به جرأت می توان گفت که یکی از مسائل مهم در تمامی رشته های علمی و مهندسی، مسأله مدل سازی است و در بسیاری از رشته ها، این مسأله مهم ترین مسأله ای است که در آن حوزه تعریف می شود. تبدیل داده های برگرفته از مشاهدات، به مدلی ریاضی که بتواند سیستم مورد مطالعه را توصیف نماید، گاهی اوقات بزرگترین هدفی است که یک محقق دارد. اگر هدف از مدل سازی، ایجاد یک مدل دینامیکی، به صورت مجموعه ای از معادلات دیفرانسیلی باشد، مسأله مدل سازی غالبا با نام شناسایی سیستم یا System Identification شناخته می شود. شناسایی سیستم مختص هیچ رشته خاصی نیست، اما اغلب مهندسین کنترل و ریاضی دان ها به کار توسعه الگوریتم ها و روش های شناسایی مبادرت می ورزند.

روش های مختلفی برای حل مسأله شناسایی سیستم و مدل سازی سیستم های دینامیکی به وجود آمده اند که در حوزه های مختلفی نظیر، مهندسی برق، مهندسی پزشکی، مهندسی مکانیک، مهندسی شیمی و فرآیند، اقتصاد، هواشناسی و کشاورزی کاربرد دارند.

الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است، که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت “الگوریتم تکاملی” به ذهن می رسد، الگوریتم ژنتیک است. در این پست قصد داریم فیلم جدیدی را معرفی نماییم، که در آن مسأله شناسایی سیستم غیرخطی به یک مسأله بهینه سازی تبدیل گردیده است و توسط الگوریتم ژنتیک پیوسته (عدد حقیقی) حل شده است.

سیستم دینامیکی غیر خطی که در این فیلم آموزشی مورد بررسی قرار گرفته است، مدل شکار و شکارچی یا Predator-Prey Model است. این مدل کاربردهای فراوانی در حوزه مهندسی زیست-پزشکی (Biomedical Engineering) و اقتصاد (Economics) دارد. مدل های دینامیکی توصیف کننده  رفتار دینامیکی بیماری هایی نظیر ایدز، هپاتیت و سرطان از توسعه مدل شکار و شکارچی به دست آمده اند. برای توصیف بازار رقابتی و مدل سازی چرخه عرضه و تقاضا نیز از مدل شکار و شکارچی استفاده های فراوانی شده است.

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، بر روی لینک ادامه مطلب کلیک نمایید.

(...)
Read the rest of فیلم آموزشی شناسایی سیستم های غیر خطی با استفاده از الگوریتم ژنتیک (به زبان فارسی) (681 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | No comment | Add to del.icio.us
Post tags: Binary Genetic Algorithm, Genetic Algorithm, System Identification, آموزش GA, آموزش الگوریتم ژنتیک, الگوریتم تکاملی, الگوریتم ژنتیک, الگوریتم ژنتیک باینری, الگوریتم ژنتیک عملی, الگوریتم ژنتیک پیوسته, برنامه نویسی متلب, بهینه سازی, سیستم های دینامیکی, سیستم های غیر خطی, شناسایی سیستم, شناسایی سیستم با الگوریتم ژنتیک, شناسایی سیستم های غیر خطی, فیلم آموزشی الگوریتم ژنتیک, محاسبات تکاملی, مدل سازی, مدل سازی سیستم های دینامیکی, پیاده سازی الگوریتم ژنتیک در متلب

Feed enhanced by Better Feed from Ozh

فرض کنید که قرار است درجه حرارت یک محل را تنظیم کنیم، به نحوی که یک معیار (مثلا میزان مطرف انرژی) بهینه شود. اگر فقط تنظیم درجه حرارت در یک زمان به خصوص مد نظر باشد، مسأله چندان سخت نیست. اما اگر هدف ار حل مسأله، تنظیم درجه حرارت در تمام ساعات شبانه روز (بهتر است بگوییم در هر لحظه از شبانه روز) باشد، چه؟

این مسأله دارای بعد بینهایت است. زیرا ما باید درجه حرارت را برای هر لحظه از شبانه روز تعیین کنیم و می دانیم که تعداد این لحظات، بی نهایت است. البته فرض می کنیم که در این اطراف، کسی که به فیزیک کوانتومی معتقد است، حضور ندارد. (این جمله آخر چندان جدی نبود.)

مسأله طراحی مسیر حرکت یک روبات از یک مبدأ مشخص تا یک مقصد مشخص نیز، دارای بی نهایت متغیر مجهول است. زیرا در تمام بازه زمانی حرکت، قطعا این روبات در جایی از فضا حضور دارد و دارای مختصات است و هدف ما از حل مسأله، پیدا کردن مختصاتی برای روبات در تمام لحظات است، که اولا ما را از مبدأ مورد نظر تا مقصد مشخصی برساند، و ثانیا یک معیار (مثلا طول مسیر و یا انرژی مصرفی بریا حرکت) را بهینه کند. بسیاری از مسائلی که در حوزه مهندسی کنترل، روبانیک و مکاترونیک مطرح می شوند، دارای ابعاد بی نهایت هستند و باید به نحوی آن ها را تبدیل به مسائلی با بعد محدود کرد.

