کاربرد الگوریتم ژنتیک در تحلیل استاتیکی و بهینه سازی رفتار ارتعاشی سازه های میله ای

• پایان نامه کارشناسی ارشد مهندسی مکانیک گرایش طراحی کاربردی با عنوان: کاربرد الگوریتم ژنتیک در تحلیل استاتیکی و بهینه سازی رفتار ارتعاشی سازه های میله ای  

• دانشگاه شهید باهنر کرمان  

• استاد راهنما: پروفسور علی سینایی -  دکتر فرزاد آریانا  

• پژوهشگر: مهدیه باشورزاده  

• سال انتشار: اسفند 1381  

• فرمت فایل: PDF و شامل 153 صفحه

چکیــــده:

در این پژوهش برای حل مسائل بهینه سازی مربوط به سازه‌های میله‌ای، الگوریتم ژنتیک (GA) بکار گرفته شده است. هدف اصلی این پژوهش، نشان دادن کارآیی روش الگوریتم ژنتیک در تحلیل دو نوع مسئله بهینه سازی مربوط به سازه‌های میله‌ای می‌باشد.

در نوع اول، برای حداقل نمودن وزن سازه تحت شرایط تنش از الگوریتم ژنتیک استفاده می‌شود. (بهینه سازی استاتیکی)

در نوع دوم، الگوریتم ژنتیک برای بهینه سازی رفتار ارتعاشی سازه‌های میله‌ای مورد استفاده قرار می‌گیرد. در اینگونه مسائل هدف این است که پارامترهای طراحی (سطح مقطع اعضا) به گونه‌ای تعیین می‌شوند که سازه دارای فرکانس‌های طبیعی خاصی گردد. این یک مسئله معکوس برای اصلاح فرکانس طبیعی سازه نامیده می‌شود. برای این منظور نخست الگوریتم ژنتیک حساسیت سیستم را نسبت به پارامترهای طراحی بررسی می‌نماید، سپس برای اصلاح رفتار ارتعاشی سازه پارامترهایی که سیستم نسبت به آنها از حساسیت بیشتری برخوردار باشد، بهینه می‌گردند.

در نهایت با مقایسه نتایج حاصل از روش‌های تقریب اول، تقریب دوم ژنتیک الگوریتم برای بکارگیری روش معکوس جهت اصلاح رفتار ارتعاشی سازه‌ها با نتایج حل دقیق می‌توان به دقت و صحت نتایج الگوریتم ژنتیک پی برد.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **

کاربرد داده کاوی در شبکه های عصبی

این مقاله در بسته شماره 1 وجود دارد برای مشاهده بسته1 اینجا کلیک کنید.کاربرد داده کاوی در شبکه های عصبی

نویسند‌گان: [ مسعود مهدی خو ] - کارشناس نرم افزار، دانشگاه پیام نور همدان[ محمد طاهری ] - کارشناس نرم افزار، دانشگاه پیام نور همدان[ فرشته لطفی ] - کارشناس نرم افزار، دانشگاه پیام نور همدان

خلاصه مقاله:

چندین دهه است که شرکت ها اطلاعات را جمع آوری می نمایند تا با ایجاد یک پایگاه داده انبوه اطلاعات را ذخیره کنند، با این حال که اطلاعات در دسرس آنها قرار دارد فقط تعداد کمی از شرکت ها قادر شده اند به ارزش واقعی ذخیره شده در آنها پی ببرند سوال این شرکت ها این است که چگونه می توان به ارزش واقعی این اطلاعات دست یافت؟ پاسخ آن داده کاوی است، که امروزه در بسیاری از صنعت ها از جمله پزشکی ،آموزش، ورزش و بسیاری از صنایع دیگر مورد استفاده قرار می گیرد. تکنولوژی های بسیاری جهت داده کاوی وجود دارد از جمله شبکه های عصبی مصنوعی ، رگرسیون درخت تصمیم و غیره. این مقاله به معرفی داده کاوی و برخی از روشهای داده کاوی و همچنین محیط هایی که از داده کاوی بهره می برند به همراه نرم افزار های آن پرداخته است .

کلمات کلیدی:
داده کاوی، شبکه عصبی، درخت تصمیم گیری، الگوریتم ژنتیک.

طراحی کنترل کننده ی PID برای سیستم AVR با استفاده از الگوریتم اجتماع گروهی ذرات(PSO).(پروژه درس دینامیک سیستم های قدرت)

تعداد صفحات 15 صفحه word همراه با کدهای m file نرم افزار matlab 

و 4 مقالهISI (A Particle Swarm Optimization Approach for Optimum Design of PID Controller in AVR System)  که شبیه سازی شده است.

