STATCOM and TCSC. Using this equipment can increase the operation of the system. Therefore, the location of this equipment is considered with optimal load distribution. The purpose of optimal load distribution is to minimize the cost of generating power generation. Simulation is implemented by MATLAB software. The gravitational search algorithm has been used to solve the problem and the IEEE 39-channel network has been used to implement the proposed method.
Keywords: Optimal load distribution, Gravitational search algorithm, Wind turbines, Cost of operation} -
از آنجا که به دلیل محدودیت های عکس برداری نمی توان با گرفتن تنها یک عکس از یک صحنه به تصویری با کیفیت و وضوح مطلوب دست یافت، ترکیب تصاویر با استفاده از روش های گوناگون روز به روز در حال گسترش و بهبود است. از طرفی امروزه از الگوریتم های جمعیتی مبتنی بر تصادف جهت بهینه یابی استفاده گسترده ای می شود که اغلب با الهام از فرایندهای فیزیکی یا رفتارهای موجودات به وجود آمده اند. الگوریتم بهینه یابی جستجوی گرانشی (GSA) از مجموعه الگوریتم های بهینه یابی است که با الهام از قانون جاذبه و مفهوم جرم شکل یافته است و عامل های جستجوگر مجموعه ای از اجرام می باشند. این پژوهش قصد دارد به ترکیب تصاویر با میزان تمرکز های مختلف با استفاده از الگوریتم بهینه یابی جستجوی گرانشی بپردازد. برای این کار ابتدا ترکیب تصاویر با استفاده از اطلاعات فرکانس مکانی مورد مطالعه قرار گرفته و سپس با بررسی مفهومGSA و تلفیق آن با فرکانس مکانی، روشی جدید برای ترکیب تصاویر ارائه شده است. عملکرد روش پیشنهادی با روش ترکیب مبتنی بر اطلاعات پیکسل ها بر اساس منطق فازی و روش بهینه سازی فرایند ترکیب تصاویر با بکارگیری الگوریتم بهینه یابی اجتماع ذرات (PSO) مورد مقایسه قرار گرفته که نتایج تجربی حاکی از میزان خطای کمتر روش پیشنهادی است. درضمن، کارآمدی این روش برای ترکیب تصاویر رنگی نیز بررسی شده است.کلید واژگان: ترکیب تصاویر, فرکانس مکانی, بهینه یابی, الگوریتم جستجوی گرانشی}Because of photography limitations, it is sometimes impossible to achieve an image of high quality and sufficient clarity by taking just one picture from a scene. Therefore, various methods of image fusion have been proposed. On the other hand, random population-based algorithms have been used extensively for optimization. These algorithms are often inspired by the physical processes or the behavior of the living beings. Gravitation search algorithm (GSA) is an optimization algorithm that is based on the gravitation and mass concept and the search agents in this algorithm are masses. In this study, GSA is used to optimize the image fusion process when using images with different focuses. In this way, spatial frequency measure is used. The performance of proposed method is compared with two otherMethodsa peer approach when the particle swarm optimization (PSO) algorithm is used instead of GSA, and a pixel-based fuzzy approach. Experimental results show that the proposed method has a superior performance and this method can be applied to colored images, as well.Keywords: Image fusion, spatial frequency, optimization, gravitation search algorithm}
-
وارسی مدل، یک روش خودکار و راهکاری مناسب به منظور درستی یابی سیستم های نرم افزاری مطمئن است. در این سیستم ها، نمی توان ریسک بروز خطا را حتی در فرآیند تست پذیرفت و لذا لازم است فرآیند درستی یابی، قبل از پیاده سازی و در سطح مدل انجام شود. سیستم های تبدیل گراف، از پرکاربردترین سیستم های مدل سازی رسمی و راهکاری مناسب به منظور مدل سازی و وارسی سیستم های پیچیده هستند. اما این سیستم ها در فرآیند وارسی مدل از مشکل انفجار فضای حالت رنج می برند که در صورت گسترده بودن ابعاد مسئله و لذا بزرگ شدن فضای حالت مدل، سیستم با کمبود حافظه مواجه می شود. لذا هدف از این پژوهش، پیشنهاد راهکاری جهت مقابله با این مشکل در فرآیند وارسی سیستم های تبدیل گراف است. راهکارهای ارائه شده، به جای تولید کل فضای حالت، آن را در جهت رسیدن به یک حالت خطا به طور مثال بن بست، هدایت می کنند. راهکار پیشنهادی بر مبنای الگوریتم پرندگان طراحی شده و برای جلوگیری از مشکل به دام افتادن در بهینه های محلی که مشکل اصلی این الگوریتم است، با الگوریتم جستجوی گرانشی که دارای قدرت خوبی در جستجوی محلی است، ترکیب شده است. در نهایت به منظور ارزیابی نتایج راهکارهای ارائه شده، این راهکارها در ابزار Groove- از ابزارهای مدل سازی تبدیل گراف-پیاده سازی شده اند.
