طراحی بهینه مقاوم مشارکتی با رویکرد چندهدفی برای حامل فضایی با احتساب عدم قطعیت- قسمت ۸ | ... | |
With respect to
Subject to
تابع هدف بهینهشده مربوط به زیرسیستم i ام و مشابه داخلی متغیر z است. برای زیرسیستم i ام، معادله ۲-۲ برقرار است:
دانلود متن کامل پایان نامه در سایت fumi.ir
Minimize متغیر درگیر از i امین زیرسیستم به j امین زیرسیستم است. روش مشارکتی[۱۳]
روش بهینهسازی همزمان در زیرفضا روش بهینهسازی همزمان در زیرفضا که بهاختصار CSSO نامیده میشود، بر اساس منطق گسسته سازی سیستم شکل گرفته است. این منطق به زیرسیستمها اجازه میدهد که بهطور مستقل در روند بهینهسازی شرکت نمایند. مسئله کلی توسط یک بهینهساز در سطح سیستم حل میشود. این بهینهساز زیرسیستمهای مختلف را هماهنگ میکند و در کل به دنبال ایجاد یک مصالحه بین نتایج مختلف پیشنهادی در سطح زیرسیستمها است. از تخمین متغیرهای درگیر در زیرسیستمهای مختلف برای بررسی تأثیر آن ها روی تابع هدف و همچنین قیود تساوی و قیود نامساوی استفاده میشود. به کمک این روش، هنگام اجرای بهینهسازی برای زیرسیستمها، تأثیرات تغییر یک متغیر در یک زیرسیستم روی قیود سایر زیرسیستمها آشکار میگردد شکل۲-۸). بهینهسازی همزمان در زیرفضا[۱۳]
روش ترکیب سیستم جامع دو مرحلهای این روش یا همان BLISS اولین بار توسط سوبیژنسکی-سوبیسکی[۳۱] ارائه شد. BLISS یک روش چند سطحی است که در یک بهینهساز کلی در سطح سیستم و تعدادی بهینهساز هم در سطح زیرسیستم قرار داده شده است. این روش بر اساس دیدگاه گرادیانی میباشد و سهم هرکدام از متغیرهای طراحی اشتراکی و فردی را در تابع هدف بهینه میکند ( شکل۲-۹). ترکیب سیستم جامع دو مرحلهای[۱۳]
روشهای بهینهسازی همان طور که ذکر شد در ساختار این شش روش، حضور بهینه ساز الزامی می باشد. الگوریتم های بهینه سازی مختلفی برای این منظور وجود دارند که بسته به نوع ساختار، هر کدام نقاط قوت و ضعفی را دارا هستند. برای بهینهسازی مسائل گوناگون روشهای گوناگونی وجود دارد. برخی از این روشها برای حل مسائل تک متغیره کاربرد دارند و برخی دیگر قادر به حل مسائل چند متغیره هستند. برخی تنها قادر به حل مسائل نامقید هستند و برخی میتوانند مسائل مقید را تحلیل و حل نمایند. از مهمترین روشهای بهینهسازی میتوان به الگوریتم ژنتیک، الگوریتم تبرید شبیهسازیشده، الگوریتم لانه مورچگان، الگوریتم مهاجرات پرندگان و روش سیمپلکس اشاره کرد. در ادامه به معرفی دو روش استفادهشده در این پایاننامه میپردازیم.
این الگوریتم در ابتدا با مجموعهای از جوابهای تصادفی(کروموزوم) که به آن جمعیت اولیه گفته میشود، آغاز و سپس مقدار شایستگی هر کروموزوم با توجه به تابع شایستگی تعیین میگردد. کروموزومهای با شایستگی بالاتر شانس بیشتری برای تولید فرزندان دارند. بر همین اساس، عمل انتخاب والدین انجام میگیرد و سپس فرزند بهوسیله عمل تقاطع روی والدین به وجود میآید، سرانجام بعضی از ژنهای فرزند با عمل جهش تغییر مییابد و بعد فرزند جدید جانشین ضعیفترین کروموزوم در مجموعه اولیه میشود.
شکل کروموزوم جمعیت اولیه تابع شایستگی برای محاسبه تناسب جمعیت استراتژیهای انتخاب عملگرهای ژنتیک[۱۹] الگوریتم ژنتیک با انبوهی از جوابها سروکار دارد و بهواسطه داشتن همین خصوصیت امکان اجرای موازی الگوریتم و همچنین مهاجرت بین زیر جمعیتها را که باعث تنوع ژنتیکی میشوند فراهم میآورد. در این الگوریتم نقاط بر روی مجموعه تعریف میشود یعنی اعداد بهصورت رشتههای باینری و به طول k بیان میشوند. الگوریتم ژنتیک روشی است بر مبنای جستجو در فضای و با بهره گرفتن از تابع توزیع احتمال که این تابع در طول اجرای الگوریتم مرحلهبهمرحله به سمت محدودهای که جواب در آن قرار دارد همگرا میشود. امروزه الگوریتم ژنتیک دراینبین شناختهشدهترین نوع الگوریتم تکاملی بهحساب میآید، چراکه الگوریتمهای ژنتیکی اخیراً بهدقت قابلملاحظهای دستیافتهاند.
[سه شنبه 1400-01-24] [ 10:30:00 ب.ظ ]
لینک ثابت |