به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

particle swarm optimization (pso) algorithm

در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه particle swarm optimization (pso) algorithm در مقالات مجلات علمی
  • سعیده زینلیان، نازبانو فرزانه*

    در سال های اخیر، روند شهرنشینی بر لزوم توجه به کاهش انتشار دی اکسید کربن و افزایش ذخیره انرژی تاکید دارد. گسترش تعداد وسایل نقلیه در جاده همراه با سوء مدیریت فضای پارکینگ در دسترس باعث ایجاد مشکلات مرتبط با پارکینگ ها و افزایش ازدحام ترافیک در مناطق شهری شده است. بنابراین، لازم است یک سیستم مدیریت پارکینگ هوشمند خودکار ایجاد شود که نه تنها به راننده برای پیدا کردن فضای پارکینگ مناسب کمک کند، بلکه مصرف سوخت را نیز کاهش دهد.  امروزه بیشترین چالش متوجه گروه پارکینگ های کنار خیابان می باشد. زمانیکه رانندگان قصد دارند در کنار خیابان پارک کنند معیارهای زیادی را مد نظر دارند از قبیل فاصله از مقصد مورد نظر، هزینه پرداختی، یافتن سریعتر جای پارک و... در مقالات کمی به مساله یافتن جای پارک براساس معیارهای متعدد رانندگان توجه شده است. هدف در این مقاله یافتن جای پارک مطلوب رانندگان بر اساس معیارهای مشخص شده شان و پیشنهاد مناسب ترین موارد ممکن می باشد. در روش پیشنهادی  فرض می شود جای پارک های موجود در سطح شهر در یک پایگاه داده ذخیره شده است و مدام در حال به روزرسانی می باشد، بنابراین بااستفاده از الگوریتم بهینه سازی ازدحام ذرات PSO، به رانندگان مناسب ترین جای پارک ها بر اساس معیارهای مختلف شان، پیشنهاد شده است. همچنین با پیاده سازی این روش مشخص شد که هنگام استفاده از الگوریتم پیشنهادی باوجوداینکه اندکی زمان بیشتری صرف می گردد، ولی تعداد درخواست های بیشتری پاسخ داده می شود، مسافت کمتری پیموده شده و راننده هزینه کمتری را میپردازد.

    کلید واژگان: اینترنت اشیاء، شهر هوشمند، سیسشتم پیشنهاد دهنده پارکینگ کنار خیابان، الگوریتم PSO
    Saeede Zeinalian, Nazbanoo Farzaneh*

    In recent years, the urbanization has clearly emphasized the need to pay attention to design and deployment of smart cities to reduce carbon dioxide emissions and increase energy storage. The great development of the number of vehicles on the road, along with the mismanagement of accessible parking space, has created problems about parking and increased traffic congestion in urban areas. Therefore, it is necessary to create an automatic smart parking management system that not only helps the drivers to find the appropriate parking space for their vehicles, but also reduces fuel consumption. Today, the biggest challenge is about the group of parking space on-street, which consists of two parts: identifying empty parking space in the city and proposing suitable parking space for drivers according to their criteria. The purpose of this article is to find a suitable parking space for drivers according to their specified criteria and recommend the most similar ones. When drivers plan to park on the side of the road, many criteria are considered, such as distance from the intended destination, payment, finding a parking space faster, etc. In a few articles, the issue of finding a parking space has been considered based on various criteria of drivers. In the proposed method, it is assumed that the parking spaces in the city are stored in a database and being updated constantly, Therefore, using the particle swarm optimization algorithm (PSO), drivers are offered the most suitable parking spaces according to their criteria. The implementation of this method also proved that when using PSO algorithm, although more time is spent, more requests are answered and less distance is traveled.

    Keywords: Internet of Things, Smart City, On-Street Parking Recommender system, Particle Swarm Optimization (PSO) Algorithm
  • بهنام تشیع*

