-
حرية الوصول المقاله
1 - تعبیه درخت در مجموعه نقاط با کمترین طول
پریا نوربخشمسأله تعبیه روی مجموعهی نقاط به این صورت است که مجموعهای با n نقطه و گراف n راسی به صورت ورودی داده شده-اند. گراف روی مجموعه نقاط بهگونهای تعبیه میشود که یک نگاشت یکبهیک مانند f از رئوس گراف به نقاط وجود داشته باشد. تعبیه f، طولی را به هر یال (u,v) ∈ E نسبت مید أکثرمسأله تعبیه روی مجموعهی نقاط به این صورت است که مجموعهای با n نقطه و گراف n راسی به صورت ورودی داده شده-اند. گراف روی مجموعه نقاط بهگونهای تعبیه میشود که یک نگاشت یکبهیک مانند f از رئوس گراف به نقاط وجود داشته باشد. تعبیه f، طولی را به هر یال (u,v) ∈ E نسبت میدهد که برابر با فاصله اقلیدسی بین f (u) و f (v) در صفحه میباشد. در مسأله تعبیه درخت در مجموعهای از نقاط با کمترین طول، قصد داریم تعبیهای را با کمترین مجموع طول پیدا نماییم که منظور از مجموع طول، حاصل جمع طول یالهای E میباشد. مسأله تعبیه هندسی درخت در مجموعه نقاط با کمترین طول ، یک مسألهNP-complete میباشد زیرا مسأله فروشنده دوره گرد هندسی را به عنوان حالت خاص دربر میگیرد. در این مقاله برای حل مسأله تعبیه هندسی درخت در مجموعه نقاط با کمترین طول با استفاده از یک روش حریصانه الگوریتمی ابتکاری ارائه میشود و همین طور با توجه به رابطهای که بین مسأله تعبیه گراف در مجموعه نقاط با کمترین طول و مسأله فروشنده دوره گرد وجود دارد، از الگوریتمهای ارائه شده برای مسألهTSP استفاده نموده و آنها را برای مسأله تعبیهسازی با کمترین طول تعمیم میدهیم. تفاصيل المقالة -
حرية الوصول المقاله
2 - آموزش شبکه عصبی MLP در فشردهسازی تصاویر با استفاده از روش GSA
مريم دهباشيان سيدحميد ظهيريیکی از حوزههای تحقیقاتی مهم در پردازش تصویر، فشرده-سازی تصاویر است. تاکنون روشهای مختلفی برای فشرده-سازی تصویر ارائه شدهاست، در این میان شبکههای عصبی مخاطبان زیادی را به خود جذب کردهاند. متداولترین روش آموزشی شبکههای عصبی، روش پس انتشار خطاست که همگرایی کند و توق أکثریکی از حوزههای تحقیقاتی مهم در پردازش تصویر، فشرده-سازی تصاویر است. تاکنون روشهای مختلفی برای فشرده-سازی تصویر ارائه شدهاست، در این میان شبکههای عصبی مخاطبان زیادی را به خود جذب کردهاند. متداولترین روش آموزشی شبکههای عصبی، روش پس انتشار خطاست که همگرایی کند و توقف در بهینههای محلی از مهمترین نقاط ضعف آن محسوب میشوند . رویکرد جدید محققین، استفاده از الگوریتمهای ابتکاری در فرایند آموزش شبکههای عصبی است. در این مقاله، روش آموزشی نوینی مبتنی بر روش جستجوی گرانشی (GSA) معرفی میشود. روش جستجوی گرانشی آخرین و جدیدترین نسخه از انواع روشهای جستجو و بهینهسازی هوش جمعی است. در این روش پاسخهای کاندید در فضای جستجو اجرامی هستند که توسط نیروی گرانش بر یکدیگر اثر گذاشته و موقعیتشان تغییر می-کند. به تدریج اجرام با برازندگی بهتر دارای جرم بیشتری می-شوند و بر اجرام دیگر تاثیر بیشتری میگذارند. در تحقیق حاضر با استفاده از الگوریتم GSA یک شبکه عصبی MLP به منظور فشرده سازی تصاویر آموزش داده می-شود. برای ارزیابی کارایی فشردهساز ارائه شده عملکرد آن با الگوریتم بهینهسازی گروه ذرات و روش متداول پس انتشار خطا در فشردهسازی چهار تصویر استاندارد مقایسه میشود. نتایج نهایی گویای قابلیت چشمگیر روش GSA در آموزش شبکههای عصبی MLP میباشد. تفاصيل المقالة -
حرية الوصول المقاله
3 - آموزش شبکه عصبی MLP در طبقهبندی دادهها با استفاده از روش GSA