کلید واژگان: وارسی مدل, سیستم تبدیل گراف, انفجار فضای حالت, الگوریتم پرندگان, الگوریتم جستجوی گرانشی}One of the best solutions to verify software systems (especially critical systems) is model checking in which all reachable states are generated from an initial state and the generated state space is searched to find errors or some desirable patterns. However, the problem for many real and complex systems is the state space explosion in which model checking cannot generate all the states. In this paper, a solution is presented to cope with this problem in systems modeled by graph transformation. Since meta-heuristic algorithms are proper solutions to search in very large problem spaces, they employed in this research to find errors (e.g. deadlocks) in systems which cannot be verified through existing model checking approaches because of state space explosion problem. To do so, a Particle Swarm optimization (PSO) algorithm is empployed to consider only a subset of states (called population) in each step of the algorithm. To avoid local optima problem, PSO is combined with Gravitational Search Algorithm (GSA). Our proposed approach is implemented in GROOVE –a toolset for designing and model checking graph transformation system-. The experiments show better results in terms of accuracy, speed and memory usage in comparison with the existing approaches.Keywords: Model checking, deadlock, particle swarm optimization, PSO, gravitational search algorithm, graph transformation system, state space explosion} -
پیشرفت سریع تکنولوژی و به دنبال آن کاهش بعد ترانزیستورهای ماسفت باعث شده است که این ترانزیستور ها رفتار متفاوتی در مدارات الکترونیکی از خود نشان دهند. در دهه ی اخیر، مدل های زیادی برای تخمین رفتار ترانزیستور های ماسفت کانال کوتاه ارائه شده است. در این مقاله یک مدل جدید برای پیش بینی رفتار و عملکرد ترانزیستورهای ماسفت کانال کوتاه پیشنهاد شده است. مدل پیشنهادی با ایجاد تغییراتی روی مدل nth-power law MOS، دقت این مدل را افزایش و خطای آن را کاهش داده است. پارامترهای مدل پیشنهادی نسبت به دو مشخصه ی واقعی BSIM3 در تکنولوژی130 نانومتر و TSMC_CM018RF در تکنولوژی180 نانومتر، که امروزه کاربرد بسیاری در مدارات الکترونیکی مخصوصا مدارات فرکانس بالا دارند، محاسبه شده است. به منظور افزایش دقت مدل پیشنهادی، پارامترهای آن، توسط سه الگوریتم وراثتی، بهینه سازی جمعیت ذرات و جستجوی گرانشی محاسبه شده است. نتایج بدست آمده نشان می دهد که برای مدل ارائه شده، الگوریتم جستجوی گرانشی نتایج بهتری به دست داده است.
