جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه genetic algorithm (ga) در نشریات گروه فنی و مهندسی
genetic algorithm (ga)
در نشریات گروه برق-
Scientia Iranica, Volume:30 Issue: 5, Sep-Oct 2023, PP 1587 -1594Dimensional synthesis of mechanisms to trace given points is an important issue in mechanism and machine science. Having no exact solution makes this issue an optimization problem. This study offers an optimization approach for the dimensional synthesis of planar mechanisms. Four-bar mechanisms having one degree of freedom (DOF) are chosen as the configurations. The proposed method is implemented by establishing the objective functions with specified constraints and searching for the results by using an optimization algorithm. Genetic Algorithm (GA) in Optimization Toolbox-Matlab® is selected as a solver. Different types of four-bar mechanisms like crank-rocker and double-crank including different target points are performed. Mechanisms are depicted by resulted parameters and a Matlab® script prepared plays their animations. As a result, it is proved that the mechanisms whose dimensional properties are obtained by the GA solver have a good tracing capability for the desired paths. This study has the property of being a design guide. Its application is not limited to four bar mechanism. Planar mechanisms with different configurations can be easily synthesized by using this technique.Keywords: Mechanism synthesis, optimization, genetic algorithm (GA), Four-bar mechanism
-
This paper aims to study the appropriate data mining method to extract the rules from a data set and examining the benefits of using the cuckoo algorithm to extract association rules and compare the execution time of the cuckoo algorithm and genetic algorithm (GA). Therefore, an algorithm is proposed that includes two parts: preprocessing and mining. The first part presents the procedures related to the calculation of cuckoo fit values and in the second part of the algorithm, which is the main achievement of this research. Support and confidence The best position can show the least confidence and support.These mining results can be used to continue mining the association rules. The proposed algorithm is based on the cuckoo search. It hides the sensitive relationship rules with a lower time cost and, at the same time, controls the peripheral effects of non-sensitive rules in a better way. This aim is achieved using recurring to the objective function. The GA is set to be the evaluation criterion to show the prominence of the proposed method. In this method, we compare the speed of the cuckoo algorithm with the genetic algorithm, which uses genetic evolution as a problem-solving model. In general, it is an algorithm based on repetition, most of its parts are selected as random processes, and these algorithms are part of the fitting function. It was chosen as a criterion and we paid .It is scientifically proven that the cuckoo algorithm outperforms the GA in the execution time.Keywords: Association rules mining, Genetic Algorithm (GA), cuckoo algorithm, sensitive relationship, non-sensitive relationship, Data mining, Association rules, Dataset, time complexity, Performance Improvement
-
It is critical to increasing the network throughput on the internet of things with short-range nodes. Nodes prevent to cooperate with other nodes are known as selfish nodes. The proposed method for discovering the selfish node is based on genetic algorithm and learning automata. It consists of three phases of setup and clustering, the best routing selection based on genetic algorithm, and finally, the learning and update phase. The clustering algorithm implemented in the first phase. In the second phase, the neighbor node selected for forwarding the packet in which has a high value of fitness function. In the third phase, each node monitors its neighbor nodes and uses the learning automata system to identify the selfish nodes. The results of the simulation has shown the detection accuracy of selfish nodes in comparison with the existing methods average 10 %, and the false positive rate has decreased by 5 %.
Keywords: Internet of Thing (IoT), selfish node, Genetic Algorithm (GA), Learning Automata (LA), Detection accuracy (DA), false positive rate (FPR) -
تغییر در پیکره بندی شبکه های توزیع فعال یکی از چالش هایی است که طرح های حفاظتی را با چالش مواجه می سازد. در صورتی که حفاظت بهینه تنها بر اساس پیکره بندی پایه و اتصال تمامی منابع تولیدپراکنده با پست های فوق توزیع انجام شود، نقض قیود هماهنگی در پیکره بندی هایی متفاوت با پیکره بندی پایه اجتناب ناپذیر خواهد بود. در این مقاله روش های حفاظتی ترکیبی و تطبیقی با درنظرگیری آرایش های مختلف شبکه پیشنهاد می گردد. در روش ترکیبی، یک گروه تنظیم حفاظتی برای رله های شبکه درنظر گرفته شده و با حل یک مسیله بهینه سازی واحد و درنظرگیری قیود هماهنگی تمامی آرایش های شبکه، تنظیمات بهینه استخراج می گردد. علی رغم مزایای روش ترکیبی، زمان عملکرد رله ها ناشی از کوچک شدن فضای شدنی مسیله بهینه سازی قابل توجه خواهد بود. از اینرو، روش حفاظت تطبیقی با کمک گروه های تنظیمی مختلف و تفکیک مسیله بهینه سازی به چند مسیله و کاهش قیود هماهنگی در این مقاله ارایه می شود. نتایج به دست آمده از پیاده سازی روش های پیشنهادی بر روی شبکه های 8 شین و 30 شین IEEE دلالت بر برتری حفاظت تطبیقی دارد. یکی از دیگر مزایای روش پیشنهادی، بهینه سازی منحنی مشخصه رله های حفاظتی علاوه بر تنظیمات زمانی و جریانی است که در حفاظت های تطبیقی پیشین کم تر مورد توجه قرار گرفته است
