لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 22 صفحه
قسمتی از متن word (..doc) :
کاربرد مقایسهای الگوریتم در بهینهسازی بهرهبرداری از سیستم چندمخزنی
چکیده
در این مقاله، کاربرد الگوریتم ژنتیک در بهینهسازی بهرهبرداری از سیستمهای چندمخزنی بررسی شده است. بهینهسازی پارامترهای سیاست بهرهبرداری در این روش، صرفاً با استفاده از نتایج شبیهسازی سیستم انجام میشود. بنابراین میتوان انواع مختلفی از مسائل بهرهبرداری را مستقل از نوع تابع هدف و قیدهای آن و نیز ساختار سیاست بهرهبرداری، بهینهسازی نمود. در این مقاله پس از بررسی اجمالی روش الگوریتم ژنتیک پیشنهادی، عملکرد آن در بهینهسازی یک سیستم پویای استوکستیک و برنامهریزی پویا با رگرسیون مقایسه شده است. نتایج حاصل، نشانگر برتری الگوریتم ژنتیک هم به لحاظ سرعت و محاسیبات و هم مقدار تابع هدف در مقایسه با دو روش دیگر بوده است. با این حال به منظور افزایش کارایی این روش، اصلاحاتی در آن صورت گرفته است. بهبود کارایی عملگرهای الگوریتم ژنتیک به ویژه استفاده از قانون به هنگامسازی قدرت جهش و محاسبه برازندگی کروموزومها بوسیله شبیهسازی سیستم با دورههای متغیر، دو نمونه از این اصلاحات را تشکیل دادهاند.
در بررسیهای انجام شده اثر این اصلاحات کاملاً مفید ارزیابی شده است، به گونهای که روش اصلاح شده قادر خواهد بود در مدت زمانی کمتر به نتایجی بهتر از روش معمولی دست یابد. ارزیابی مدل نهایی الگوریتم ژنتیک نشان میدهد که روش پیشنهادی، روشی بسیار کارآمد در حل مسائل سیستمهای بزرگ است که حل آنها با روشهای رایج غالباً غیرممکن است. به عبارتی، ارزش و کارامدی عملگرهای پیشنهادی از نقطهای شروع میشود که عملگرهای رایج الگوریتم ژنتیک در آن نقطه متوقف شده و قادر به پیشروی نیستند.
1- مقدمه
بهینهسازی بهرهبرداری از سیستمهای چندمخزنی و تدوین قوانین و سیاستهای کارآمد بهرهبرداری از آنها از چندین دهه پیش یکی از موضوعات اصلی در مطالعات منابع آب بوده و تحقیقات گستردهای بر آن انجام شده است. در این راه پیشرفتهای فراوانی چه به لحاظ استراتژیهای جدید و کارآمد حل مساله و چه از نظر افزایش توانمندی و سرعت کامپیوترهای شخصی به عنوان ابزارهای محاسباتی بوجود آمده است. اما به رغم این پیشرفتها، بهینهسازی بهرهبرداری از یک سیستم چندمخزنی بزرگ به صورت یکپارچه به ویژه هنگامی که عدم قطعیتهای هیدرولوژیکی سیستم به صورت واقعبینانه در نظر گرفته میشوند، همچنان کاری چالشدار باقی مانده است.
لادبادیه در مروری بر استراتژیهای حل مساله بهینهسازی بهرهبرداری از سیستم مخازن، این استراتژیها را در چهار دسته بهینهسازی استوکستیک ضمنی، بهینهسازی استوکستیک صریح، کنترل بهینه زمان واقعی و روشهای برنامهریزی کاوشی مورد بررسی قرار داده است. روش الگوریتم ژنتیک در این بررسی به عنوان یک روش برنامهریزی کاوشی در نظر گرفته شده است و دارای این مزیت ویژه میباشد که میدانید تمامی جزئیات مدلهای شبیهسازی درنظر بگیرید، بدون آنکه به فرضیاتی برای سادهسازی درنظر بگیرید، بدون آنکه به فرضیاتی برای سادهسازی مساله یا محاسبه مشتقات تابع هدف نیاز داشته باشد. از این رو میتوان روش GA را استراتژی امیدوارکنندهای در حل مساله بهرهبرداری بهینه از سیستم مخازن، به ویژه در سیستمهای واقعی بزرگ با توابع هدف و قیدهای پیچیده غیرخطی و تفکیکناپذیر دانست.
