علف های هرز تقریبا در همه مزارع و باغ های ساخت دست بشر دیده می شوند و مستقل از این که ما چقدر و چگونه برای ریشه کن شدن آن ها تلاش کرده ایم، تقریبا همیشه آن ها برنده بوده اند. مطالعه رفتار این گونه های گیاهی و درس گرفتن از شیوه تکثیر، بقا و تطبیق پذیری آن ها، قطعا می تواند برای ما انسان ها، درس آموز باشد.
 azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

الگوریتم بهینه سازی علف هرز مهاجم یا Invasive Weed Optimization (به اختصار IWO)، یک نوع الگوریتم بهینه سازی هوشمند و تکاملی است، که با الهام از روند تکثیر، بقا و تطبیق پذیری علف های هرز، ایجاد و ابداع شده است. ابداع کنندگان این الگوریتم، محمدرضا محرابیان و مرحوم پرفسور لوکس هستند و الگوریتم IWO نیز، یکی دیگر از الگوریتم های بهینه سازی است که توسط محققان ایرانی به جامعه علمی معرفی شده است.

مدرس این مجموعه آموزشی، دکتر سیدمصطفی کلامی هریس (دکترای مهندسی برق-کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است که پیش از این، آموزش عملی ده ها الگوریتم بهینه سازی دیگر را نیز بر روی فرادرس، ارائه نموده است. در این آموزش نیز، همانند سایر آموزش های فرادرس، در ابتدای مبانی تئوری و نظری الگوریتم IWO به صورت کامل تشریح گردیده و سپس به صورت کاملا عملی و گام به گام، در محیط نرم افزار متلب، برنامه نویسی و پیاده سازی شده است.

پس از پیاده سازی IWO برای حل یک مساله نمونه نسبتا ساده، از این الگوریتم برای حل مساله بسته بندی یا Bin Packing Problem استفاده شده است، که یکی از مسائل مهم و کاربردی محسوب می شود و بسیاری از مسائل کاربردی در حوزه های مختلف مهندسی (از جمله: مهندسی صنایع، مدیریت، مخابرات و...)، پس از بررسی و ساده سازی، به صورت یک مساله از نوع بسته بندی قابل طرح هستند.
سرفصل‌ها

    مروری بر شیوه زندگی و تکثیر علف های هرز مهاجم
    مروری بر نظریه انتخاب r/K یا r/K-Selection Theory
    مقایسه استراتژی های تکثیر و انتخاب r و K
    بررسی تناظر میان مفاهیم بهینه سازی و استراتژی های تکثیر
    بررسی و تشریح گام های الگوریتم بهینه سازی علف هرز یا IWO
    پیاده سازی گام به گام و عملی الگوریتم IWO در محیط نرم افزار متلب
    پیاده سازی و حل مساله بسته بندی یا Bin Packing Problem با استفاده از الگوریتم IWO
    بهینه سازی مقید با استفاده از الگوریتم IWO

الگوریتم علف های هرز یا Invasive Weed Optimization یا IWO یکی از الگوریتم های برجسته در حل مسائل بهینه سازی می باشد. این الگوریتم را می توان با استفاده از تمهیدات خاص در شرایط گسسته ، پیوسته و باینری بکار برد و نتایج بسیار عالی از آن بدست آورد. الگوریتم علف های هرز در روش بهینه سازی از عملکرد رشد علف های هرز در طبیعت الهام گرفته است. این الگوریتم در سال۲۰۰۶ توسط محرابیان و لوکاس ارایه گردید. در طبیعت علف های هرز رشدی شدید دارند و این رشد شدید تهدیدی جدیدی برای گیاهان مفید می باشد. یکی از ویژگی های مهم علف های هرز پایداری و تطابق پذیری بسیار بالای آن ها در طبیعت می باشد که این ویژگی مبنای بهینه سازی در الگوریتم IWO قرار گرفته است.

الگوریتم فراابتکاری علف‌های هرز یکی از الگوریتم‌های بهینه‌سازی جدید و توانمند است که بر اساس تقلید از قابلیت تطابق‌پذیری و تصادفی بودن کولونی علف‌های هرز، بهینه عمومی یک تابع ریاضی را پیدا می‌کند. تاکنون بررسی مدونی در خصوص تاثیر پارامترهای این الگوریتم بر عملکرد آن (کیفیت جواب و زمان محاسباتی) انجام نشده است.

برررسی  چند مقاله و پایان نامه فارسی:

حل مسئله تخصیص نمایی با استفاده از الگوریتم بهینه سازی علف های هرز:

در این مقاله یک الگوریتم جدید قدرتمند با الهام از تکثیر و رشد علف های هرز جهت حل مسئله معروف تخصیص نمایی که از کاربرد بسیار زیادی در حوزه های مختلف نظیر چیدمان کارخانه، چیدمان ماشین آلات و … برخوردار است، به کار گرفته شده است. مجموعه ای از مسائل عددی مرجع از منبع مربوط به این مسئله مشهور انتخاب و کارایی الگوریتم از طریق آن در مقایسه با الگوریتم های قبلی مشابه مورد ارزیابی قرار گرفته است. نتایج نشان دهنده اینست که این الگوریتم نتایج بهتری را در مقایسه الگوریتم های قبلی خصوصا با افزایش ابعاد مسئله ارائه می دهد
 azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

بهبود عملکرد الگوریتم علف‌های هرز (Invasive Weed Optimization) در حل مسائل بهینه‌سازی تولید با بکارگیری روش طراحی آزمایشات