    مدل های رقومی ارتفاعی جهانی (GDEMs) یکی از مهم ترین منابع داده های ارتفاعی هستند. در طی سال های اخیر، GDEMs به دلیل پوشش جهانی و قابلیت دسترسی رایگان به صورت فزاینده ای مورد توجه محققین مختلف قرار گرفته اند. از پرکاربردترین این مدل ها می توان به AW3D، ASTER و SRTM اشاره نمود. هر یک از این مدل ها توسط فناوری های مختلف تولید می شوند و نقاط قوت و ضعف متفاوتی دارند. این امر موجب شده که مدل های مذکور با یکدیگر تطابق کامل نداشته باشند و دقت هر یک از آن ها تابع توپوگرافی محلی سطح زمین باشد. هدف اصلی این مطالعه، ادغام مدل های رقومی ارتفاعی جهانی جهت تولید مدلی با دقت ارتفاعی بالاتر نسبت به هر یک از مدل های اولیه می باشد. در همین راستا، در این مطالعه یک روش دو مرحله ای برای ادغام مدل های رقومی ارتفاعی پیشنهاد شده است. در مرحله اول، با استفاده از مدل رگرسیون وزن دار جغرافیایی (GWR) مناطقی از سطح زمین که دارای ویژگی های مشابه هستند، در کلاس های یکسانی طبقه بندی خواهند شد. در مرحله دوم، به منظور ادغام GDEMs، وزن بهینه هر یک از کلاس های تعریف شده برای هر یک از مدل های AW3D، ASTER و SRTM با استفاده از الگوریتم بهینه سازی توده ذرات (PSO) برآورد می شود. به منظور ارزیابی دقیق روش پیشنهادی، از این روش برای تولید مدل نهایی حاصل شده از ادغام (FusedDEM) در دو منطقه بومهن و تازه آباد استفاده شده است. در منطقه مطالعاتی اول (بومهن)، مقدار جذر میانگین مربع خطاها (RMSE) روی نقاط ارزیابی برای مدل های رقومی ارتفاعی AW3D، ASTER و SRTM در حالت پنج کلاسه به ترتیب 58/4 ، 69/8 و 70/4 متر و برای مدل نهایی حاصل شده از ادغام، برابر با 97/3 متر می باشد. به همین ترتیب در منطقه مطالعاتی دوم (تازه آباد)، مقدار RMSE روی نقاط ارزیابی برای هر یک از مدل های AW3D، ASTER و SRTM به ترتیب 33/3، 31/7 و 17/3 متر و برای مدل نهایی حاصل شده از ادغام، برابر با 74/2 متر می باشد.  نتایج حاصل نشان می دهندکه روش پیشنهادی قادر است با بهره گیری از نقاط قوت هر یک از این مدل های ورودی در فرآیند ادغام، مدلی با دقت بالاتر نسبت به هر یک از مدل های اولیه تولید نماید.

    کلید واژگان: مدل های رقومی ارتفاعی، الگوریتم بهینه سازی توده ذرات، مدل رگرسیون وزن دار جغرافیایی، ادغام داده های ارتفاعی
    B. Tashayo*

    Global Digital Elevation Models (GDEMs) are one of the most important sources of elevation data. In recent years, GDEMs have become increasingly popular with researchers due to their global coverage and free accessibility. The most commonly used GDEMs are AW3D, ASTER, and SRTM. Each of these models is produced by different technologies and have different strengths and weaknesses. This issue indicates that these data are not necessarily consistent with another, and their accuracy is dependent on the local topography of the earth. The main objective of this research is to fuse global digital elevation models to produce a model with higher vertical accuracy. In this regard, in this study, a two-step approach is proposed for fusing GDEMs. In the first step, a Geographically Weighted Regression (GWR) model is used to determine areas of the Earthchr(chr('39')39chr('39'))s surface that have similar properties. In other words, using the GWR model, regions of the study areas with similar behaviors are classified into the same classes. At this step, each of these study areas is classified into three, five, and seven classes. Among these modes, for both study areas, the best results are for five Class mode. In the second step, to fuse GDEMs, the optimum weight of each class defined for each of AW3D, ASTER, and SRTM models are estimated using the particle swarm optimization (PSO) algorithm. In order to evaluate the accuracy of the proposed method, it has been used to produce the fused DEM for two study areas of BumeHen and TazehAbad. In the first case study (BumeHen), the amount of Root Mean Square Error (RMSE) on test points in five class mode for AW3D, ASTER and SRTM are 4.58, 8.69 and  4.70 meters respectively, while it’s 3.97 meters for fused DEM. In the second case study (TazehAbad), the amount of RMSE on test points in five class mode for AW3D, ASTER, and SRTM are 3.33, 7.31, and 3.17 meter respectively and it’s 2.74 meters for fused DEM. The results show that the proposed method is capable of producing a higher accuracy model than any of the initial models by utilizing the potential of each of these input models in the fusion process.

