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 algorithm

در نشریات گروه فنی و مهندسی
  • Ayoub Nargeszar, Amir Ghaedi *, Mehdi Nafar, Mohsen Simab
    In recent years, the local feeding of the required loads in the micro grids has received much attention comparing to the extension of the large fuel-based power plants, which require the development of costly transmission lines. On the other hand, environmental constraints have led to the increasing development of renewable energy sources that can generate electricity in the form of small-scale generation units in micro grids. In this study, an appropriate mixture of renewable sources incorporating the wind turbines, current type tidal generation units and the photovoltaic systems is integrated to the micro grid connected to the energy storage systems. The proposed micro grid can be customized in the coastal regions and islands for supplying required loads. To optimally determine capacity and size of renewable power plants, different metaheuristic algorithms are applied, and among them, the particle swarm optimization methodology is used to minimize cost function of the system including the investment, operation and the reliability costs. To calculate reliability cost of micro grid, variable hazard rate of the assembled elements influenced by change in air and water temperature, wind velocity, tidal stream velocity and sun irradiance is taken into account. Load curtailment of the micro grid is occurred due to failure of the assembled elements and the change in renewable sources that both are addressed in the paper. For examining effectiveness of proposed approach, numerical results associated to the planning of a micro grid incorporating renewable sources considering the reliability cost are given.
    Keywords: Optimal Planning, Renewable Energy-Based Micro Grid, Reliability Cost, Variable Failure Rate, Particle Swarm Optimization Algorithm
  • C. A. Lopez Castillo, A. V. Huillcahuaman Tecsi, J. Villavicencio Gastelu *, A. E. Obispo
    The steady increase in energy demand results in under-voltage problems and an increase in the active power losses in electrical distribution networks. The optimal placement of capacitor banks in distribution systems is essential for enhancing the voltage profile and reducing power losses. This paper proposes a modified particle swarm optimization (PSO) algorithm using an adaptive inertia constant to expand the search space and determine the optimal locations and sizes of capacitor banks. Two loss sensitivity indices (LSI) were applied to identify candidate buses. This methodology was applied to the IEEE 33-bus radial distribution system considering two scenarios: one with fixed capacitors (Case 1) and the other with switched capacitors (Case 2). The results demonstrate that the proposed algorithm effectively reduces system losses by 31.30% and 31.38% in Cases 1 and 2, respectively. In addition, in both cases, the voltage profiles were improved and maintained within allowable limits. Therefore, the proposed methodology is expected to work well in larger electrical distribution networks.
    Keywords: Electrical Distribution Networks, Capacitor Banks, Particle Swarm Optimization Algorithm, Under Voltage Power Losses
  • عاطفه صیادی شهرکی، فهیمه صیادی شهرکی*، بیژن حقیقتی

    آب های زیرزمینی در مناطق خشک و نیمه خشک مهم ترین منبع آب مورد استفاده برای مصارف شرب و کشاورزی به شمار می آیند. به همین دلیل توجه به کیفیت آن ها اهمیت دارد. نیترات یکی از آلوده کننده های منابع آب زیرزمینی است که توسط فعالیت های کشاورزی و فاضلاب تولید می شود. با توجه به اینکه اندازه گیری نیترات توسط روش های صحرایی و نمونه برداری بسیار پرهزینه و محدود است، استفاده از روش های نوین پیش بینی مانند شبکه های عصبی مصنوعی می تواند ابزار مفیدی برای این کار به شمار رود. استفاده از شبکه های عصبی مصنوعی  در مطالعات هیدرولوژیکی دهه اخیر، نشان می دهد این مدل ها توانایی بالائی در کشف رابطه بین داده ها و شناخت الگوها دارند. در این پژوهش شبکه عصبی مصنوعی در ترکیب با الگوریتم PSO و نیز GA برای شبیه سازی میزان نیترات آب های زیرزمینی دشت بهبهان مورد ارزیابی قرار گرفته و عملکرد بسیار مناسبی را از خود نمایش می دهند.

    کلید واژگان: الگوریتم بهینه سازی تجمع ذرات، الگوریتم ژنتیک، شبکه عصبی مصنوعی، شبیه سازی، نیترات.
    Atefeh Sayadi Shahraki, Fahimeh Sayadi Shahraki*, Bijan Haghighati

    Groundwater is the most important water resource for drinking and agricultural usage especially in arid and semi-arid regions. So, it is important to note its quality. Nitrate is one of the groundwater pollutants which is mostly derived from agricultural and wastewater sources. Since nitrate determination using sampling was very expensive and limited, it is necessary to use new prediction methods like artificial neural network. The use of artificial neural networks in hydrological studies of the last decade shows that these models have a high ability to discover the relationship between data and recognize patterns. The success of neural network models in estimating different parameters of water sources has always been emphasized by different researchers.

    Keywords: Artificial Neural Network, Genetic Algorithm, Nitrate, Particle Swarm Optimization Algorithm, Simulation
  • علی صادقی، محمدرضا سهرابی*، سید مرتضی کاظمی

    با توجه به افزایش روزافزون استفاده از اسکلت های فولادی در ساختمان های ساخته شده در ایران و افزایش قیمت پروفیل نسبت به ورق خام، استفاده از تیرورق در ساخت اسکلت های فولادی رونق فراوان یافته است. اتصالات در تمامی سازه ها ازجمله سازه های فولادی یکی از اجزای اساسی بوده و عامل اصلی یکپارچگی سیستم های سازه ای به شمار می آیند. هدف از این پژوهش تعیین ابعاد مطلوب برای اتصالات صفحه انتهایی جهت کاهش هزینه به کمک الگوریتم بهینه سازی ازدحام ذرات است؛ به طوری که محدودیت های مکانیکی مربوط به لنگر خمشی و سختی آغازین حاصل و همچنین ایمنی و یکپارچگی اتصال به خطر نیافتد. در مدل بهینه سازی، شش متغییر طراحی ازجمله ابعاد، ضخامت صفحه انتهایی، قطر و محل پیچ ها انتخاب شدند تا مقادیر به دست آمده با نتایج ادبیات گذشته مقایسه شوند. برای محاسبه ممان خمشی و سختی دورانی اتصال از "روش مولفه ای" موجود در یوروکد 3 بخش 8-1 استفاده شده و همچنین تجزیه و تحلیل و طراحی بهینه اتصالات تیر به ستون برای قاب های فولادی دوبعدی در محیط محاسباتی MATLAB صورت پذیرفت. خروجی این برنامه نتایج کاملا رضایت بخشی را در مقایسه با نتایج موجود در ادبیات گذشته نشان می دهد؛ به طوری که نتایج به دست آمده با استفاده از الگوریتم بهینه سازی یادشده هزینه اتصالاتA ،B ، C و D از قاب مورد بررسی به ترتیب 46/24 درصد، 5/29 درصد، 55/10 درصد و 56/44 درصد در مقایسه با پژوهش کابرو و بایو در سال 2005 و همچنین هزینه اتصالاتA  و C از قاب مورد بررسی به ترتیب 8/07 درصد و 0/22 درصد نسبت به پژوهش دیاز و همکاران در سال 2012 کاهش یافت.

    کلید واژگان: روش مولفه ای، بهینه سازی سازه، اتصالات تیر به ستون فولادی، اتصالات صفحه انتهایی پیچی، الگوریتم بهینه سازی ازدحام ذرات
    A. Sadeghi, M.R. Sohrabi*, S.M. Kazemi

    Due to the increasing use of steel frames in buildings built in Iran and the increase in the price of profiles compared to raw sheets, the use of plate girders in the construction of steel frames has become significantly popular. Connections are one of the basic components in all structures, including steel structures, and are considered the main factor in the integrity of structural systems. The purpose of this research is to determine the optimal dimensions for the end plate connections to reduce the cost using particle swarm optimization algorithm, so that the mechanical limitations related to the bending moment and the resulting initial stiffness, as well as the safety and integrity of the connection, are not compromised. In the optimization model, six design variables including the dimensions and thickness of the end plate, the diameter and location of the bolts were selected to compare the obtained values with the results of the past literature. To calculate the bending moment and rotational stiffness of the connection, the "component method" found in Eurocode 3-part 1-8 was used, and the analysis and optimal design of beam-to-column connections for two-dimensional steel frames was done in the MATLAB computing environment. The output of this program shows completely satisfactory results compared to the results in the past literature, so that the results obtained by using the aforementioned optimization algorithm show the cost of connections A, B, C and D of the investigated frame, respectively cost reductions of 46.24%, 5.29%, 55.10% and 56.44% by compared to the research of Cabrero and Bayo in 2005. Also, the cost of connections A and C of the examined frame decreased by 8.07% and 0.22%, respectively, compared to Diaz et al.'s research in 2012.

