نقش ادوات FACTS برای مسئله VSC - OPF با استفاده از طبقه بندی غیرتسلط یافته الگوریتم ژنتیک

نقش ادوات FACTS برای مسئله VSC - OPF با استفاده از طبقه بندی غیرتسلط یافته الگوریتم ژنتیک

فرمت فایل دانلودی:
فرمت فایل اصلی: doc, pdf
تعداد صفحات: 14
حجم فایل: 1048
قیمت: : 12000 تومان

بخشی از متن:

Contribution of FACTS devices for VSC-OPF Problem using Non- Dominated Sorting Genetic Algorithm -II

چکیده:
پایداری ولتاژ در برنامه ریزی و عملیات سیستم های قدرت یک مسئله مهم می باشد. رخدادهای احتمالی مانند قطع برق پیش بینی نشده ممکن است حاصل عدم پایداری ولتاژ باشد که ممکن است منجر به افت (فروپاشی) ولتاژ  شود. این اثر کاربرد طبقه بندی غیرتسلط یافته روش الگوریتم ژنتیک 2 یا NSGA-II را برای یافتن محل بهینه ابزار FACTS و بهبود پایدای ولتاژ سیستم ارائه می دهد. محل و اندازه کنترل کننده های FACTS برای افزایش پایداری ولتاژ برای سیستم های قدرت کاربردی ملاحظه مهم است. روش تعیین به طور همزمان هزینه توان های فعال و راکتیو فعال شده و هزینه FACTS انتخاب شده را برای گستره ای از شرایط عملیاتی در نظر می گیرد. ادوات FACTS یعنی جبران کننده VAR ایستا (SVC) برای این عمل در نظر گرفته شده است. بهینه سازی های انجام شده براساس پارامترهایی مانند محل ادوات FACTS و بوسیله آنالیز هایی انجام گرفته اند و اندازه و هزینه نصب ادوات FACTS با استفاده از الگوریتم پیشنهادی تعیین شدند. جریان توان بهینه (OPF) و NSGA-II مبتنی بر روش بهینه سازی برای حل مسئله تخصیص کار یا نقش به کار گرفته شدند. شبیه سازی ها براساس سیستم آزمون مسیر IEEE-30 انجام شده اند.
کلمات کلیدی: پایداری ولتاژ، جریان توان بهینه، آنالیز احتمالی، الگویتم های تکاملی

فهرست مطالب:
چکیده
1. مقدمه
2. شاخص پایداری ولتاژ
3. فرمول بندی مسئله
4. طبقه بندی غیرغالب الگوریتم ژنتیک II (NSGAII)
1-4. شکل گیری اولیه جمعیت
2-4. طبقه بندی غیرغالب
3-4. فاصله جمعیت
5-4. اپراتورهای ژنتیک
1-5-4. مسیر متقاطع مضاعف شبیه سازی شده
2-5-4. جهش چندجزئی
6-4. نوترکیبی و انتخاب
5. بهترین راه حل
6. آنالیز نمایی
7. نتایج شبیه سازی
8. نتیجه گیری
منابع و تصاویر (در متن اصلی)

کاربرد شبکه های عصبی و الگوریتم ژنتیک در تولید، توزیع، انتقال و حفاظت سیستم های قدرت

کاربرد شبکه های عصبی و الگوریتم ژنتیک در تولید، توزیع، انتقال و حفاظت سیستم های قدرت

فرمت فایل دانلودی: .doc
فرمت فایل اصلی: doc
تعداد صفحات: 127
حجم فایل: 3712
قیمت: : 11000 تومان

بخشی از متن:
بخشی از متن:
شبکه‌ های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد. می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستند که روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی بر می‌آید. تصور عموم کارشناسان IT بر آن است که مدل‌های جدید محاسباتی که بر اساس شبکه‌های عصبی بنا می‌شوند، جهش بعدی صنعت IT را شکل می‌دهند. تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو‌ها (pattern) ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگو و تجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی را تشکیل می‌دهند. این حوزه از دانش محاسباتی (computation) به هیچ وجه از روش‌های برنامه‌نویسی سنتی استفاده نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می‌جوید.