الگوریتم فراابتکاری علف های هرز یکی از الگوریتم‌های بهینه‌ سازی جدید و توانمند است که بر اساس تقلید از قابلیت تطابق پذیری و تصادفی بودن کولونی علف های هرز، بهینه عمومی یک تابع ریاضی را پیدا می کند. تاکنون بررسی مدونی در خصوص تاثیر پارامترهای این الگوریتم بر عملکرد آن (کیفیت جواب و زمان محاسباتی) انجام نشده است. بعلاوه عملکرد الگوریتم علف های هرز در حل مسائل برنامه ریزی تولید تا به حال بررسی نگردیده است. هدف اصلی این تحقیق تعیین سطوح بهینه پارامترهای تنظیمی الگوریتم IWO در حل …

ارائه الگوریتم بهینه سازی علفهای هرز جهت حل مساله انتخاب سبد سرمایه گذاری

نحوه تخصیص سرمایه دردارایی های مختلف از جمله مسائل تصمیم گیری مهم پیشروی سرمایه گذاران می باشد نخستین مساله انتخاب سبد سرمایه پرتفوی توسط مارکویتز دردهه پنجاه ارایه گردید که به مدل میانگین واراینس معروف بوده که با درنظرگرفتن تنها دو محدودیت بازده و بودجه به دنبال مینیمم سازی واریانس پرتفوی می باشد حل مدل کوادراتیک مارکویتز مرکز کارای سرمایه گذاری را به عنوان مجموعه جواب برای سرمایه گذاران به دنبال دارد درسالهای اخیر معرفی سایر محدودیت های کاربردی منجر به توسعه مدل اولیه مارکویتز گردیده اند درتحقیق پیشرو مدلی نوین جهت بهینه سازی پرتفوی ارایه گردیده است که علاوه برمجاز شمردن فروش استقراضی برخی محدودیت های کاربردی بازار سرمایه نیز به مدل تحمیل گردیده است با توجه به پیچیدگی محاسباتی مدل پیشنهادی دراندازه های نسبتا بزرگ الگوریتم فراابتکاری بهینه سازی علفهای هرز به عنوان روش حل انتخاب گردیده است

ترکیب جدیدی از سیستم استنتاج فازی و الگوریتم علف‌های هرز به منظور بازآرایی همزمان با جایابی و تعیین ظرفیت بهینه تولیدات پراکنده در شبکه‌های توزیع

در این مقاله یک روش بهینه‌سازی ترکیبی به منظور بازآرایی و تخصیص مناسب تولیدات پراکنده در فیدرهای شبکه توزیع برق ارائه شده است. اهداف این بهینه سازی، کاهش تلفات، بهبود پروفیل ولتاژ و افزایش تعادل بار در شبکه توزیع می‌باشند. از الگوریتم علف‌های هرز جهت تعیین آرایش بهینه شبکه توزیع همراه با تعیین مکان و ظرفیت مناسب برای واحدهای تولید پراکنده استفاده شده است. به منظور بهبود توانایی این الگوریتم از تئوری فازی بهره گرفته شده تا مسئله بهینه‌سازی چند منظوره به مسئله بهینه‌سازی تک هدفه تبدیل شود. شبکه توزیع ۳۳ باسه جهت ارزیابی روش پیشنهادی در هر سه بار نامی، سبک و سنگین مورد ارزیابی قرار گرفته است. نتایج به دست آمده نشان می‌دهد که روش پیشنهادی، در بهبود هر سه شاخص مورد آزمایش، عملکرد قابل قبولی داشته و نیز در مقایسه با الگوریتم‌های دیگر مانند الگوریتم بهینه‌سازی غذایابی و الگوریتم ژنتیک موفق‌تر عمل نموده است.

پیش‌بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم بهینه‌سازی علف‌های هرز

بورس اوراق بهادار یکی از اجزای مهم بازارهای مالی می‌باشد. اولین و مهم ترین عاملی که در اتخاذ تصمیمات سرمایه گذاری در بورس اوراق بهادار فراروی سرمایه گذار قرار دارد، عامل قیمت سهام است لذا هدف از این تحقیق پیش بینی قیمت سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم‌های بهینه سازی علف های هرز و ازدحام ذرات می‌باشد. الگوریتم‌های فوق برای یافتن وزن‌های بهینه در مدل اتورگرسیو به‌کار برده شد. به منظور تعیین جامعه آماری از داده های شرکت پتروشیمی آبادان از تاریخ ۱۳۹۱/۱۱/۱۴ الی۱۳۹۲/۱۲/۲۸ استفاده گردید. همچنین جهت آموزش مدل، از ۸۰ درصد داده‌ها استفاده شد و پس از طراحی مدل در محیط نرم‌افزار اکسل ، ۲۰ درصد داده‌ها توسط مدل پیش‌بینی شد. نتایج حاصل این تحقیق نشان داد که میانگین قدرمطلق درصد خطا، میانگین قدر مطلق خطاو میانگین مجذور خطا در الگوریتم‌های علف‌های هرز به ترتیب معادل ۰/۰۱۵۸ ، ۲۰۷/۱۷۹و ۱۰۰۹۷۲/۴۷۹و در الگوریتم ازدحام ذرات به ترتیب معادل ۰/۰۴۲۹، ۵۰۹/۴۶۱ و ۱۲۵۸۶۴/۱می‌باشد. با توجه به نتایج فوق الگوریتم علف‌های هرز پیش‌ بینی دقیق‌تری را نسبت به الگوریتم ازدحام ذرات ارائه کرد.