    Keywords: Component Method, Steel Moment Connection, Structural Optimization, Steel Beam-Column Connections, Bolted End-Plate Connections, Particle Swarm Optimization Algorithm
  • آتنا ناصری، سید احمد یزدیان*

    با افزایش آلودگی های زیست محیطی در اثر دفع محصولات مستعمل در محیط زیست، بازیابی این گونه محصولات در پایان چرخه عمرشان تبدیل به یکی از موضوعات مهم در حوزه لجستیک معکوس و تولید پایدار شده است. بازتولید یکی از گزینه های بازیابی محصولات مستعمل، با مزیت های اقتصادی بالا و کمترین اثرات مخرب زیست محیطی می باشد. برنامه ریزی همزمان تولید محصولات نو و بازتولید محصولات مستعمل، یک سیستم ترکیبی تولید/بازتولید را شکل داده که در زمره مسائل پیچیده در حوزه برنامه ریزی سیستم های تولیدی قرار می گیرد که تاکنون در این حوزه، قیمت گذاری، وارانتی و همچنین رقابت به صورت جدی بررسی نشده است. هدف این پژوهش ایجاد یک برنامه تولید بهینه برای یک سیستم ترکیبی تولید/بازتولید چنددوره ای است که در آن تولیدکننده درخصوص قیمت، میزان تولید و مدت زمان وارانتی برای محصولات نو و بازتولیدی به صورت همزمان تصمیم می گیرد. برای دستیابی به این هدف، یک مدل ریاضی غیرخطی عدد صحیح مختلط (MINLP) چنددوره ای ساخته می شود. در دوره اول تنها محصول نو تولید و به فروش می رسد، سپس از دوره های بعد محصولات مستعمل (هسته ها) در سطوح کیفیتی متفاوت از مشتریان خریداری شده و درنتیجه بازتولید به مدل اضافه می گردد. ازآنجا که هر دو نوع محصول در یک بازار به فروش می رسند، بین آن ها در کسب سهم بیشتر بازار رقابت وجود دارد، که این موضوع در مدل لحاظ شده است. باتوجه به پیچیدگی مدل توسعه یافته، از الگوریتم های بهینه سازی ازدحام ذرات و شبیه سازی تبرید برای حل آن استفاده می شود. نتایج عددی، کارایی و اثربخشی مدل پیشنهادی و رویکردهای حل را نشان می دهند.

    کلید واژگان: سیستم ترکیبی تولید، بازتولید، قیمت گذاری، وارانتی، رقابت، برنامه ریزی غیرخطی عدد صحیح مختلط، الگوریتم بهینه سازی ازدحام ذرات
    Atena Naseri, Seyyed Ahmad Yazdian *

    With the increase in environmental pollution due to the disposal of used products in the environment, recovery of such products at the end of their life cycle has become one of the important issues in the field of reverse logistics and sustainable production. Remanufacturing is one of the options for used products recovery with high economic advantages and the least harmful environmental effects. The simultaneous planning of the production of new products and remanufacturing of used ones forms a combined manufacturing/remanufacturing system, which is among the complex issues in the field of production systems planning. The combined pricing, warranty, and competition considerations has so far not been seriously investigated in this field. The aim of this research is to create an optimal production plan for a multi-period hybrid manufacturing/remanufacturing system, where the producer decides on the price, the amount of production and the warranty period for both new and remanufactuted products. To achieve this goal, a multi-period mixed integer non-linear programming (MINLP) model is built. Only new products are produced and sold in the first period, then the used products (cores), in different quality levels, are purchased from customers in the following periods, and hence, remanufacturing is added to the model. Both types of products are sold in the same market, so there is competition between them to gain more market share. Due to the complexity of the developed model, particle swarm optimization (PSO), and simulated annealing (SA) algorithms are used for its solution. Numerical results show the efficiency and effectiveness of the proposed model and solution approaches.

    Keywords: Hybrid Manufacturing, Remanufacturing System, Pricing, Warranty, Competition, Mixed-Integer Nonlinear Programming, Particle Swarm Optimization Algorithm
  • شهاب امانت، حامد خرازی، مریم بیطرف*
    در پژوهش حاضر، به مقایسه ی دقت و سرعت همگرایی روش های فراابتکاری مختلف در تعیین سختی المان های سازه با استفاده از پارامترهای مودال سازه و تعریف یک تابع هدف مناسب پرداخته شده است. بدین منظور، دو قاب یک بعدی 3 طبقه و 6 طبقه و یک خرپای دوبعدی بررسی شده اند. روش های فراابتکاری، شامل: بهینه سازی ژنتیک، اجتماع ذرات، و آموزش و یادگیری است. تابع هدف، حاصل جمع دو عبارت توان دوم اختلاف بسامد اول سازه ی بررسی شده با بسامد اول سازه ی حاصل از ماتریس سختی فرضی در هر نسل و اندازه ی بردار اختلاف شکل مودی اول سازه ی مذکور و سازه ی حاصل از ماتریس سختی فرضی در هر نسل است. در الگوریتم های فراابتکاری استفاده شده، با کمینه سازی مقدار تابع هدف، مقدار سختی المان های سازه ها به دست آمده است، که کارایی بالای روش های فراابتکاری
    را در تعیین مشخصات مجهول سازه ها نشان می دهد. نتایج نشان می دهند که الگوریتم آموزش و یادگیری، بیشترین سرعت همگرایی و کمترین خطا را نسبت به سایر الگوریتم ها داشته است. الگوریتم اجتماع ذرات، سرعت و خطای قابل قبولی را نشان داده است. میزان خطای الگوریتم ژنتیک در مقایسه با دو الگوریتم دیگر قابل توجه بوده است.
    کلید واژگان: پایش سلامت سازه ها، الگوریتم ژنتیک، الگوریتم اجتماع ذرات، الگوریتم آموزش و یادگیری
    Sh. Amanat, H. Kharrazi, M. Bitaraf *
    This paper investigates the accuracy and convergence rate of different metaheuristic algorithms in determining the stiffness of structural elements using structural modal parameters and defining a suitable objective function. To achieve this purpose, three different structures, including a three-story one-dimensional frame, a six-story one-dimensional frame and a two-dimensional truss, were investigated. The metaheuristic algorithms, employed in this study, were Genetic Algorithm, Particle Swarm Optimization, and Teaching–learning-based Optimization. The objective function utilized in this study consists of two terms; the first part involves the squared difference between the first frequency of the structure obtained from the responses of the investigated structure and the first frequency obtained from the hypothetical stiffness matrix in each generation of algorithms. The second part measures the norm of the difference between the first mode shape of the structure obtained from the responses of the investigated structure and the first mode shape obtained from the hypothetical stiffness matrix in each generation of algorithms. By minimizing the objective function, the Genetic Algorithm, Particle Swarm Optimization, and Teaching–learning-based Optimization determined the element stiffness of the three-story, six-story and truss structures, thus demonstrating the high efficiency of metaheuristic algorithms in resolving unknown parameters of structures. The average run time for the Genetic Algorithm was 3.38 seconds, 4.47 seconds, and 15.73 seconds for the three respective problems. For Particle Swarm Optimization, the times were 3.76 seconds, 6.47 seconds, and 16.76 seconds. The Teaching–learning-based Optimization achieved times of 1.92 seconds, 4.51 seconds, and 12.76 seconds. The Teaching–learning-based Optimization exhibited the highest convergence rate and the lowest error compared to the Genetic Algorithm and Particle Swarm Optimization. For example, in the two-dimensional truss, the values of the objective function in the last iteration of the Genetic Algorithm, Particle Swarm Optimization, and Teaching–learning-based Optimization were , and , respectively. The Particle Swarm Optimization demonstrated an acceptable convergence rate and error compared to the Genetic algorithm. The Genetic Algorithm, however, displayed a significant error rate in determining the stiffness of structural elements compared to the other two algorithms.
    Keywords: Structural Health Monitoring, Genetic Algorithm, Particle Swarm Optimization Algorithm, Teaching–Learning-Based Optimization Algorithm
  • سید ابراهیم دشتی رحمت آبادی*، سعید شب بویی

    محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاه های تلفن همراه به سرورهای لبه در سیستم های محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیه شده برای ماشین های مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمان بندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.

