بهینه سازی زاویه انتقال به منظور بهبود مزیت مکانیکی مکانیزم محرک سوزن در یک ماشین دوزندگی با استفاده از الگوریتم ژنتیک

چکیده :بهبود عملکرد مکانیکی ماشین دوزندگی در صنعت نساجی از اهمیت ویژهای برخوردار است. کیفیت دوخت در این ماشینها تا حد زیادی متأثر از معیارهای طراحی مکانیزم محرک سوزن خصوصاً زاویه انتقال که موجب افزایش نیروی انتقال و مزیت مکانیکی میشود، است. با توجه به تأثیر زاویه انتقال بر نیروی تماس سوزن، استفاده از یک مکانیزم محرک بهینه بسیار مهم میباشد. متأسفانه علیرغم اهمیت این موضوع از دید عملی، تحقیقات زیادی در این راستا صورت نگرفته است. لذا در این مقاله پس از معرفی یک مکانیزم جدید محرک سوزن در ماشین دوزندگی و معیارهای طراحی آن، نتایج براساس فرآیند بهینهسازی الگوریتم ژنتیک بیان میشود. انحراف زاویه انتقال از 09 درجه، کاهش سرعت سوزن در محدوده نفوذ و کاهش تغییرات شتاب )جرک( سوزن در طول حرکت از جمله اهداف بهینهسازی است. نتایج بدست آمده نشان دهنده بهبود عملکرد مکانیکی مکانیزم محرک سوزن در مقایسه با کار- های قبل میباشد.

دانلود کد الگوریتم های بهینه سازی در متلب

کد الگوریتم های بهینه سازی

فایل زیر شامل کامل ترین کد الگوریتم های بهینه سازی می باشد. الگوریتم های موجود در این فایل عبارتند از:

الگوریتم ژنتیک الگوریتم جستجوی هارمون ...
دریافت فایل

دانلود پایان نامه کارشناسی کامپیوتر-الگوریتم ژنتیک

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:110

فهرست مطالب

چکیده :

             الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.

مسئله ی کاهش آلاینده های Cox ، NOx و Sox در کوره های صنعتی ، یکی از مسائل بهینه سازی می باشد، که هدف آن بهینه کردن عملکرد کوره های احتراقی بر حسب پارامترهای درصد هوای اضافی (E) و دمای هوای خروجی از پیش گرمکن (T) ، به منظور کاهش میزان آلاینده های تولید شده در اثر انجام عملیات احتراق است.

در این پایان نامه ابتدا مروری بر مفاهیم مقدماتی الگوریتم های ژنتیک کرده سپس مشخصات کلی مسئله عنوان می شود، در انتها مسئله ی مورد نظر توسط الگوریتم ژنتیک اجرا و نتایج آن با روش تابع پنالتی مقایسه می شود.

فهرست مطالب

عنوان                                                                                                                          صفحه

----------------------------------------------------------------------

فصل اول -  مقدمه .....................................................

1-1-    مقدمه  

فصل دوم -  مقدمه ای بر الگوریتم ژنتیک...............................................

مقدمهپیشینهاصطلاحات زیستیتشریح کلی الگوریتم ژنتیکحل مسأله با استفاده از الگوریتم ژنتیکاجزای الگوریتم ژنتیک

2-6-1- جمعیت

2-6-2- کدگذاری

              2-6-2-1-     کدگذاری دودویی

              2-6-2-2-      کدگذاری مقادیر

              2-6-2-3-      کدگذاری درختی

2-6-3- عملگرهای الگوریتم ژنتیک

             2-6-3-1-       fitness (برازش)

         2-6-3-2-      selection  (انتخاب)

            2-6-3-3-   crossover    (ترکیب)

           2-6-3-4-  mutation     (جهش)

مفاهیم تکمیلی

         2-7-1- برتری ها و ضعف های الگوریتم ژنتیک

         2-7-2- نکات مهم در الگوریتم های ژنتیک

         2-7-3- نتیجه گیری

فصل سوم - کاهش اثرات زیست محیطی آلاینده های Cox، NOx و SOx در کوره ها...........

مقدمهاحتراقروش محاسبه ترکیبات تعادلی با استفاده از ثابت تعادلروش محاسبه دمای آدیاباتیک شعلهانتخاب سیستم شیمیاییتأثیر دمای هوا و میزان هوای اضافی بر تولید محصولاتبهینه سازیروش های حل مسائل بهینه سازیروش تابع پنالتیالگوریتم حل تابع پنالتیبرنامه ی کامپیوتری و مراحل آنتشکیل تابع هدفتشکیل مدل مسئله بهینه سازیروش حل

فصل چهارم - توضیحاتی در رابطه با gatool نرم افزار مطلب................

gatoolتنظیم گزینه ها برای الگوریتم ژنتیکPlot OptionsPopulation OptionsFitness Scaling OptionsSelection OptionsReproduction OptionsMutation OptionsCrossover OptionsMigration OptionsOutput Function OptionsStopping Criteria OptionsHybrid Function OptionsVectorize Options

فصل پنجم – نتایج..................................