    Keywords: Digital Elevation Models (DEMs), Particle Swarm Optimization (PSO) Algorithm, Geographically Weighted Regression (GWR), Fusion of Elevation Data
  • Masoud Azadi Moghaddam *, Farhad Kolahan
    In this study Electrical discharge machining (EDM) process, widely used in mold manufacturing, is modeled and optimized using artificial neural network and an optimization heuristic algorithm. Material removal rate (MRR), tool wear rate (TWR), and surface roughness (SR) are considered as performance characteristics of the EDM process. Optimization of process parameters in order to find a combination of process parameters to simultaneously minimize TWR and SR and maximize MRR is the objective of this study. In order to establish the relations between the input and the output process parameters, back propagation neural network (BPNN) used. In the last section of this research, particle swarm optimization (PSO) algorithm has been employed for optimization of the multiple response characteristics. A set of verification tests is also performed to verify the accuracy of optimization procedure in determination of the optimal levels of process parameters. Results demonstrate that propose modeling technique (BPNN) can precisely simulate actual EDM process with less than 1% error. Furthermore less than 4% error for PSO algorithm results is quite efficient in optimization procedure.
    Keywords: Electrical discharge machining (EDM), Design of experiments (DOE), optimization, Back propagation neural network (BPNN), Particle swarm optimization (PSO) algorithm
  • هادی نوروزی*، جلال بازرگان
    محاسبه عمق آب هنگام وقوع سیل جهت برآورد خسارات ناشی از آن، امری ضروری است. استفاده از روش های هیدرولیکی (حل معادلات سنت - ونانت) جهت روندیابی سیل و محاسبه عمق آب، به دلیل نیاز داشتن مشخصات مقاطع رودخانه در فواصل مناسب، امری زمان بر، مشکل و پر هزینه است. استفاده از روش های هیدرولوژیکی مانند روش ماسکینگام خطی جهت روندیابی سیل، علاوه بر سادگی و کم هزینه بودن، از دقت مناسبی نیز برخوردار است. تاکنون از روش ماسکینگام خطی جهت محاسبه هیدروگراف خروجی (تغییرات دبی بر حسب زمان در پایین دست) استفاده شده است. در حالیکه در تحلیل اقتصادی و برآورد خسارات سیل و مدیریت و مهندسی سیل، محاسبه تغییرات عمق آب نسبت به زمان در پایین دست از اهمیت بسزایی برخوردار است. لذا در پژوهش حاضر با استفاده از روش ماسکینگام خطی و الگوریتم بهینه سازی ازدحام ذرات (PSO) به جای محاسبه تغییرات دبی خروجی (پایین دست) نسبت به زمان، تغییرات عمق آب خروجی (پایین دست) نسبت به زمان در حد فاصل ایستگاه های هیدرومتری ملاثانی (بالادست) و اهواز (پایین دست) رود کارون محاسبه شده است. روش جدید ارائه شده در پژوهش حاضر، علاوه بر اینکه از دقت مناسبی برخوردار است، نسبت به روش های هیدرولیکی ساده تر و کم هزینه تر نیز می باشد.
    کلید واژگان: روندیابی سیل، روش ماسکینگام خطی، الگوریتم بهینه سازی ازدحام ذرات (PSO)، عمق سیلاب
    Hadi Norouzi *, Jalal Bazargan
    When a flood occurs it is essential in order to estimate the damage caused by it the depth of water is calculated. Use hydraulic methods for flood routing and calculation of water depth due to the need for river sections at appropriate distances it is time-consuming, difficult and costly. The use of hydrological methods such as the linear Muskingum method for flood routing, in addition to its simplicity and low cost, is also good accuracy. So far, the linear Muskingum method has been used to calculate the outflow hydrograph while in economic analysis and flood damage estimation and flood management and engineering, calculation of depth changes compared to time is of great importance. Therefore, in the present study, using the linear Muskingum method and the PSO algorithm instead of calculating the variation of the outflow discharge compared to time, the variation in the depth of water output compared to the time interval between the hydrometric stations of Mollasani and Ahwaz of the Karun River have been calculated. The new method presented in this study, in addition to being of good accuracy, is simpler and less costly than the hydraulic methods.
    Keywords: Flood Routing, Linear Muskingum Method, Particle Swarm Optimization (PSO) Algorithm, Flood Depth
  • جلال بازرگان، هادی نوروزی*