    کلید واژگان: بهبود تخصیص منابع، محاسبات لبه موبایل، الگوریتم بهینه سازی ازدحام ذرات، الگوریتم گرک خاکستری.
    Seyed Ebrahim Dashti Rahmatabadi *, Saeid Shabooei

    Mobile edge computing improves the experience of end users to achieve appropriate services and service quality. In this paper, the problem of improving resource allocation when offloading tasks based on mobile devices to edge servers in computing systems was investigated. Some tasks are processed locally and some are offloaded to edge servers. The main issue is that the offloaded tasks for virtual machines in computing networks are properly scheduled to minimize computing time, service cost, computing network waste, and the maximum connection of a task with the network. In this paper, it was introduced using the hybrid algorithm of particle swarm and gray wolf to manage resource allocation and task scheduling to achieve an optimal result in edge computing networks. The comparison results show the improvement of waiting time and cost in the proposed approach. The results show that, on average, the proposed model has performed better by reducing the work time by 10% and increasing the use of resources by 16%.

    Keywords: Improving Resource Allocation, Mobile Edge Computing, Particle Swarm Optimization Algorithm, Gray Wolf Algorithm
  • شهریار افندی زاده*، محمود احمدی نژاد، سعیده عبدلی، حمید بیگدلی
    یکی از مسائل مهم در صنعت حمل ونقل، طراحی شبکه تحویل بسته های پستی (شبکه پستی) می باشد. شبکه پستی شبکه ای است که در آن، جریان مرسولات توسط حامل های بار از چندین مبدا جمع آوری شده و به ها ب ها انتقال داده می شوند؛ در مرحله آخر، بسته های پستی توسط حامل های بار به مقصد نهایی ارسال می شوند. به منظور ارائه این خدمت، هاب ها جهت پردازش مرسولات مکان یابی شده و مسیرهای محلی جهت برداشت و توزیع بسته ها در هاب ها برنامه ریزی می شوند. این مسئله با عنوان مسئله مکانیابی-مسیریابی شناخته می شود. پژوهش حاضر به دنبال مکان یابی هاب و مسیریابی حامل های بار در مقیاس بین شهری و در سطح کشور ایران می باشد. برای این منظور، ابتدا مدل ریاضی مسئله مکان یابی هاب ها و مسیریابی حامل های بار ارائه شده و ازآنجاکه مسئله مکانیابی-مسیریابی در دسته بندی مسائل پیچیده با ابعاد بزرگ قرار می گیرد، از الگوریتم های فرا ابتکاری برای حل آن استفاده گردیده است. در پژوهش حاضر، با ادغام دو الگوریتم ژنتیک (GA) و الگوریتم بهینه سازی ازدحام ذرات (PSO) به حل مسئله مکانیابی-مسیریابی پرداخته شده است. نتایج این پژوهش نشان می دهد که ادغام دو الگوریتم PSO و GA نسبت به حالتی که تنها از یک الگوریتم فرا ابتکاری برای حل مسئله استفاده شود پاسخ بهتری ارائه می دهد. شایان ذکر است که از داده های شرکت تیپاکس جهت مکان یابی هاب ها و مسیریابی مسیرهای محلی استفاده گردیده است.
    کلید واژگان: الگوریتم بهینه سازی ازدحام ذرات، الگوریتم ژنتیک، بهینه سازی شبکه پستی، مسئله مکان یابی، مسیریابی هاب
    Shahriar Afandizadeh *, Mahmoud Ahmadinejad, Saeideh Abdoli, Hamid Bigdeli
    The postal network is a network in which the flow of shipments is collected by vehicles from several sources and transferred to hubs; In the last step, the parcels are sent to the final destination by the vehicles. In order to provide this service, the hubs are located to process the parcels and the local routes are planned to pick up and delivery the packages in the hubs. This problem is known as location-routing problem. The current research seeks to locate the hub and the routing of freight carriers on an intercity scale and at the level of Iran. For this purpose, first, the mathematical model of the problem of locating the hubs and routing the cargo carriers is presented, and since the problem of locating-routing is in the category of complex problems with large dimensions, meta-heuristic algorithms have been used to solve it. In previous studies, meta-heuristic algorithms or a combination of them have been used to solve the location-routing problem, but in the study, the location-routing problem has been solved by integrating two genetic algorithms (GA) and the particle swarm optimization algorithm (PSO). The results of this research show that the integration of two algorithms, PSO and GA, provides a better answer than if only one meta-heuristic algorithm is used to solve the problem. It is worth mentioning that in the current research, the data of Tipax Company was used to locate the hubs and local tours routing.
    Keywords: Hub Location Routing Problem, Postal Network Optimization, Genetic Algorithm, Particle Swarm Optimization Algorithm
  • امیررضا قندیان، نیکروز مستوفی*، عباس مجیدی زاده، حمید مطیعیان
    پیشینه و اهداف

    امروزه، توسعه شهرنشینی و افزایش جمعیت شهری، بیش از گذشته باعث گرم شدن هوا و ایجاد جزایر حرارتی شهری شده است. جزایر حرارتی شهری، پدیده ای ناشی از آثار شهرنشینی است که به واسطه آن، درجه حرارت در محیط شهری از مناطق حومه ای بالاتر می رود. این پدیده، به سبب افزایش دما جوی و محیطی می تواند صدمات جبران ناپذیری از قبیل آلودگی های زیستی، انتشار گازهای گلخانه ای، بیماری های ناشی از گرما و تاثیر در کیفیت آب را برای جوامع و محیط زیست به بار آورد. این پژوهش، به منظور کاهش دما و تلاش برای از بین بردن پدیده جزیره حرارتی، رویکرد موثر و کارآمدی را به کمک علم سنجش از دور و الگوریتم های بهینه سازی براساس جایگزینی پوشش بام های یک منطقه با پوشش های با جذب گرمای کمتر پیشنهاد می کند. در این پژوهش، سعی بر آن است تا اثر جزیره حرارتی شهری را بر مبنای الگوریتم ها و پارامترهای آماری تاثیرگذار بر دمای محیط که در تحقیقات گذشته کمتر مورد مطالعه قرار گرفته اند، کاهش دهیم. همچنین، استفاده از روش بهینه سازی هوشمند در این زمینه می تواند باعث نوآوری و ایجاد نتایج بهتر و دقیق تری شود. مسیر جدیدی که این مطالعه بررسی می کند، تغییر پوشش سقف یک منطقه با پوشش های کاربردی دیگر است که باعث کاهش دمای هوا در آن منطقه می شود. پوشش هایی که جهت جایگزینی پوشش بام ها برای تعدیل و خنک سازی دمای منطقه مورد مطالعه در نظر گرفته شدند، دو نوع پوشش خاک و گیاهی می باشند.