نتایج حاصل از تابع پنالتی و الگوریتم ژنتیک نتیجه گیری

فهرست مراجع......................

فهرست شکل

عنوان                                                                                                                             صفحه

2-1- مراحل الگوریتم ژنتیک

2-2- مثالی از کروموزوم ها به روش کدگذاری دودویی

2-3- مثالی از کروموزوم ها با استفاده از روش کدگذاری مقادیر

2-4-  انتخاب چرخ رولت

2-5-  ترکیب تک نقطه ای

2-6-  ترکیب دو نقطه ای

2-7-  ترکیب یکنواخت

2-8-  وارونه سازی بیت

2-9-  تغییر ترتیب قرارگیری

2-10-  تغییر مقدار

3-1- نمای برنامه ی کامپیوتری

3-2- عملیات برازش برای تولید NO در مقایسه با نتایج اصلی در احتراق گازوئیل

4-1-  نمای gatool نرم افزار مطلب

5-1- نمای gatool ، Cox برای گاز طبیعی

5-2- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گاز طبیعی

5-3- نمای gatool ، NOx برای گاز طبیعی

5-4- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گاز طبیعی

5-5- نمای gatool ، Cox + NOx برای گاز طبیعی

5-6- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOxبرای گاز طبیعی

5-7- نمای gatool ، Cox برای گازوئیل

5-8- نمودارهای Best fitness و Best individual آلاینده ی Cox برای گازوئیل

5-9- نمای gatool ، NOx برای گازوئیل

5-10- نمودارهای Best fitness و Best individual آلاینده ی NOx برای گازوئیل

5-11- نمای gatool ، Sox برای گازوئیل

5-12- نمودارهای Best fitness و Best individual آلاینده ی Sox برای گازوئیل

5-13-  نمای gatool ، Cox + NOx برای گازوئیل

5-14- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای گازوئیل

5-15- نمای gatool ، Cox+NOx+Sox برای گازوئیل

5-16- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx وSOx برای گازوئیل

5-17- نمای gatool ، Cox برای نفت کوره

5-18- نمودارهای Best fitness و Best individual آلاینده ی Cox برای نفت کوره

5-19- نمای gatool ، NOx برای نفت کوره

5-20- نمودارهای Best fitness و Best individual آلاینده ی NOx برای نفت کوره

5-21- نمای gatool ، Sox برای نفت کوره

5-22- نمودارهای Best fitness و Best individual آلاینده ی SOx برای نفت کوره

5-23- نمای gatool ، Cox + NOx برای نفت کوره

5-24- نمودارهای Best fitness و Best individual مجموع آلاینده های Cox و NOx برای نفت کوره

5-25- نمای gatool ، COx+NOx+SOx برای نفت کوره

5-26- نمودارهای Best fitness و Best individual مجموع آلاینده های COx و NOx و SOx برای نفت کوره

فهرست جدول

عنوان                                                                                                                             صفحه

3-1- تغییر نرخ تولید (mole/hr) NO در اثر تغییر دمای هوا و درصد هوای اضافی........

3-2- تشکیل تابع هدف برای گاز طبیعی....................

3-3- تشکیل تابع هدف برای گازوئیل...............................................

3-4- تشکیل تابع هدف برای نفت کوره..........................

5-1- مقایسه نتایج تابع پنالتی و الگوریتم ژنتیک................................

دانلود شبیه سازی جایابی بهینه UPFC با الگوریتم ژنتیک

شبیه سازی در زمینه مقاله : جایابی بهینه UPFC با الگوریتم ژنتیک

اولین فایل شبیه سازی عالی در زمینه جایابی بهینه UPFC با الگوریتم ژنتیک;. براساس تماس های مکرر درخواست چنین فایلی شبیه سازی در زمینه جایابی UPFC در ضمیمه ارائه شده است. در این زمینه مقالات بسیاری منتشر شده که یکی از آنها را به عنوان مرجع مناسب در یادگیری ارائه می نماییم. این مرجع را می توانید از ادرس زیر دانلود نمایید. این شبیه سازی بر روی سیستم استاندارد اجرا شده است. شما می توانید داده های سیس ...

دریافت فایل

پایان نامه / سمینار / پروژه اماده: بررسی TSP و NP-HARD با الگوریتم ژنتیک (151 صفحه)

پایان نامه / سمینار / پروژه اماده:  بررسی TSP و NP-HARD با الگوریتم ژنتیک

(151 صفحه)

الگوریتم ژنتیک(Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه حل تقریبی برای بهینه سازی و مسائل جستجواست. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیک های زیست شناسی فرگشتی مانند وراثت و جهش استفاده می کند. در واقع الگوریت مهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده میکنند. الگوریت مهای ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای یک تکنیک برنامه نویسی است که از (GA تصادف هستند. مختصراً گفته می شود که الگوریتم ژنتیک ) یا تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می کند. مسأله ای که باید حل شود ورودی است و راه حلها طبق یک الگو کد گذاری میشوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می کند که اکثر آنها به صورت تصادفی انتخاب می شوند.

