بهینه سازی ساختاری فیزیکی-سایبری با استفاده از شبیه سازی ترکیبی بلادرنگ

Cyber-physical structural optimization using real-time hybrid simulation

چکیده
1- مقدمه
2- بهینه سازی ترکیبی در زمان واقعی (RTHO)
3- مجموعه های آزمایشی
4- نتایج
5- نتیجه گیری و پیشنهادات
منابع

چکیده
به طور سنتی، بهینه سازی ساختاری، یک فرایند عددی است. طرح های نامزد از طریق شبیه سازی عددی ایجاد شده و ارزیابی می شوند (به عنوان مثال، تجزیه و تحلیل المان های محدود). با این وجود، هنگام برخورد با ساختارهای پیچیده ای که مدل سازی عددی آن ها سخت است، ممکن است خطاهای بزرگی بین مدل عددی و ساختار فیزیکی وجود داشته باشد. در این حالت، بهینه سازی کمتر معنی دار است زیرا نتایج بهینه به جای ساختار فیزیکی با مدل عددی مرتبط است. آزمایش هایی را می توان در الگوریتم بهینه سازی برای نمایش ساختارها یا اجزاء پیچیده انجام داد. با این وجود، محدودیت های زمانی و هزینه ای، زمانی که بهطور مکرر ساخت و ارزیابی سیستم های کامل ساختاری انجام می شود، یک مانع محسوب می شوند. شبیه سازی ترکیبی در زمان واقعی (RTHS) یک ابزار آزمایشگاهی اثربخش و کارآمد است که شبیه سازی عددی را با آزمایش های تجربی ترکیب کرده و از کل عملکرد ساختاری استفاده می کند. در این مقاله چارچوبی برای بهینه سازی ترکیبی در زمان واقعی (RTHS) پیشنهاد شده است. RTHS برای ارزیابی عملکرد طرح های نامزد در فرایند بهینه سازی استفاده می شود. این چارچوب با استفاده از RTHS ، یک روش تجربی مدرن که ریشه در مهندسی زلزله دارد، یک محیط بهینه سازی فیزیکی سایبر را ایجاد می کند. این مقاله چارچوب RTHO به همراه مطالعات اثبات مفهوم را تعیین می کند. در یک مطالعه مقدماتی، طراحی جداسازی پایه یک ساختمان دو طبقه برای حفاظت لرزه ای بهینه شده است. RTHO برای انتخاب بهینه پارامترهای قانون کنترل نیمه فعال چندگانه برای یک میراگر MR نصب شده در لایه ایزوله یک ساختمان پنج طبقه پایه جدا شده انجام شد. هر دو مورد از RTHS برای ارزیابی طرح های نامزد و بهینه سازی ازدحام ذرات(PSO) برای بهینه سازی استفاده کرده اند. RTHO برای ارزیابی زیر ساخت های آزمایشی غیرخطی، به ویژه آن هایی که آسیب دائمی ندارند، مانند دستگاه های کنترل ساختاری مناسب است. در صورت تمایل می توان آسیب ساختاری را از طریق مؤلفه عددی مدل نمود. این مقاله ادغام الگوریتم های بهینه سازی پیشرفته ترین حالت با روش های تجربی پیشرفته را پیشنهاد کرده و یک رویکرد سایبر-فیزیکی برای بهینه سازی ساختاری را نشان می دهد.

2-2 توسعه چارچوب RTHO
چارچوب RTHO با جایگزینی شبیه سازی عددی به عنوان مثال ، FEM) با (RTHS ایجاد می شود. اهداف محاسبه شده از پاسخ های ساختاری اندازه گیری شده برای هدایت حرکت ذرات در جستجوی راه حل استفاده می شود. RTHS برای هر راه حل طراحی نامزد (ذره) تحت هر مورد ارزیابی (برانگیختگی) به کار می رود. عملکرد طرح های نامزد مورد ارزیابی قرار می گیرد و از نتایج برای جمع آوری یک گروه بعدی از طرح ها برای ارزیابی استفاده می شود. این روند ادامه پیدا می کند تا زمانی که یک راه حل قابل قبول پیدا شود. چارچوب تکراری در شکل 1 نشان داده شده است.

چالش های اساسی RTHS در چارچوب RTHO نیز وجود دارند. هر آزمایش RTHS به حدی پایدار است که این آزمایش قابل انجام باشد. متغیرهای طراحی باید قبل از انجام RTHS به درستی محدود یا بررسی شوند تا از بی ثباتی جلوگیری شود.یکی دیگر از چالش های اصلی ایجاد یک پل فرم فیزیکی سایبر با بروزرسانی خودکار در موقعیت های ذرات (پارامترهای نمونه آزمایشی) است که با اجرای خودکار RTHS و تجزیه و تحلیل از طریق الگوریتم بهینه سازی دنبال می شود. تحقق RTHO نیاز به کنترل خودکار، تبادل داده و بروزرسانی دارد. برای دستیابی به تبادل و به روزرسانی داده در الگوریتم RTHS و الگوریتم بهینه سازی ، یک بستر در AutomationDesk تعبیه شده با ControlDesk ، MATLAB و Python ایجاد شده است. AutomationDesk یک ابزار اتوماسیون تست قدرتمند برای تست سخت افزار در حلقه (HIL) است. روال های آزمایشی می توانند در AutomationDesk بصورت گرافیکی ایجاد شوند با کتابخانه هایی که حاوی بسیاری از توابع توکار هستند. اتوماسیون تست با متغیرهای از پیش تعیین شده (یعنی یک ماتریس تست) با استفاده از AutomationDesk ساده است. هنگام استفاده از متغیرهایی که به صورت آنلاین تعیین می شوند (یعنی در هنگام بهینه سازی)، برنامه نویسی پیچیده تر می شود. شکل 2 دنباله آزمایش ایجاد شده برای RTHO را در AutomationDesk نشان می دهد. زیرساختار و برانگیختگی عددی در MATLAB با اولیه سازی متغیرها و موقعیت ذرات تعریف می شود. از اسناد پایتون به عنوان پلی برای تبادل داده بین MATLAB و AutomationDesk استفاده می شود. در هر تکرار ، موقعیت ذرات به دنبال معادله (2) به روز شده و پس از بررسی مرزهای متغیر، در RTHS استفاده می شود تا از ثبات RTHS اطمینان حاصل شود. RTHS با استفاده از سخت افزار dSPACE و نرم افزار ControlDesk که پارامترها، فرآیند آزمایش و اندازه گیری ها را کنترل می کنند، انجام می شود. دنباله انجام آزمایش RTHS از طریق ControlDesk همانطور که در شکل 2 (b) نشان داده شده است در AutomationDesk ایجاد می شود. بعد از هر آزمایش، اندازه گیری ها در MATLAB انجام می شود تا توابع هدف را ارزیابی کند. هنگامی که یک راه حل بهتر برای هر ذره یافت می شود ، بهترین موقعیت های محلی به روز می شوند. اگر بهترین موقعیت محلی راه حل بهتری نسبت به تکرارهای قبلی باشد ، بهترین موقعیت کلی به روز می شود. RTHS در ادامه تکرارها با سرعت و موقعیت های به روز شده ذرات تا رسیدن به حداکثر تکرار یا شروع معیارهای توقف ادامه می یابد. علاوه بر این، الگوریتم مکث و ادامه به گونه ای اضافه شده است که بهینه-سازی در صورت لزوم با اطمینان می تواند قطع شود.

