فهرس المقالات الگوریتم‌های فراابتکاری

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - برنامه‌ریزی تصادفی بهبود تاب‌آوری سیستم‌های توزیع انرژی الکتریکی در مقابل طوفان‌های گرد و غبار شدید
  مرتضی حق‌شناس رحمت‌الله هوشمند مهدی قلی‌پور
  ویژگی تاب آوری در سیستم های قدرت به قابلیت های سیستم در مقابله با اغتشاشات شدید با احتمال رخداد کم اشاره دارد. از آنجا که در چند سال اخیر ریزگردها و طوفان های گرد و غبار خسارت های سنگینی را به صنعت برق کشور تحمیل کرده است، در این مقاله یک مدل برنامه ریزی دوسطحی برای بهب أکثر

  ویژگی تاب آوری در سیستم های قدرت به قابلیت های سیستم در مقابله با اغتشاشات شدید با احتمال رخداد کم اشاره دارد. از آنجا که در چند سال اخیر ریزگردها و طوفان های گرد و غبار خسارت های سنگینی را به صنعت برق کشور تحمیل کرده است، در این مقاله یک مدل برنامه ریزی دوسطحی برای بهبود تاب آوری سیستم های توزیع انرژی در مقابل این پدیده پیشنهاد شده است. در سطح اول مدل پیشنهادی، هزینه های سرمایه گذاری برای بهبود تاب آوری سیستم توزیع در مقابل طوفان های گرد و غبار و در سطح دوم آن، هزینه های مورد انتظار بهره برداری از سیستم توزیع در چارچوب محدودیت های مالی و عملیاتی سیستم حداقل می گردند. با توجه به کاهش استقامت عایقی تجهیزات شبکه توزیع در شرایط طوفان گرد و غبار، اقدامات پیشنهادی در حوزه برنامه ریزی شامل تقویت خطوط توزیع با مقره های سیلیکونی، تعیین محل کلیدهای جداکننده در شبکه توزیع و بکارگیری ژنراتورهای اضطراری می اشد. در مدل پیشنهادی، اقدامات حوزه بهره برداری به دو دسته اقدامات پیشگیرانه و اصلاحی تفکیک شده و تعامل بین سطوح برنامه ریزی به گونه ای پیاده سازی شده است که نتایج هر سطح به متغیرهای تصمیم و محدودیت های سطح مقابل وابسته است. نتایج شبیه سازی و مطالعات عددی بر روی شبکه 33 باسه IEEE و یک فیدر فشار متوسط شعاعی با 209 گره واقع در استان خوزستان کارایی روش پیشنهادی را در مقادیر مختلف بودجه تایید کرده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - بهره‌گیری از رویکردهای جدید بهینه‌سازی هوشمند فراابتکاری مبتنی بر هوش مصنوعی در طراحی سیستم‌های ناوبری INS
  علی محمدی فرید شیخ الاسلام مهدی  امامی
  به کارگیری تکنیک‌های محاسبات نرم در علوم مهندسی حجم زیادی از پژوهش‌ها را شامل شده است. از جمله این مسایل می‌توان به طراحی و بهینه‌سازی سیستم‌های ناوبری جهت استفاده در سیستم‌های حمل‌ونقل زمینی، دریایی و هوایی اشاره کرد. از این رو در این پژوهش سعی در بهره‌گیری از رویکردها أکثر