فهرست مطالب:
فصل اول: شبکه های عصبی، الگوریتم ژنتیک و الگوریتم مورچگان در برنامه ریزی بهینه توسعه تولید با استفاده از الگوریتم ژنتیک
بخش 1-1 : شبکه عصبی
بخش 2-1 : سابقه تاریخی
بخش 3-1 : شبکه های عصبی در مقابل کامپیوتر های معمولی                                        
1-3-1 : چرا از شبکه های عصبی استفاده می کنیم  
2-3-1 : کاربردهای شبکه های عصبی
بخش 4-1 : الگوریتم ژنتیک 
بخش 5-1 : الگوریتم مورچگان                                                                               
بخش 6-1 : برنامه ریزی بهینه توسعه تولید با استفاده از الگوریتم ژنتیک
1-6-1 : چکیده   
2-6-1 : مقدمه 
فصل دوم: شبکه های عصبی و الگوریتم ژنتیک تعریف و کاربرد در بحٍث تولید در سیستم های قدرت
بخش 1-2 : تشخیص خطاهای عایقی ترانسفورماتور با استفاده از آنالیز گازهای محلول در روغن به کمک شبکه عصبی فازی
1-1-2 : چکیده 
2-1-2 : مقدمه   
3-1-2 : بررسی خطاها و گازهای تولید شده در ترانسفورماتور 
4-1-2 : روش های تشخیص خطای ترانسفورماتور 
5-1-2 : طراحی شبکه های هوشمند عصبی و فازی جهت تشخیص خطا 
1-5-1-2 : شبکه هوشمند فازی 
2-5-1-2 : شبکه هوشمند عصبی مصنوعی            
6-1-2 : پیاده سازی سیستم های طراحی شده فازی و عصبی بر روی اطلاعات نمونه 
7-1-2 : نتیجه گیری   
بخش 2-2 : جایابی و اندازه‌یابی فیلترهای اکتیو در سیستم های قدرت با استفاده از الگوریتم ژنتیک
1-2-2 : مقدمه 
2-2-2 : مدلسازی مسئله 
3-2-2 : پیاده سازی مسئله توسط الگوریتم ژنتیک      
مراجع    
فصل سوم : شبکه های عصبی و الگوریتم ژنتیک تعریف و کاربرد در بحٍث توزیع در سیستم های قدرت
بخش 1-3 : اتوماسیون وتجدید پیکربندی پستها وشبکه توزیع با استفاده از شبکه عصبی مصنوعی جهت کاهش تلفات
1-1-3 : چکیده
2-1-3 : مقدمه      
3-1-3 : تجدید آرایش فیدر و شبکه های توزیع     
4-1-3 : تجدید آرایش شبکه های توزیع با استفاده از شبکه عصبی مصنوعی    
5-1-3 : شبیه سازی و نتایج عددی                     
6-1-3 : نتیجه گیری                        
بخش 2-3 : جایابی وتعیین ظرفیت خازن موازی در شبکه توزیع به کمک الگوریتم ژنتیک با هدف کاهش تلف توان اهمی شبکه
1-2-3 : مقدمه                                                            
2-2-3 : برنامه پخش بار مستقیم شبکه توزیع             
3-2-3 :  اگوریتم ژنتیک (GA)                    
4-2-3 : روش حل مسئله خازن گذاری      
5-2-3 : الگوریتم حل مسئله خازن گذاری         
6-2-3 : مشخصات الگوریتم ژنتیک  
7-2-3 : نتیجه گیری      
بخش 3-3 : طراحی بهینه شبکه های توزیع بزرگ با ترکیب الگوریتم ژنتیک و تئوری گراف
1-3-3 : چکیده    
2-3-3 : مقدمه     
3-3-3 : الگوریتم ژنتیک   
4-3-3 : تئوری گراف 