    بهینه یابی ضرایب روش ماسکینگام بر افزایش دقت روش مذکور اهمیت بسزایی دارد و یکی از مشکلات اصلی این روش تخمین مقدار دبی خروجی در زمان شروع سیل است که معمولا برابر با مقدار دبی ورودی در همان زمان در نظر گرفته می شود. در پژوهش حاضر با توجه به عدم قطعیت برابر بودن مقدار دبی خروجی در زمان شروع سیل با مقدار دبی ورودی در همان زمان و با استفاده از الگوریتم ازدحام ذرات (PSO) علاوه بر محاسبه ضرایب روش ماسکینگام خطی (X, K) مقدار دبی خروجی در زمان شروع سیل به صورت درصدی از مقدار دبی ورودی در همان زمان بهینه یابی شده است و سپس با استفاده از ضرایب محاسبه شده و درصد دبی ورودی بهینه یابی شده با استفاده از یک سیل که به عنوان سیل مشاهداتی در نظر گرفته شده است، جهت محاسبه دبی خروجی سیل های دیگری که مربوط به همان ایستگاه های هیدرومتری می باشند، استفاده شده است. دقت روش مذکور با استفاده از راهکار ارائه شده در پژوهش حاضر افزایش یافته است.
    کلید واژگان: روش ماسکینگام خطی، الگوریتم ازدحام ذرات (PSO)، عدم قطعیت دبی خروجی، بهینه یابی دبی خروجی
    Jalal Bazargan, Hadi Norouzi *
    The optimization of the Muskingum method coefficients is important for increasing the accuracy of the method. One of the main problems of this method is the estimation of the outflow rate at the time of flood initiation, which is usually equal to the inflow rate at the same time. In this study, due to the uncertainty of the equilibrium of the outflow rate at the time of flood initiation with the inflow rate at the same time, using the Particle Swarm Optimization (PSO) algorithm, in addition to calculating the coefficients of the linear Muskingum method (X, K), the outflow value in The flood initiation time is optimized in proportion to the amount of inflow at the same time, and then calculated using the calculated coefficients and the entered outflow rate is utilized using a flow that is considered as flood observations to calculate the flood outflow Other related items can be used at the same hydrometric stations. The accuracy of this method has been increased using the proposed solution in this research.
    Keywords: Linear Muskingum Method, Particle Swarm Optimization (PSO) Algorithm, Outflow Uncertainty, Outflow Optimization
  • رضا احمدی *، سجاد نان بده
    روش ژئوفیزیکی رادار نفوذی به زمین (GPR) با ارسال امواج الکترومغناطیسی در محدوده فرکانسی یک مگاهرتز تا بیش از یک گیگاهرتز به درون زمین و دریافت امواج بازتابی اهداف مدفون، قادر به آشکارسازی و شناسایی اهداف به ویژه استوانه های مدفون در اعماق کم، بدون ایجاد شکستگی و تخریب در محیط می باشد . در پژوهش حاضر از این روش برای شناسایی پارامترهای هندسی عمق دفن و شعاع اهداف استوانه ای مدفون، از طریق روابط ریاضی موجود بین این پارامترها و پارامترهای هذلولی پاسخ GPR، به کمک الگوریتم بهینه سازی تجمع ذرات ( PSO ) استفاده شده است. برای این منظور ابتدا مدلسازی پیشرو داده های GPR با استفاده از روش تفاضل محدود دوبعدی حوزه زمان ( FDTD ) به کمک نرم افزار GPRMAX برای تعداد زیادی از مدل های مصنوعی متناظر با اهداف متداول در کاربردهای ژئوتکنیکی و شناسایی ساختارها و تاسیسات زیرسطحی استوانه ای انجام شد. در این پژوهش همچنین برداشت- های میدانی متعددی در محوطه دانشگاه صنعتی اصفهان بر روی اهداف استوانه ای شکل مدفون از پیش شناخته شده، انجام شد و پاسخ GPR آن ها بعد از اعمال توالی های پردازشی مختلف، مورد بررسی قرار گرفت. به منظور استخراج پارامترهای هندسی اهداف استوانه ای مدفون در مدل های مصنوعی و برداشت های واقعی، از الگوریتم PSO در محیط نرم افزار MATLAB استفاده شد. عملکرد الگوریتم برای تعداد 7 مدل مصنوعی تولید شده شامل اهداف استوانه ای با جنس ها، شعاع ها و عمق دفن های مختلف و نیز نگاشت های راداری واقعی GPR پروفیل های برداشت شده در محوطه دانشگاه صنعتی اصفهان، مورد آزمایش و ارزیابی قرار گرفت که برای مدل های مصنوعی نتایج مطلوب و در مورد تصاویر واقعی، نتایج قابل قبولی حاصل نمود.
    کلید واژگان: رادار نفوذی به زمین (‏GPR‏)، مدل سازی پیشرو، هذلولی پاسخ، استخراج پارامترهای هندسی اهداف استوانه ای، الگوریتم بهینه سازی ‏انبوه ذرات (‏PSO‏)‏
    Reza Ahmadi*, Sajjad Nan Bedeh