کلید واژگان: الگوریتم وراثتی, الگوریتم بهینه سازی جمعیت ذرات, الگوریتم جستجوی گرانشی, ترانزیستور ماسفت کانال کوتاه, مدارات فرکانس بالا}The rapid advance of technology and the subsequent reduction size of the MOSFET transistors has led to different behavior of the transistors in electronic circuits. In recent decades، many models are presented to estimate the behavior of short-channel MOSFET transistors. In This paper، a new model is proposed to predict the short-channel MOSFET transistor behavior. This model، increases the accuracy and reduces the error rate of the “nth-power law MOS” against the original one. parameters of the proposed model is optimized and compared with the actual Characteristic BSIM3 at 130nm technology and TSMC_CM018RF at 180nm technology. These devices have Many applications in electronic circuits، especially high-frequency circuits. In order to increase the accuracy of the proposed model، its parameters are optimized by a heuristic optimization algorithm. To this، three algorithms including genetic algorithm، particle swarm optimization and gravitational search algorithm are compared. The experimental results indicate that for the proposed model، gravitational search algorithm has got better parameters.Keywords: Genetic Algorithm, Particle Swarm Optimization, Gravitational Search Algorithm, Short channel Mosfets, High, frequency circuits} -
برنامه ریزی توان راکتیو در شبکه قدرت به منظور تنظیم پروفیل ولتاژ شبکه، کم کردن نوسانات ولتاژ و کمینه سازی تلفات به عنوان یک مساله غیرخطی بهینه سازی مورد توجه محققیق بوده است. در این مقاله برای دسترسی به این مهم از الگوریتم چند منظوره جستجوی گرانشی با در نظر گرفتن سه تابع هدف مختلف بهره گرفته شده است. مساله برنامه ریزی توان راکتیو یک مساله پیچیده در مهندسی می باشد. علت این امر به خاطر داشتن توابع متضاد و قیود غیرخطی می باشد. علت تضاد به دلیل ماهیت متفاوت بین تابع هزینه، تلفات و ولتاژ می باشد که نمی توان همه این پارامترها را در یک تابع هدف خلاصه نمود. به منظور مدل سازی جامعتر برای مساله برنامه ریزی توان راکتیو در این مطالعه از سه تابع هدف با عناوین هزینه اختصاصی برای منابع تولید توان راکتیو، بهبود سازی پروفیل ولتاژ و کمینه سازی تلفات شبکه مبتنی بر مدل نیوتن-رافسون استفاده شده است. برای مرتب سازی داده ها از سازوکار مرتب سازی معیار پارتو بهره گرفته شده است. به منظور استخراج بهترین جواب از میان مجموعه جواب های حاصل از سیستم پارتو، تئوری فازی بکار گرفته شده است. روش پیشنهادی روی سیستم های قدرت مختلف مورد بحث و بررسی قرار گرفته است و نتایج بدست آمده از روش پیشنهادی با سایر روش های انجام گرفته در این زمینه مقایسه شده است. جستجوی مناسب، انتخاب بهترین جواب در هر مرحله و ارتقا مجموعه جواب ها و تقاطع نسل ها به منظور دستیابی به جواب های بهتر از ویژگی های بارز روش پیشنهادی می باشد.
کلید واژگان: الگوریتم جستجوی گرانشی}The key of Reactive Power Planning (RPP), or Var planning and reactive power dispatch, are the optimal allocation of reactive power sources considering location and size. Traditionally, the locations for placing new Var sources were either simply estimated or directly assumed. Recent research works have presented some rigorous optimization based methods in RPP. The reactive power dispatch and planning is a large-scale non-convex, nonlinear programming (NLP) problem with real and discrete variables that presents a high degree of complexity for application in real electric power systems (EPS). This paper addresses an improved gravitational search algorithm (GSA) with strength Pareto front to find the feasible optimal solution of the RPP problem with various generator constraints in power systems. For practical generator operation, many nonlinear constraints of the generator, such as ramp rate limits, generation limits, transmission line loss and non-smooth cost functions are all considered using the proposed method. Effectiveness of the proposed method is demonstrated for two different systems, including 6 and 54 unit generating in comparison with the performance of the other recently optimization algorithms reported in the literature in terms of the solution quality and computation efficiency. The results analysis confirms that the proposed approach has an excellent capability to determine optimal solution of the RPP problems over the other existing methods and enhances efficiently the solutions quality of the power systems.Keywords: GSA, Pareto front, Optimization, Reactive power planning, Non, linear constrains} -
کارایی بهتر شبکه عصبی به پارامتر هایی همچون تعداد گره های ورودی، تعداد لایه های میانی، تعداد نرون ها، و وزن اختصاص یافته به نرون ها بستگی دارد. روش های متفاوتی جهت به روزرسانی پارامترها و ساختار شبکه عصبی مصنوعی ارائه گردیده است. یکی از روش های متداول و مورد استفاده در شبکه های عصبی، روش پس انتشار خطا (EBP) است که در آن تنها وزن های شبکه عصبی به روزرسانی می شوند. در این مقاله، از الگوریتم جستجوی گرانشی (GSA) بدین منظور استفاده شده است، که یکی از روش های نوین جستجو و بهینه سازی مبتنی بر هوش جمعی می باشد. در روش پیشنهادی، از GSA به همراه نسخه باینری الگوریتم جستجوی گرانشی (BGSA) به صورت همزمان، جهت آموزش شبکه عصبی و نیز تعیین ساختار بهینه شبکه عصبی استفاده شده است. نتایج عملکرد روش پیشنهادی با روش هایی چون الگوریتم تجمع ذرات (PSO)، الگوریتم آمیختار PSO و نسخه باینری PSO (PSO-BPSO) و نیز روش EBP در کاربردهای دسته بندی و تقریب توابع مقایسه شده است. عملکرد برای کاربرد دسته بندی بر روی سه دادگان استاندارد گل زنبق، سرطان سینه و انواع شیشه و برای کاربرد تقریب توابع، درخصوص یک سیستم تخمین نوا برای سنتز گفتار فارسی مورد ارزیابی قرار گرفته است. از آنجا که تعداد ورودی ها به شبکه عصبی در کاربرد سیستم تخمین نوا زیاد است، از یک الگوریتم آمیختار تکاملی و هوش جمعی نیز برای انتخاب ویژگی های مناسب بهره گرفته شده است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی با به کارگیری تعداد نرون های کمتر در لایه مخفی (به میزان 25 تا 68 درصد کاهش در تعداد این نرون ها در مقایسه با بسیاری از الگوریتم های مورد بررسی)، دقت دسته بندی و تقریب را به صورت قابل رقابتی (به ویژه هنگام کار با داده های آزمون) از خود ارائه می نماید.