2-3 حرکات زمینی زمین لرزه
این چارچوب با استفاده از گروهی از حرکات زمینی که قبلاً توسط سامرویل [28] برای استفاده در پروژه FEMA در قاب های با مقاومت لحظه ای فولادی ساخته شده، مورد تجزیه و تحلیل قرار گرفت. این گروه شامل 20 مورد ثبت شده شتاب زمین افقی تنظیم شده است به طوری که میانگین طیف پاسخ آنها با طیف طراحی NEHRP 1997 مطابقت دارد. در این مطالعه، گروه زمین لرزه های مربوط به مرکز شهر لس آنجلس برای سطوح خطر لرزه ای مربوط به 10 درصد احتمال فراتر رفتن در یک دوره 50 ساله انتخاب شد. این 20 رکورد زلزله ، علامت گذاری شده با عناوین LA01-LA20 ، از جهت گسل-موازی (FP) و گسل نرمال (FN) از ده زلزله ثبت شده مشتق شده است.

الگوریتم فیلتر ذرات بهینه شده توسط الگوریتم ژنتیک ترکیب شده با بهینه سازی ازدحام ذرات

Particle filter algorithm optimized by genetic algorithm combined with particle swarm optimization

چکیده

1. مقدمه

2. فیلتر ذرات استاندارد

3. PSO-PF

4. GA-PSO-PF

5. تأیید و تجزیه و تحلیل الگوریتم

5.1. محیط شبیه سازی تجربی

5.2. پارامتر محیطی

6. نتیجه

سپاس گزاری

منابع

چکیده

الگوریتم فیلتر ذرات (PF) استاندارد مسئله فقدان تنوع ذرات ناشی از تخریب و نمونه برداری ذرات است که این امر برای نمونه های ذرات به طور دقیق توزیع صحیح و تابع چگالی احتمال حالت را غیرممکن می سازد. الگوریتم بهینه سازی ازدحام ذرات (PSO) می تواند به طور مؤثر مشکل تخریب ذرات از فیلتر ذرات یعنی PSO-PF را بهبود بخشد، اما تابع سازگاری آن تا حد زیادی تحت تأثیر واریانس نویز اندازه گیری است و به آسانی به بهینه محلی تنزل می یابد که تا حد زیادی دقت فیلتر کردن را محدود می سازد. بنابراین، این مقاله الگوریتمی را پیشنهاد می دهد که الگوریتم ژنتیک (GA) و الگوریتم PSO را ترکیب می کند تا فیلتر کردن ذرات یعنی GA-PSO-PF را بهبود بخشد. این الگوریتم سرعت همگرایی سریع بهینه سازی ازدحام ذرات را با قابلیت جستجوی قوی سراسری الگوریتم ژنتیک ترکیب می کند تا تنوع ذرات را ضمن تضمین اثربخشی ذرات برتر افزایش دهد و سرعت و دقت یافتن جواب بهینه را بهبود بخشد. نتایج تجربی نشان می دهد که عملکرد فیلتر کردن الگوریتم پیشنهادی بهتر از PF و PSO-PF است، و دقت موقعیت یابی و ردیابی در مقایسه با PF 54.44% و درمقایسه با PSO-PF 27.20% بهبود یافته است. 

1. مقدمه

ایده اصلی فیلتر کردن ذرات (PF) که به عنوان روش ترتیبی مونت کارلو نیز شناخته شده است، تقریب تابع چگالی احتمال سیستم با برخی از نقاط نمونه برداری تصادفی گسسته جهت کسب مینیمم برآورد واریانس حالت است ]1[. به مدل خطی سیستم و فرضیه توزیع گاوسی محدود نمی شود، و به طور گسترده در زمینه های بینایی کامپیوتر [2]، پردازش تصویر [3] و ردیابی رادار هدف [4] به کار رفته است. نمودار شماتیک الگوریتم در شکل 1 نشان داده شده است. با اینحال، الگوریتم فیلتر ذرات استاندارد دارای مشکل تخریب ذرات است [5]، برخی از پژوهشگران مجموعه ای از روش های بهبود را پیشنهاد داده اند. رودولف و همکاران ]6[ روش فیلتر کالمن بی اثر (UKF) را برای فیلتر کردن ذرات معرفی کردند و فیلتر ذرات بی اثر (UPF) را پیشنهاد دادند. بسیاری از پژوهشگران نیز برخی الگوریتم های هوشمند را جهت بهینه سازی الگوریتم فیلتر ذرات به کار برده اند [7] [8] [9]. 

Abstract

The standard particle filter (PF) algorithm has the issue of particle diversity loss caused by particle degradation and resampling, which makes it impossible for particle samples to accurately represent the true distribution of state probability density function. Particle swarm optimization (PSO) algorithm can effectively improve the particle degradation problem of particle filter namely, PSO-PF, but its fitness function is greatly affected by the variance of measurement noise, and is easy to fall into local optimal, which greatly limits the filtering accuracy. Therefore, this paper proposes an algorithm that combines genetic algorithm (GA) and PSO algorithm to improve particle filtering, namely, GA-PSO-PF. This algorithm combines the fast convergence speed of particle swarm optimization with the strong global searching ability of genetic algorithm to increase the diversity of particles while ensuring the effectiveness of superior particles, and improve the speed and accuracy of finding the optimal solution. Experimental results show that the filtering performance of the proposed algorithm is better than PF and PSO-PF, and the positioning and tracking accuracy is improved by 54.44% compared with PF and 27.20% compared with PSO-PF.

1. Introduction

Particle filtering (PF), also known as the Sequential Monte Carlo method, the core idea of which is to approximate the probability density function of the system with some discrete random sampling points to obtain the minimum variance estimation of the state[1]. Not limited by the linear system model and Gaussian distribution hypothesis, it has been widely used in computer vision [2], image processing [3] and radar target tracking [4] fields. The schematic diagram of the algorithm is shown in Figure 1. However, the standard particle filter algorithm has the problem of particle degradation [5], some researchers have proposed a series of improvement methods. Rudolph et al. [6] introduced the Unscented Kalman Filter (UKF) method into Particle filtering and proposed the Unscented Particle Filter (UPF). Many researchers have also used some intelligent algorithms to optimize the particle filter algorithm[7][8][9].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم فیلتر ذرات بهینه شده توسط الگوریتم ژنتیک ترکیب شده با بهینه سازی ازدحام ذرات

Particle filter algorithm optimized by genetic algorithm combined with particle swarm optimization

تعادل بار در رایانش ابری با استفاده از بهینه سازی ازدحام ذرات (PSO) مبتنی بر جهش

Load Balancing in Cloud Computing using Mutation Based Particle Swarm Optimization

چکیده

1. مقدمه

2. تکنیک پیشنهادی

A. بهینه سازی ازدحام ذرات مبتنی بر جهش

B. استفاده از جهش برای نتیجه بهینه شده

3. شبیه سازی و نتیجه

A. جزئیات اجرا

B. تنظیم پارامترها

C. نتیجه آزمایشی

4. نتیجه گیری و کارهای آینده

چکیده

رایانش ابری، نوعی فن آوری است که وظایف را با تخصیص دینامیکی ماشینهای مجازی اجرا می‌کند. هزینه‌ای که کاربران پرداخت می‌کنند بر مبنای میزان تقاضای آنها برای منابع است. یک تأمین کننده ابر باید با چالشهای زیادی روبرو شود. یکی از مسائل بسیار مهم، تعادل بار است که از مشکلات زیادی مانند همگرایی نابهنگام، کاهش سرعت همگرایی، راه حل‌های تصادفی که ابتدا  انتخاب می‌شوند و درگیر شدن در اپتیمای بومی تأثیر می‌پذیرند. روش پیشنهادی، پارامترهای زمان صرف شده (MakeSpan) را برای رسیدگی به مسئله مربوط به تکنیکهای اکتشافی موجود مورد نظر قرار داده است. در اینجا یک الگوریتم تعادل بار کارآمد برای به حداقل رساندن پارامترهای عملکرد مانند زمان صرف شده (MakeSpan) طراحی شده که تابع برازش را در رایانش ابری بهبود می‌بخشد.