الگوریتم ژنتیک از طریق فرآیندی شبیه به روشهای انتخاب طبیعی در علوم زیستشناسی به بهینهسازی مسائل میپردازد. این الگوریتمها در طول دهه گذشته به طور گسترده به عنوان ابزارهای جستجو و بهینهسازی در رشتههای مختلف از جمله بازرگانی، علوم و مهندسی بکار گرفته شدهاند.
اگرچه استفاده از GA در مستئل بهرهبرداری از سیستمهای منابع آب روش نسبتاً جدید محسوب میشود، اما کاربردهای موفقی از آن گزارش رشده است. ایسات و هال کاربرد
GA را در یک سیستم چهارمخزنی معروف بررسی کردند. آنها مدل GA را با برنامهریزی پویا، مقایسه و آن را به لحاظ نیازهای محاسباتی کاملاً برتری گزارش نمودند. واردلا و شریف نیز از GA برای بهینهسازی همان سیستم چهارمخزنی استفاده کرده و نشان دادند که این روش میتواند جوابهای توانمند و قابل قبولی ارائه دهد. یک سال بعد این کار توسط شریف و واردلا توسعه بیشتری یافت. اولیویرا و لاکس از GA برای بهینهسازی منحنیهای فرمان در سیستمهای چندمخزنی سیاستهای بهرهبرداری از سیستمهای مخازن پیچیده ارزیابی نمودند. کای و همکاران، GA را برنامههای خطی با موفقیت مورد استفاده قرار دادند.
چن از این الگوریتم در به دست آوردن منحنیهای فرمان یک سیستم تکمخزنی استفاده کرد و آن را برای بهینهسازی سیستمهای کاملاً غیرخطی، بسیار موثر ارزیابی نمود. تونگ و همکاران از GA برای تعیین مقدار بهینه پارامترهای نوعی از منحنیهای بهرهبرداری مخازن استفاده کرده و آن را ابزار قدرتمندی برای یافتن استراتژیهای مدیریت منابع آب بهینه ارزیابی نمودند. ممتحن و همکارانریال از GA در بهینهسازی ساختارهای مختلفی از سیاستهای بهرهبرداری برای یک سیستم تکمخزنی استفاده کردند و عملکرد آن را با روشهای برنامهریزی پویای استوکستیک و برنامهریزی پویا رگرسیون به عنوان دو روش مرسوم بهینهسازی مقایسه نمودند. آنها سیاستهای با ساختار خطی و خطی قطعهای به دست آمده از روش GA را برتر از سیاستهاتی حاصل از روشهای بهینهسازی مرسوم گزارش نمودند.
به طور کلی میتوان کاربرد GA در بهینهسازی بهرهبرداری از منابع آب را در تحقیقات گذشته به دو دسته بهینهسازی برداشتهای هر دوره زمانی و بهینهسازی پارامترهای سیاست بهرهبرداری تقسیم کرد. در این دستهبندی، شریف و واردلا از دسته اول و اولیویرا و لاکس و ممتحن و همکاران از دسته دوم میباشند. در دسته اول GA به طریقی بکار گرفته میشود که نتایجی مشابه مدلهای برنامهریزی پویا تولید کند و بنابراین به طور خودکار قسمتی از مشکلات محاسباتی این مدلها را نیز به همراه خواهد داشت، اما در دسته دوم از GA با یک رویکرد جدید، یعنی جستجوی مستقیم پارامترهای سیاست، استفاده شده است، به گونه
ای روشهای بهینهسازی دیگر امکان استفاده در این رویکرد را ندارند. بنابراین، به نظر میرسد در این روش استفاده بهتری از پتانسیل GA میشود. روش مورد استفاده در این مقاله نیز از دسته دوم میباشد.