فهرست :

مقدمه

به دنبال تکامل…

ایده اصلی استفاده از الگوریتم ژنتیک

درباره علم ژنتیک

تاریخچۀ علم ژنتیک

تکامل طبیعی (قانون انتخاب طبیعی داروین)

رابطه تکامل طبیعی با روش های هوش مصنوعی

الگوریتم

الگوریتم های جستجوی ناآگاهانه

جستجوی لیست

جستجوی درختی

جستجوی گراف

الگوریتم های جستجوی آگاهانه

الف جستجوی خصمانه

مسائل NP Hard

هیوریستیک

انواع الگوریتم های هیوریستیک

فصل دوم

مقدمه

الگوریتم ژنتیک

مکانیزم الگوریتم ژنتیک

عملگرهای الگوریتم ژنتیک

کدگذاری

ارزیابی

ترکیب

جهش

رمزگشایی

چارت الگوریتم به همراه شبه کد آ ن

شبه کد و توضیح آن

چارت الگوریتم ژنتیک

تابع هدف

روش های کد کردن

کدینگ باینری

کدینگ جایگشتی

کد گذاری مقدار

کدینگ درخت

نمایش رشته ها

انواع روش های تشکیل رشته

باز گرداندن رشته ها به مجموعه متغیرها

تعداد بیت های متناظر با هر متغی ر

جمعیت

ایجاد جمعیت اولیه

اندازه جمعیت

محاسبه برازندگی (تابع ارزش)

انواع روش های انتخاب

انتخاب چرخ رولت

انتخاب حالت پایدار

انتخاب نخبه گرایی

انتخاب رقابتی

انتخاب قطع سر

انتخاب قطعی بریندل

انتخاب جایگزینی نسلی اصلاح شده

انتخاب مسابقه

انتخاب مسابقه تصادفی

انواع روش های ترکیب

جابه جایی دودوئی

جابه جایی حقیقی

ترکیب تک نقطه ا ی

ترکیب دو نقطه ای

ترکیب یکنواخت

ترکیب حسابی

ترتیب

چرخه

بخش نگاشته

احتمال ترکیب

تحلیل مکانیزم جابجایی

جهش

جهش باینری

جهش حقیقی

وارونه سازی بیت

تغییر ترتیب قرارگیر ی

وارون سازی

تغییر مقدار

محک اختتام اجرای الگوریتم ژنتیک

انواع الگوریتم های ژنتیکی

الگوریتم ژنتیکی سری

الگوریتم ژنتیکی موازی

مقایسه الگوریتم ژنتیک با سیستم های طبیعی

نقاط قوت الگوریتم های ژنتیک

استراتژی برخورد با محدودیت ها

استراتژی اصلاح عملگرهای ژنتیک

استراتژی اصلاحی

استراتژی جریمه ای

بهبود الگوریتم ژنتیک

چند نمونه از کاربردهای الگوریتم های ژنتیک

فصل سوم

مقدمه

حلّ معمای هشت وزیر

جمعیت آغازین

تابع برازندگی

آمیزش

جهش ژنتیکی

الگوریتم ژنتیک و حلّ مسألۀ فروشندة دوره گرد

به وسیله الگوریتم ژنتیک TS P حل مسأله

TS P مقایسه روشهای مختلف الگوریتم و ژنتیک برای

نتیجه گیر ی

حلّ مسأله معمای سودوکو

حل مسأله

تعیین کروموزم

ساختن جمعیت آغازین یا نسل اول

ساختن تابع از ارزش

ترکیب نمونه ها و ساختن جواب جدید

ارزشیابی مجموعه جواب

ساختن نسل بعد

مرتب سازی به کمک G A

صورت مسأله

جمعیت آغازین

تابع برازندگی

انتخاب

ترکیب

جهش

فهرست منابع و مراجع

پیوست

واژه نامه

نقاط بهینه محلی و بهینه کلی

چارت الگوریتم ژنتیک

ترکیب تک نقطه

ترکیب جایگشتی

جهش کدینگ جایگشتی

جهش کدینگ مقدار

کدینگ درختی

نمونه کروموزوم الگوریتم ژنتیکی

روش سری

روش محاطی

چرخه رولت

جابجایی چند نقطه

ترکیب تک نقطه ای

ترکیب دو نقطه ای

ترکیب یکنواخت

شبیه سازی جهش به کمک نمودار

جهش باینری

جهش:وارونه سازی بیت

جهش:تغییر ترتیب قرارگیری

جهش: وارون ساز ی

جهش: تغییر مقدار

نمودار بررسی رابطه های جمعیت، کیفیت جواب و معیار توقف بایکدیگر

چینش هشت مهره وزیر در صفحه شطرنج بدون تهدید یکدیگر

جدول سودوکو