1. مقدمه

رایانش ابری به عنوان یک زبان حرفه‌ای در حوزه رایانش سریع و محیط توزیع شده ایجاد شده است. این فن آوری سرویسهای درخواستی را در مجموعه مشترکی از منابع از طریق اینترنت برای کاربران فراهم می‌آورد که بطور پویایی مقیاس پذیر هستند. رایانش ابری یکی از بزرگترین زمینه‌ها در فن آوریهای وب است که می‌تواند وظیفه ای را که کاربران نمی‌توانند با راحتی به آن دسترسی داشته باشند، بطور پویایی به یک ماشین مجازی اختصاص دهد. یکی از چالشهای مهم در رایانش ابری، تعادل بار است. تعادل بار اصطلاحی است که برای تسهیم بار بین چندین پردازنده تعریف می‌شود. بار کاری را می‌توان در دسته‌های مختلفی مانند بار CPU ، بار شبکه ، مشکل ظرفیت حافظه و غیره طبقه بندی کرد. 

4. نتیجه گیری و کارهای آینده

تعادل بار همیشه از مهم‌ترین چالش‌ها در محیط رایانش ابری بوده است. هدف اصلی الگوریتم پیشنهادی، به حداقل رساندن زمان صرف شده (MakeSpan)  و بهبود تابع برازش است. در اینجا روش پیشنهادی، از بهینه سازی ازدحام ذرات مبتنی بر جهش استفاده کرده است. این یک روش بهینه سازی الهام گرفته از طبیعت است، بنابراین روش پیشنهادی آن را با یک عملگر ژنتیکی یعنی جهش ترکیب کرده است. استفاده از جهش برای بهترین راه حل ارائه شده توسط الگوریتم PSO موجود ، زمان صرف شدۀ بهتری را برای ما ایجاد کرده و تابع برازش را بهبود بخشیده است. الگوریتم MPSO در مقایسه با PSO نتایج بهتری را می‌دهد. در اینجا روش پیشنهادی در مورد پارامتر زمان صرف شده (MakeSpan)  نیز مقایسه شده است. در روش پیشنهادی ، از زمان بندی انحصاری ماشین مجازی برای اجرای تعادل بار استفاده شده است. در آینده، ، معیارهای مختلف دیگری مانند توان عملیاتی، زمان میانگین ، استفاده از منابع ، زمان انتظار و غیره را می‌توان مد نظر قرار داد.

Abstract

Cloud computing has emerged as a technology that grease tasks by the dynamic allocation of virtual machines. Users pay for resources based on their demand. A cloud provider has to face many challenges. One out of the essential problem is load balancing, which suffers from many issues like premature convergence, reduced convergence speed, at first chosen random solutions, and stuck in native optima. The proposed method considered the MakeSpan parameters to handle the problem related to existing met heuristic techniques. The proposed method focuses on the mutation-based Particle Swarm algorithm to balance load among the data centers. Here an efficient load balancing algorithm is developed to minimize performance parameters like MakeSpan time and improve the fitness function in cloud computing.

I. INTRODUCTION

Cloud computing has risen as jargon in the area of highperformance computing and distributed environment. It provides users with on-demand services to a shared pool of resources over the Internet which is dynamically scalable. Cloud computing is being the most magnifying field in web technologies. It dynamically allocates the task on the virtual machine which is easily accessible to the user. One of the main challenges in cloud computing is load balancing. Load balancing is a term defined for sharing the load among the multiprocessors. The workload can be classified into various categories like CPU load, network load, memory capacity issue, etc.

IV. CONCLUSION AND FUTURE WORK

Load Balancing has always been the most significant challenge in the Cloud Computing environment. The primary objective of the proposed algorithm is to minimize MakeSpan and improve fitness function. Here proposed method uses a mutation-based particle swarm optimization. It is a natureinspired optimization technique, so the proposed method combined it with a genetic operator i.e. Mutation. Applying mutation on the best solution given by the existing PSO algorithm gave us a better MakeSpan and improved the fitness function. MPSO algorithm gives better results as compared to PSO. Here proposed method is also compared on the MakeSpan parameter. The proposed method used pre-emptive virtual machine scheduling for performing load balancing. In the future, various other metrics like throughput, average time, resource utilization, waiting time, etc. can be considered.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تعادل بار در رایانش ابری با استفاده از بهینه سازی ازدحام ذرات (PSO) مبتنی بر جهش

Load Balancing in Cloud Computing using Mutation Based Particle Swarm Optimization

رویکرد ترکیبی بهبود بهینه سازی ازدحام ذرات باینری و جهش قورباغه ای آمیخته برای انتخاب ویژگی

Hybrid approach of improved binary particle swarm optimization and shuffled frog leaping for feature selection

چکیده
1 مقدمه
2 مدل پیشنهادی
3 نتایج شبیه‌سازی و بحث
4 نتیجه‌گیری
منابع

چکیده
در حال حاضر اکثریت مردم به اشتراک‌گذاری ایده‌ها، بازخوردها، پیشنهاد برای هر موضوع مجزا در وبگاه‌ها ، انجمن‌های اینترنتی  و بلاگ‌‌ها علاقه‌مند هستند. بنابراین، مصرف‌کنندگان قبل از خرید محصول یا بهره‌وری از خدمات، به ارزیابی‌ها و نقدهای پیشین  اتکا می‌کنند. هرچند تمام نقدهای موجود در اینترنت معتبر نیستند. هرزنامه‌ها  نقدها را به نفع خود، کاهش ارزش یا ارتقای محصول، دستکاری می‌کنند. بنابراین، مشتری‌ها تحت تاثیر نقدهای جعلی، مانند محتوای اسپم ، تصمیم اشتباه اتخاذ می‌کنند. برای حل این مشکل، روش دوگانه‌ی بهبود بهینه‌سازی ازدحام ذرات دودویی و الگوریتم جهش قورباغه‌ی آمیخته پیشنهاد شده تا ابعاد بزرگ مجموعه‌ی ویژگی کاهش و زیرمجموعه‌ی بهینه‌سازی شده‌ی ویژگی انتخاب شود. روش ما به نادیده‌گرفتن نقدهای جعلی توسط مشتری‌ها کمک کرده و عملکرد طبقه‌بندی را با تامین نقدهای مطمئن افزایش می‌دهد. برای طبقه‌بندی از دسته‌بندی‌کننده‌های  بیز ساده ، نزدیک‌ترین همسایه K  ، ماشین بردار پشتیبانی  استفاده شده است. با توجه به نتایج روش دوگانه‌ی پیشنهادی انتخاب ویژگی، یک زیرمجموعه‌ی بهینه‌ی ویژگی ارائه کرده و از دقت بالای طبقه‌بندی برخوردار است. 