کنترل سرعت موتور القایی جهت بکارگیری در سیستم تست HIL واحد کنترل سوخت موتور جت با استفاده از کنترل‌کننده‌ی ANFIS و الگوریتم علف‌های هرز مهاجم

واحد کنترل سوخت موتور جت (FCU) در طی چند سال گذشته در آزمایشگاه شبیه‌سازی و کنترل سیستم‌های دانشگاه علم و صنعت ایران، طراحی و ساخته شده‌است و در حال حاضر در مرحله‌ی تست سخت‌افزار در حلقه قرار گرفته‌است. با توجه به اینکه در دستگاه تست FCU، موتور جت به صورت واقعی وجود ندارد لذا از یک موتور القایی به‌عنوان عملگر واسطه‌ استفاده‌شده‌است تا از طریق آن بتوان میزان دور بدست‌آمده از نتایج شبیه‌سازی موتور جت را به پمپ دنده‌ای FCU منتقل کرد. در این مقاله، کنترل سرعت این موتور القایی مطابق با شرایط دستگاه تست ارائه شده‌است. بدین منظور از روش‌ شناسایی سیستم برای مدل‌سازی اجزای بکار رفته در سیستم کنترل سرعت موتور القایی استفاده گردیده و مدل ارائه شده با استفاده از نتایج بدست‌آمده از تست عملی مورد ارزیابی قرار گرفت. این مدل جهت طراحی کنترلر فازی- عصبی- تطبیقی (ANFIS) استفاده شده‌است و با بکارگیری الگوریتم علف‌های هرز مهاجم (IWO) به‌عنوان یک ابزار قدرتمند کاوش در فضاهای جستجوی وسیع و نامنظم به تنظیم پارامترهای این کنترلر پرداخته شده‌است. کنترلر طراحی شده بر روی سیستم واقعی پیاده‌سازی گردید. نتایج بدست‌آمده از شبیه‌سازی و پیاده‌سازی کنترلر طراحی‌شده نشان‌دهنده عملکرد مناسب کنترلر ANFIS طراحی‌شده با الگوریتم IWO می‌باشد.

Automatic Liver CT Image Clustering based on Invasive Weed Optimization Algorithm

خوشه بندی اتوماتیک تصاویر CT کبد براساس الگوریتم بهینه سازی علف هرز مهاجم

در این مقاله، یک روش خوشه بندی اتوماتیک تصاویر CT کبد براساس یک الگوریتم فرا ابتکاری تکاملی که الگوریتم بهینه سازی علف هرز مهاجم نام دارد؛ ارائه می شود؛ بدون اینکه از قبل در خصوص گروه هایی که به صورت طبیعی در تصویر ایجاد می شوند؛ اطلاعاتی در دسترس باشد. تابع برازش (شایستگی) مورد استفاده در الگوریتم ژنتیک، تابع هدف k-means می باشد که برای جستجوی خوشه فشرده و هموار سازی شده مورد استفاده می باشد. با توجه به نتایج تجربی، انتظار می رود الگوریتم بهینه سازی علف هرز مهاجم، بتواند به عنوان یک روش فرا ابتکاری موثر و کارآمد برای حل مسائل بهینه سازی چند منظوره در کاربردهای تشخیص بیماری به کمک کامپیوتر، مطرح می شود.
شبیه­ سازی الگوریتم بهینه­ سازی علف­های هرز مهاجم بهبود یافته بر اساس تئوری آشوب برای طراحی کنترل­کننده PID بهینه

244,100تومان

کد پروژه g692

عنوان پروژه:

شبیه­ سازی الگوریتم بهینه­ سازی علف­های هرز مهاجم بهبود یافته بر اساس تئوری آشوب برای طراحی کنترل­کننده PID بهینه

سال ارائه: 2019            نوع مقاله: Elsevier               گزارش : دارد

نرم افزار مورد نیاز: Matlab
دانلود مقاله
 azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

فایلهای نرم افزاری به صورت ۱۰۰% تست شده و تمامی فایل ها سالم می باشد.

توجه: برای دریافت شبیه سازی با متلب بایستی این محصول خریداری شود.(دانلود بلافاصله بعد از خرید)

 
به من از طریق پیامک اطلاع بده
شناسه محصول: g692d دسته: برق کنترل برچسب: DC motor, Improved chaotic invasive weed optimization, PID controller

توضیحات
Improved Invasive weed optimization Algorithm (IWO) Based on Chaos Theory for Optimal design of PID controller

شبیه­ سازی الگوریتم بهینه­ سازی علف­های هرز مهاجم بهبود یافته بر اساس تئوری آشوب برای طراحی کنترل­کننده PID بهینه

دارای شبیه سازی در محیط ام فایل متلب است.

دارای گزارش ورد 45 صفحه ای و همچنین ویدیو نحوه اجرای برنامه متلب است.

 
توضیحات پروژه

در اینجا توضیحاتی از پروژه قرار داده شده. با خرید این محصول فایل های شبیه سازی و گزارش کامل را دریافت خواهید نمود.

شبیه سازی در 6 پوشه مجزا انجام شده است. مطابق شکل 3 مقاله برای تابع sphere , تابع Rastrigin , تابع Griewank و در بخش D مقاله برای تابع EF10  و بخش E مقاله برای تابع EASOM و در بخش 5 مقاله بهینه سازی کنترلر PID قرار گرفته است.

در هر پوشه IWO ساده, IWO بهبود یافته, IWO آشوب , IWO آشوب بهبود یافته وجود دارد. همچنین امکان مقایسه این روش ها با هم نیز وجود دارد.

در فایل گزارش این پروژه کد متلب کامل توضیح داده شده است.


مقدمه:

علف هرز پدیده­ای است که به دنبال بهینگی می­رود و بهترین محیط را برای زندگی پیدا می­کند و به سرعت خودش را با شرایط محیطی وفق می­دهد و در برابر تغییرات مقاومت می­کند. با در نظر گرفتن این ویژگی­ها، یک الگوریتم قدرتمند توسعه می­یابد. الگوریتم بهینه­سازی علف­های هرز مهاجم (IWO)[1] یک روش بهینه­سازی تکاملی مبتنی بر جمعیت است که از رفتار تجمعی علف­های هرز الهام می­گیرد. از میان پارامترهای IWO، انحراف استاندارد بطور قابل ملاحظه­ای بر روی عملکرد الگوریتم اثر می­گذارد. بنابراین، نگاشت آشوب می­تواند در پارامتر انحراف استاندارد استفاده شود. این امر مبنای توسعه الگوریتم IWO آشوب می­باشد. عملکرد روش علف هرز مهاجم آشوب بر روی پنج تابع معیار با استفاده از نگاشت آشوب منطقی مورد بررسی قرار خواهد گرفت. علاوه بر این مسأله تنظیم پارامترهای کنترل­کننده PID برای یک موتور DC با استفاده از روش بهبود یافته مورد بحث قرار خواهد گرفت. نتایج آماری بر روی مسائل بهینه­سازی نشان می­دهند که روش علف­های هرز مهاجم آشوب بهبود یافته نرخ همگرایی سریع­تری و دقت بالاتری دارد.