5-3-3 : توصیف ریاضی مساله طراحی شبکه توزیع     
6-3-3 : نتایج شبیه سازی      
7-3-3 : نتیجه گیری     
بخش 4-3 : متعادل سازی بهینة بار در فیدرهای فشار ضعیف به کمک جبرانسازی توان راکتیو با الگوریتم ژنتیک
1-4-3 : چکیده   
2-4-3 : مقدمه    
3-4-3 : متعادل سازی بار به کمک کنترل توان راکتیو   
4-4-3 : متعادل سازی و جبرانسازی بهینه در فیدرهای توزیع              
5-4-3 : اصول و الگوریتم متعادل‌سازی بهینة فیدرها  
6-4-3 : نرم‌افزار متعادل ساز بار    
7-4-3 : مطالعات شبیه‌سازی        
8-4-3 : نتیجه‌گیری     
مراجع             
فصل چهارم: شبکه های عصبی و الگوریتم ژنتیک تعریف و کاربرد در بحٍث انتقال در سیستم های قدرت
بخش 1-4 : فاصله یابی خطا در خطوط ترکیبی (هوائی / کابلی) به کمک شبکه عصبی
1-1-4 : چکیده  
2-1-4 : مقدمه    
3-1-4 : ساختار شبکه عصبی    
4-1-4 : انتخاب ورودی های مناسب برای اعمال به شبکه عصبی      
5-1-4 : سازی سیستم قدرت مورد مطالعه            
6-1-4 : شمای کلی روش پیشنهادی  
7-1-4 : ورودی های شبکه عصبی                                        
1-7-1-4 : اتصال کوتاه تکفاز                                        
2-7-1-4 : اتصال کوتاه سه فاز متقارن     
8-1-4 : تعلیم و تست شبکه های عصبی    
1-8-1-4 : اتصال کوتاه تک فاز 
2-8-1-4 : اتصال کوتاه سه فاز متقارن     
9-1-4 : نتیجه گیری      
فصل پنجم: شبکه های عصبی و الگوریتم ژنتیک تعریف و کاربرد در بحٍث حفاظت در سیستم های قدرت
بخش 1-5 : هماهنگی بهینه رله های اضافه جریان در شبک های با ساختارهای متفاوت به کمک یک الگوریتم ژنتیک ترکیبی
1-1-5 : چکیده       
2-1-5 : مقدمه      
3-1-5 : مسأله هماهنگی رله های اضافه جریان    
4-1-5 : اعمال الگوریتم ترکیب GA و LP                                                          
5-1-5 : نتایج عددی   
6-1-5 : نتیجه گیری   
بخش 2-5 : بهبود حفاظت دیفرانسیل ترانسفورماتور مبتنی بر  تکنیک بازدارنده شاری به کمک شبکه های عصبی
1-2-5 : خلاصه                                                                                          
2-2-5 : مقدمه               
3-2-5 : الگوریتم مورد استفاده     
4-2-5 : بکارگیری شبکه عصبی 
5-2-5 : جمع آوری  داده های آموزشی  
6-2-5 : ساختار شبکه عصبی     
7-2-5 : نتایج شبیه سازی       
8-2-5 : نتیجه گیری      
3-5 : شبیه سازی رله دیستانس با استفاده از شبکه های عصبی   
1 -3-5 : چکیده    
2 -3-5 : مقدمه  
3-3-5 : دیاگرام تک خطی سیستم قدرت    
4-3-5 : شبکه های عصبی مصنوعی   
5-3-5 : بلوک دیاگرام و فلو چارت رله دیستانس عصبی   
6-3-5 : روند تعلیم و نتایج تست رله عصبی  
7-3-5 : نتیجه گیری     
مراجع       