2- مدل پیشنهادی
مدل پیشنهادی از الگوریتم فرگشتی برای FS استفاده می‌کند تا زیرمجموعه‌ی ویژگی برای دست‌یابی به نتایج بهتر دسته‌بندی و شناسایی نقدهای جعلی حاصل شود. این مدل شامل چهار مرحله به نام‌های پیش‌پردازش ، استخراج ویژگی ، انتخاب ویژگی بر اساس iBPSO و SFLA دوگانه، و دسته‌بندی است. نمودار بلوکی سیستم پیشنهادی در تصویر 1 آورده شده است.

2-1 پردازش داده
مرحله‌ی پیش‌پردازش شامل چهار فاز نشانه‌گذاری ، حذف کلمات توقف ، ریشه‌یابی و سِنتی‌وُردنِت است. ابتدا با روند نشانه‌گذاری رشته‌ها به نشانه‌ها تبدیل می‌شود. سپس، هر سند به نشانه‌ها تقسیم می‌شود. بعد از فاز نشانه‌گذاری، کلمات توقف از مجموعه‌ی داده حذف می‌شود. به‌دنبال آن با ریشه‌یابی، ریشه‌ی واژه از کلمه انتخاب می‌شود. در نهایت با استفاده از سنتی‌وردنت، استخراج ویژگی‌ها انجام می‌شود [17]. هدف سنتی‌وردنت تامین یک افزونه برای ورد نت است، به‌گونه‌ای که تمام مجموعه‌های مترادف با مقادیر منفی، مثبت یا بی‌طرف ضمنی ارتباط داده شوند. نمره‌های مثبت و منفی برای نقد با محاسبه‌ی میانگین نمرات مثبت و منفی تعیین می‌شود. سپس نمره‌ی بی‌طرف با معادله‌ی (1) محاسبه می‌شود. اگر نمره‌ی بی‌طرف کمتر از آستانه باشد، کلمات حذف می‌شوند در غیر این‌صورت، کلمات برای پردازش بیشتر به مرحله‌ی بعدی فرستاده می‌شوند.

2-2 استخراج ویژگی
بسامد لفظ تعداد دفعاتی است که هر کلمه در سند دیده می‌شود و d با استفاده از معادله‌ی (2) محاسبه می‌شود. بسامد سند معکوس وزن کلمات تکرار شده را کاهش داده و به تبع آن باعث افزایش وزن کلماتی با تکرار کم در سند می‌شود. بسامد سند معکوس از معادله‌ی (3) حاصل می‌شود. از TF-IDF در بازیابی اطلاعات و متن‌کاوی استفاده می‌شود [18]. TF-IDF حاصلضرب دو تابع احتمالی، بسامد لفظ و IDF، بوده و از معادله‌ی (4) محاسبه می‌شود.

2-3 بهینه‌سازی ازدحام ذرات
الگوریتم بهینه‌سازی ازدحام ذرات [30] معادل رفتار پرندگان نسبت به دسته (پرندگان) و ماهی به گروه است. از PSO در کاربردهای مختلفی چون برنامه‌ریزی وظایف، سیستم‌های فازی، سیستم‌های کنترل و قدرت و دسته‌بندی استفاده می‌شود. باتوجه به PSO، جمعیت به عنوان ازدحام فرض می‌شود. در ازدحام، هر جز به‌صورت ذره نشان داده می‌شود. هر ازدحام شامل تعدادی از ذرات (n) بوده و هر ذره نماینده‌ی یک راه‌حل در فضای جستجوی d بُعدی است. سرعت هر ذره، خاص و منحصر به‌فرد است. در جمعیت، ذره‌ی iام با مکان Pi توسط (pi1, pi2, …, pid) و سرعت Vi توسط (vi1, vi2, …, vid) نشان داده می‌شود. هر ذره در فضای جستجو جهت به‌دست آوردن راه‌حل بهینه حرکت می‌کند. حرکت هر ذره توسط مکان‌های pbest و gbest هدایت می‌شود. هر راه‌حل نامزد به صورت pbest مانند (pbesti1, pbesti2. pbestid) در نظر گرفته می‌شود. بهترین مکان کل ازدحام با gbest مانند (gbesti1, gbesti2, …, gbestid) نشان داده می‌شود. یک مقدار تناسب برای سنجش بهترین مکان ذره استفاده شده است. مکان فعلی، سرعت iامین ذره توسط معادلات (5) و (6) محاسبه می‌شود.

کنترل کننده PID مبنی بر بهینه سازی ازدحام ذرات (PSO) برای کوادروتور با سنسور مجازی

PSO Based PID Controller for Quadrotor with Virtual Sensor

چکیده

1. مقدمه

2. تخمین زدن متغیرها با استفاده از طرح سنسور مجازی

2.1 شبکه عصبی بازگشتی قطری

2.2 فیلتر توسعه یافته ی کالمن EKF

3.بهینه سازی PID با استفاده از PSO

4. مدل QUADROTOR

5. پیاده سازی و ارزيابي

6. نتیجه گیری

چکیده

توسعه و پیاده سازی های اخیر در سیستم کنترل هوشمند منجر به پیشرفت و توسعه فن آوری سیستم سنسور مجازی شده است. سیستم سنسور مجازی اجازه می دهد تا متغیر های غیر قابل اندازه گیری با دقت پیش بینی شوند، که برای کاهش میزان سنسورهای مورد نیاز نظارت و کنترل یک سیستم، به ویژه برای مورد کنترل یک quadrator بسیار سودمند است. این مقاله تکنیک جدیدی برای طراحی یک کنترل PID با استفاده از سیستم سنجش مجازی، که متشکل از شبکه عصبی بازگشتی قطری (DRNN) و فیلتر کالمن توسعه یافته (EKF) می باشد، ارائه می دهد که متغیر های غیر قابل اندازه گیری در سیستم کوادروتور را  بر اساس وضعیت فعلی و ورودی های کنترلی پیش بینی می کند. تکنیک بهینه سازی زیست شناسی،  بهینه سازی ازدحام ذرات (PSO)، برای استفاده در DRNN برای جلوگیری از هر گونه شرایط فوق العاده محلی پیشنهاد شده است. علاوه بر این، یک کنترل کننده موقعیت PID مبتنی بر PSO نیز برای یکپارچه سازی با سیستم سنسور مجازی برای کنترل یک کوادروتور طراحی شده است.