    روش ها

    رویکرد پیشنهادی این پژوهش، استفاده از دو الگوریتم بهینه سازی ژنتیک و ازدحام ذرات است و پارامترهایی که تابع هدف این دو الگوریتم را تشکیل می دهند، دو پارامتر انحراف معیار دما و میانگین هزینه مالی تغییر پوشش سقف هر قطعه ساختمانی است. مجموعه داده تحقیق، تصاویر ماهواره ای لندست 8 از محله اندیشه شهر تهران است. در این تحقیق، از تصاویر ماهواره ای برای اهدافی همچون تهیه تصاویر رنگی، نگاشت شاخص های گیاهی و غیرگیاهی منطقه مورد مطالعه، محاسبه دمای سطح زمین و جزایر حرارتی شهری استفاده شده است.

    یافته ها

    نتایج به دست آمده بیانگر این موضوع می باشد که هر دو الگوریتم بهینه سازی عملکرد خوبی را ارائه داده و پارامترهای مساله را بهبود بخشیده اند، اما الگوریتم بهینه سازی ژنتیک، نتیجه بهتری را در زمان و تکرار کم تری کسب کرده است. در مقایسه این دو الگوریتم، الگوریتم بهینه سازی ژنتیک انحراف معیار را 19 درصد کاهش داد و مقدار آن را به 42/0 رساند. از سوی دیگر، الگوریتم بهینه سازی ازدحام ذرات در مدت زمانی طولانی تر، انحراف معیار را 14 درصد کاهش داد و مقدار آن را به 44/0 رساند.

    نتیجه گیری

    الگوریتم ژنتیک در بهینه سازی پوشش بام ساختمان ها، نتایج بسیار خوبی را با هزینه کل 4678 و انحراف معیار 4177/0 کسب کرد. با تعداد 12100 بار ارزیابی تابع هدف به سرعت همگرا شد و هر دو پارامتر تابع هزینه را به میزان قابل توجهی کاهش داد (الگوریتم ژنتیک تا حد ممکن به بهترین جواب رسیده است). الگوریتم بهینه سازی ازدحام ذرات نیز با کسب هزینه کل 4965، انحراف معیار 4430/0 و با تعداد 20100 بار ارزیابی تابع هدف نتوانست جوابی به خوبی الگوریتم ژنتیک برسد. در خصوص مقایسه بین این دو الگوریتم، ژنتیک با کم تر از 3000 بار ارزیابی تابع هدف، توانست بهینه ترین جوابی را که الگوریتم ازدحام ذرات در 20100 بار ارزیابی به آن رسیده، تجربه کند. استفاده از الگوریتم های فراابتکاری در بهینه سازی مسائل عملی، که امروزه در صنایع متنوع به دفعات با آن ها مواجه می شویم، می تواند بسیار کارآمد باشد. نتایج این الگوریتم ها، با وجود اختلافات در خروجی ها بسیار مناسب و رسیدن به چنین جواب هایی برای مسائل مختلف بدون استفاده از این گونه الگوریتم ها غیرممکن خواهد بود. به عنوان کارهای آتی براساس آن چه که در این پژوهش حاصل شده، پیشنهاد می شود از سایر الگوریتم های بهینه سازی و یا حتی الگوریتم های قدرتمند مدل سازی همچون شبکه های عصبی مصنوعی استفاده شود. همچنین، می توان تغییر پوشش بام ساختمان ها و استفاده از پوشش های جدیدتر را در تعدیل دما با اتخاذ پارامترهای جدید از تابع هزینه در الگوریتم های بهینه سازی و یادگیری عمیق مورد بررسی قرار داد.

    کلید واژگان: الگوریتم بهینه سازی ازدحام ذرات، الگوریتم بهینه سازی ژنتیک، تصاویر ماهواره لندست 8، جزایر حرارتی شهری، سنجش از دور
    A. Ghandian, Ni. Mostofi *, A. Majidizadeh, H. Motieyan
    Background and Objectives

    Nowadays, the development of urbanization and the increase of urban population have caused the air to heat up more than in the past and create urban heat islands. Urban heat islands are a phenomenon caused by the urbanization effects, due to which the temperature in the urban environment rises higher than in the suburbs. This phenomenon can cause irreparable damage due to the increasing atmospheric and environmental temperature, such as biological pollution, greenhouse gas emissions, diseases caused by heat, and impact on water quality brought to communities and the environment. This research proposes an effective and efficient approach with the help of remote sensing and optimization algorithms based on replacing the roof covering of an area with less heat-absorbing coverings to reduce the temperature and try to eliminate the heat island phenomenon. In this research, we are trying to reduce the urban heat island effect based on algorithms and statistical parameters affecting the ambient temperature, which has had few studies in past research. Also, using the intelligent optimization method in this field can cause innovation and create better and more accurate results. The new way that this study examines is to change the roof covering of an area with other functional coverings that reduce the air temperature in that area. The coverings that we considered to replace the covering of the roofs to moderate and cool the temperature of the studied area are two types of coverings: soil and vegetation.

    Methods

    The proposed approach of this research is to use two optimization algorithms of genetic and particle swarm, and the parameters that form the objective function of these two algorithms are the temperature standard deviation and the average financial cost of the coverage changing of each building parcel. The research dataset is Landsat 8 satellite images of Andisheh neighborhood in Tehran. This research uses satellite images for purposes such as preparing color images, mapping the vegetation and non-vegetation indices of the study area, and calculating the earth's surface temperature and urban heat islands.

    Findings

    The results indicate that both optimization algorithms have provided good performance and improved the problem parameters, but the genetic optimization algorithm obtained a better result in less time and iteration. In comparing the two algorithms, the genetic optimization algorithm reduced the standard deviation by 19%, bringing its value to 0.42. On the other hand, the particle swarm optimization algorithm for a longer time, reduced the standard deviation by 14%, bringing its value to 0.44.

    Conclusion

    The genetic algorithm in optimizing the building roofs obtained excellent results with a total cost of 4678 and a standard deviation of 0.4177. It converged quickly with the 12100 number of objective function evaluations and significantly reduced both the cost function parameters (The genetic algorithm has reached the best possible answer). The particle swarm optimization algorithm also failed to achieve an answer as good as the genetic algorithm with a total cost of 4965, a standard deviation of 0.4430, and a 20100 number of objective function evaluations. About the comparison between these two algorithms, the genetic, with less than 3000 objective function evaluations, was able to experience the most optimal solution that particle swarm algorithm reached with the 20100 number of function evaluations. The use of metaheuristic algorithms in practical problem optimizations, which we frequently encounter in various industries today, can be very efficient. The results of these algorithms are very suitable despite the differences in the outputs, and it will be impossible to reach such answers to different problems without using such algorithms. In future work, based on what we obtained in this research, we suggest using other optimization algorithms or even powerful modeling algorithms such as artificial neural networks. Also, it is possible to study the change in building roof covers and the use of newer coverings in moderating the temperature by adopting new parameters from the cost function in optimization and deep learning algorithms.

    Keywords: Genetic Optimization Algorithm, Remote Sensing Genetic Optimization Algorithm, Landsat 8 Satellite Images, Particle Swarm Optimization Algorithm, Remote Sensing, Urban Heat Islands
  • عباس مکبری، مصطفی نظری، سید مجتبی واردی کولایی*

    مساله طراحی مکانیزم های چهارمیله ای، به عنوان ساده ترین و پرکاربردترین مکانیزم میله ای، همواره یکی از مسائل اساسی مطرح شده در حوزه طراحی مکانیزم می باشد. امروزه با پیشرفت تکنولوژی و ابداع روش های بهینه سازی عددی و الگوریتم های فراابتکاری، امکان حل دقیق و بهینه مسائل با تعداد نقاط دقت بسیار بالا نیز فراهم شده است. سنتز تولید مسیر این مکانیزم نیز با استفاده از الگوریتم های بهینه سازی مختلف و در حالت های متنوع طراحی حل شده است. برای درنظر گرفتن سرعت مکانیزم در عبور از نقاط دقت، مساله سنتز با زمان بندی معین در نظر گرفته می شود، که این مساله نسبت به مساله بدون زمان بندی معین سخت تر بوده و دارای خطای تولید مسیر بالاتری می باشد. در این پژوهش، برای حل مساله سنتز تولید مسیر مکانیزم چهارمیله ای با زمان بندی معین از تابع هدف جدیدی استفاده می شود که شامل دو جمله، خطای مسیر و خطای زاویه گیری، می باشد. استفاده از این تابع هدف جدید موجب کاهش خطای تولید مسیر برای مساله با زمان بندی معین می-شود. برای رسیدن به تابع هدف مدنظر، چهار حالت مختلف طراحی در نظر گرفته شده و نتایج آن ها، که با استفاده از الگوریتم بهینه سازی ازدحام ذرات استخراج شدند، با هم مقایسه می شوند. نتایج حل این مساله برای سه مثال عددی با تعداد نقاط دقت مختلف نشان می دهد طراحی در حالت چهارم، که براساس تابع هدف جدید می-باشد، نسبت به همه حالات قبلی خطای تولید مسیر کمتری دارد.