پروژه بررسی حل مسائل مختلف مسیر یابی با استفاده از الگوریتم ژنتیک

پروژه بررسی حل مسائل مختلف مسیر یابی با استفاده از الگوریتم ژنتیک

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 67
حجم فایل: 1873
قیمت: : 10000 تومان

بخشی از متن:
چکیده:
یکی از انواع مسائل مطرح شده در ارتباط با جستجو در میان همسایگی‌های نزدیک، مسیریابی بهینه در میان نقاط مکانی با ترتیب مشخص یا همان (OSR)  Optical Sequenced Route است. درخواست برای یافتن مسیر بهینه با توالی نقاط مشخص (OSR) در واقع جستجو برای یافتن مسیری است که دارای کمترین طول بوده و از یک مبدأ مکانی معلوم آغاز شده و از نقاط مکانی مشخصی با ترتیب خاص بسته به نوع مکان‌ها عبور کرده باشد. ترتیب این نقاط مکانی با توجه به مشخصه‌های از پیش تعیین شده مسأله بوده و قابل تغییر نمی‌باشد. مسأله OSR قابل تبدیل به مسأله یافتن کوتاه‌ترین مسیر در یک گراف مسطح بزرگ است. یافتن کوتاه‌ترین مسیر از طریق الگوریتم‌های کلاسیک مانند Dijkstra برای بسیاری از مسائل موجود در دنیای واقعی عملی نیست. مسیریابی OSR در مقاله مطرح گردیده و دو روش در فضای برداری و متریک برای آن پیشنهاد شده است. در این مقاله پیاده‌سازی این مسیریابی توسط الگوریتم ژنتیک انجام شده است.

فهرست مطالب:
چکیده
فصل اول
1-1مقدمه
تاریخچه
2-1 انتخاب طبیعی
3-1  کد کردن
4-1 شما
5-1 ایجاد جمعیت اولیه
6-1 عملگرهای برشی
7-1 عملگرهای جهشی
8-1 خلاصه ویژگی‌ها
9-1 مکانیزمهای انتخاب
انتخاب قطع سر
10-1 انتخاب قطعی بریندل
11-1 انتخاب نخبه‌گرا
12-1 انتخاب جایگزینی نسلی اصلاح شده
13-1 انتخاب مسابقه
14-1 انتخاب مسابقه تصادفی
15-1 مکانیزمهای برش
16-1 یک نقطه برش
17-1 دو نقطه برش
18-1 بخش-نگاشته
19-1 ترتیب
20-1 برش یکنواخت
21-1 چرخه
22-1 محدب
23-1 مکانیزمهای جهش
24-1 استراتژی برخورد با محدودیت‌ها
25-1 استراتژی اصلاح عملگرهای ژنتیک
26-1 استراتژی ردی
27-1 استراتژی اصلاحی
28-1 استراتژی جریمه‌ای
29-1 کدکردن
1-29-1کدینگ جایگشتی
2-29-1 کدگذاری مقدار
3-29-1 کدینگ درخت
4-29-1 آرایه
5-29-1 لیست
6-29-1 درخت
فصل دوم
1-2 مقدمه
2-2 اصول عملکرد
1-2-2 الگوریتم های LS
2-2-2 الگوریتم های Dijkstra
3-2-2 الگوریتم های DV
مسیر یابی سلسله یابی
فصل سوم
کد سورس
1-3 مقدمه
فصل چهارم
نتیجه گیری
پیوستها
منابع و مآخذ

پروژه هوش مصنوعی در رایانش ابری

پروژه هوش مصنوعی در رایانش ابری

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 22
حجم فایل: 2219
قیمت: : 2000 تومان

بخشی از متن:
چکیده:
امروزه در مباحث کامپیوتری کمتر بحثی وجود دارد که در آن شاهد آثار هوش مصنوعی نباشیم. حال اگر بخواهیم به نقش هوش مصنوعی در رایانش ابری به پردازیم باید گفت سیتم عاملی که از رایانش ابری پشتیبانی میکند بر پایه الگوریتم هایی پیاده سازی شده است که هوش مصنوعی یکی از ارکان اصلی آن میباشد و به طور خلاصه عوامل:
{شبکه های عصبی-- الگوریتم های تکاملی-- منطق فازی-- هوش مصنوعی} + {سخت افزار و شبکه های کامپیوتری و مخابراتی پیشرفته}
ارکان اصلی و مکمل  در رایانش ابری می باشند. حال ما در این مبحث به گوشه ای از عملکرد هوش مصنوعی در رایانش ابری خواهیم پرداخت.