1. مقدمه

کنترل کننده های مشتق انتگرال نسبی (PID) برای مدت طولانی به ویژه در صنایع مختلف اجرا شده است و بیشتر برای سیستم های یک ورودی یک خروجی (SISO) استفاده شده است. اساسا، روش های تنظیم پارامترهای  کنترل کننده PID با تنظیم مقادیر متناسب، انتگرال و منافع مشتق شده می باشد که برای تولید (Taeib et al., 2013).خروجی یک سیستم کنترل شده و قرار دادن نقطه هدف درست استفاده می شود.  چندین روش برای پیدا کردن متغیرهای هدف وجود دارد مانند Ziegler-Nichols، حاشیه ی تدریجی، ژن ریشه، حداقل واریانس، برنامه ریزی بهبود و غیره، (به عنوان مثال اولین نوشته ها در مورد مسائل Koivo و Tanntu را ببینید،1991، Aström و Hagglund، 1995)، 

6. نتیجه گیری

روشی جایگزین در توسعه PID مبتنی بر PSO برای یک مدل quadrator پیشنهاد شده است. برای همه12 متغیرهای توصیف مدل quadrator، 3 حالت متغیرها، که متغیرهای غیر قابل اندازه گیری هستند، بودند که با استفاده از سیستم سنجش مجازی تخمین زده شدند. سیستم سنسور مجازی با استفاده از روش DRNN با فیلتر EKF یکپارچه شدند،و اجازه دادند تا متغیر ها با استفاده از متغیرهای ثانویه تخمین زده شوند. الگوریتم بهینه سازیPSO در DRNN و در تعیین پارامترهای بهینه کنترل کننده PID استفاده شد. نتایج نشان می دهد که طرح سنجش مجازی متغیر های غیر قابل اندازه گیری را به طور رضایت بخشی بر اساس اطلاعات متغیرهای قابل اندازه گیری یا ثانویه پیش بینی می کند. علاوه بر این، نشان داده شده است که PID مبتنی بر PSO با سنسور مجازی برای quadrator، موقعیت x، y و z را به خوبی برای تغییرات نقطه ای  کنترل می کند. مقایسه نتایج با کنترل PID دستی، عملکرد برتر برای مورد کنترل کننده PID مبتنی بر PSO را نشان داده است.

Abstract

Recent development and implementation on intelligent control system has lead to the development of virtual sensing system technology. Virtual sensing system allows immeasureable state variables to be accurately predicted, which is very beneficial to reduce the amount of sensors required to monitor and control a system, especially for the case of controlling a quadrator. This paper proposes a novel technique to design a PID control using virtual sensing system, consisting of Diagonal Recurrent Neural Network (DRNN) and Extended Kalman Filter (EKF), which predicts the immeasureable states of the quadrator system based on the current states and control inputs. A bio-inspired optimization technique, Particle Swarm Optimization (PSO), is proposed to be applied in DRNN to avoid any possibilities from local extreme condition. Further, a PSO based PID position controller is also developed to be integrated with the designed virtual sensing system to control a quadrator.

1. INTRODUCTION

Proportional Integral Derivative (PID) controllers have been implemented for a long time especially in various industries, and mostly applied for Single Input Single Output (SISO) systems. Basically, tuning methods of PID controller parameters are performed by adjusting the proportional, integral and derivative gains to make the output of a controlled system track a target set-point properly (Taeib et al., 2013). There are several techniques available to find the value of the gains such as Ziegler-Nichols, gain-phase margin, root locus, minimum variance, gain scheduling, etc., (see e.g. first literatures on the issues by Koivo and Tanntu, 1991, Aström and Hagglund, 1995), however, these methods were considered less than optimal for systems that are nonlinear and of higher order. Although in general, until now PID type of controllers are still succesfully applied in many industrial processes as well as in many other applications, nevertheless it has still many limitations.

6. CONCLUSIONS

An alternative method in the development of PSO based PID controller for a quadrator model has been proposed. For all 12 state variables describing the quadrator model, 3 state variables, which are immeasureable variables, have been estimated using virtual sensing system. The virtual sensing system is derived using the DRNN method integrated with EKF, allowing the immeasureable states to be determined from the secondary variables. An optimization algorithm, PSO, is applied both in DRNN and in determining the optimal parameters of PID controller. The results show that the virtual sensing scheme predicts the immeasureable variable of the quadrator’s state variables satisfactorily based on the information from measureable or secondary variables. Further, it is also shown that the proposed PSO based PID control scheme with virtual sensor for the quadrator, control the x, y and z position quite well to set-point changes. Comparing the results with manualy-tuned PID controller, a superior performance is demonstrated for the case of PSO based PID controller.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کنترل کننده PID مبنی بر بهینه سازی ازدحام ذرات (PSO) برای کوادروتور با سنسور مجازی

PSO Based PID Controller for Quadrotor with Virtual Sensor

یک الگوریتم کنترل پوشش دهی بهره وری انرژی مبتنی بر PSO برای شبکه های حسگر بی سیم

A PSO based Energy Efficient Coverage Control Algorithm for Wireless Sensor Networks

چکیده

1. مقدمه

2. تحقیقات مرتبط

3. مدل سیستمی

3.1. مدل شبکه ای

3.2. مدل انرژی

3.3. محاسبه نرخ پوشش دهی

3.4. تابع برازش

4. الگوریتم پیشنهادی ما

4.1. الگوریتم قراردای ازدحام ذرات (PSO)

4.2. مرحله اولیه

4.3. تقسیم گرید

4.4. تنظیم شعاع

5. ارزیابی عملکرد

6. بحث

7. نتیجه گیری

منابع

چکیده

شبکه های حسگر بی سیم (WSN)،  شبکه هایی با مقیاس بزرگ و تراکم بالا هستند که معمولاً همپوشانی ناحیه پوشش دهی  دارند. علاوه بر این استقرار تصادفی گره های حسگر نمی تواند به صورت کامل پوشش ناحیه حسگری را تضمین کند، که این موضوع منجر به پوشش حفره ها در شبکه های حسگر بی سیم (WSN) می شود. بنابراین کنترل پوشش‌دهی نقش مهمی در شبکه های حسگر بی سیم (WSN) ایفا می کند. برای کاهش اتلاف  غیرضروری انرژی و بهبود عملکرد شبکه، بهره وری انرژی و نرخ پوشش دهی برای شبکه های حسگر بی سیم (WSN) را در نظر می گیریم. در این مقاله، یک الگوریتم جدید کنترل پوشش دهی بر اساس بهینه سازی ازدحام ذرات  (PSO) ارائه می دهیم. در ابتدا، گره های حسگر به صورت تصادفی در ناحیه هدف مستقر می شوند و پس از استقرار، ایستا باقی می مانند. سپس کل شبکه به گریدهایی تقسیم می شود و ما نرخ پوشش‌دهی گرید و مصرف انرژی را محاسبه می کنیم. در نهایت شعاع حسگری  هر گره حسگر با توجه به نرخ و مصرف انرژی هر گرید تنظیم می شود. نتایج شبیه سازی نشان می‌دهند که الگوریتم ما می‌تواند به صورت موثری نرخ پوشش دهی را بهبود دهد و مصرف انرژی را کاهش دهد. 

1. مقدمه

در سال های اخیر، شبکه های حسگر بی سیم (WSN) به دلیل مشخصه کم هزینه بودن و ماهیت بسیار انطباق پذیر، مورد توجه محققان زیادی قرار گرفته اند [آکیلدیز،سو، سانکاراسوبارامانیام و همکاران، 2016]. شبکه های حسگر بی سیم را می توان برای کاربردهای بی شماری مانند ردیابی هدف، هشدار در برابر بلایای طبیعی و دستگاه های پوشیدنی  [میلنکووی، اوتو و جووانوف (2006)] و غیره، اتخاذ کرد. می توان پیش بینی کرد که شبکه حسگر بی سیم در آینده، چشم اندازهای کاربردی گسترده‌ای دارد که می‌توانند تاثیرات بسیار زیادی بر زندگی داشته باشد. هنوز هم جنبه های تحقیقاتی متعددی وجود دارد که باید درباره کاربردهای شبکه حسگر بی سیم از جمله موقعیت یابی، تجمیع داده ها، انتقال داده ها و بهره وری انرژی مورد بررسی قرار گیرد [وانگ (2017)؛ یانگ (2018)؛ سینگ (2018)؛ سونی (2018)].