چکیده

در این مقاله یک روش هوشمند بهینه سازی ، به منظور بهینه کردن ضرایب کنترل کننده ی سیستم AVR ارائه می شود.کارایی دینامیکی کنترل کننده ای که با الگوریتم اجتماع ذرات بهینه سازی میشودبا نتایجی که از الگوریتم ژنتیک (GA)به دست می آید مقایسه می شود.در پایان ارزیابی مشاهده می شود که ، کارایی الگوریتم ذرات(PSO)بهتر از الگوریتم ژنتیک (GA) می باشد.

 کلمات کلیدی:سیستمAVR، ،الگوریتم اجتماع ذرات، الگوریتم ژنتیک،کنترل بهینه.

فهرست

چکیده

مقدمه

مدل سیستم AVR

الگوریتم بهینه سازی GA

الگوریتم بهینه سازی PSO

نتایج شبیه سازی

نتیجه گیری

مراجع

دانلود مقاله 2015 شبکه حسگر بیسیم-- الگوریتم ژنتیک برای موقعیت بندی و توسعه شبکه سنسور زیر آب

نوع مطلب: مقاله IEEE

زبان مقاله: انگلیسی

قالب مقاله: پی دی اف (PDF)

تعداد صفحات: 6 صفحه دوستونی

سال انتشار: 2015

محل ارائه: کنفرانس بین المللی تکنولوژی های زیر آبی (Underwater Technology)

در سالهای اخیر استفاده از شبکه های حسگر بیسیم به میزان زیادی گسترش یافته است. در این شبکه ها تعداد زیادی گره سیار ریز به نام سنسور یا حسگر در محیطی قرار داده میشوند و اطلاعات آن محیط را پایش و بررسی میکنند و برای یک سرور به نام Sink یا چاهک ارسال میکنند. این شبکه ها کاربردهای زیادی پیدا کرده اند که از میان آنها میتوان به کاربردهای نظامی، جاسوسی، امنیتی، حفاظت از منازل و دارایی ها، هواشناسی، کنترل زیست محیطی، پایش و نظارت بر حیوانات و گونه های در حال انقراض، کشاورزی، رصد کردن زیر دریا، کاربردهای تجاری و هزاران کاربرد دیگر اشاره کرد.

در زمینه این شبکه ها مسائل باز زیادی وجود دارد و کارهای زیادی میتوان انجام داد. مثلا در زمینه میزان مصرف انرژی به خاطر محدود بودن میزان باتری حسگرها، الگوریتم های مسیریابی برای انتقال اطلاعات به چاهک، امنیت این شبکه ها برای جلوگیری از دستبرد به داده ها، تحمل خطا در زمان بروز مشکلات و ده ها زمینه دیگر. یکی از زمینه هایی که بسیار مهم است، مکانیابی درست حسگرهاست، یعنی بتوانیم مکان گره های سنسور را به درستی یا با تقریب خوبی پیدا کنیم که این کار تاثیر بسیار زیادی روی کیفیت کاربرد موردنظر دارد.

در این مقاله از الگوریتم ژنتیک به منظور بهینه سازی موقعیت گذاری گره های شبکه حسگر بیسیم زیر آب استفاده شده است. روش پیشنهادی میتواند برای محافظت از ادوات نظامی حساس به کار رود و یا کاربردهای مختلف پایش داشته باشد.

چکیده

شبکه های بیسیم زیر آب آکوستیک (UWSN) برای بسیاری از برنامه های کاربردی زیر آب که نیاز به ارتباطات بیسیم دارند حیاتی هستند. توسعه گره های سنسور با یک چیدمان بهینه همراه با پیروز شدن بر چالش های مخصوص رسانه ای که آنها را در بر میگیرد و همچنین در نظر گرفتن محدودیت های انرژی سنسور ها برای برنامه های کاربردی واقعی مسئله مهمی است. به این خاطر که این ویژگیها در برابر تغییرات دما، شوری آب، عمق، PH و فرکانس انتقال یکنواخت نیستند، باید آنها را به صورت پویا شبیه سازی کرد و از پیش در یک قالب فیزیکی پایدار پیکربندی کرد. یک استراتژی مبتنی بر تکنیک های هوش محاسباتی که این فاکتورها را برای رسیدن به یک پیکربندی مناسب با در نظر گرفتن منابع موجود در نظر میگیرد، اهمیت زیادی دارد. روش پیشنهادی از یک روش بهنیه سازی مبتنی بر الگوریتم ژنتیک (GA) برای موقعیت بندی و توسعه گره های شبکه حسگر بی سیم زیر دریا به منظور بیشینه کردن میزان پوشش فراهم شده برای حفاظت از دارایی های با ارزش بالا در برنامه های کاربردی نظامی استفاده میکند. در زمینه برنامه های کاربردی شهری به منظور پایش اقیانوس ها، تکنیک پیشنهادی برای شناسایی حداقل تعداد گره های موردنیاز و موقعیت آنها به منظور ارتباط کارا استفاده میشود.