    The geophysical ground-penetrating radar (GPR) method is able to detect and identify shallow buried targets ‎especially cylindrical type without any destruction of the medium. GPR method is based on sending the ‎electromagnetic waves generally in the range of 1 MHz up to 1 GHz frequency into the earth and receiving ‎reflected off various buried targets. In present research, this method has been used to identify geometrical ‎parameters of buried cylindrical targets containing burial depth and radius. This task was done through the ‎mathematical relationships between geometrical parameters of cylindrical targets with their GPR hyperbolic ‎response using the particle swarm optimization algorithm (PSO). To achieve this goal first, forward modeling of ‎GPR data by 2-D finite-difference time-domain (FDTD) method using GPRMAX was performed for several ‎synthetic models corresponding to common targets in geotechnical applications and subsurface cylindrical ‎installations. Also in the research, several field surveys were carried out over the well-known buried cylindrical ‎targets in Isfahan University of Technology campus, moreover their GPR response was investigated after ‎employing different processing sequences. In order to extract the geometrical parameters of the buried cylindrical ‎targets in synthetic models and real surveys, the PSO algorithm was used in MATLAB environment. The algorithm ‎performance for 7 produced synthetic models, including cylindrical targets made by different materials, radii and ‎burial depth, as well as the real radargrams of GPR profiles in Isfahan University of Technology campus was ‎verified leading to favorite and reasonable results for the synthetic models and real radargrams, respectively.‎
    Keywords: Ground-penetrating radar (GPR), Forward modeling, Hyperbolic response, Extraction of geometrical parameters ‎of cylindrical targets, Particle swarm optimization (PSO) algorithm
  • M. Azadi Moghaddam, R. Golmezerji, F. Kolahan
    Gas metal arc welding (GMAW) can be considered the most extensively used process in automated welding due to its high productivity. However, to simultaneously achieve several conflicting objectives such as reducing production time, increasing product quality, full penetration, proper joint edge geometry and optimal selection of process parameters a multi criteria optimization procedure must be used. The aim of this research is to develop a multi criteria modeling and optimization procedure for GMAW process. To simultaneously predict weld bead geometry (WBG) characteristics and heat affected zone (HAZ), a back propagation neural network (BPNN) has been proposed. The experimentally derived data sets are used in training and testing of the network. Results demonstrated that the finely tuned BPNN model can closely simulate actual GMAW process with less than 1% error. Next, to simultaneously optimize process characteristics the BPNN model is inserted into a particle swarm optimization (PSO) algorithm. The proposed technique determines a set of parameters values and the work piece groove angle in such a way that a pre specified WBG is achieved while the HAZ of the weld joint is minimized. Optimal results were verified through additional experiments.
    Keywords: Gas Metal Arc Welding (GMAW), Joint Edge Geometry, Heat Affected Zone (HAZ), Multi-Criteria Optimization, Artificial Neural Network (ANN), Particle Swarm Optimization (PSO) algorithm
  • Vadood Hajbani *, Mahdi Salimi
    In this paper, optimization of the backstepping controller parameters in a grid-connected single-phase inverter is studied using Imperialist competitive algorithm (ICA), Genetic Algorithm (GA) and Particle swarm optimization (PSO) algorithm. The controller is developed for the system based on state-space averaged model. By selection of a suitable Lyapunov function, stability of the proposed controller is proved in a wide range of operation. Considering different optimization algorithms, steady-state and dynamic responses of the developed system are studied. In addition, THD values for different test are compared. Finally, to verify accuracy of the proposed method, designed controller is simulated using MATLAB/Simulink software.
    Keywords: Grid, connected inverter, nonlinear controller, Imperialist competitive algorithm (ICA), Genetic Algorithm (GA), Particle swarm optimization (PSO) algorithm
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال