آزمايشگاه سيستمهاي هوشمند ISLAB بهينه سازي چند هدفه بر اساس الگوريتمهاي جمعيتي مهدي علياري شوره دلي سمينار دوره اي گروه کنترل آزمايشگاه سيستمهاي هوشمند ISLAB

چند تعريف بهينه سازي روندي است براي يافتن و مقايسه کردن راه حلهاي ممکن تا وقتي که پاسخ بهتري پيدا نشود. پاسخ خوب يا بد با توجه به هدفي يا اهدافي مشخص تعيين مي شود. بهينه سازي چند هدفه و تک هدفه بهينه سازي مقيد و غير مقيد آزمايشگاه سيستمهاي هوشمند ISLAB

سوال : کمينه 2 تابع زير را بيابيد : آزمايشگاه سيستمهاي هوشمند ISLAB

راه حل پرتو 1 / Speed Cost better

آزمايشگاه سيستمهاي هوشمند ISLAB يافتن بردار x*=[x 1,x 2,…,x r ] T به نحوي كه تعداد m قيد نامساوي و p قيد مساوي را به صورت زير بر آورده كند : و نيز بردار تابعي زير را بهينه نمايد : كه در آن برداري از متغيرهاي تصميم است. صورت مساله

آزمايشگاه سيستمهاي هوشمند ISLAB روشهاي بهينه سازي کلاسيک غيرمقيد روش گراديان نزولي روش نيوتن روش شبه نيوتن...

آزمايشگاه سيستمهاي هوشمند ISLAB روشهاي بهينه سازي کلاسيک مقيد روش مجموع وزن دار شده روش - مقيد روشهاي متريک وزن دار شده روش Benson روش....

آزمايشگاه سيستمهاي هوشمند ISLAB مشکلات کلاسيک مقيد تنها يک پاسخ پرتوي بهينه حاصل مي شود. تمام پاسخهاي پرتوي بهينه قابل يافتن نيستند. تمام روشها نياز به دانستن اطلاعاتي بيش از صورت مساله هستند همانند وزن مناسب، پاسخ هدف،...  تقريبا تمام روشهاي کلاسيک پيشنهاد تبديل روش بهينه سازي تک هدفه به چند هدفه را دارند!

آزمايشگاه سيستمهاي هوشمند ISLAB

روشهاي بهينه سازي جمعيتي الگوريتمهايي هستند که عموما تقليدي از اصول تکاملي EA حرکات گروهي حيوانات PSO و.... طراحي و ايجاد مي شوند براي ترکيب نمودن روندهاي بهينه سازي و جستجو. به لحاظ گوناگوني روشهاي جستجو و بهينه سازي از روشهاي کلاسيک بهترند!

آزمايشگاه سيستمهاي هوشمند ISLAB GA توليد/باز توليد جمعيت برش جهش انتخاب Reproduction Competition SelectionSurvive Mask: Parents: Offspring:

آزمايشگاه سيستمهاي هوشمند ISLAB Particle Swarm Optimization

آزمايشگاه سيستمهاي هوشمند ISLAB بررسي رفتار پرندگان

آزمايشگاه سيستمهاي هوشمند ISLAB بهترين تجربه حرکت ذره در راستاي بهترين تجربه کل جمعيت بهترين کلي حرکت ذره در راستاي بهترين تجربه خود حرکت ذره در راستاي قبلي حرکت جديد چگونگي حرکات ذرات ؟ بهترين محلي حرکت ذره در راستاي بهترين تجربه همسايگان ( محلي )

آزمايشگاه سيستمهاي هوشمند ISLAB همسايگان

آزمايشگاه سيستمهاي هوشمند ISLAB تنظيم سرعت ذرات c 1 & c 2 ضرايب مثبت Inertia Weight : Clerc and Kennedy 2002

آزمايشگاه سيستمهاي هوشمند ISLAB MultiObjective Optimization بهينه سازي چند هدفه

آزمايشگاه سيستمهاي هوشمند ISLAB مجموعه پرتو بهينه بردار تصميم x 1 متعلق به مجموعه مجاز F يك پاسخ پرتو بهينه است، اگر بردار تصميم ديگري مانند x 2 متعلق به مجموعه مجاز F وجود نداشته باشد كه بر آن غلبه كند.