کلید واژگان: الگوریتم جستجوی گرانشی, دسته بندی داده, شبکه عصبی مصنوعی, الگوریتم آمیختار انتخاب ویژگی, سنتز گفتار فارسی}Determining the optimum number of nodes، number of hidden layers، and synaptic connection weights in an artificial neural network (ANN) plays an important role in the performance of this soft computing model. Several methods have been proposed for weights update (training) and structure selection of the ANNs. For example، the error back-propagation (EBP) is a traditional method for weights update of multi-layer networks. In this study، gravitational search algorithm (GSA)، as a modern swarm intelligence optimization method، is used for this purpose. In this way، GSA and its binary version (BGSA) are used concurrently، as a hybrid method، to optimize the weights and number of hidden-layer nodes of an ANN، respectively. The performance of proposed method is compared with other intelligent and traditional methods such as particle swarm optimization (PSO)، PSO-BPSO hybrid، and EBP in classification and function approximation tasks. The performance is evaluated over Iris، Breast Cancer، and Glass datasets for classification. For function approximation task، the performance is evaluated for a prosody predictor that is used for natural speech synthesis. To reduce the number of inputs to prosody predictor، a hybrid of an genetic algorithm and ant colony optimization algorithm is used for feature selection. Simulation results show that the proposed method can offer competitive classification and prediction accuracies while using a reduced number of hidden neurons (25-68 percent reduction) as compared to other investigated algorithms.Keywords: gravitational search algorithm, data classification, artificial neural network, hybrid feature selection algorithm, Farsi speech synthesis} -
نشریه تحقیقات نوین در سیستم های قدرت هوشمند، سال دوم شماره 3 (پیاپی 6، پاییز و زمستان 1392)، صص 1 -10
الگوریتم جستجوی گرانشی (GSA) یک روش بهینه سازی تصادفی نوین است که از قانون گرانش و اثر متقابل بین جرم های ذره ها الهام گرفته است. در این مقاله از یک مدل نوین ترکیبی اصلاح شده از بهینه سازی ذرات عمومی (PSO) و GSA جهت کنترل پذیری یا کنترل توانایی جستجوی بهینه سازی عمومی و افزایش عملکرد مدل ترکیبی PSOGSA استفاده شده است.بهره گیری از این روش ترکیبی اصلاح شده برای حل مساله توزیع اقتصادی روزانه در سیستم های حرارتی در یک مقیاس بزرگ به عنوان یک مسیله بهینه سازی می تواند نقش مهمی را در بهره برداری اقتصادی سیستم های قدرت ایفا می کند. که در این مقاله الگوریتم جستجوی گرانشی را برای حل مسیله (DHS) مطرح می کند. امکان پذیری و استفاده از روش PSOGSA در حل مساله توزیع اقتصادی بار در سیستم های آبی-حرارتی در محیط نرم افزاری MATLAB ، شبیه سازی کامپیوتری شده است.نتایج بدست آمده از روش PSOGSA مطرح شده با تکنیک اکتشافی دیگر در متن مقایسه می شوند و نتایج مقایسه نشان می دهد که روش مطرح شده می تواند به یک حل نزدیک به بهینه و بهبود عملکرد روش ترکیبی PSOGSA استاندارد همگرا شود.