مفاهیم اساسی الگوریتم علف­های هرز مهاجم:

الگوریتم فرا ابتکاری علف­های هرز مهاجم یک الگوریتم بهینه­سازی مبتنی بر جمعیت است که مقدار بهینه فراگیر (کلی) یک تابع ریاضی را از طریق قابلیت تقلید و خاصیت تصادفی کلنی علف­های هرز می­یابد. علف­های هرز گیاهان مقاومی هستند که رشد تهاجمی آن­ها تهدید جدی برای محصولات زراعی است. آن­ها برای تغییرات محیطی بسیار مقاوم و تطبیق­پذیرند. بنابراین، با در نظر گرفتن مشخصات آن­ها یک الگوریتم بهینه­سازی مقاوم حاصل می­شود. این الگوریتم سعی به تقلید مقاومت، تطبیق­پذیری و خاصیت تصادفی تجمع علف­های هرز را دارد. این روش از پدیده­ای در کشاورزی بنام کلنی­های علف­های هرز مهاجم الهام می­گیرد. مطابق یک تعریف متداول، علف هرز گیاهی است که ناخواسته رشد می­کند. اگرچه، اگر همان گیاه در ناحیه­ای رشد کند که با نیازها و فعالیت­های انسانی در ارتباط باشد ممکن است در برخی نواحی کاربرد و منافعی داشته باشند. در [1] یک الگوریتم بهینه­سازی عددی ساده پیشنهاد شده است که الگوریتم بهینه­سازی علف هرز مهاجم نام دارد. این الگوریتم ساده اما مؤثر در همگرایی به جواب­های بهینه با استفاده از ویژگی­های پایه مثل کاشت، رشد و رقابت در یک کلنی علف هرز می­باشد.

[1] invasive weed optimization algorithm

  azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

الگوریتم بهینه­ سازی علف­های هرز مهاجم آشوب (نامنظم) بهبود یافته:

الگوریتم­های بهینه­سازی بر اساس نظریه آشوب از روش­های جستجوی تصادفی استفاده می­کنند. این الگوریتم­ها از الگوریتم­های رقابت تکاملی و الگوریتم­های هوشمند مبتنی بر جمعیت متفاوت هستند. بعلت ماهیت غیر رقابتی نظریه آشوب، جستجوهای کلی در سرعت بیشتری از جستجوهای تصادفی اجرا می­شوند که مربوط به احتمالات هستند. بعلاوه تنوع جمعیت بهتر خواهد شد. همچنین اطمینان حاصل می­شود که جمعیت اعضا کل ناحیه جستجو را در بر بگیرد. بنابراین، پاسخ­های بهینه یا نزدیک به بهینه در میان جمعیت خواهند بود. یکی از نگاشت­های آشوب مشهور، نگاشت آشوب منطقی است. این تابع یک چندجمله­ ای درجه دوم است.

همگرایی الگوریتم بهینه­ سازی علف هرز مهاجم آشوب بهبود یافته:

این مطالعات بر روی نشان دادن قابلیت IWO آشوب بهبود یافته در موقعیت کمینه کلی توابع پیوسته تمرکز دارند. Sphere، Griewank و Rastrigin سه نمونه تابع معیار هستند. ویژگی آن­ها در شکل 3 نشان داده شده است.

 

نتایج کمینه­ سازی تابع Sphere با 30 اجرا توسط الگوریتم­های IWO مختلف
عملکرد     IWO ساده     IWO بهبود یافته     IWO آشوب     IWO آشوب بهبود یافته
میانگین هزینه­ ها     0648/0     0434/0     0426/0     0238/0
بهترین هزینه ­ها     10-16×34/9     0     10-17×78/4     0
بدترین هزینه­ ها     9138/681     9640/617     1232/376     4613/301

 

همگرایی روش¬های مختلف برای مقدار بهینه تابع Sphere

همگرایی روش­های مختلف برای مقدار بهینه تابع Sphere

در اینجا فقط یک نمونه از مقایسه و همگرایی روشهای مختلف آورده شد. ترسیم این نمودار برای همه روش ها انجام شده و در گزارش نیز آمده.

جهت اطلاع از مقادیر عددی هر تابع برای روش های مختلف به صورت زیر داریم:

جدول  5) نتایج کمینه­ سازی تابع Rastrigin با 30 اجرا توسط الگوریتم­های IWO مختلف
عملکرد     IWO ساده     IWO بهبود یافته     IWO آشوب     IWO آشوب بهبود یافته
میانگین هزینه­ ها     0223/0     118/0     0958/0     0797/0
بهترین هزینه­ ها     10-14×17/8     0     0     0
بدترین هزینه­ ها     5083/177     2355/111     70/86     6520/165

جدول  7) نتایج کمینه ­سازی تابع Griewank با 30 اجرا توسط الگوریتم­های IWO مختلف
عملکرد     IWO ساده     IWO بهبود یافته     IWO آشوب     IWO آشوب بهبود یافته
میانگین هزینه­ ها     10-4×85/7     10-6×85/8     10-4×54/2     10-5×61/3
بهترین هزینه­ ها     10-16×33/3     0     0     0
بدترین هزینه­ ها     4684/0     3098/0     2745/0     4944/0