    کلید واژگان: مکانیزم چهارمیله ای، سنتز تولید مسیر، زمان بندی معین، الگوریتم بهینه سازی ازدحام ذرات
    Abbas Mokabberi, Mostafa Nazari, Seyyed Mojtaba Varedi-Koulaei *

    Dimensional Design of four-bar mechanisms, as the simplest and most widely used linkage, is always one of the main issues raised in the field of mechanism design. In the past, geometric and graphical analysis methods were used to design these mechanisms, but with the advancement of technology, numerical optimization methods, and meta-heuristic algorithms, it is possible to solve problems more precisely and consider a higher number of precision points. The path generation synthesis problem of this mechanism has been solved using different algorithms and in different design modes, including with and without prescribed timing, which the synthesis problem with prescribed timing is more difficult and has a higher path generation error. In this research, to solve the synthesis problem of four-bar mechanism path generation with prescribed timing, a novel objective function is utilized, which includes two terms, path error and angle error. This new objective function leads to a lower error for path generation with prescribed timing. Four different designs are considered and their results, where extracted by the PSO algorithm, are compared. The results of solving this problem for three numerical examples show that the design in the fourth state, which uses the new objective function, has fewer path generation errors.

    Keywords: Four-bar mechanism, Mechanism Synthesis, Prescribed timing, Particle Swarm Optimization Algorithm
  • الهه پاگرد، شاهرخ شجاعیان*، محمدمهدی رضایی

    در این مقاله، بهبود میرایی نوسانات فرکانس پایین (LFO) در یک سیستم قدرت شامل SVC  بررسی شده است. برای نیل به این هدف، استراتژی کنترلی جدیدی ارایه شده که در آن کنترل کننده چندمدله با استفاده از کنترل کننده بهینه خطی (LOC) و الگوریتم ازدحام ذرات (PSO) بهینه سازی می شود. بانک کنترل در کنترل کننده چند مدله، شامل سه کنترل کننده LOC است که از طریق خطی سازی معادلات غیر خطی سیستم و کمینه سازی یک تابع انرژی، سیگنال های بهینه ای را تولید می کنند تا پس از ترکیب شدن بوسیله الگوریتم بازگشتی بیز بطور همزمان به سیستم تحریک ژنراتور و به SVC اعمال شوند. برای ایجاد سیگنال بهینه خطی بایستی معادله ریکاتی حل شود؛ این معادله دارای دو ماتریس وزنی Rric و Qric می باشد که بوسیله الگوریتم PSO بهینه سازی شده اند. الگوریتم PSO با دو تابع هدف ماکزیمم سازی کوچکترین جزء حقیقی در مقادیر ویژه و می نیمم سازی سطح زیر منحنی قدر مطلق انحراف سرعت، Rric و Qric بهینه را محاسبه نموده است. برای ارزیابی استراتژی کنترلی MMC-LOC-PSO خطای سه فاز متقارنی بر روی بدترین باس اعمال شده و نتایج این دو تابع هدف با یکدیگر مقایسه شده است. شبیه سازی سیستم قدرت تک ماشینه با کد نویسی درMATLAB  انجام شده و نشان می دهد استراتژی کنترلی پیشنهادی، ضمن حفظ پایداری، LFO را نیز بطور موثری میرا می کند، خطای ماندگار سرعت و زاویه روتور را نیز به طور مطلوبی به سمت صفر سوق داده است.

    کلید واژگان: نوسانات فرکانس پایین، پایداری سیستم های قدرت، کنترل کننده چندمدله، کنترل کننده بهینه خطی، الگوریتم بهینه سازی، ازدحام ذرات
    Elaheh Pagard, Shahrokh Shojaeian *, MohammadMahdi Rezaei

    In this paper, the improvement of low frequency oscillation (LFO) damping in a power system including SVC is investigated. To achieve this goal, a new control strategy has been presented in which the multi-model controller is optimized using the linear optimal controller (LOC) and the particle swarm algorithm (PSO). The control bank in the multi-model controller includes three LOC controllers that generate optimal signals through the linearization of the nonlinear equations of the system and the minimization of an energy function to be combined by the Bayes recursive algorithm simultaneously to the generator excitation system and SVC. In order to generate an optimal linear signal, Riccati's equation must be solved; Riccati's equation includes two weight matrices Rric and Qric. These matrices elements are optimized by PSO algorithm. The PSO algorithm has calculated the optimal Rric and Qric with two different objective functions of maximizing the eigenvalues and minimizing the area under the speed curve. To evaluate the MMC-LOC-PSO control strategy, the symmetrical three-phase error is applied to the worst bus and the results of these two objective functions are compared. The simulation of the single machine power system has been done by MATLAB. The proposed control strategy, while maintaining stability, also effectively damps the LFOs, in addition, the permanent rotor speed and rotor angle error have also been favorably pushed to zero.