  به کارگیری تکنیک‌های محاسبات نرم در علوم مهندسی حجم زیادی از پژوهش‌ها را شامل شده است. از جمله این مسایل می‌توان به طراحی و بهینه‌سازی سیستم‌های ناوبری جهت استفاده در سیستم‌های حمل‌ونقل زمینی، دریایی و هوایی اشاره کرد. از این رو در این پژوهش سعی در بهره‌گیری از رویکردهای جدید بهینه‌سازی هوشمند فراابتکاری مبتنی بر هوش مصنوعی در جهت طراحی سامانه‌های ناوبری تلفیقی می‌باشد. برای این منظور از نسخه جدید الگوریتم بهینه‌سازی سیستم صفحات شیب‌دار به همراه چند نسخه دیگر آن در کنار دو روش مرسوم الگوریتم زیستی و بهینه‌سازی ازدحام ذرات استفاده شده است. ملاحظات بر روی یک مسأله INS/GNSS با ماژول‌های اندازه‌گیری اینرسی IMU MEMS انجام شدند. ماتریس‌های کواریانس نویز فرایند و اندازه‌گیری به عنوان متغیرهای طراحی و مجموع میانگین مربعات خطا به عنوان تابع هدف در قالب یک مسأله کمینه‌سازی تک‌هدفه در نظر گرفته شده‌اند. خروجی‌ها بر حسب شاخص‌های آماری و عملکردی نظیر زمان اجرا، برازندگی، همگرایی‌ها، دقت سرعت‌های زاویه‌ای، طول و عرض جغرافیایی، بلندی، Roll، Pitch، Yaw و مسیریابی به همراه رتبه‌بندی الگوریتم‌ها ارائه شدند. برایند کلی نتایج حکایت از عملکرد موفق و برتری نسبی روش های IPO و IIPO نسبت به رقبا و همچنین کارکرد قابل رقابت الگوریتم های پیشنهادی در قیاس با حجم ملاحظات و محاسبات مسأله مفروض دارد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - بهبود سیستم تشخیص نفوذ در اینترنت اشیاء صنعتیِ مبتنی بر یادگیری عمیق با استفاده الگوریتم‌های فراابتکاری
  محمدرضا  زراعت‌کار مقدم مجید غیوری ثالث
  با توجه به گسترش روز افزون استفاده از سامانه‌های اینترنت‌اشیاء صنعتی یکی از پرکابردترین مکانیزم‌های امنیتی، سیستم‌های تشخیص نفوذ در اینترنت‌اشیاء صنعتی می‌باشد. در این سیستم‌ها از تکنیک‌های یادگیری عمیق به‌طور فزآینده‌ای برای شناسایی حملات، ناهنجاری‌ها یا نفوذ استفاده م أکثر

  با توجه به گسترش روز افزون استفاده از سامانه‌های اینترنت‌اشیاء صنعتی یکی از پرکابردترین مکانیزم‌های امنیتی، سیستم‌های تشخیص نفوذ در اینترنت‌اشیاء صنعتی می‌باشد. در این سیستم‌ها از تکنیک‌های یادگیری عمیق به‌طور فزآینده‌ای برای شناسایی حملات، ناهنجاری‌ها یا نفوذ استفاده می‌شود. در یادگیری عمیق مهم‌ترین چالش برای آموزش شبکه‌های عصبی، تعیین فراپارامترهای اولیه در این شبکه‌ها است. ما برای غلبه بر این چالش، به ارائه‌ی رویکردی ترکیبی برای خودکارسازی تنظیم فراپارامتر در معماری یادگیری عمیق با حذف عامل انسانی پرداخته‌ایم. در این مقاله یک سیستم تشخیص نفوذ در اینترنت‌اشیاء صنعتی مبتنی بر شبکه‌های عصبی کانولوشن (CNN) و شبکه‌ عصبی بازگشتی مبتنی بر حافظه کوتاه مدت (LSTM) با استفاده از الگوریتم‌های فراابتکاری بهینه‌سازی ازدحام ذرات (PSO) و وال (WOA) ارائه شده است. این سیستم یک روش ترکیبی براساس شبکه‌های عصبی و الگوریتم‌های فراابتکاری برای بهبود عملکرد شبکه عصبی در راستای افزایش نرخ تشخیص و کاهش زمان آموزش شبکه‌های عصبی می‌باشد. در روش ما با درنظر گرفتن الگوریتم‌ PSO-WOA، فراپارامترهای شبکه عصبی بدون دخالت عامل انسانی و به‌صورت خودکار تعیین شده است. در این مقاله از مجموعه‌داده‌ی UNSW-NB15 برای آموزش و آزمایش استفاده شده است. در این پژوهش، الگوریتم‌ PSO-WOA با محدود کردن فضای جستجو، فراپارامترهای شبکه عصبی را بهینه‌ کرده و شبکه‌‌ عصبی CNN-LSTM با فراپارامترهای تعیین شده آموزش دیده است. نتایج پیاده‌سازی حکایت از آن دارد که علاوه‌ بر خودکارسازیِ تعیین فراپارامترهای شبکه‌ی عصبی، نرخ تشخیص روش ما 98.5 درصد بوده که در مقایسه با روش‌های دیگر بهبود مناسبی داشته است. تفاصيل المقالة