جدول  9) نتایج کمینه­ سازی تابع EF10 با 30 اجرا توسط الگوریتم­های IWO مختلف
عملکرد     IWO ساده     IWO بهبود یافته     IWO آشوب     IWO آشوب بهبود یافته
میانگین هزینه­ ها     10-4×94/6     10-۵×۲۳/۵     ۱۰-۵×۸۵/۶     10-۶×۰۲/۵
بهترین هزینه ­ها     10-7×86/9     ۰     10-۷×۶۶/۴     ۰
بدترین هزینه ­ها     0276/0     ۰۲۱۳/۰     ۰۲۷۵/۰     ۰۲۱۸/0

جدول  11) نتایج کمینه­ سازی تابع EASOM با 30 اجرا توسط الگوریتم­های IWO مختلف
عملکرد     IWO ساده     IWO بهبود یافته     IWO آشوب     IWO آشوب بهبود یافته
میانگین هزینه ­ها     8579/2-     8869/2-     8620/2-     8869/2-
بهترین هزینه ­ها     9910/2-     9911/2-     9910/2-     9911/2-
بدترین هزینه ­ها     10-12×50/3-     10-7×48/1-     10-8×13/8-     10-7×48/1-

جدول  13) نتایج بدست آمده از بهترین مقدار تابع هزینه و تنظیم پارامترهای کنترل­کننده PID توسط الگوریتم­های IWO مختلف
عملکرد     IWO ساده     IWO بهبود یافته     IWO آشوب     IWO آشوب بهبود یافته
مقدار تابع هدف     96/14     35/14     29/13     28/13
Kp     06/35     71/32     92/46     68/47
Ki     52/98     20/84     100     81/99
Kd     35/9     94/1     73/2     76/2

 

جدول  14) نتایج مشخصه­های پاسخ پله بدست آمده توسط الگوریتم­های IWO مختلف
عملکرد     IWO ساده     IWO بهبود یافته     IWO آشوب     IWO آشوب بهبود یافته
میانگین مربعات خطا     029/0     0059/0     0046/0     0045/0
زمان نشست     0.382     1453/0     1049/0     1034/0
زمان صعود     198/0     0919/0     0660/0     0651/0
فراجهش (اورشوت)     0     0408/0     0     0

 

می­توان مشاهده نمود که سریع­ترین پاسخ توسط CIWO2 بدست آمده است. پس بازده این روش در تنظیم پارامتر بهینه کنترل­کننده PID تایید می­شود.

شبیه سازی در محیط متلب 2020a انجام و اجرا شده است.

نتیجه گیری و پیشنهاد:

نتایج شبیه­سازی الگوریتم­های IWO ساده، بهبودیافته، آشوب، و آشوب بهبود یافته برای حل مسائل کمینه­ سازی توابع معیار و تنظیم پارامترهای کنترل­کننده PID نشان دادند که تئوری آشوب و رابطه جدید بهبود الگوریتم می­توانند سرعت همگرایی الگوریتم را بیشتر کنند. بنابراین، اثربخشی روش IWO آشوب بهبود یافته تأیید می­شود.

[1] A. R. Mehrabian, C. Lucas, 2006. A novel numerical optimization algorithm inspired from weed colonization. Ecol. Inf. 1 (4), 355–366.

[2] M. Misaghi, M Yaghoobi, 2019. Improved invasive weed optimization algorithm (IWO) based on chaos theory for optimal design of PID controller, Journal of Computational Design and Engineering. 6(3), 284-295.

  azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

کلیدواژه:
Improved chaotic invasive weed optimization, PID controller, DC motor
الگوریتم علف هرز با نام اختصاری IWO (Invasive Weed Optimization) یک الگوریتم نوین در حوزه بهینه‌سازی مسائل است. این الگوریتم به دلیل شباهت رفتاری با علف‌های هرز، از طبیعت الهام گرفته است. الگوریتم IWO را با استفاده از تمهیدات خاص در شرایط گسسته، پیوسته و باینری به کار می‌برند و نتایج آن نیز بسیار خوب است؛ همچنین از آن برای پیدا کردن بهترین جواب در مسائل پیچیده مانند بسیاری دیگر از الگوریتم‌های فراابتکاری، استفاده می‌کنند. در ادامه این مطلب بیشتر با این الگوریتم آشنا خواهیم شد؛ پس با ما همراه باشید.

 
چرایی انتخاب نام علف هرز برای این الگوریتم

در ابتدا این سوال مطرح می‌شود که چرا از نام علف هرز برای این الگوریتم استفاده شده است. دلیل آن شباهت ویژگی‌های علف هرز و الگوریتم علف هرز است. یکی از این ویژگی‌ها تکثیر سریع این علف‌ها است. علف‌های هرز در هر موقعیتی با سرعت بالایی تکثیر می‌شوند و جمعیت خود را افزایش می‌دهند.

ویژگی دیگر انطباق بسیار عالی با محیط است. این گیاه توانایی بالایی در سازگاری با هر شرایط محیطی را دارد. به همین دلیل در هر باغچه و در هر منطقه‌ای می‌روید. رقابت برای منابع ویژگی دیگر علف‌های هرز است. علف‌های هرز با گیاهان دیگر برای کسب منابع رقابت می‌کنند و همچنین سعی می‌کنند بر آن‌ها غلبه کنند. الگوریتم IWO نیز از این ویژگی‌ها استفاده می‌کند تا بهترین راه‌حل در مسائل بهینه‌سازی را بیابد.

 استخدام بهترین متخصصان هوش مصنوعی در کارلنسر

 
نحوه کار الگوریتم IWO

نمودار

در الگوریتم علف هرز، هر علف هرز را به عنوان نماینده یک جواب احتمالی برای مسئله در نظر می‌گیرند. این علف‌ها در محیطی شبیه‌سازی‌شده علف‌های هرز واقعی، رشد و با هم رقابت می‌کنند. در هر مرحله نیز علف‌های هرز جدیدی تولید شده و علف‌های ضعیف‌تر هم حذف می‌شوند. این فرایند تا زمانی ادامه پیدا خواهد کرد که یک جواب بهینه و مناسب یا جوابی با کیفیت موردنظر پیدا شود.