کلید واژگان: مخازن آبشاری, توزیع اقتصادی, الگوریتم جستجوی گرانشی, استراتژی جستجو اکتشافی} -
در این مقاله، برای افزایش کارایی سامانه بازیابی تصویر، استخراج ویژگی های دیداری بصورت وفقی با استفاده از الگوریتم جستجوی گرانشی انجام می شود. در سامانه پیاده سازی شده، برای استخراج ویژگی های بافت از تبدیل موجک با موجک مادر پارامتری و برای استخراج ویژگی رنگ از هیستوگرام پارامتری رنگ HSV استفاده شده است. پارامترهای موجک مادر در ویژگی بافت و سطوح چندی سازی در ویژگی رنگ با استفاده از الگوریتم جستجوی گرانشی جهت افزایش دقت بازیابی تطبیق داده شده است. روش پیشنهادی در یک پایگاه تصویر با 1000 تصویر آزموده شده است. نتایج بهبود دقت بازیابی را نشان می دهد.
کلید واژگان: استخراج تطبیقی ویژگی, الگوریتم جستجوی گرانشی, بازیابی تصویر, تبدیل موجک پارامتری, هیستوگرام رنگ}Content-based image retrieval، CBIR، is an interesting problem of pattern recognition. This paper is devoted to the presentation an approach to reduce the semantic gap between low level visual features and high level semantics by parameter adaptation in feature extraction sub-block. In the proposed method، GSA is used. In texture feature extraction، the parameters of a 6-tap parametrized orthogonal mother wavelet and in color feature extraction، the quantization levels are adapted to reach maximum precision of the image retrieval system. Experimental results and comparison with the conventional CBIR system are reported on a database of 1000 images. Results confirm the efficiency of the proposed adapted image retrieval system.Keywords: Gravitational search algorithm, Feature extraction, Image Retrieval, Multi, resolution Wavelet, color histogram} -
توزیع اقتصادی روزانه در سیستم های حرارتی (DHS) در یک مقیاس بزرگ به عنوان یک مسیله بهینه سازی که محدودیت های دینامیکی غیرخطی را شامل می شود، نقش مهمی را در بهره برداری اقتصادی سیستم های قدرت ایفا می کند. این مقاله الگوریتم مطرح می کند. در نظر گرفتن اثر شیر بخار سبب شده تا این مساله توزیع (DHS) را برای حل مسیله (GSA) جستجوی گرانشی در حل مساله توزیع اقتصادی بار در سیستم- GSA اقتصادی را به یک مساله غیر محدب تبدیل نماید. امکانپذیری و استفاده از روش شبیه سازی کامپیوتری شدهاست و نتیجه حاصله با و بدون اثر موقعیت شیر بخار ، MATLAB های آبی-حرارتی در محیط نرمافزاری در واحدهای حرارتی مقایسه و تحلیل شدهاند. برنامه کامپیوتری تهیه شده روی یک سیستم آبی-حرارتی پیاده سازی شده است و با بررسی نتایج، سودمندی و قابلیت روش مورد استفاده (GSA) در مقایسه با سایر روش ها نشان داده شده است.