در مقاله حاضر کار ممتحن و همکاران توسعه داده شده و روش جستجوی مستقیم پارامترهای سیاست، با استفاده از GA در سیستمهای چندمخزنی بررسی شده است. همچنین در بخشهای مختلفی از این روش اصلاحاتی پیشنهاد شده تا بتوان سیاستهای بهینهسازی بهتری را در زمانی کمتر به دست آورد. عملکرد این مدل به لحاظ نیازهای محاسباتی و مقادیر تابع هدف در یک سیستم سه مخزنی با مدلهای SDR, DRP مقایسه شده است.
2- روش تحقیق
2-1 روش بهینهسازی با استفاده از الگوریتم ژنتیک
در بهینهسازی سیاستهای بهرهبرداری از سیستم مخازن با استفاده از GA، ابتدا سیاست بهرهبرداری به صورت روابطی پارامتریک با ساختار معین تعریف و سپس مقادیر بهینه پارامترها مستقیماً بوسیله GA تعیین میگردد. معیار اصلی بهینهسازی در این روش، مقدار تابع هدف حاصل از شبیهسازی سیستم متناظر با هر دسته از پارامترهای سیاست است. بنابراین انواع توابع بهینهسازی و ساختارهای سیاست بهرهبرداری را میتوان بدون نیاز به شرایطی چون خطی یا تفکیکپذیر بودن، مورد تحلیل قرار داد. این آزادی عمل در انتخاب نوع سیاست بهرهبرداری، بررسی هرچه بیشتر این سیاستها را از جهات گوناگون طلب میکند.
یک سیاست بهرهبرداری، مشتمل بر مجموعهای از قوانین است که در حالتهای مختلف بهرهبرداری، مقداری آبی را که باید ذخیره یا رهاسازی شوند، تعیین نمینماید. بنابراین به منظور مشخص نمودن ساختار سیاست بهرهبرداری از یک سیستم چندمخزنی باید نوع متغیرهای حالت و تصمیم (یا همان متغیرهای ورودی و خروجی از قوانین بهرهبرداری) و رابطه بین آنها را برای قوانین متناظر با هر از مخازن سیستم انتخاب نمود. اگرچه نوع متغیرهای ورودی و خروجی سیاست نیز بویژه در سیستم
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 30 اسلاید
قسمتی از متن powerpoint (..ppt) :
1
الگوریتم های فشرده سازی اتلاف دار
درس سیستمهای چندرسانهای
دانشگاه اصفهان - درس سیستمهای چندرسانهای
الگوریتم های فشرده سازی اتلاف دار
مقدمهروش های اندازه گیری اعوجاجکوانتیزاسیونتبدیلات
دانشگاه اصفهان - درس سیستمهای چندرسانهای
مقدمه
الگوریتمهای فشرده سازی بدون اتلاف، غالباً نرخ فشرده سازی مناسبی ندارند به همین دلیل در فشرده سازی صوت و تصویر از این روشها استفاده نمی شود
فشرده سازی با اتلاف چیست ؟
- بعد از دیکد کردن داده فشرده شده همان داده اصلی به دست نمی آید ولی تقریباً نزدیک به آن است .
- از نرخ فشرده سازی بسیار بیشتری نسبت به فشرده سازی بدون از دست رفتن اطلاعات برخوردار است .
دانشگاه اصفهان - درس سیستمهای چندرسانهای
نحوه محاسبه میزان خطا
از دو دیدگاه می توان میزان خطا را بررسی کرد:
دیدگاه اول: دیدگاه ادراکی: نظر افراد مختلف
دیدگاه دوم: دیدگاه ریاضی: با استفاده از تفاضل
تفاوت دو دیدگاه را می توان در یک تصویر که به اندازه یک سطر به بالا شیفت داده شده است، تصور کرد
اولین روش ریاضی: خطای میانگین مربعی ( MSE ) σ 2 ،
در این فرمول x n ، y n و N ، به ترتیب داده های ورودی، داده های بازسازی شده و تعداد داده ها می باشند .