    Keywords: Low frequency oscillations, power system stability, Multi-model controller, Linear optimal controller, particle swarm optimization algorithm
  • سید ابراهیم دشتی*، حسین زارع
    با توجه به کاربرد روزافزون محاسبات مه لزوم ارایه راه حل هایی جهت افزایش کارآیی آنها به شدت احساس می شود. بر اساس این مسیله که تعداد دستگاه های لبه ای زیاد است، باید ساز و کاری برای انتخاب این وظایف و تخلیه آن ها به ابر وجود داشته باشد. مسیله مورد نظر برای تصمیم گیری این است که از بین آن دستگاه لبه های موجود برای تخلیه کدام یک از آن ها انتخاب و سپس تخلیه گردد، که این مسیله در زمره مسایل غیر چندجمله ای سخت قرار گرفته و با استفاده از الگوریتم های قطعی به سادگی و در زمان چندجمله ای نمی توان راه حلی مناسب و کارآمد برای آن یافت نمود. در این مقاله برای حل این مساله از الگوریتم بهینه سازی ازدحام ذرات (PSO) استفاده شده است. روش پیشنهادی با تعریف تابع هدف مناسب برحسب تخلیه مناسب بار و توزیع عادلانه وظایف بر روی منابع محاسباتی  کارآیی را نسبت به روش های مشابه بهبود داده است. در مقایسه با روش های دیگر، مانند روش بدون بارگیری، بارگیری کامل به روش ابر و بارگذاری کامل به روش ابر، آزمایش ها و شبیه سازی های گسترده نشان داده اند که روش پیشنهادی موثر است و می تواند استراتژی بارگذاری بهینه را برای کاربران سیار فراهم کند. برای ارزیابی این روش از داده های واقعی پلنت لب استفاده شده و نتایج بیانگر این است که روش پیشنهادی مصرف انرژی را بین 3 تا 10 درصد و زمان اجرای کل نیز بین 5 تا 8 درصد در مقایسه با روش های دیگر کاهش یافته است.
    کلید واژگان: الگوریتم بهینه سازی ازدحام ذرات، الگوریتم تکاملی، پردازش ابری، محاسبات مه، مسئله تخلیه بار
    Seyed Ebrahim Dashti *, Hoasain Zare
    Edge computing is a computing paradigm that extends cloud services to devices at the edge. This processing model refers to technologies that allow computing and storage to be performed on devices at the edge of the network. In this architecture, computing and storage operations take place close to objects and data sources. In order to reduce latency and network traffic between end devices and cloud centers, groups at the edge have processing capabilities, perform a large number of processing and computing tasks, including data processing, temporary storage, device management, decision making, and privacy protection. Since the number of edge devices is large, there must be a mechanism to select these tasks and offload them to the cloud. The problem to be decided is that which one of the available edge devices should be selected for unloading and then unloaded. This problem is classified as one of the hard non-polynomial problems and by using deterministic algorithms simply and in polynomial time, it is not possible to find a suitable and efficient solution for it found.
    Keywords: cloud processing, Fog computing, Offloading, Evolutionary Algorithm, particle swarm optimization algorithm
  • امیرحسین ربیعی*، مصطفی اسماعیلی
    بهره گیری از هوش مصنوعی برای پیش بینی مشخصات انتقال حرارت در صنایع مختلف، توانایی بهبود طراحی تجهیزات حرارتی، افزایش کارایی انتقال حرارت، بهینه سازی سیستم های خنک کننده، و کاهش مصرف انرژی را فراهم می کند. نوآوری و هدف مقاله حاضر، پیش بینی رفتار زمانی عدد نوسلت در مسئله ارتعاشات ناشی از جریان آشفته بر روی استوانه گرم شده که آزادانه در جهات طولی و عرضی نوسان می کند، می باشد. پیش بینی عدد نوسلت بر مبنای جابجای های عرضی و طولی استوانه در سه سناریوی مختلف شامل ورودی جابجایی در جهت ، ورودی جابجایی در جهت ، و در نهایت ورودی ترکیبی  و  انجام شده است. پیش بینی توسط شبکه حافظه طولانی کوتاه مدت عمیق که معماری و ابرپارامترهای آن توسط الگوریتم ازدحام ذرات بهینه شده است، صورت گرفته است. نتایج نشان دهنده ی موفقیت شبکه های بهینه شده با ورودی های متفاوت می باشد؛ اگرچه دقت بالاتری در پیش بینی با ورودی های ترکیبی  و  بدست آمده است. ضریب همبستگی در بخش تست، برای شبکه های با ورودی ؛ با ورودی ؛ و با ورودی های  و  به ترتیب برابر با 0/967، 0/961، و 0/975 محاسبه شده اند. با بهره گیری از روش بکارگرفته شده در مطالعه حاضر، می توان مشخصات انتقال حرارت سازه های قرار گرفته در معرض جریان را پیش بینی نمود.
    کلید واژگان: عدد نوسلت، تعامل جریان و سازه، ارتعاشات ناشی از ریزش گردابه، شبکه حافظه طولانی کوتاه مدت، الگوریتم بهینه سازی ازدحام ذرات
    Amir Hossein Rabiee *, Mostafa Esmaeili
    Leveraging artificial intelligence to forecast heat transfer characteristics across diverse industries holds significant potential for improving thermal equipment design, increasing heat transfer efficiency, optimizing cooling systems, and reducing energy consumption. The main contribution and purpose of the current study is predicting the Nusselt number in the context of turbulent flow-induced vibration around a heated cylinder experiencing unconfined oscillations along both streamwise and transverse axes. The anticipation of the Nusselt number relies on transverse and streamwise displacements of the oscillating cylinder and encompasses three distinct scenarios: displacement input in the x-direction, displacement input in the y-direction, and comprehensive amalgamation of both x and y inputs. This prediction is achieved through a sophisticated deep long short-term memory network, meticulously crafted and fine-tuned using a particle swarm optimization algorithm. The results highlight the effectiveness of the optimized networks across various inputs, with the highest predictive precision observed when employing combined x and y inputs. The correlation coefficients within the test segment are as follows: 0.967 for x input, 0.961 for y input, and 0.975 for combined x and y inputs. By applying the methodology elucidated in this study, the forecasting of heat transfer characteristics for structures subjected to fluid flow emerges as a feasible possibility.
    Keywords: Nusselt Number, Fluid-Solid Interaction, Vortex-Induced Vibration, Long Short-Term Memory Network, Particle Swarm Optimization Algorithm
  • مرتضی اویسی فر، محمد عابدینی*
    سرعت وسایل نقلیه می تواند بر عملکرد و خرابی روسازی تاثیرگذار باشد، دو معیار مهم در خرابی های ناشی از عبور بار در روسازی انعطاف پذیر، ترک های خستگی و شیارشدگی است. کرنش کششی زیر لایه رویه و کرنش فشاری روی خاک بستر در برابر خستگی و شیارشدگی به عوامل مختلفی مانند خصوصیات بارگذاری وسایل نقلیه نظیر سرعت و مقدار بار عبوری وفشار سطح تماس بستگی دارد. در این پژوهش از الگوریتم های یادگیری ماشین برای مدل پیش بینی خرابی بحرانی روسازی انعطاف پذیر مبتنی بر سرعت وسایل نقلیه استفاده شده است. در فرآیند استفاده از شبکه های عصبی، داده های شبکه عصبی ابتدا یک سری مقادیر تصادفی را به عنوان وزن ها و بایاس های اولیه شبکه انتخاب می کند و این یکی از معایب آن است. در این راستا از الگوریتم بهینه سازی ازدحام ذرات برای بهینه سازی وزن شبکه های عصبی استفاده می شود. در مقایسه با الگوریتم های بهینه سازی، الگوریتم بهینه سازی ازدحام ذرات (PSO) برای پیاده سازی ساده تر است و می تواند نقطه بهینه را به سرعت پیدا کند. با توجه به نتایج در سرعت های پایین وسایل نقلیه، احتمال وجود خرابی های خستگی، شیارشدگی و افت و خیزروسازی بیشتر می شود و هرچه سرعت وسیله نقلیه کمتر شود، تعداد تکرار بار منجر به خرابی نیز کاهش می یابد و افزایش سرعت باعث می شود که خرابی در روسازی کمتر شود.
    کلید واژگان: سرعت وسایل نقلیه، خرابی بحرانی، روسازی انعطاف پذیر، شبکه عصبی-فازی، الگوریتم بهینه سازی ازدحام ذرات
    Morteza Oveysifar, Mohammad Abedini *
    The speed of vehicles can affect the performance and damage of the pavement, The two major failures in flexible pavements are fatigue cracks and rutting. The tensile stress under overlay and the compressive stress on the subgrade depend on various factors such as the speed and amount of passing load and contact surface pressure. In this research, machine learning algorithms have been used to predict the critical failure of flexible pavement based on vehicle speed. In the process of using neural networks, the data of neural networks first selects a series of random values as the primary weights and biases of the network which is one of its deficiencies. Therefore, Particle Swarm Optimization (PSO) algorithm is used to optimize the weight of neural networks. In comparison with optimization algorithms, PSO is simpler for implementation and can rapidly find optimal point. According to the modeling results, at low vehicle speeds, the probability of fatigue failures, rutting, and  settling increases, while the lower the speed of the vehicle, the number of repetitions is reduced, and the increase in speed causes that Less damage to the pavement.
    Keywords: Vehicle Speed, critical failure, Flexible pavement, Neural-Fuzzy Network, Particle Swarm Optimization Algorithm
  • میثم رون، امیررضا قیامی آزاد*

    پل های کابلی ایستا به پل هایی گفته می شود که در آن ها، عرشه مستقیما توسط کابل های مورب به برج ها وصل شده است. پل های کابلی ایستا، جزء سازه های بزرگ و با نامعینی زیاد محسوب می شوند، بنابراین بهینه سازی آن ها، همواره یک چالش بزرگ و پرهزینه بوده است. از طرفی تغییرشکل عرشه و برج ها وابسته به مقدار نیروی پیش کشش وارد شده به کابل هاست که به کمک فرایند بهینه سازی محاسبه می شود. پژوهش حاضر قصد دارد با افزایش سرعت تحلیل، زمان فرایند بهینه سازی را کاهش دهد. لذا به جای تحلیل مدل سه بعدی و کامل سازه، از تحلیل جداگانه ی مدل های دوبعدی عرشه و برج بدون درنظر گرفتن کابل استفاده شده و پل کابلی لالی در خوزستان به عنوان نمونه به کار رفته است. مقایسه ی نتایج نشان می دهد که خطای محاسبه ی نیروی بهینه در روش ذکر شده نسبت به فرایند بهینه سازی مدل کامل ناچیز بوده و زمان محاسبه ی آن کمتر شده است.