کلید واژگان: مخازن آبشاری, توزیع اقتصادی, الگوریتم جستجوی گرانشی, استراتژی جستجو اکتشافی}
The daily economic dispatching of hydrothermal system (DHS), which is a large-scale dynamic nonlinear constrained optimization problem, plays an important role in economic operation of electric power systems. This paper proposes a novel enhanced gravitational search algorithm (GSA) to solve DHS problem. These are non-convex economic dispatch problems including the valve-point effect. The feasibility and using the GSA methods in solving the economic dispatching load in hydro thermal systems at Matlab are simulated by computer and the simulation results are compared and analyzed with and without the valve-point effect. The proposed programming computer aided is applied on a hydro thermal system and by analyzing the results, efficiency and ability of using method (GSA) is proposed in comparing to other methods.Keywords: Cascaded reservoirs, Economic dispatching, Gravitational search algorithm, Heuristic search strategy} -
در این مقاله یک ابزار بهینه سازی جدید در طراحی خودکار مدارات مجتمع آنالوگ مبتنی بر الگوریتم MOGSA ارائه می شود. ابزار بهینه سازی پیشنهادی در ابتدا با استفاده از یک نرم افزار شبیه ساز مدار مورد نظر را شبیه سازی نموده، نتایج شبیه-سازی را به وسیله الگوریتم MOGSA تحت بهینه سازی قرار می دهد. سپس تا حصول نتیجه مطلوب این روند را ادامه خواهد داد. برنامه های اصلی این ابزار در Matlab پیاده سازی و شبیه سازی مدارات به وسیله نرم افزار Hspice انجام می شود. در این مقاله، به منظور بررسی توانایی ابزار پیشنهادی در بهینه سازی طراحی مدارات مجتمع آنالوگ عملکرد آن سنجش می شود. برای نمونه، یک مساله سایزبندی مطرح می شود: «طراحی یک تقویت کننده عملیاتی مستقل از دما با استفاده از منبع جریان ویدلر کسکود». نتایج به دست آمده نه تنها مشخصات مورد نظر در طراحی را برآورده می سازد، بلکه با ارائه مجموعه جواب های متنوع، حق انتخاب بیشتری را برای طراح با توجه به معیارهای مختلف طراحی فراهم می نماید. الگوریتم پیشنهادی MOGSA روش نوینی را در بهینه سازی چندهدفه مبتنی بر الگوریتم جستجوی گرانشی معرفی می کند که در آن از «بهینگی پرتو» برای شناسایی موقعیت های «غیرغالب» و از یک «مخزن بیرونی» برای نگهداری این موقعیت ها استفاده می شود. برای اطمینان از صحت عملکرد روش MOGSA، این الگوریتم به وسیله چندین تابع معتبر چند هدفه آزمایش قرارمی شود. نتایج نهایی نشان دهنده رقابت تنگاتنگ روش پیشنهادی با دیگر الگوریتم های بهینه سازی چند هدفه رایج است.
کلید واژگان: الگوریتم جستجوی گرانشی, بهینه سازی چندهدفه, جبهه پرتو, ابزار بهینه سازی, سنتزمدارات مجتمع آنالوگ, طراحی خودکار}In this paper a novel optimization method based on Multi-Objective Gravitational Search Algorithm (MOGSA) is presented for automated design of analog integrated circuits. The recommended method firstly simulates a selected circuit using a simulator and then simulated results are optimized by MOGSA algorithm. Finally this process continues to meet its optimum result. The main programs of the proposed method have been implemented in MATLAB while analog circuits are simulated by HSPICE software. To show the capability of this method، its proficiency will be examined in the optimization of analog integrated circuits design. In this paper، an analog circuit sizing scheme -Optimum Automated Design of a Temperature independent Differential Op-amp using Widlar Current Source- is illustrated as a case study. The computer results obtained from implementing this method indicate that the design specifications are closely met. Moreover، according to various design criteria، this tool by proposing a varied set of answers can give more options to designers to choose a desirable scheme among other suggested results. MOGSA، the proposal algorithm، introduces a novel method in multi objective optimization on the basis of Gravitational Search Algorithm in which the concept of “Pareto-optimality” is used to determine “non-dominated” positions as well as an external repository to keep these positions. To ensure the accuracy of MOGSA performance، this algorithm is validated using several standard test functions from some specialized literatures. Final results indicate that our method is highly competitive with current multi objective optimization algorithms.Keywords: Gravitational Search Algorithm, Multi Objective Optimization, Pareto Front, Optimization Tool, Analog Integrated Circuits Synthesis, Automated Design} -
در این مقاله، بهینه یاب جدیدی مبتنی بر الگوریتم جستجوی گرانشی برای حل مسائل چند هدفه ارائه شده است. در بهینه یاب طراحی شده، از مفاهیم اساسی بهینه سازی چند هدفه، برای هدایت عامل های جستجوگر در فضای جستجو به سمت منطقه بهینه استفاده شده است. برای ارائه رویکرد مناسب مبتنی بر پرتو در حل مسائل چند هدفه با الگوریتم گرانشی به گونه ای شایسته، موضوع های تخصیص شایستگی، حفظ تنوع و نخبه گرایی رابطه مند شده اند. الگوریتم پیشنهادی با الگوریتم های مطرح در این زمینه در مسائل عددی استاندارد مقایسه و نتایج ارائه شده است. سپس از این الگوریتم برای حل مساله جایابی بهینه جبران کننده توان راکتیو استاتیکی (SVC) با در نظر گرفتن اهداف سه گانه استفاده شده است. کارایی استفاده از SVC در سیستم های قدرت، بستگی زیادی به مکان قرارگیری آن ها دارد. در نتیجه، هنگام استفاده از این ادوات، جایابی بهینه آن ها (پیدا کردن مکان و ظرفیت بهینه) باید مورد توجه قرار گیرد. در این مقاله، جایابی بهینه SVC بر مبنای اهداف چندگانه همچون پایداری ولتاژ، کاهش تلفات و هزینه خرید ادوات انجام می گیرد. نتایج آزمایشها کارایی روش پیشنهادی را تایید می کند.