Abstract

Wireless Sensor Networks (WSNs) are large-scale and high-density networks that typically have coverage area overlap. In addition, a random deployment of sensor nodes cannot fully guarantee coverage of the sensing area, which leads to coverage holes in WSNs. Thus, coverage control plays an important role in WSNs. To alleviate unnecessary energy wastage and improve network performance, we consider both energy efficiency and coverage rate for WSNs. In this paper, we present a novel coverage control algorithm based on Particle Swarm Optimization (PSO). Firstly, the sensor nodes are randomly deployed in a target area and remain static after deployment. Then, the whole network is partitioned into grids, and we calculate each grid’s coverage rate and energy consumption. Finally, each sensor nodes’ sensing radius is adjusted according to the coverage rate and energy consumption of each grid. Simulation results show that our algorithm can effectively improve coverage rate and reduce energy consumption.

Introduction

Wireless sensor networks (WSNs) have received significant research attention in recent years, due to their characteristic of low cost and highly adaptive nature [Akyildiz, Su, Sankarasubramaniam et al. (2016)]. WSNs can be adapted for numerous applications, such as target tracking, disaster warning, and wearable devices [Milenkovi, Otto and Jovanov (2006)], etc. We can foresee that a WSN has broad application prospects in the future, which can greatly impact lives. Meanwhile, there are still numerous research aspects remaining to be explored in WSN applications, including localization, data aggregation, data transmission and energy efficiency [Wang (2017); Yang (2018); Singh (2018); Soni (2018)].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک الگوریتم کنترل پوشش دهی بهره وری انرژی مبتنی بر PSO برای شبکه های حسگر بی سیم

A PSO based Energy Efficient Coverage Control Algorithm for Wireless Sensor Networks

بهبود کیفیت توان سیستم های توزیع با استفاده از توان افزایشی انفعالی

Power Quality Improvement Of Distribution System By Reactive Power Compensation

چکیده

1 مقدمه

2 فرمول بندی مسئله

3 انتخاب کردن شین ها برای پشتیبانی توان واکنشی

4 متدولوژی

5 نتایج

6 مباحث

7 جمع بندی

چکیده
مدیریت توان واکنشی یک نقش بسیار مهم در بهبود کیفیت توان سیستم ها ایفا میکند. نگرانی اصلی در مورد مدیریت توان واکنشی، مکان و کیفیت قرار دادن ظرفیت ساز در بهترین مکان در شبکه های توزیع شعاعی، مش، و یا به هم پیوسته میباشد. قرار دهی و سایز بندی بهینه ی این ساختار خازنی موجب میشود که هدر رفت توان فعال در سیستم به حداقل برسد و مشخصات ولتاژ و ضریب توان سیستم نیز بهبود پیدا کند. در این مقاله، روش بهینه سازی ازدحام ذرات (PSO) برای به دست آوردن اهداف مورد نیاز استفاده شده است که یک روش بهینه سازی غیر خطی میباشد. کل این که در دو گام تقسیم میشود، شناسایی گره های ضعیف تر با استفاده از ضریب حساسیت ولتاژ (VSF) و ترکیب دو شاخص مقیاس پذیری ولتاژ و ضریب حساسیت ولتاژ (VSI و VSF) . دوما، سایز بندی خازن ها نیز با استفاده از تکنیک PSO انجام میشود و مقدار جبران سازی توان واکنشی مورد نیاز در هر شین را مشخص میکند. الگوریتم پیشنهاد شده بر روی سیستم های 24 شین IEEE بر روی متلب، تست شده است.
کليدواژگان: بهینه سازی ازدحام ذرات (PSO)، كاهش قدرت، توان راكتيو، مشخصات ولتاژ، ضریب حساسیت ولتاژ (VSF)، شاخص مقیاس پذیری ولتاژ (VSI).

7- جمع بندی
مکان بهینه برای خازن ها با VSF و ترکیب با دو ضریب حساسیت (VSI و VSF) و سایز بندی با PSO، انجام شده است. این سایز بندی بهینه با استفاده از الگوریتم ازدحام ذرات به دست آمده است. روش پیشنهاد شده بر روی یک سیستم 24 شین IEEE انجام شده است تا کاهش در هدر رفت توان ( جدول 7) و بهبود مشخصات ولتاژ ( جدول 6) به دست بیاید. مشاهده ها نشان میدهد که زمانی که سایز بندی خازن ها بر اساس انتخاب شین ها از مقادیر VSF انجام میشود، مقدار MVAr تزریق شده در مقایسه با زمانی که به صورت ترکیبی از VSI و VSF در نظر گرفته میشود، مقادیر بهتری را ارائه میدهد و مقدار کلی MAVr کاهش پیدا میکند.

Abstract

Reactive power management plays a vital role in improving power quality of the system. The major concern in reactive power management is location and quantity of placing capacitor at optimal location in the radial/mesh/interconnected distributions network is multi-objectives function with certain constraints. Optimally placing and sizing of capacitors reduces active power loss of the system, improves a voltage profile and power factor of the system. In this paper Particle Swarm Optimization (PSO) is used to achieve required objectives, which is a nonlinear optimization problem. The whole work is divided into two steps, identification of weaker nodes by using Voltage Sensitivity Factor (VSF) and combination of two sensitivity factors Voltage Stability Index and Voltage Sensitivity Factor (VSI, and VSF). Secondly, sizing of capacitors is done by using PSO technique, calculates the amount of reactive power compensation requires in each bus. The proposed algorithm is tested on IEEE 24-Bus system in MATLAB.

VIII- CONCLUSION

The optimal location for capacitors is done by VSF and combination of two sensitivity factors (VSI, and VSF). Then optimally sizing of capacitors is achieved by Particle Swarm Optimization (PSO) technique. The proposed method has been implemented on IEEE-24 Bus to obtained reduction in power loss [Table7] and improvement of voltage profile [Table6]. It is also observed that when capacitor sizing done based on buses selection from VSF values it increases total injected MVAr as compared to when it was considered combination of VSI and VSF values it gives appreciable results and total injected MVAr decreases[Table7].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهبود کیفیت توان سیستم های توزیع با استفاده از توان افزایشی انفعالی

Power Quality Improvement Of Distribution System By Reactive Power Compensation

استراتژی کنترل بهینه برای سیستم فتوولتائیک مستقل با سیستم ذخیره انرژی ترکیبی باتری-ابرخازن

An optimal control strategy for standalone PV system with BatterySupercapacitor Hybrid Energy Storage System

چکیده
1- مقدمه
2- ساختار و مدل سازی سیستم
2-1- سیستم فتوولتائیک مستقل با سیستم ذخیره سازی انرژی ترکیبی باتری-ابرخازن
4- راهکار کنترل
3-1- کنترل کننده مبتنی بر قاعده (RBC)
3-2- کنترل کننده مبتنی بر فیلتراسیون (FBC)
3-3- استراتژی کنترل پیشنهادی
4- نتیجه و بحث
4-1- بهینه سازی اذحام ذرات
4-2- شبیه سازی
5- جمع بندی