آزمايشگاه سيستمهاي هوشمند ISLAB

ارزيابي به منظور بررسي روش مطرح شده، از توابع استاندارد ZDT1~ZDT4 استفاده گرديده است. تابع ZDT1 داراي جبهه پرِتو مقعر، تابع ZDT2 داراي جبهه پرِتو محدب، تابع ZDT3 داراي جبهه پرِتو گسسته و تابع ZDT4 يك مساله مالتي مدال مي باشد كه به علت داشتن تعداد 21 9 پرِتو محلي، دست يابي به جبهه اصلي براي بسياري از الگوريتمها دشوار مي باشد. فرم رياضي و شكل جبهه پرتو اين توابع به شرح زير مي باشد كه در تمامي آنها مقدار جبهه پرِتو با قرار دادن حاصل مي گردد :

آزمايشگاه سيستمهاي هوشمند ISLAB توابع تست 1

آزمايشگاه سيستمهاي هوشمند ISLAB توابع تست 2

آزمايشگاه سيستمهاي هوشمند ISLAB توابع تست 3

آزمايشگاه سيستمهاي هوشمند ISLAB ارزيابي : (GD) Generational Distance: اين مفهوم به عنوان معياري براي اندازه گيري ميزان نزديكي پاسخهاي غير مغلوب يافته شده توسط الگوريتم به جبهه پرِتو حقيقي استفاده مي شود و به صورت زير تعريف مي گردد : كه در آن m تعداد پاسخهاي يافت شده غير مغلوب در مجموع پاسخ نهايي بوده و d i فاصله اقليدسي ميان هر كدام از اين اعضا و نزديكترين عضو از مجموعه پرِتو حقيقي مي باشد كه در فضاي هدف اندازه گيري مي شود.

آزمايشگاه سيستمهاي هوشمند ISLAB ارزيابي Spread: اين مفهوم به عنوان معياري براي اندازه گيري پراكندگي پاسخهاي غير مغلوب يافت شده توسط الگوريتم در طول جبهه پرِتو معرفي شده و به صورت زير تعريف مي گردد : كه در آن d i هر نوع فاصله ( اقليدسي، منهتن و...) ميان پاسخهاي همسايه بوده و مقدار d ميانگين اين فواصل مي باشد و d e m فاصله ميان پاسخهاي نهايي P* و Q در طول m ام تابع هدف مي باشد كه در آن P* مجموعه اي شامل 500 نقطه مي باشند كه به طور يكنوا از جبهه پرِتو حقيقي توليد شده اند و Q مجموعه پاسخهاي غير مغلوب يافت شده توسط الگوريتم مي باشد.

آزمايشگاه سيستمهاي هوشمند ISLAB Algorithm ZDT1ZDT2ZDT3ZDT4 GD SPEA1.25e e-32.00e-54.42e-21.90e NSGAII8.94e e e-24.20e-52.92e-24.67e-2 NSPSO7.53e-44.18e-58.05e-43.05e-53.4e-22.54e-47.82e-46.91e-5 AWPSO1.01e-42.61e-91.21e-41.4e e-42.85e-95.34e-43.92e-8 RSSA1.83e-42.84e e-44.15e e-41.32e e SOPSO1.75e e-91.12e e-92.2e-41.84e-91.7e-42.84e-10

آزمايشگاه سيستمهاي هوشمند ISLAB چند کاربرد کنترلي و غير کنترلي طراحي پارامترهاي کنترلر PID يافتن مقادير ويژه در طراحي فيدبک کنترل مقاوم کنترل پيش بين – محاسبات عددی...

آزمايشگاه سيستمهاي هوشمند ISLAB چند کاربرد کنترلي و غير کنترلي در آزمايشگاه سيستمهاي هوشمند 1.پروژه آقايان صباحي و شريفي 2.پروژه آقاي احمديه 3.پروژه خانم چماني

آزمايشگاه سيستمهاي هوشمند ISLAB كنترل بار فركانس در سيستم هاي قدرت Δf2Δf2 ناحيه اول ناحيه دوم T _ B2 B1 PID + + ΔP tie, error Δf1Δf1 +ΔP tie, actual ΔP tie, sched. _

آزمايشگاه سيستمهاي هوشمند ISLAB طراحي چند هدفه كنترل كننده PID ناحيه اول ناحيه دوم

آزمايشگاه سيستمهاي هوشمند ISLAB

بهينه‌سازي چندهدفه مدلغزشي پاندول معكوس چرخنده بر اساس الگوريتم ژنتيك توابع هدف –محك خطا –محك Chattering offline

آزمايشگاه سيستمهاي هوشمند ISLAB بهينه‌سازي چندهدفه مدلغزشي پاندول معكوس چرخنده بر اساس الگوريتم ژنتيك قيود –سيگنال كنترلي –پارامترها –زاويه موتور

آزمايشگاه سيستمهاي هوشمند ISLAB نتايج

آزمايشگاه سيستمهاي هوشمند ISLAB طراحي جاذب الکترومغناطيسي نوع ماده (ضريب انعکاس) ميزان ضخامت ماده

آزمايشگاه سيستمهاي هوشمند ISLAB نتيجه!!! اگر چند هدف را به طور همزمان خواستيم بهينه کنيم بهينه سازي چند هدفه گزينه بسيار مناسبي است!!