    کلید واژگان: پل کابلی ایستا، بهینه سازی، الگوریتم بهینه سازی ازدحام ذرات، پل لالی، نیروی کابل
    M. Ravan, A.R. Ghiami Azad *

    Cable-stayed bridges are bridges in which the deck is connected directly to the towers by diagonal cables. These bridges are mainly known by the length of the middle span, which often falls between the span lengths of suspension bridges and bridges without cables. They are also known for their light weight, beauty, and elegance. Cable-stayed bridges are highly indeterminate and are considered significant structures, which makes their optimization a major and costly challenge for designers. The deflection and distribution of the bending moment on the deck and towers depend on the pre-tensioning force applied to the cables, making the calculation of tensile force in cables one of the most critical optimization parameters. Typically, cable pre-tensioning force is calculated through an optimization process that requires extensive analysis, which in turn requires a significant amount of time and computational power. This research aims to reduce the optimization process time by improving the analysis speed. Instead of analyzing a complete three-dimensional model of the structure, this research uses a separate two-dimensional model of the deck and tower without considering the cables. The Lali cable-stayed bridge located in Khuzestan, Iran, serves as the case study for this research. Results show that calculating tensile forces using this method induces an insignificant error compared to optimization using a complete model. The proposed model eliminates the repetitive process of updating the stiffness matrix, significantly reducing the time required to calculate cable pre-tensioning forces during the optimization process. Additionally, the proposed model produces negligible errors both in the optimization process and in the calculation of tensile forces in the cables compared to results obtained through three-dimensional modeling.

    Keywords: Cable Stayed Bridge, optimization, Particle swarm optimization algorithm, Lali Bridge, Cable Force
  • احمد شیرزادی، آرش دهستانی کلاگر *، محمدرضا علیزاده پهلوانی

    تا کنون مطالعات جامع و گسترده ای بر روی موتور DC بدون جاروبک (BLDC) صورت گرفته که بخشی از این مطالعات، ناظر بر تخمین پارامترهای تابع انتقال این موتور می باشد. تخمین پارامترهای تابع انتقال موتور BLDC امری ضروری جهت بررسی عملکرد موتور و پیش بینی رفتار آن است؛ بنابراین به یک روش تخمین پارامتر کارآمد، دقیق و قابل اعتماد احساس نیاز می شود. در این مقاله با استفاده از الگوریتم ازدحام گروه ذرات (PSO)، مسیله تخمین پارامترهای تابع انتقال مجموعه موتور BLDC و اینورتر مربوط به این موتور، حل شده است. نتایج حاصل از به کارگیری این الگوریتم با نتایج سایر الگوریتم های بهینه سازی فراابتکاری مقایسه شده و بررسی این نتایج نشان داده که الگوریتم PSO برای حل مسیله تخمین پارامتر تابع انتقال، یک روش کارآمد، دقیق و قابل اعتماد است.

    کلید واژگان: الگوریتم بهینه‎سازی ازدحام گروه ذرات، موتور DC بدون جاروبک، تابع انتقال، تخمین پارامتر
    Ahmad Shirzadi, Arash Dehestani Kolagar *, Mohammad Reza Alizadeh Pahlavani

    So far, comprehensive and extensive studies have been conducted on the brushless DC motor (BLDC), and a part of these studies focuses on the estimation of the parameters of the transfer function of this motor. Estimation of BLDC motor transfer function parameters is essential to study motor performance and predict its behavior. Therefore, an efficient, accurate and reliable parameter estimation method is needed. In this article, the problem of estimating the parameters of the transfer function of the inverter-fed BLDC motor set has been solved using particle swarm algorithms (PSO). The results of using this algorithm have been compared with the results of other optimization algorithms. The comparison of these results has shown that the PSO algorithm is an efficient, accurate and reliable method for solving the transfer function parameter estimation problem.

    Keywords: Particle swarm optimization algorithm, brushless DC motor, transfer function, parameter estimation
  • Milad Shahvaroughi Farahani *, Hamed Farrokhi-Asl, Saeed Rahimian
    Investigating stock price trends and determining future stock prices have become focal points for researchers within the finance sector. However, predicting stock price trends is a complex task due to the multitude of influencing factors. Consequently, there has been a growing interest in developing more precise and heuristic models and methods for stock price prediction in recent years. This study aims to assess the effectiveness of technical indicators for stock price prediction, including closing price, lowest price, highest price, and the exponential moving average method. To thoroughly analyze the relationship between these technical indicators and stock prices over predefined time intervals, we employ an Artificial Neural Network (ANN). This ANN is optimized using a combination of Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Harmony Search (HS) algorithms as meta-heuristic techniques for enhancing stock price prediction. The GA is employed for selecting the most suitable optimization indicators. In addition to indicator selection, PSO and HS are utilized to fine-tune the Neural Network (NN), minimizing network errors and optimizing weights and the number of hidden layers simultaneously. We employ eight estimation criteria for error assessment to evaluate the proposed model's performance and select the best model based on error criteria. An innovative aspect of this research involves testing market efficiency and identifying the most significant companies in Iran as the statistical population. The experimental results clearly indicate that a hybrid ANN-HS algorithm outperforms other algorithms regarding stock price prediction accuracy. Finally, we conduct run tests, a non-parametric test, to evaluate the Efficient Market Hypothesis (EMH) in its weak form.
    Keywords: Technical Indicators, Artificial Neural Network, Genetic Algorithm, harmony search, Particle Swarm Optimization Algorithm, Efficient market hypothesis
  • پرستو صادقی نیا، حامد داننده حصار*

    سیگنال های فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه های قلبی دارند. ازاین رو، این سیگنال ها در تشخیص زودهنگام بیماری های قلبی می توانند مفید واقع شوند. طبقه بندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده ای در آسیب شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد گردیده است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای S1، S2، سیستول و دیاستول قطعه بندی می گردند. سپس ویژگی های زمانی آماری و زمانی فرکانسی از هرکدام از این بخش ها استخراج می گردد. قبل از عملیات طبقه بندی داده ها، از دو رهیافت برای انتخاب ویژگی های موثر استفاده شده است. در رهیافت اول، انتخاب ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) و در رهیافت دوم با استفاده از جستجوی سلسله مراتبی (SFFS) انجام می گردد. روش پیشنهادی بر روی پایگاه داده چالش 2016 فیزیونت ارزیابی گردید و در نهایت عملکرد روش پیشنهادی با استفاده از روش اعتبارسنجی متقابل10لایه ای مورد ارزیابی قرار گرفت. همچنین، به علت نامتوازن بودن تعداد صداهای طبیعی نسبت به صداهای غیرطبیعی، از تکنیک بیش نمونه برداری اقلیت مصنوعی (SMOTE) برای تولید مجموعه داده های متعادل استفاده گردید. نتایج ارزیابی روی پایگاه داده فوق الذکر نشان دادند که روش پیشنهادی دارای صحت 03/98 درصد، حساسیت 64/97 درصد و اختصاصیت 43/98 درصد در تشخیص صداهای طبیعی از غیرطبیعی می باشد.

    کلید واژگان: فونوکاردیوگرام، الگوریتم بهینه سازی ازدحام ذرات، انتخاب ویژگی، طبقه بندی
    Parastoo Sadeghinia, Hamed Danandeh Hesar *

    Phonocardiography (PCG) signals provide valuable information about the heart valves .These auditory signals can be useful in the early diagnosis of heart diseases. Automatic heart sound classification has a promising potential in the field of heart pathology. In this research, a new method based on machine learning techniques is proposed for discriminating normal and abnormal heart sounds. In this method, first, the heart sounds are segmented into 4 main parts: S1, S2, systole and diastole segments. From these segments, statistical and time-frequency features are extracted for classification. Before classification, the distinctive features are selected using two approaches. In the first approach, the feature selection is accomplished using particle swarm optimization algorithm (PSO). In the second approach, we use Sequential Forward Feature Selection (SFFS) method. The proposed method was evaluated on the Physionet 2016 Challenge database using 10-fold cross-validation method. In this database, the number of normal and abnormal PCG signals are not balanced. Therefore, in this paper, the synthetic minority over-sampling technique (SMOTE) is applied to produce balanced data. The evaluation results showed that the proposed method can distinguish the normal heart sounds from abnormal ones with accuracy of 98/03% and sensitivity and specificity of 97.64%, 98.43%respectively.