چکیده

در این مقاله یک راهکار کنترل بهینه برای یک سیستم فتوولتائیک مستقل با سیستم ذخیره انرژی ترکیبی باتری-ابرخازن برای طولانی تر کردن طول عمر باتری با کاهش استرس پویا و اوج تقاضای جریان باتری، پیشنهاد می شود. بر خلاف روش های مرسوم که یا از کنترل مبتنی بر فیلتراسیون (FBC) و یا از کنترل کننده منطق فازی (FLC) بهره می گیرند، استراتژی کنترل پیشنهادی ما شامل یک فیلتر پایین گذر (LPF) و FLC می باشد. در مرحله اول، LPF اجزای دینامیکی بالا را از میزان تقاضای باتری حذف می کند. FLC اوج تقاضای جریان باتری را در حالی که دائماً میزان آنی شارژ ابرخازن را تحت نظر دارد، به حداقل می رساند. الگوریتم بهینه سازی ازدحام ذرات (PSO) توابع عضویت FLC را برای کاهش بهینه جریان اوج باتری، بهینه سازی می نماید. سیستم پیشنهادی به سیستم معمولی با ذخیره سازی تنها باتری و سیستم های با استراتژی های کنترل معمولی (قانون کنترل بر اساس و FBC) مقایسه شده است. سیستم پیشنهادی با سیستم مرسوم ذخیره سازی صرفاً با باتری و سیستم های با استراتژی های کنترل معمولی (کنترل کننده مبتنی بر قاعده و FBC) مورد مقایسه قرار می گیرد. سیستم پیشنهادی باعث کاهش اوج جریان باتری، اوج بار خارجی باتری، قدر مطلق نرخ تغییر قدرت و متوسط قدر مطلق نرخ تغییر قدرت به ترتیب به مقدار 05/16٪، 19/15٪، 01/77٪ و 59/95% در مقایسه با سیستم های معمولی با ذخیره سازی صرفاً با باتری می شود. علاوه بر این در مقایسه با استراتژی های کنترل معمولی، سیستم پیشنهادی باعث افزایش نرخ بهره برداری از ابرخازن تا 122/687٪ می شود.

1- مقدمه

از باتری ها معمولاً در سیستم های قدرت فتوولتائیک مستقل برای جبران عدم تطابق قدرت بین تولید برق فتوولتائیک و تقاضای بار بهره گرفته می شود. به طور کلی، یک باتری بخاطر خروجی متفاوت فتوولتائیک و تقاضای بار بالای تناوبی، دچار سیکل های عمیق مکرر و الگوی شارژ نامنظم می شود. این عملکردها طول عمر باتری را کوتاه نموده و هزینه جایگزینی باتری را بالا می برد [3-1]. بر این اساس سیستم ذخیره انرژی ترکیبی باتری-ابرخازن (HESS) یک راه حل عملی برای به حداقل رساندن استرس باتری، اندازه باتری و هزینه سرمایه کل سیستم است [4]. ویژگی های فنی باتری و ابرخازن (SC)، از جمله توان ویژه، انرژی ویژه، زمان پاسخ و دوام، مکمل همدیگر هستند.

5- جمع بندی

در این تحقیق، مدل سیمولینک سیستم فتوولتائیک مستقل پیشنهادی با HESS باتری ابرخازن و یک استراتژی کنترل بهینه ارائه شده است. اهداف سیستم پیشنهادی عبارتست از کاهش استرس پویا و اوج تقاضای توان باتری با به کارگیری LPF و FLC. به منظور بهینه سازی کاهش اوج جریان باتری نیز از الگوریتم PSO برای تنظیم توابع عضویت FLC بهره گرفته شده است. سیستم پیشنهادی مورد ارزیابی قرار گرفته و با سیستم های مرسوم دارای صرفاً باتری و سیستم های با استراتژی های کنترل معمولی (RBC و FBC) مورد مقایسه قرار گرفت. نتایج شبیه سازی نشان می دهد که استرس پویا و اوج تقاضای جریان باتری در سیستم پیشنهادی تا حد زیادی بهبود یافته است، شرایطی که در نهایت باعث افزایش طول عمر باتری خواهد شد. سیستم پیشنهادی قادر به راه اندازی ابرخازن در محدوده وضعیت شارژ توصیه شده بوده و از ظرفیت انرژی محدود ابرخازن برای رسیدن به عملکرد مناسب تر از سیستمهای مرسوم استفاده مؤثری دارد.

Abstract

This paper proposes an optimal control strategy for a standalone PV system with Battery-Supercapacitor Hybrid Energy Storage System to prolong battery lifespan by reducing the dynamic stress and peak current demand of the battery. Unlike the conventional methods which only use either filtration based controller (FBC) or fuzzy logic controller (FLC), the proposed control strategy comprises of a low-pass filter (LPF) and FLC. Firstly, LPF removes the high dynamic components from the battery demand. FLC minimizes the battery peak current demand while constantly considering the state-of-charge of the supercapacitor. Particle swarm optimization (PSO) algorithm optimizes the membership functions of the FLC to achieve optimal battery peak current reduction. The proposed system is compared to the conventional system with battery-only storage and the systems with conventional control strategies (Rule Based Controller and FBC). The proposed system reduces the battery peak current, battery peak power, maximum absolute value of the rate of change of power and average absolute value of the rate of change of power by 16.05%, 15.19%, 77.01%, and 95.59%, respectively as compared to the conventional system with battery-only storage. Moreover, he proposed system increases the level of supercapacitor utilization up to 687.122% in comparison to the conventional control strategies.

1- Introduction

Batteries are commonly implemented in standalone PV power systems to fulfill the power mismatch between the PV power generation and the load demand. Generally, a battery would encounter frequent deep cycles and irregular charging pattern due to the varying output of PV and the intermittent high power demand of the load. These operations would shorten the battery lifespan and increase the replacement cost of the battery [1e3]. Battery-Supercapacitor Hybrid Energy Storage System (HESS) is thus a practical solution to minimize the battery stress, battery size and the total capital cost of the system [4]. The technical characteristics of battery and supercapacitor (SC), such as specific power, specific energy, response time and durability, are complementary.

5- Conclusion

In this study, the Simulink model of the proposed standalone PV system with Battery-Supercapacitor HESS and an optimal control strategy are presented. The objectives of the proposed system are to reduce the dynamic stress and peak power demand of the battery by employing LPF and FLC. PSO algorithm is implemented to tune the MFs of the FLC in order to optimize the battery peak current reduction. The proposed system is evaluated and compared to the conventional system with battery-only systems and the systems with conventional control strategies (RBC and FBC). The simulation results show that the dynamic stress and peak current demand of the battery in the proposed system are greatly improved, which will eventually extend the battery lifespan. The proposed system is able to operate the SC within the recommended SOC range and utilize the limited energy of SC effectively to perform better than the conventional systems.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استراتژی کنترل بهینه برای سیستم فتوولتائیک مستقل با سیستم ذخیره انرژی ترکیبی باتری-ابرخازن

An optimal control strategy for standalone PV system with BatterySupercapacitor Hybrid Energy Storage System

طبقه بندی داده های بزرگ با طبقه بندی کننده های ماشین بردار پشتیبان با الگوریتم اصلاح شده PSO و مجموعه های ماشین بردار پشتیبان

Big Data Classification Using the SVM Classifiers with the Modified Particle Swarm Optimization and the SVM Ensembles