کلید واژگان: جایابی بهینه ادوات, جبران ساز توان راکتیو, بهینه سازی چند هدفه, الگوریتم جستجوی گرانشی, بهینه پرتو}In this paper، a multi-objective version of Gravitational search algorithm (GSA) is proposed which is based on optimal Pareto concepts for solving the multi objective problems. To show the effectiveness of the proposed algorithm، it is tested on different benchmark functions and an engineering problem known as placement of Static Var Compensators (SVC) for VAr planning in a large-scale power system. Taking advantages of the SVCs depends greatly on how these devices are placed in the power system، namely on their location and size. The VAr planning problem is formulated as a multi-objective optimization problem، which represent minimizing voltage deviation، losses and the cost of installation resulting in the maximum system VAr margin. The results obtained show the effectiveness of the proposed algorithm.
-
پدیده جریان هجومی مغناطیس کننده، حالت گذرای بزرگی است که به هنگام برقدار شدن ترانسفورماتور روی می دهد. اندازه جریان هجومی ممکن است تا 10 برابر جریان نامی ترانسفورماتور باشد که به عملکرد نامناسب سیستم های حفاظتی منجر می گردد. در واقع تشابه بین ویژگی های جریان هجومی و شرایط خطای داخلی باعث بروز این خطا می گردد. بنابراین، برای کارکرد ایمن ترانسفورماتور لازم است که جریان هجومی از جریان خطا تشخیص داده شود. در این مقاله یک شبکه عصبی مصنوعی که توسط دو الگوریتم مبتنی بر گروه؛ یعنی الگوریتم جستجوی گرانش و بهینه سازی گروه ذرات آموزش داده می شود، برای تشخیص جریان هجومی از جریان خطا در ترانسفورماتورهای قدرت به کار رفته است. الگوریتم جستجوی گرانشی بر مبنای قانون گرانش عمل می نماید و بر خلاف سایر الگوریتم های مبتنی بر گروه ذرات دارای هویت است و الگوریتم بهینه سازی گروه ذرات مبتنی بر حرکت گروهی پرندگان است. این مقاله شامل دو مرحله عمومی است: در گام اول داده های بدست آمده از شبیه سازی، پردازش شده و به شبکه عصبی اعمال شده اند. سپس در گام دوم شبکه عصبی در نظر گرفته شده با الگوریتم های جستجوی گرانشی و بهینه سازی گروه ذرات آموزش داده شده است. در نهایت، به منظور نشان دادن اینکه این روش آموزش مفید بوده، به نتایج دقیق تری منجر می شود، نتایج بدست آمده از دو الگوریتم پیشنهادی و روش پس انتشار که یکی از رایج ترین روش های آموزش شبکه های عصبی است، مقایسه شده اند.
کلید واژگان: الگوریتم جستجوی گرانشی, بهینه سازی گروه ذرات, ترانسفورماتور قدرت, جریان هجومی, شبکه عصبی مصنوعی}The magnetizing inrush current phenomenon is a large transient condition، which occurs when a transformer is energized. The inrush current magnitude may be as high as ten times of transformer rated current that causes mal-operation of protection systems. Indeed، the similarity between signatures of Inrush current and internal fault condition make this failure. So، for safe running of a transformer، it is necessary to distinguish inrush current from fault currents. In this project، an Artificial Neural Network (ANN) which is trained by two different swarm based algorithms; Gravitational Search Algorithm (GSA) and Particle Swarm Optimization (PSO) have been used to discriminate inrush current from fault currents in power transformers. GSA works based on gravity laws and in opposite of other swarm based algorithms، particles have identity and PSO is based on behaviors of bird flocking. Proposed approach has two general stages، in first step، obtained data from simulation have been processed and applied to ANN، and then in step two، using training data considered ANN has been trained by GSA & PSO. Proposed method has been compared with one of the common training approach which is called Back Propagation (BP) and Results show that proposed method is so quick and can do discrimination very accurate.
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.