دانشگاه اصفهان - درس سیستمهای چندرسانهای
نحوه محاسبه میزان خطا
روش دوم ریاضی: نسبت سیگنال به نویز ( SNR ) در مقیاس دسی بل
در این فرمول مقدار میانگین مربعی داده های اصلی و ، MSE است.
روش سوم ریاضی: حداکثر نسبت سیگنال به نویز ( PSNR ) :
5
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 23 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا
الگوریتم ضرب اعداد صحیح بزرگ
مسئله: ضرب دو عدد صحیح بزرگ u و v
large _ integer prod ( large_integer u, large_integer v)
{
large_inreger x , y , w , z ;
int n , m ;
n = maximum(number of digits in u,number of digits in v)
if (u = = 0 || v = = 0)
return 0 ;
else if (n
return u × v obtained in the usual way;
else {
m = Į n / 2 ⌡;
x = u divide 10 ^ m ; y = rem 10 ^ m ;
w = v divide 10 ^ m ; z = rem 10 ^ m ;
return prod (x ,w) × 10 ^ 2m + ( prod ( x, z) + prod (w, y )) × 10 ^ m + prod ( y, z);
}
}
تحلیل پیچیدگی زمانی در بدترین حالت برای ا لگوریتم( ضرب اعداد صحیح)
عمل اصلی: دستکاری یک رقم دهدهی در یک عدد صحیح بزرگ در
هنگام جمع کردن ، تفریق کردن، یا انجام اعمال divide 10 ^ m ،
rem 10 ^ m یا ×10 ^ m . هر یک از این اعمال را m بار انجام می دهد.
اندازه ورودی: n ، تعداد ارقام هر یک از دو عدد صحیح.
به ازای n > s که n توانی از 2 است T ( n ) = 4 T (n / 2) + cn
T ( s ) = 0
T ( n ) Є θ ( n ² )
در چه مسائلی نمی توان از روش تقسیم وحل استفاده کرد
1- مسایلی با اندازه n به چند زیر مسئله تقسیم می شود که اندازه زیر مسئله ها نیز تقریبا برابر n است.
زمان نمایی ایجاد می کند.
2- مساله ای با اندازه n تقریبا به اندازه n زیر مسئله با اندازه n/c که در آن c ثابت است تقسیم می شود.
زمان nlog n ایجاد می کند.
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 12 اسلاید
قسمتی از متن powerpoint (..ppt) :
الگوریتم ژنتیکی
تعریف
الگوریتم ژنتیکی، رویه ای تکراری است که راه حل های انتخابیش را بصورت رشته ای از ژنها که کروموزوم نامیده می شوند، بازنمایی می کند.
موفقیت آنها را با تابع fitness اندازه می گیرد.
تابع fitness میزان نزدیکی به هدف را محاسبه می کند.
در هر تکرار الگوریتم ، (مانند سیستم های بیولوژیکی) راه حلهای انتخابی، برای تولید فرزند (که generation نامیده می شوند) ترکیب می شوند.
والدین نسل بعدی، با توجه به fitness والدین و فرزندان نسل قبل، از بین آنها انتخاب می شوند.
خود فرزندان نیز می توانند به عنوان راه حل انتخاب شوند.
عملگرهای ژنتیکی، برای تولید فرزندان
Reproduction : از طریق این عملگر ، الگوریتمهای ژنتیکی، نسل جدیدی از راه حلهای بهبودیافته را با انتخاب والدینی که بالاترین fitness را دارند تولید می کنند.
Crossover : با توجه به اینکه الگوریتمهای ژنتیکی از رشته هایی از نمادهای باینری برای کروموزومها استفاده می کنند، crossover به معنی انتخاب موقعیتی تصادفی در رشته و تعویض بخشهای چپ و راست این نقاط با رشته دیگر برای تولید دو فرزند جدید می باشد.