    Keywords: Phonocardiogram, Particle Swarm Optimization Algorithm, feature selection, Classification
  • ابراهیم جهانگیر، بهاره سادات موسوی، محمدرضا جلوخانی نیارکی*

    ایران کشوری است که در طول تاریخ با انواع حوادث و سوانح طبیعی و غیرطبیعی مواجه بوده است. لزوم پاسخگویی موثر به حوادث و سوانح رخ داده در کشور، به دلیل گستره جغرافیایی وسیع آن یکی از چالش های اساسی مدیران بحران به شمار می رود. برنامه ریزی برای به حداقل رساندن زمان پاسخگویی یکی از راهکارهایی است که می تواند به دلیل حفظ زمان طلایی نجات در این زمینه موثر باشد. در این تحقیق پایگاه های امداد و نجات جمعیت هلال احمر به عنوان یکی از عناصر پاسخگویی به حوادث و سوانح که دارای وظایف ذاتی و قانونی در مدیریت بحران است، از نظر نحوه پوشش براساس زمان بهینه پاسخگویی مورد ارزیابی قرار گرفته است. هدف و نوآوری این تحقیق شناسایی مناطق مناسب برای توسعه مراکز امداد و نجات و تعیین شعاع عملکردی پایگاه ها با در نظر گرفتن شاخص های توپوگرافی و محیط جغرافیایی منطقه در محورها و شبکه معابر مختلف و زمان رسیدن مراکز امدادی به محل مخاطره می باشد، بدین منظور از روش تحلیل شبکه ای، تصمیم گیری چند معیاره و الگوریتم بهینه سازی ازدحام ذرات (PSO) استفاده شد. هم چنین برای بهره مندی از آن به عنوان یک تحقیق کاربردی تمام شاخص های مورد نظر در دستورالعمل های ایجاد پایگاه امداد و نجات به صورت مکانی برای بهینه سازی مدل استفاده شده است. اعمال محدودیت ها و مطلوبیت های مکانی با استفاده از الگوریتم بهینه سازی ازدحام ذرات در بستر شبکه ارتباطی بین شهری اصلی کشور مورد ارزیابی قرار گرفته است. نتایج نشان می دهد سطح راه های تحت پوشش خدمات امداد و نجات از 33.61 درصد در وضع موجود به 55.46 درصد ارتقاء یافته است.

    کلید واژگان: بهینه سازی مکانی، پایگاه امداد و نجات، تحلیل شبکه ای، الگوریتم بهینه سازی ازدحام ذرات، شعاع عملکردی
    Ebrahim Jahangir, Bahareh Sadat Musavi, MohammadReza Jelookhani Niyaraki*

    Iran is a country that has faced all kinds of natural and unnatural accidents throughout history. Due to its vast geographical area, the need to effectively respond to incidents and accidents in the country is considered one of the basic challenges of crisis managers. Planning to minimize the response time is one of the solutions that can be effective in this field due to the preservation of the golden rescue time. In this research, Red Crescent community rescue and relief bases have been evaluated as one of the elements of responding to incidents and accidents that have inherent and legal duties in crisis management, in terms of how to cover based on the optimal response time. In order to achieve the objectives of the research, which is to identify suitable areas for the development of rescue and rescue centers and to determine the functional radius according to the conditions of the region in the axes and the network of different roads and the time of arrival of the rescue centers to the place of danger, from the method of network analysis. and multi-criteria decision making and particle swarm optimization algorithm (PSO) were used. Also, in order to benefit from it as a practical research, all the desired indicators in the instructions for creating a rescue base have been used to optimize the model. The application of spatial restrictions and advantages has been evaluated using the particle swarm optimization algorithm in the main intercity communication network of the country. The results show that the level of roads covered by rescue services has been increased from 33.61% in the current situation to 55.46%.

    Keywords: Spatial optimization, rescue, rescue base, network analysis, particle swarm optimization algorithm, functional radius
  • رضا اسلامی*، حمید ارلنی زاده
    با توجه به آنکه صنعت برق به عنوان زیرساخت سایر زیرساخت های کشور، اهمیت بالایی دارد، بنابراین یکی از اقداماتی که در جهت پدافند غیرعامل می توان به آن اشاره کرد، افزایش قابلیت اطمینان از عملکرد صحیح برنامه های حفاظتی در شبکه انتقال برق هست. یکی از این روش ها، استفاده از محدود کننده های جریان خطا (FCL) در شبکه انتقال است. در سامانه های قدرت، فواید فنی و اقتصادی به کارگیری FCL، به نوع، تعداد، مکان های نصب و پارامترهای بهینه محدود کننده ها وابسته است. در این مقاله تعداد، مکان و امپدانس FCLها در شبکه برای رسیدن به اهداف مختلفی از جمله کاهش سطح اتصال کوتاه تعیین می شود، سپس با استفاده از یک الگوریتم فرا ابتکاری به نام الگوریتم ترکیبی جستجوی گرانشی و ازدحام ذرات PSO-GSA کمترین تعداد محدود کننده ها به همراه مکان های نصب و پارامتر بهینه هر محدود کننده در دو مرحله محاسبه می شود. در ادامه الگوریتم فرا ابتکاری پیشنهادی با الگوریتم های ژنتیک، PSO و GSA مقایسه می گردد. مطالعات عددی که برای مقایسه الگوریتم پیشنهادی با الگوریتم ها GA، PSO و GSA انجام شد، نشان داده است که این الگوریتم به جای نصب تعداد بیشتر محدود کننده جریان خطا، با افزایش امپدانس آن به صورت بهینه ضمن کاهش هزینه کل نصب این تجهیزات عملکرد بهتری به لحاظ کاهش سطح اتصال کوتاه باس ها دارد و زودتر به نقطه بهینه همگرا می شود..
    کلید واژگان: محدودکننده جریان خطا، الگوریتم بهینه سازی ازدحام ذرات، الگوریتم جست و جوی گرانشی، کاهش سطح اتصال کوتاه، الگوریتم های بهینه-سازی GSA، PSO و GAGA
    Reza Eslami *, Hamid Alanizadeh
    Considering the high importance of the electricity industry as the infrastructure of other infrastructures of the country, increasing the reliability of the correct operation of the protection programs in the electricity transmission network is considered as one of the measures that can be mentioned in the direction of passive defense. One of these methods is the use of fault current limiters (FCL)  in the transmission network. In power systems, the technical and economic benefits of using FCL depend on the type, number, installation locations and optimal parameters of limiters. In the present study, the number, location and impedance of FCLs in the network are determined to achieve various goals such as reducing the short circuit level , then, the minimum number of limiters along with the installation locations and the optimal parameter of each limiter are calculated in two steps using a meta-heuristic algorithm, called the Hybrid Optimization algorithm (PSOGSA) (Combination of the Particle Swarm Optimization Algorithm (PSO) and Gravitational Search Algorithm (GSA)). In the following, the proposed meta-heuristic algorithm is compared with genetic algorithms, PSO and GSA. According to the results of the numerical studies conducted to compare the proposed algorithm with GA, PSO and GSA algorithms, the proposed hybrid algorithm instead of installing more fault current limiters, by increasing its impedance optimally while reducing the total cost of installing this equipment; has better performance in terms of reducing the short circuit level of buses and it converges to the optimal point faster..
    Keywords: Fault current limiter, particle swarm optimization algorithm, Gravitational Search Algorithm, short circuit level reduction, GSA, PSO, and GA Optimization Algorithms
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