فهرست مطالب:
چکیده                                                                                                                                                             
1- مقدمه
2- الگوریتم های تکاملی
2-1- الگوریتم کلنی زنبور عسل 
2-2- الگوریتم کلنی مورچگان
2-3- الگوریتم ژنتیک  
2-3-1-الگوریتم ژنتیک ترکیبی
3-ابزار های شبیه سازی محیط های ابری
4-روش توازن بار در هرکدام از الگوریتم ها
4-1-1-الگوریتم ژنتیک ترکیبی
4-1-2-الگوریتم کلنی زنبور عسل
4-1-3-الگوریتم کلنی مورچگان 
4-2-1-مدل زمانبندی منابع ابری تطابقی 
5- نتیجه گیری 
6- مراجع

پروژه بهینه سازی تصاویر با استفاده از الگوریتم‏ ها

پروژه بهینه سازی تصاویر با استفاده از الگوریتم‏ ها

فرمت فایل دانلودی: .docx
فرمت فایل اصلی: docx
تعداد صفحات: 44
حجم فایل: 511
قیمت: : 3000 تومان

بخشی از متن:
چکیده:
در فرآیند نقل و انتقال اطلاعات در ارسال سریع و ذخیره حجم بالایی از تصاویر ، کاهش حجم و فشرده سازی آنها نقشی تعیین کننده ای دارد. می‏توان از الگوریتم‏ها جهت بهینه سازی تصاویر استفاده نمود. اجتماع حشرات متشکل از مورچه‏ها، پرندگان، زنبورها و سایر کلونیها، نمایانگر توانایی مقابله با مشکلات و پیدا نمودن راه حلها، به صورت دسته جمعی می‏باشد. محققان در شاخه هوش محاسباتی از مزایا و فوایدی که در زندگی گروهی حشرات وجود دارد، جهت حل مسائل منتج به بهینه سازی استفاده می‏کنند. طبق بررسی تحقیقات صورت گرفته قطعه‏بندی از مراحل پردازش تصاویر است که این عمل را می‏توان با الگوریتم‏های تکاملی انجام داد.

فهرست مطالب:
چکیده
مقدمه
1- قطعه بندی
2- الگوریتم‏های تکاملی (EAs)
2-1- تکنیک‏های تکاملی
2-1-1- Genetic Programming (GP)
2-1-2- برنامه ریزی تکاملی
2-1-3- استراتژی تکاملی
2-1-4- الگوریتم ژنتیک
2-2- الگوریتم ژنتیک
2-2-1- فرایند الگوریتم ژنتیک در حل یک مساله
2-2-2- عملگرهای الگوریتم ژنتیک
2-2-2-1- حل Representation
2-2-2-2-   تابع Fitness
2-2-2-3- انتخاب selection
2-2-2-4- Crossover
2-2-2-5- جهش
2-3- سیستم کلونی مورچه ‏ها
2-3-1- الگوریتم بهینه سازی کلونی مورچه ‏ها
2-3-2- الگوریتم ساده شده مورچه‏ ها
2-3-3- الگوریتم مورچه‏ ها
2-4- حرکت دسته جمعی پرندگان
2-4-1- توپولوژی‏های همسایگی PSO
2-4-2- ساختار الگوریتم PSO
2-4-3- بهبود همگرایی الگوریتم PSO
2-5- الگوریتم توسعه داده شده (استعماری)
3- بهینه سازی
3-1- بهینه سازی مبتنی بر تقطیع تصویر توسط ژنتیک الگوریتم
3-2- کاربرد‏های الگوریتم کلونی مورچه‏ ها در سگمنتیشن تصویر
3-2-1- تقطیع تصویر مبتنی بر MRF با استفاده از سیستم کلونی مورچه
3-2-2- سیستم Ant Colony برای تقسیم بندی و طبقه بندی Microcalcification در ماموگرام
3-2-3- استفاده از الگوریتم ACO در تقطیع تصویر برای آستانه سازی مطلوب
3-3- الگوریتم استعماری
منابع
فهرست اشکال