Mutation : تغییر دلخواه در موقعیت است. رویه تغییر یک به صفر و یا صفر به یک می باشد و با احتمال خیلی کم (1000/1) رخ می دهد.
نحوه کار الگوریتم ژنتیک
بازنمایی شرح مساله به نحوی که بتواند از طریق الگوریتم ژنتیکی حل شود: بازنمایی راه حل، بصورت رشته ای از صفر و یک ها.
تولید مجموعه اولیه جوابها و محاسبه fitness آنها.
محاسبه مجموع تابع fitness
محاسبه احتمال اینکه هر راه حل برای تولید فرزندان انتخاب شود: تقسیم تابع fitness آن به مجموع
انتخاب والدین
تولید فرزندان از طریق crossover یا (با احتمال کم) mutation
نسل جدید شامل مجموعه ای از بهترین فرزندان و والدین می باشد.
فرایند آنقدر ادامه می یابد تا اینکه راه حل بهینه حاصل شود و یا اینکه در چندین نسل بهبود نداشته باشیم.
پارامترهایی که باید تنظیم شوند
این پارامترها بستگی به مساله داشته و غالبا از طریق سعی و خطا بدست می آیند:
تعداد جوابهای اولیه که تولید می شوند.
تعداد فرزندان
تعداد فرزندان و والدینی که برای تولید نسل بعد استفاده می شوند.
احتمال mutation
توزیع احتمال رخداد نقطه crossover
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 8 اسلاید
قسمتی از متن powerpoint (..pptx) :
الگوریتم غربال
ورود
با کلیک بر روی هر دکمه، مراحل الگوریتم غربال را به ترتیب اجرا کنید تا فقط اعداد اول باقی بمانند.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
خط زدن عدد یک
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
خط زدن مضربهای2
به جز خود 2
خط زدن عدد یک
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
خط زدن مضربهای3
به جز خود 3
خط زدن مضربهای2
به جز خود 2
خط زدن عدد یک
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 80 اسلاید
قسمتی از متن powerpoint (..ppt) :
فصل 1
Algorithm الگوریتم ها
هدفهای کلی
شناخت اجزاء لازم برای حل مسئله
شناخت حل مسئله و ارائه الگوریتم
بررسی صحت الگوریتم
هدفهای رفتاری
الگوریتمی را برای حل مسئله ارائه دهد.
الگوریتم های مختلف برای یک مسئله را مقایسه کند.
شرط ها و حلقه ها را در الگوریتم بکار ببرد .
دانشجو پس از مطالعه این فصل باید بتواند:
مقدمه
در زندگی روزمره ، انسان با مسائل مختلفی روبروست و برای هر کدام
از این مسائل ( حل مشکلات) راه حلی و روشی را بر می گزیند. مسائل ی از قبیل راه رفتن، غذ ا خوردن، خوابیدن و غیره که بشر ت ق ریباً هر روز آنها را پیش روی خود دارد.
همه این مسائل نیاز به روشی برای حل کردن دارند مثلا راه رفتن باید
با ترتیب خاصی و مراحل معینی انجام شود. تا مسئله راه رفتن برای
بشر حل شود. اصطلاحاً روش انجام کار یا حل مسئله را الگوریتم آن
مسئله می نامند
تعریف الگوریتم
الگوریتم مجموعه ای از دستورالعمل ها، برای حل مسئله می باشد که
شرایط زیر را باید دارا باشد:
دقیق باشد
جزئیات کامل حل مسئله را داشته باشد.
پایان پذیر باشد.
مراحل الگوریتم
برای حل یک مسئله باید الگوریتم آن مسئله را مشخص کنیم (یا بیابیم). که
اصطلاحاً طراحی الگوریتم برای آن مسئله نامیده می شود. در طراحی
الگوریتم معمولاً سه مرحله زیر را از هم جدا می کنند:
خواندن داده ها
انجام محاسبات
خروجی ها