چکیده

1- مقدمه

2- دسته‌بندی‌کننده ماشین بردار پشتیبان

3- الگوریتم اصلاح شده بهینه‌سازی ازدحام ذرات

4- مجموعه ماشین بردار پشتیبان

5- دسته‌بندی‌کننده دوسطحی ماشین بردار پشتیبان

6- مطالعات آزمایشی

چکیده

مسئله طراحی دسته‌بندی‌کننده‌های ماشین بردار پشتیبان (SVM) با استفاده از الگوریتم اصلاح‌شده بهینه‌سازی ازدحام ذرات (PSO) و مجموعه‌های آن‌ها در این مطالعه مورد بررسی قرار گرفته است. حل این مسئله امکان اجرای دسته‌بندی داده‌ها با دقت بالا به خصوص دسته‌بندی داده‌های بزرگ (Big Data) را با صرف زمان قابل‌قبول فراهم می‌سازد. الگوریتم اصلاح‌شده PSO به جستجوی همزمان نوع توابع هسته، پارامترهای تابع هسته و ارزش پارامتر تنظیم‌ در دسته‌بندی‌کننده SVM می‌پردازد. طرح بازتولید ذرات به عنوان مبنای الگوریتم اصلاح‌شده PSO عمل نموده است. در پیاده‌سازی این الگوریتم، برخی ذرات، نوع تابع هسته خود را به تابعی که با ببشترین دقت دسته‌بندی با ذره مطابقت می‌کند، تغییر می‌دهند. الگوریتم ارائه‌شده PSO امکان کاهش مدت زمان صرف‌شده برای دسته‌بندی‌کننده‌های طراحی‌شده SVM که برای مسئله دسته‌بندی داده‌های بزرگ بسیار مهم است، فراهم می‌سازد. در اکثر موارد، این‌گونه دسته‌بندی‌کننده SVM کیفیت بالایی از دسته‌بندی‌ داده‌ها را ارائه می‌دهد. در موارد استثنایی می‌توان از مجموعه‌های SVM مبتنی بر الگوریتم بیشینه‌سازی غیرهمبستگی برای راهبردهای مختلف تصمیم‌گیری در مورد دسته‌بندی داده‌ها و قاعده رأی اکثریت استفاده کرد. علاوه بر این، دسته‌بندی‌کننده دوسطحی SVM نیز ارائه شده است. این‌نوع دسته‌بندی‌کننده به عنوان گروه دسته‌بندی‌‌کننده‌های SVM در سطح اول و به عنوان دسته‌بندی‌کننده SVM بر مبنای الگوریتم اصلاح‌شده PSO در سطح دوم عمل می‌کند. نتایج مطالعات آزمایشگاهی بر اثربخشی روش‌های ارائه‌شده جهت دسته‌بندی داده‌های بزرگ مهر تأیید می‌زند.

8- نتیجه‌گیری

کارآمدی روش‌های ارائه شده با توجه به نتایج آزمایشی مورد تأیید قرار گرفته است. دسته‌بندی کننده‌های SVM بر مبنای الگوریتم اصلاح شده PSO امکان دسته‌بندی داده‌ها را با دقت دسته‌بندی بالا فراهم ‌می‌سازند. علاوه بر این، الگوریتم اصلاح شده PSO امکان انتخاب بهترین نوع تابع هسته، مقادیر پارامترهای تابع هسته و مقدار پارامتر منظم‌سازی با صرف زمان مناسب را میسر می‌سازد که هنگام استفاده از الگوریتم قدیمی PSO بسیار کمتر می‌شود. ویژگی اصلی الگوریتم اصلاح شده PSO، استفاده از بازسازی ذرات است. مجموعه‌های SVM مبتنی بر الگوریتم بیشینه‌سازی رفع همبستگی در رابطه با استراتژی‌های متفاوت تصمیم‌گیری درباره دسته‌بندی داده‌ها و قاعده رأی اکثریت امکان کاهش تصمیم دسته‌بندی تصادفی بدست آمده بوسیله یک دسته‌بندی‌کننده را فراهم می آورند و به بهبود دقت دسته‌بندی نیز کمک می‌کنند. نقاط ضعف برخی دسته‌بندی‌کننده‌ها با نقاط قوت دسته‌بندی‌کننده‌های دیگر به واسطه ترکیب نتایج آن‌ها جبران می‌شود. دسته‌بندی‌کننده‌ها بین تصادف نتایج با یکدیگر تعادل برقرار کرده و معقول‌ترین تصمیم دسته‌بندی خروجی را پیدا می‌کنند. این امر امکان یافتن بهترین نتیجه دسته‌بندی با کمترین خطای دسته‌بندی را فراهم می‌نماید.

Abstract

The problem with development of the support vector machine (SVM) classifiers using modified particle swarm optimization (PSO) algorithm and their ensembles has been considered. Solving this problem would allow fulfilling the highprecision data classification, especially Big Data classification, with the acceptable time expenditures. The modified PSO algorithm conducts a simultaneous search of the type of kernel functions, the parameters of the kernel function and the value of the regularization parameter for the SVM classifier. The idea of particles’ «regeneration» served as the basis for the modified PSO algorithm. In the implementation of this algorithm, some particles change the type of their kernel function to the one which corresponds to the particle with the best value of the classification accuracy. The offered PSO algorithm allows reducing the time expenditures for the developed SVM classifiers, which is very important for Big Data classification problem. In most cases such SVM classifier provides the high quality of data classification. In exceptional cases the SVM ensembles based on the decorrelation maximization algorithm for the different strategies of the decision-making on the data classification and the majority vote rule can be used. Also, the two-level SVM classifier has been offered. This classifier works as the group of the SVM classifiers at the first level and as the SVM classifier on the base of the modified PSO algorithm at the second level. The results of experimental studies confirm the efficiency of the offered approaches for Big Data classification.

VII- CONCLUSION

The efficiency of the suggested approaches has been confirmed by the results of experimental studies. The SVM classifiers on the base of the modified PSO algorithm allow classifying data with the high classification accuracy. The modified PSO algorithm allows choosing the best kernel function type, values of the kernel function parameters and value of the regularization parameter within appropriate time expenditures, which turned out to be significantly less than when using the traditional PSO algorithm. The main feature of the modified PSO algorithm is using the «regeneration» of the particles. The SVM ensembles based on the decorrelation maximization algorithm for the different strategies of the decision-making on the data classification and the majority vote rule allow reducing the accident classification decision received by one classifier, and help to improve the classification accuracy. The shortcomings of some classifiers are compensated by strengths of others classifiers thanks to combination of their results. Classifiers counterbalance the results’ accident of each other, finding the most plausible output classification decision. It allows finding the best classification result with minimum classification error.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طبقه بندی داده های بزرگ با طبقه بندی کننده های ماشین بردار پشتیبان با الگوریتم اصلاح شده PSO و مجموعه های ماشین بردار پشتیبان

Big Data Classification Using the SVM Classifiers with the Modified Particle Swarm Optimization and the SVM Ensembles

یک الگوریتم بهینه سازی انرژی خوشه بندی پیشرفته مبنی بر بهینه سازی ازدحام ذرات برای WSN ها

An Enhanced PSO-Based Clustering Energy Optimization Algorithm for Wireless Sensor Network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک الگوریتم بهینه سازی انرژی خوشه بندی پیشرفته مبنی بر بهینه سازی ازدحام ذرات برای WSN ها

An Enhanced PSO-Based Clustering Energy Optimization Algorithm for Wireless Sensor Network

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.