یکی از رویکردها برای حل چنین مسائلی، پارامتریزه کردن منحنی توصیف کننده مسیر و پیدا کردن مقادیر بهینه پارامترهای آن است. در این فیلم آموزشی، مسأله طراحی مسیر با استفاده از این تکنیک، و توسط الگوریتم PSO حل شده است. این روش می تواند برای سایر مسائل نیز مورد استفاده قرار بگیرد که نمونه ای از آن ها، در فیلم مورد اشاره قرار گرفته اند.

الگوریتم PSO یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. این الگوریتم، توسط جیمز کندی و راسل سی ابرهارت در سال ۱۹۹۵ معرفی گردید، و با الهام از رفتار اجتماعی حیواناتی چون ماهی ها و پرندگان که در گروه هایی کوچک و بزرگ کنار هم زندگی می کنند، طراحی شده است. در الگوریتم PSO، اعضای جمعیت جواب ها، به صورت مستقیم با هم ارتباط دارند و از طریق تبادل اطلاعات با یکدیگر و یادآوری خاطرات خوب گذشته، به حل مسأله می پردازند. الگوریتم PSO برای انواع مسائل پیوسته و گسسته مناسب است و پاسخ های بسیار مناسبی برای مسائل بهینه سازی مختلف داده است.

برای کسب اطلاعات بیشتر در مورد این فیلم آموزشی، لطفا بر روی لینک ادامه مطلب کلیک کنید.

(...)
Read the rest of فیلم آموزشی طراحی مسیر یا Path Planning با استفاده از PSO (به زبان فارسی) (653 words)

© مدیر امور آموزش for متلب سایت, 2012. | Permalink | One comment | Add to del.icio.us
Post tags: Particle Swarm Optimization, Path Planning, PSO, آموزش PSO, آموزش بهینه سازی ازدحام ذرات, آموزش عملی, آموزش عملی PSO, آموزش عملی بهینه سازی ازدحام ذرات, الگوریتم PSO, الگوریتم ازدحام ذرات, بهینه سازی ازدحام ذرات, روبانیک, طراحی مسیر, طراحی مسیر روبات, فیلم آموزش عملی, فیلم آموزشی, فیلم آموزشی PSO, مجموعه آموزشی PSO, مروری بر الگوریتم ازدحام ذرات - PSO, مسائل دارای بعد بینهایت, هوش ازدحامی, کنترل مسیر روبات

Feed enhanced by Better Feed from Ozh

به جرأت می توان گفت که کنترل کننده تناسبی-انتگرالی-مشتقی یا به اختصار کنترل کننده PID، شناخته شده ترین مکانیزم کنترلی در میان سایر روش های کنترل می باشد. همچنین کنترل کننده PID پرکاربردترین کنترل کننده در صنعت است، تا جایی که اگر این کنترل کننده و خویشاوندان آن را، از صنعت کنونی حذف بکنیم، عملا بسیاری ار صنایع و کارخانه ها تعطیل خواهند شد.

درکنار قدرت، محبوبیت و سادگی این ساختار کنترلی، مشکلی وجود دارد که تا کنون راه حل دقیق و قطعی برای آن ارائه نشده است، و آن تعیین مقادیر مناسب ضرایب و ثوابت مربوط به این کنترل کننده است. هر چند روش های مختلفی برای حل این مشکل ارائه شده اند، اما تقریبا هیچ یک از روش های مذکور، دارای حوزه اثر کامل نیستند و نمی توان کارایی آن ها را در تمام موارد، تضمین کرد.

قدرت نهفته در ساختار الگوریتم های بهینه سازی هوشمند، می تواند به عنوان راه چاره ای برای تعیین ضرایب کنترل کننده PID در نظر گرفته شود. تا کنون در مقالات و کتاب های مختلف، از الگوریتم های بهینه سازی هوشمند (مانند الگوریتم ژنتیک و الگوریتم PSO) برای تنظیم کنترل کننده PID استفاده شده است. گروه آموزشی-پژوهشی متلب سایت، فیلم آموزشی کاملی در خصوص تنظیم ضرایب کنترل کننده PID با استفاده از الگوریتم های هوشمند تهیه نموده است، که به دانشجویان، محققین و مهندسین عزیز تقدیم می نماید. در این فیلم آموزشی از چهار الگوریتم بهینه سازی هوشمند، برای طراحی کنترل کننده PID استفاده شده است، که عبارتند از:

• الگوریتم ژنتیک یا GA
• الگوریتم بهینه سازی ازدحام ذرات یا PSO
• الگوریتم تکامل تفاضلی یا DE
• الگوریتم رقابت استعماری یا ICA

برای دریافت اطلاعات تکمیلی، بر روی لینک ادامه مطلب کلیک نمایید.

(...)
Read the rest of فیلم آموزشی طراحی کنترل کننده PID با استفاده از الگوریتم های هوشمند (به زبان فارسی) (440 words)

© مدیر امور آموزش for متلب سایت, 2011. | Permalink | 2 comments | Add to del.icio.us
Post tags: الگوریتم PSO, الگوریتم رقابت استعماری, الگوریتم ژنتیک, تنظیم ضرایب PID, تکامل تفاضلی, طراحی PID, طراحی کنترل کننده, فیلم آموزشی, فیلم آموزشی PSO, فیلم آموزشی الگوریتم رقابت استعماری, فیلم آموزشی الگوریتم ژنتیک, فیلم آموزشی تکامل تفاضلی, فیلم آموزشی متلب, فیلم آموزشی مهندسی برق, فیلم آموزشی مهندسی کنترل, مهندسی کنترل, کنترل کننده PID

Feed enhanced by Better Feed from Ozh