Abstract—Underwater acoustic sensor networks (UWSNs) are crucial for a multitude of underwater applications that require wireless operation. The deployment of sensor nodes in an optimal arrangement while overcoming the unique challenges posed by the surrounding medium and energy constraints on the sensors is a non-trivial task for real-world applications. As these characteristics are anisotropic with respect to change in temperature, salinity, depth, pH, and transmission frequency, they need to be accounted for in a dynamic simulation to preconfigure a stable physical network layout of nodes. A strategy based on computational intelligence techniques that takes into consideration these factors to achieve a viable configuration with the available resources is of prime importance. The proposed methodology uses a genetic algorithm (GA) based optimization technique for the positioning and deployment of UWSN nodes to maximize the coverage provided to protect a high-value asset (HVA) in a military application. In the case of a civil application for ocean monitoring, the proposed technique is used to identify the minimum number of nodes required and their positions for effective communication.

*مناسب برای پژوهش در زمینه شبکه های کامپیوتری، شبکه های کامپیوتری پیشرفته، سیستم های توزیعی، شبکه های حسگر بیسیم، شبکه های سیار و بی سیم، سیستم های توزیع شده، سیستم عامل های پیشرفته

کلمات کلیدی:

شبکه حسگر بی سیم، شبکه حسگر بیسیم، مقاله انگلیسی شبکه حسگر بیسیم، مقاله جدید شبکه حسگر بیسیم، مقاله 2015 شبکه حسگر بیسیم، الگوریتم ژنتیک در شبکه حسگر بیسیم، مکانیابی در شبکه حسگر بیسیم به کمک الگوریتم ژنتیک، مقاله کامپیوتر، مقاله ISI کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله 2015 کامپیوتر، مقاله ISI 2015 کامپیوتر، شبکه های کامپیوتری، دانلود مقاله آی اس آی، ISI ، شبکه حسگر بیسیم، سنسور، تقسیم بندی شبکه، تعمیر توپولوژی، تحمل پذیری خطا، شبکه سنسور بی سیم، یادگیری ماشین، الگوریتم های مسیریابی در شبکه های حسگر بیسیم، الگوریتم های مکانیابی در شبکه های حسگر بیسیم، گره های انکر، گره های لنگرگاه، گره های تکیه گاه، مشخص کردن موقعیت، دانلود رایگان مقاله 2015، مقالات جدید کامپیوتر، شبکه های حسگر بیسیم، سیستم های توزیع شده، دانلود مقاله 2015 کامپیوتر، مقاله 2015 رایگان، دانلود رایگان مقاله 2015 کامپیوتر، کاربرد یادگیری ماشین در شبکه های کامپیوتری، کاربرد یادگیری ماشین در شبکه های حسگر بیسیم، الگوریتم های یادگیری ماشین، شبکه های عصبی مصنوعی، مقاله مکانیابی در شبکه حسگر بیسیم، مقاله مکانیابی در شبکه سنسور، مشخص کردن موقعیت، wireless sensor networks, wsn, localization in wireless sensor network, localisation in wireless sensor networks, artificial neural networks, ann, feed forward neural networks, tansigmoid transfer function, tan sigmoid transfer function, training algorithms, Bayesian regularization, back propagation algorithms, multi-layer perceptron , ، Network partitioning ، Topology repair ، 2-Vertex connectivity، Fault tolerance ، Relay node placement

قیمت ترجمه این پایان نامه با بهترین کیفیت، کاملا تخصصی و تایپ شده: (حدود 45 هزار تومان)

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

آموزش بهینه سازی با استفاده از الگوریتم ژنتیک به همراه کد Matlab و توضیح کامل فارسی

فورمت PDF

تعداد صفحات 13

زبان فارسی

با پیچیده تر شدن مسائل و نیاز به سرعت بالا برای یافتن جواب بهینه در علوم گوناگون، استفاده از روش
های بهینه سازی مبتنی بر جستجو بسیار افزایش یافته است. یکی از قدرتمندترین و پرکاربرد ترین این
روش ها، الگوریتم ژنتیک ) GA ( می باشد. در اینجا الگوریتم ژنتیک به طور کامل بررسی شده و در
بهینه سازی تابعی بکار گرفته می شود.