 

    این مقاله را بخوانید: الگوریتم فیبوناچی چیست؟

 
مراحل الگوریتم IWO

همان‌طور که گفتیم، الگوریتم علف هرز از رفتار تکثیری و رقابتی علف‌های هرز در طبیعت الهام گرفته است. این الگوریتم را یک روش جستجوی فراابتکاری می‌دانند و برای حل مسائل بهینه‌سازی مختلف از آن استفاده می‌کنند. در ادامه مراحل کلی این الگوریتم را بیان کرده‎ایم:

    ایجاد جمعیت اولیه مسئله

در ابتدا باید یک تعداد مشخصی از راه‌حل‌های اولیه به صورت تصادفی تولید ‌شوند. هر راه‌حل را یک علف هرز می‌نامند. پس از آن برای هر علف هرز، یک مقدار برازندگی محاسبه می‌شود. برازندگی هر راه‌حلی نشان‌دهنده کیفیت آن راه‌حل است.

    تولید مثل

در مرحله دوم الگوریتم علف هرز، نوبت انتخاب والدین است. علف‌های هرز با میزان برازندگی بیشتر، احتمال بیشتری دارد تا به عنوان والدین انتخاب شوند. در نتیجه ترکیب ویژگی‌های والدین، فرزندان جدیدی تولید می‌شوند و این فرایند شبیه به ترکیب ژن‌ها در موجودات زنده است.

    پراکندگی دانه‌ها

مرحله سوم پراکندگی دانه‌ها است. هر علف هرز یا همان راه‌حل، تعدادی دانه تولید می‌کند. تعداد دانه‌ها با توجه به برازندگی علف هرز مشخص می‌شود. دانه‌ها هم به صورت تصادفی در اطراف علف والدین پراکنده می‌شوند.

    رشد دانه‌ها

در مرحله چهارم نوبت تبدیل به علف هرز است و دانه‌ها به علف‌های هرز جدیدی تبدیل می‌شوند. ویژگی‌های این علف‌های هرز جدید ممکن است به صورت تصادفی تغییر کند. فایده این کار حفظ تنوع جمعیت است.

    رقابت و حذف
 azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

در این مرحله نهم یز حداکثر تعداد علف‌های هرزی که مجازند در محیط بمانند، تعیین می‌شود. به همین دلیل اگر تعداد علف‌های هرز از ظرفیت محیط بیشتر باشد، علف‌های هرز که برازندگی کمتر دارند، حذف می‌شوند.

    تکرار مراحل

در نهایت و برای مرحله آخر، مراحل ۲ تا ۵ به صورت تکراری انجام می‌شوند و این روند تا برآورده شدن شرط توقف ادامه دارد. این شرط توقف می‌تواند مانند رسیدن به تعداد مشخصی از نسل، عدم تغییر قابل توجه در راه‌حل‌ها و یا رسیدن به زمان محاسباتی مشخصی باشد.

 

    این مطلب را مطالعه کنید: الگوریتم گله اسب چیست؟

 
ویژگی‌های الگوریتم IWO

نمودار

الگوریتم علف هرز با تقلید از قابلیت تطبیق‌پذیری و تصادفی بودن کولونی علف‌های هرز، به دنبال یافتن بهترین جواب ممکن برای یک مسئله بهینه‌سازی است. ویژگی‌های کلیدی این الگوریتم عبارت‌اند از:

    از ویژگی‌های این الگوریتم این است که مبتنی بر جمعیت است. این الگوریتم مانند بسیاری از الگوریتم‌های فراابتکاری، بر اساس یک جمعیت از راه‌حل‌های احتمالی کار می‌کند. هر یک از اعضای این جمعیت نماینده یک راه‌حل ممکن برای مسئله بهینه‌سازی است.
    ویژگی دیگر آن این است که به تقلید از طبیعت می‌پردازد. این الگوریتم با الهام از رفتار علف‌های هرز، مفاهیمی مانند تولید دانه، رشد، رقابت و پراکندگی را در فرایند بهینه‌سازی شبیه‌سازی می‌کند.
    الگوریتم IWO از سادگی در پیاده‌سازی برخوردار است. ساختار کلی الگوریتم نسبتا ساده است و پیاده‌سازی آن در زبان‌های برنامه‌نویسی مختلف مانند برنامه نویسی متلب، برنامه نویسی پایتون و برنامه نویسی سی پلاس هم امکان‌پذیر است.
    الگوریتم IWO قابلیت تطبیق‌پذیری بالایی هم دارد. این الگوریتم توانایی بالایی در تطبیق با مسائل مختلف بهینه‌سازی دارد و برای حل طیف وسیعی از مشکلات به کار برده می‌شود.
    الگوریتم IWO، مفهومی روشن دارد. مفاهیم به کار رفته در این الگوریتم به راحتی قابل درک هستند و به همین دلیل، برای افراد مبتدی نیز مناسب‌اند.
    پارامترها در الگوریتم IWO روشن هستند؛ زیرا تعداد پارامترهای این الگوریتم نسبت به برخی الگوریتم‌های دیگر کمتر است و تنظیم آن‌ها هم ساده‌تر است.
    الگوریتم علف هرز در برابر بهینه محلی، مقاومت دارد. این الگوریتم به دلیل ماهیت تصادفی خود، توانایی بالایی در فرار از بهینه‌ محلی دارد و به سمت یافتن جواب بهینه جهانی حرکت می‌کند.

