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 : 12 اسلاید
قسمتی از متن powerpoint (..ppt) :
درس اقتصاد مالی (دورۀ دکترا) بهینه سازی سبد دارایی با استفاده از مدل مارکویتز
25 فروردین 1393
مدیریت دارایی
تخصیص دارایی
Asset Allocation
انتخاب دارایی
Asset Selection
بهینه سازی سبد دارایی
Portfolio Management
مدل مارکویتز
Markowitz Model
مرحلۀ اول: داده ها را تعیین کنید
داده های تاریخی دارایی های انتخاب شده را جمع آوری کنید. در مثال فعلی، سبد شامل 5 دارایی است: طلا – دلار ایالات متحده – پتروشیمی – بانک – خودرو. دارایی ها نباید بازده یکسان یا هم بستگی کامل (مثبت یا منفی) داشته باشند.
دادهها را تعدیل کنید تا با یکدگر قابلمقایسه باشد:
تعدیل زمانی (روزهای تعطیل و غیرمعاملاتی) با توجه به بازده و همبستگی میان داراییها.
محاسبۀ کل بازده سهامداران ( TRS ) و افزدون سود نقدی.
تعدیل افزایش سرمایه .
تناوب داده ها را با توجه به افق مدیریت سبد (روزانه، ماهانه و ...) انتخاب کنید.
مرحلۀ دوم: محاسبۀ ورودی های مدل
اگر تنها 2 دارایی داشتیم، محاسبات به سادگی قابل انجام بود. در فضای بیش از دو دارایی (مثلاً 5 دارایی)، باید برای انجام محاسبات از ماتریس ها استفاده کنیم.
متوسط بازده تاریخی هریک از دارایی ها را تعیین کنید. (ماتریسµ 1 ×5)
Fx = AVERAGE
انحراف از معیار هریک از دارایی ها را تعیین کنید. (ماتریس σ 5×5)
Fx = STDEV.P
هم بستگی میان دارایی های سبد را محاسبه کنید. (ماتریس متقارن ρ 5×5)
Fx = CORREL
مرحلۀ دوم: محاسبۀ ورودی های مدل
ماتریس یک ها را برای استفادۀ بعدی شکل دهید. (ماتریس I 1×5)
ماتریس متقارن واریانس_کوواریانس را از فرمول V = σ×ρ×σ محاسبه کنید. (ماتریس V 1×5) Fx = MMULT
معکوس ماتریس واریانس_کوواریانس را برای استفادۀ بعدی محاسبه کنید. (ماتریس 1- V 1×5) Fx = MINVERSE
لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : powerpoint (..ppt) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید : 15 اسلاید
قسمتی از متن powerpoint (..ppt) :
بنام خدا
1
استفاده ازالگوریتم مورچگان برای بهینه سازی Ant Colony Optimization
الگوریتم مورچگان:
استفاده از الگوریتم های ابتکاری در حل مسئله بهینه سازی امری ضروری و اجتناب ناپذیر است. این روش از توانایی مورچه ها در پیدا کردن کوتاه ترین مسیر بین لانه و یک منبع غذایی الهام گرفته است. وقتی مورچه ها در محیط اطراف حرکت می نمایند، اثری شیمیایی به نام فرومون از خود بجای می گذارند. وقتی جمعیتی از مورچه ها از چند مسیر بین لانه و یک منبع غذایی حرکت می کنند، پس از مدت زمان معینی مشاهده می شود که در مسیرهای متفاوت، فرومونهای برجای گذاشته شده متفاوت می باشد. این امر ناشی از این واقعیت است که مورچه هایی که در مسیر کوتاه حرکت می کنند، به علت کوتاه تر بودن مسیر در یک مدت زمان معین تردد بیشتری داشته اند چون مورچه ها، مسیر کوتاه تر را انتخاب کرده اند. با استفاده از روش مورچه ها، روش جستجوئی پیاده سازی می شود که در هر مرحله ای از اطلاعات مراحل قبلی برای رسیدن به هدف استفاده میگردد.
تاریخچه الگوریتم مورچگان:
به کارگیری سیستم مورچگان اولین بار (الگوریتم مورچگان) توسط Dorgio و همکاران و خود او به عنوان یک نگرش با چندین عامل برای حل مسائل بهینه سازی ترکیبی یا راه حل چندعامله ( multi Agent ) مشکل، مانند مسئله فروشنده دوره گرد یا ( TSP ) ( Traveling Sales Person ) و مسئله تخصیص منابع یا QAP پیشنهاد و ارائه شد.
خصوصیات مورچه ها:
1- اجتماعی بودن: مطالعات نشان داده است که مورچه ها حشراتی اجتماعی هستند که در کلونی ها زندگی می کنند و رفتار آنها بیشتر در جهت بقاء کلونی است تا در جهت بقاء یک جزء از آن.
2. هوشمندی توده ای: مورچه ها با وجود کور و کم هوش بودن کوتاهترین مسیر رفت و برگشت از خانه تا غذا را پیدا می کنند. این یکی از مهمترین و جالبترین رفتار مورچه ها می باشد که این نوع رفتار مورچه ها دارای نوعی هوشمندی توده ای است که عناصر رفتاری تصادفی(احتمال) دارند و بین آنها (همدیگر) هیچ نوع ارتباط مستقیمی وجود ندارد و آنها تنها بصورت غیرمستقیم و با استفاده از نشانه ها با یکدیگر در تماس هستند.