مریم دهباشیان سیدحمید ظهیریتاکنون شیوههای مختلفی برای طبقهبندی داده ارائه شده است اما در این میان شبکههای عصبی مخاطبان بیشتری را به خود جذب کردهاند. مهمترین مسئله در این نوع از طبقهبندیکنندهها انتخاب روشی مناسب برای آموزش شبکههای عصبی است. متداولترین روش آموزشی شبکههای عصبی روش پسانتش أکثرتاکنون شیوههای مختلفی برای طبقهبندی داده ارائه شده است اما در این میان شبکههای عصبی مخاطبان بیشتری را به خود جذب کردهاند. مهمترین مسئله در این نوع از طبقهبندیکنندهها انتخاب روشی مناسب برای آموزش شبکههای عصبی است. متداولترین روش آموزشی شبکههای عصبی روش پسانتشار خطا است که همگرايي کُند و توقف در نقاط بهينه محلي از مهمترین نقاط ضعف آن محسوب میشود. رویکرد جدید محققین استفاده از الگوریتمهای ابتکاری در فرایند آموزش شبکههای عصبی است. در این مقاله پیشنهاد استفاده از روش آموزشی نوینی به نام الگوریتم جستجوي گرانشي (GSA) در آموزش شبکههای عصبی بهمنظور طبقهبندی دادهها ارائه میشود. روش GSA آخرين و جديدترين نسخه از انواع روشهاي بهينهسازي هوش جمعي است که با الهام از مفاهيم جرم و نيروي جاذبه و با شبيهسازي قوانين مرتبط با آن ارائه شده است. در این مقاله با استفاده از روش GSA یک شبکه عصبی MLP جهت طبقهبندی پنج مجموعه داده مرجع آموزش داده میشود. همچنین کارایی روش پیشنهادی در آموزش و آزمایش شبکه عصبی با دو روش آموزشی پسانتشار خطا و بهینهسازی گروه ذرات مقایسه میشود. نتایج نهایی نشان میدهند در اکثر موارد روش GSA قابلیت چشمگیری در طبقهبندی صحیح دادهها دارد. بهعلاوه در آزمایشات انجامگرفته ویژگی منحصر بهفردی از روش GSA پدیدار شد و آن پایداری نسبتاً عالی در طبقهبندی صحیح دادهها در تمام موارد بود. از نقطه نظر معیار زمانی نیز روش GSA نسبت به روش PSO در زمان کمتری به پاسخ مناسب دست مییابد. تفاصيل المقالة -
حرية الوصول المقاله
4 - تخصیص بهینه باتری ذخیرهساز انرژی در شبکه توزیع انرژی الکتریکی با هدف سودآوری حداکثری
محمد رسول جان نثار محسن کلانتر علیرضا صدیقی انارکیدر این مقاله، تخصیص بهینه باتری ذخیرهساز انرژی در شبکه توزیع با هدف کاهش اوج بار و سودآوری حداکثری انجام شده است. برای این منظور، شاخصهایی با استفاده از اطلاعات بار ساعتی، هزینه ارتقای فیدر و قیمت فروش برق به تعرفههای مختلف، معرفی شده است. در ادامه با استفاده از روش أکثردر این مقاله، تخصیص بهینه باتری ذخیرهساز انرژی در شبکه توزیع با هدف کاهش اوج بار و سودآوری حداکثری انجام شده است. برای این منظور، شاخصهایی با استفاده از اطلاعات بار ساعتی، هزینه ارتقای فیدر و قیمت فروش برق به تعرفههای مختلف، معرفی شده است. در ادامه با استفاده از روش تحلیل سلسلهمراتبی، شاخصها وزندهی شده و فیدر مناسب برای نصب ذخیرهساز مشخص شده است. سپس به منظور دستیابی به میزان حداکثر ممکن کاهش اوج بار و تأمین سود حداکثری، یک تابع هدف اقتصادی با هدف یافتن اندازه و نحوه شارژ و دشارژ بهینه ذخیرهساز تعریف شده است. تابع هدف شامل هزینههای نصب و بهرهبرداری ذخیرهساز، سود خرید و فروش انرژی، سود به تعویق افتادن توسعه شبکه، سود ناشی از مسایل زیستمحیطی و سود ناشی از کاهش هزینههای دسترسی به شبکه بالادست است. با توجه به کاهش اوج بار، محدوده توان و ظرفیت باتری و همچنین تعادل در میزان شارژ و دشارژ باتری، قیود مناسبی در نظر گرفته شده است. با توجه به غیر خطی بودن تابع هدف، در ابتدا مؤلفههایی که در غیر خطی شدن تابع هدف نقش داشتهاند با توجه به الگوریتمهای ابتکاری (ژنتیک، دسته ذرات، مورچگان و جستجوی ممنوع) تعیین شده و سپس تابع هدف توسط روش خطی نقطه داخلی حل شده است. نتایج ضمن تأمین اهداف مد نظر، مناسبترین باتری و روش بهینهسازی را از بین باتریها و روشهای معرفیشده ارائه میدهد. تفاصيل المقالة