 

    مقاله‌ای برای شما: الگوریتم بهینه‌سازی فاخته

 
کاربردهای الگوریتم IWO

الگوریتم علف هرز به دلیل قابلیت بالای جستجو در فضاهای جستجوی پیچیده و توانایی در حل مسائل بهینه‌سازی مختلف، در بسیاری از زمینه‌ها کاربرد دارد. در ادامه مهم‌ترین کاربردهای این الگوریتم را بیان می‌کنیم:

    کاربرد الگوریتم IWO در بهینه‌سازی مهندسی در بخش‌های:
        طراحی سازه‌
        بهینه‌سازی فرایندهای صنعتی
        طراحی سیستم‌های کنترل
    کاربرد الگوریتم IWO در برنامه‌ریزی در بخش‌های:
        برنامه‌ریزی تولید
        برنامه‌ریزی حمل‌ونقل
        زمان‌بندی وظایف
    کاربرد الگوریتم IWO در حل مسائل پیچیده ریاضی در بخش‌های:
        یافتن جواب مسائل بهینه‌سازی غیرخطی
        حل مسائل چندهدفه
    کاربرد الگوریتم IWO در هوش مصنوعی در بخش‌های:
        یادگیری ماشین
        شبکه‌های عصبی مصنوعی
        سیستم‌های خبره
    کاربرد الگوریتم علف هرز در علوم کامپیوتر در بخش‌های:
        خوشه‌بندی داده‌ها
        استخراج الگو
    کاربرد الگوریتم IWO در اقتصاد و مدیریت در بخش‌های:
        مدل‌سازی اقتصادی
        تصمیم‌گیری در شرایط عدم قطعیت
    کاربرد الگوریتم IWO در علوم محیط در بخش‌های:
        مدل‌سازی سیستم‌های اکولوژیکی
        مدیریت منابع طبیعی

 
مثال‌هایی از کاربردهای IWO در دنیای واقعی

الگوریتم IWO در دنیای واقعی نیز برای بهبود فضا هم به کار برده می‌شود. در ادامه مثال‌هایی از کاربردهای الگوریتم علف هرز در دنیای واقعی را ذکر می‌کنیم:

    با استفاده از IWO می‌توان بهترین ترکیب از سیستم‌های گرمایشی و سرمایشی را برای کاهش مصرف انرژی پیدا کرد و در نتیجه به بهینه‌سازی مصرف انرژی در ساختمان‌ها پرداخت.
    می‌توان برای یافتن کوتاه‌ترین مسیر یا مسیری با کمترین هزینه در شبکه‌های حمل‌ونقل از الگوریتم IWO استفاده کرد.
    با استفاده از IWO می‌توان برنامه تولید را به گونه‌ای تنظیم کرد که هزینه‌ها کاهش یافته و سود افزایش یابد و در نتیجه در تولید صنایع بهینه‌سازی انجام می‌شود.
    از کاربردهای IWO در طراحی آنتن‌های مخابراتی این است که می‌توان برای طراحی آنتن‌هایی با کارایی بالا و ابعاد کوچک استفاده از آن استفاده کرد.

 

    مطلب پیشنهادی: الگوریتم میگو در متلب

 
مزایای استفاده از الگوریتم  IWO

درخت

الگوریتم بهینه‌سازی علف‌های هرز یک روش قدرتمند و رو به رشد که به دلیل ویژگی‌های منحصربه‌فرد خود، مزایای متعددی نسبت به سایر روش‌های بهینه‌سازی دارد. در ادامه به مزایای الگوریتم علف هرز اشاره خواهیم کرد:

    یکی از بهترین مزایای این الگوریتم، سادگی پیاده‌سازی آن است. پیاده‌سازی این الگوریتم نسبت به برخی دیگر از الگوریتم‌های فراابتکاری ساده‌تر است؛ همچنین به تنظیم پارامترهای پیچیده نیز نیازی ندارد و در نتیجه، هزینه محاسباتی کمتری دارد.
    کارایی بالا این الگوریتم، مزیت دیگر آن است. در بسیاری از مسائل، IWO توانایی حل مسئله با دقت و سرعت بالا را نسبت به دیگر الگوریتم‌ها دارد.
    قابلیت جستجوی گسترده نیز ویژگی دیگر این الگوریتم است. آن قادر است به صورت گسترده در فضای جستجو حرکت کند و به راه‌حل‌های بهینه‌ای دست یابد.
    الگوریتم علف هرز معمولاً به سرعت به سمت راه‌حل‌های خوب همگرا می‌شود.
    روشن بودن مفهوم یک مشخصه مهم الگوریتم IWO است. الهام گرفتن از طبیعت باعث می‌شود درک این الگوریتم آسان‌تر باشد.
    IWO قابلیت تطبیق با مسائل مختلف را دارد. این الگوریتم می‌تواند برای حل طیف وسیعی از مسائل از جمله مسائل پیوسته و گسسته بهینه‌سازی به کار برده شود؛ همچنین می‌تواند برای حل مسائلی با چند هدف نیز به کار رود.
    این الگوریتم از رویکردهای ابتکاری برای جستجوی راه‌حل استفاده می‌کند که آن را به یک ابزار قدرتمند برای حل مسائل پیچیده تبدیل می‌کند.
    الگوریتم IWO می‌تواند خود را با محیط‌های دینامیک و متغیر سازگار کند.
    IWO با استفاده از مکانیزم‌های مختلف، از جمله تولید دانه‌های جدید و پراکندگی تصادفی، از گیر افتادن در بهینه محلی جلوگیری می‌کند.

 
 بهینه‌سازی علف‌های هرز مهاجم (IWO[۱])، یک الگوریتم فرا ابتکاری مبتنی بر جمعیت است که از رفتار توزیع پذیری کلونی علف‌های هرز در یک اکوسیستم، الهام گرفته شده‌است. علف‌های هرز، به دلیل تمایل به رشد و تولیدمثل سریع و سرزده، همیشه یک چالش جدی در کشاوزی بوده است، که نتیجه آن، تاثیر منفی بر عملکرد رشد مطلوب گیاهان زراعی است. علف‌های هرز با تطبیق دادن خود با محیط بر توانایی خود برای زنده ماندن در آن محیط را می افزایند.

با توجه به ویژگی‌های مذکور علف‌های هرز، الگوریتم بهینه‌سازی علف‌های هرز مهاجم (IWO)، برای اولین بار توسط مهرابیان[۲] و لوکاس[۳] در سال ۲۰۰۶ توسعه داده شد.
 azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

azsoftir@gmail.com

azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
09367292276azsoftir@gmail.com
azsoftir.com 09367292276
azsoft.ir
azsoftir@gmail.com
azsoft.ir
09367292276

در الگوریتم IWO، هر واحد علف هرز، نشان‌دهنده یک راه‌حل ممکن در مسئله بهینه‌سازی است و برازندگی یک علف هرز، به معنی برازندگی راه‌حلی است که با آن علف نمایش داده می‌شود. الگوریتم IWO، یک الگوریتم تکرار‌شونده است.
هنگامی که یک دانه تولید می‌شود فرض براین است که فورا رشد کرده و به یک علف هرز تبدیل می شود. زمانی که تمام علف‌ها، فرآیند تولید دانه جدید را تکمیل کردند مرحله حذف رقابتی شروع می‌شود. تمام علف‌های هرز تازه تولید شده شامل کلونی علف‌ها خواهد بود تا زمانی که تعداد علف‌ها هرز در کلونی از حداکثر تعداد مجاز علف‌های هرز در کلونی کمتر است. زمانی که تعداد علف‌های هرز در کلونی (تجمع) به  رسید، تنها علف هرز بهتر از بین علف علف‌های موجود و علف‌های تازه تولید شده در کلونی باقی می مانند. بعد از اتمام مرحله حذف رقابتی، تکرار دیگر الگوریتم IWO شروع می‌شود. این فرآیند تکرار می‌شود تا زمانی شرط توقف الگوریتم IWO ارضا شود. در ادامه کد متلب این الگوریتم به همراه مقاله پایه آن را می توانید دانید کنید.

IWO Matlab Codes

[۱] Invasive Weed Optimization

[۲] Mehrabian

[۳] Lucas

مسئله فروشنده دوره‌گرد چندگانه(mTSP)، تعمیم مسئله فروشنده دوره‌گرد (TSP) است که در آن، بیش از یک فروشنده برای هر شهر وجود دارد به طوری که هر شهر باید دقیقا یکبار و فقط با یکی از فروشنده‌ها ملاقات شود. مسئله mTSP می‌تواند به طیف گسترده‌ای از مسائل مسیریابی و زمان‌بندی توسعه داده شود. برای این مسئله، دو تابع هدف متفاوت در نظر گرفته‌ می‌شود. تابع هدف اول، مجموع مسافت طی شده توسط همه فروشندگان را کمینه می‌کند، در حالی که تابع هدف دوم، بیشترین مسافت طی شده توسط هر کدام از فروشنده‌ها را کمینه می‌کند در پایین ما کد متلب حل مسئله فروشنده چنگانه را با استفاده از الگوریتم علف های هرز مهاجم گذاشتیم که در آن علاوه بر کدها، مقالات پایه و بیس گنجانده شده است که در پیاده سازی از این مقالات کمک گرفته شده است:

    الگوریتم فراابتکاری ترکیبی مبتنی بر روش بهینه‌سازی علف‌های هرز مهاجم برای حل مسئله فروشنده دوره‌گرد چندگانه
 به کارگیری الگوریتم علف‌های هرز مهاجم (IWO) و الگوریتم ژنتیک (GA) در بهینه‌سازی بهره‌برداری تلفیقی از سد طازران

نویسندگان

    رضا زارعی 1 حسام قدوسی 2 کاظم شاهوردی 1

1 سازه‌های آبی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، ایران

2 عضو هیات علمی گروه مهندسی آب دانشگاه زنجان
10.22125/iwe.2019.88676

چکیده
یکی از مهمترین مسائل در مدیریت منابع آب، مسئله بهره­برداری بهینه از مخازن می­باشد. در این پژوهش از الگوریتم فرا ابتکاری علف هرز مهاجم (IWO) برای یافتن استراتژی­های تخصیص بهینه آب در سیستم تک مخزنه سد طازران واقع در غرب کشور برای یک دوره 10 ساله استفاده شده است. مدل توسعه یافته در این تحقیق برای بهره­برداری بهینه در حالت الگوی کشت وضع موجود تهیه گردیده است. اراضی پایین­دست سد به دو منطقه طازران و ایونده تقسیم می­شوند. تابع هدف تعریف شده حداقل­سازی کل کمبودها در طول دوره شبیه­سازی می­باشد. به­منظور بررسی عملکرد مخزن از شاخص­های قابلیت اعتماد زمانی، تأمین حجمی و آسیب­پذیری استفاده شده است. نتایج حاصل از الگوریتم مورد بررسی با نتایج حاصل از الگوریتم ژنتیک(GA) مورد مقایسه قرار گرفته است. به دلیل عدم کفایت و همچنین توزیع نامناسب جریان رودخانه طازران، شبیه­سازی­­ها در دوحالت استفاده از جریان­ آب­های سطحی به تنهایی و تلفیق آب­­های سطحی و زیرزمینی انجام گرفته است. با توجه به نتایج به­دست آمده مشخص گردید که با استفاده از روش­های IWO و GA و استفاده همزمان از آب­های سطحی و زیرزمینی منطقه، این سد به ترتیب قادر به تأمین 2/77درصد و 24/76 درصد از نیاز کل اراضی پایین­دست منطقه طازران می­باشد. شاخص­های اعتماد­پذیری و آسیب پذیری در منطقه طازران نیز به­ترتیب برابر 45/55 و 33 درصد در روش IWO و 72/52 و 41 درصد در روش GA می­باشند.