کلید واژگان: شبکه های توزیع فعال، حفاظت ترکیبی، حفاظت تطبیقی، حفاظت بهینه، پیکره بندی های مختلف شبکه، رله های جریان زیاد، انتخاب منحنی مشخصه استاندارد، الگوریتم ژنتیک، DIgSILENTJournal of Iranian Association of Electrical and Electronics Engineers, Volume:19 Issue: 4, 2023, PP 223 -239The change in the topology of active distribution networks (ADNs) is one of the essential challenges that might affect the protection schemes. The conventional protection schemes based on base topology result in some coordination constraint violations in other topologies due to the outage of upstream substations and distributed generation units. In this article, new combinational and adaptive protection schemes considering all ADNs’ topologies are proposed. In the proposed combinational protection scheme, one setting group is considered for all relays. The relays’ optimal settings are determined by solving one optimization problem, including all constraints corresponding to all topologies. Although the coordination constraint violations are reduced in the combinational protection scheme, the operating time of relays is increased due to the small feasible area of the optimization problem. Hence, proposing an adaptive protection scheme with different setting groups is useful. The number of coordination constraint violations is reduced in the proposed adaptive protection method, while the speed of the protection system is satisfying. Optimal selection of curves for the overcurrent relays is another contribution of this paper that has received less attention in the available research works. The proposed methods are applied to 8-bus and 30-bus IEEE test systems. Test results show that the proposed adaptive function is more appropriate than the combinational one.
Keywords: Active distribution networks, Combinational method, Adaptive method, Optimal protection, Different topologies, Overcurrent relays, Optimal selection of standard relay curves, Genetic Algorithm (GA), DIgSILENT -
تغییر در آرایش شبکه های توزیع ناشی از خروج یکی از پست های بالادست یا منابع تولید پراکنده، یکی از چالش های اساسی طراحی شبکه های توزیع خواهد بود که تاثیر بسزایی در طرح های حفاظتی و نقض قیود هماهنگی در حالات مختلف بهره برداری خواهد گذاشت. درصورت عدم توجه به پیکربندی های شبکه، بروز نقض قیدهای هماهنگی در سایر پیکربندی های شبکه ناشی از خروج یکی از منابع تولید یا پست های بالادست اجتناب ناپذیر خواهد بود. طرح های حفاظت تطبیقی نسبت به طرح هایی که تنها از یک گروه تنظیم حفاظتی استفاده می نمایند، برتری داشته و سرعت عملکرد بهتری خواهند داشت. از خلاء های تحقیقاتی که کم تر به آن ها توجه شده است، محدودیت در تعداد گروه های تنظیم نسبت به حالات بهره برداری است. رویکرد ارایه شده در این مقاله، حفاظت تطبیقی با درنظرگرفتن آرایش های مختلف شبکه با بهره مندی از قابلیت گروه های تنظیم مختلف رله های اضافه جریان است. با توجه به محدودیت در مورد تعداد گروه تنظیم های موجود در رله های تجاری، در طرح پیشنهادی تنظیمات بهینه ی رله های اضافه جریان برای حالات مختلف شبکه با درنظرگرفتن تعداد محدود گروه های تنظیم رله ها به دست خواهد آمد. یکی از مزایا و نوآوری های روش پیشنهادی، بهینه سازی منحنی مشخصه ی رله های حفاظتی در کنار بهینه سازی تنظیمات زمانی و جریانی است که در طرح های حفاظت تطبیقی پیشین کم تر به آن توجه شده بود. افزایش زمان طرح حفاظت تطبیقی ناشی از اعمال محدودیت در تعداد گروه های تنظیمی نسبت به شرایطی که تعداد گروه های تنظیمی محدود نباشد، به میزان 53/79% است. نتایج پیاده سازی روش پیشنهادی بر روی بخش توزیع شبکه 30 شین IEEE دلالت بر برتری قابل توجه 52/47 % در زمان عملکرد سیستم حفاظتی نسبت به طرح های حفاظت تطبیقی با منحنی مشخصه پیش فرض دارد.
کلید واژگان: شبکه های توزیع فعال، حفاظت تطبیقی، حفاظت بهینه، پیکربندی های مختلف شبکه، رله های اضافه جریان جهت دار، انتخاب بهینه منحنی مشخصه استاندارد، محدودیت گروه های تنظیم مختلف رله ها، الگوریتم ژنتیک، DIgSILENTThe changes in configurations of distribution networks due to the outages of any upstream substations or distributed generations (DGs) is one of the essential challenges in the design of distribution systems. The changes in topologies of the network affect the protective schemes and might lead to coordination constraint violations in different operation modes and configurations. It is inevitable to appear some coordination constraint violation if only the base grid-connected operation mode and configuration is considered in the optimal protection settings. The adaptive protective schemes have several advantages compared to those using only one setting group, and their speed would be more desired. Although different research works have been done in the literature in adaptive protective schemes, there is a research gap about considering the limited number of setting groups for directional overcurrent relays (DOCRs), besides other aspects of active distribution networks and adaptive schemes. This research tries to fill such a research gap by proposing a new optimized adaptive protection system, considering various network configurations, by the limited number of setting groups. Since the proposed optimal settings for DOCRs are applied to a limited number of setting groups, it would be practical. Optimizing the standard relay characteristics in the proposed method is another contribution. Test results of applying the introduced method on the distribution portion of the IEEE 30-bus test system highlight the advantages of this study. Simulation results infer that 54.27% improvement in operating time of the protection system is achievable through applying the proposed method compared to available adaptive ones because of optimizing the relay characteristics.
Keywords: Active distribution networks (ADNs), Adaptive protection, Different operation modes, Different network configurations, Directional overcurrent relays (DOCRs), Optimal selection of standard, relay characteristics, Setting groups, Genetic algorithm (GA), DI -
Transformers are one of the most valuable assets of power systems. Maintenance and condition assessment of transformers has become one of the concerns of researchers due to a huge number of transformers has been approached to the end of their lifetimes. Transformer’s lifetime depends on the life of its insulation and the insulation’s life is strongly influenced by its moisture attraction as well. Thus, regarding the importance of moisture analysis, in this paper, a new method is introduced for moisture content determination in the transformer insulation system. The introduced method uses the dielectric response analysis in the frequency domain based on heuristic algorithms such as genetic algorithm and particle swarm optimization. First, the master curve of the dielectric response is modeled. Afterward, using the proposed method the master curve and the measured dielectric response curves are compared. By analyzing the comparison results, the moisture content of the paper insulation, the electrical conductivity of the insulating oil, and the dielectric model dimensions are determined. Finally, the proposed methods are applied to several practical samples and their capabilities are compared to the well-known conventional method.Keywords: Transformer Insulation, Moisture, Dielectric Frequency Response (DFR) Analysis, Genetic Algorithm (GA), Particle swarm optimization (PSO)
-
Scientia Iranica, Volume:27 Issue: 5, Sep Oct 2020, PP 2572 -2591Resource constrained project scheduling problem with multiple routes for flexible project activities (RCPSP-MR) is a generalization of the RCPSP, in which for the implementation of each flexible activity in main structure of the project, several exclusive sub-networks are considered. Each sub-network is regarded as a route for the flexible activity. The routes are considered for each flexible activity that are varied in terms of: 1) Number of activities required to execute; 2) Precedence relationship between activates; 3) Allocation of different renewable and nonrenewable resources to each activity; and 4) Effectiveness on the duration and cost of project completion. In this paper, a new mathematical formulation of RCPSP-MR is firstly presented. Then, two solving approaches based on particle swarm optimization (PSO) and genetic algorithm (GA) are proposed to minimize costs of project completion. To evaluate the effectiveness of these proposed approaches, 50 problems (in very small, small, medium, and large-sized test problems) are designed and then are solved; Finally, comparisons are provided. Computational results show that the proposed GA generates high-quality solutions in a timely fashion.Keywords: Resource constrained project scheduling problem (RCPSP), flexible activities, multiple routes, particle swarm optimization (PSO), genetic algorithm (GA)
-
The multi machine power system, with the interconnection of number of generators and loads, has the dynamic stability as the important factor for maintaining the step with respect to the generators connected to it. The stability of individual machine, as well as, the stability of a generator with the other generators are more important terms. The supply of the damping torque required for getting the desired condition of stability enhancement is done by the power system stabilizer. In this paper a new method is proposed for stability enhancement of a three machine nine bus system by using the coordinated application of the unified power flow controller and the power system stabilizer designed by using the Firefly algorithm. The improved stability performance of the tested multi machine system was compared with Genetic search algorithm approach without and with the application of the unified power flow controller. From the pseudo spectrum analysis, it is observed that the better improvement of the stability of the multi machine system is achieved by using the proposed method. From the step responses it can be deduced that the relative variations of inter machine states with unified power flow controller and firefly-based power system stabilizer are settled at a faster rate. The contingency analysis is performed to consider the non-linearity problem. The responses of the system with unified power flow controller and firefly based power system stabilizer are settled at a faster rate in the normal case, as well as, in the contingency cases, respectively.Keywords: Power System Stabilizer (PSS), Firefly Algorithm (FFY), Genetic Algorithm (GA), Unified Power Flow Controller (UPFC), Pseudo Spectrum Analysis, Contingency
-
Recent increment in carbon emission due to the dependency on fossil fuels in power generation sector is a critical issue in the last decade. The motivation to Distributed Generation (DG) in order to catch low carbon networks is rising. This research seeks to experience DG existence in local energy servicing in microgrid structure. Optimal sizing and placement of DG units is followed by this paper for simultaneous power loss reduction and voltage profile improvement. Optimization is solved by applying Limited Constraint Method (LCM) for converting of multi-objective problem to single-objective one. A typical Genetic Algorithm (GA) is presented from the array of artificial intelligence methods for solving the optimization problem. The algorithm is implemented on the IEEE 33 buses standard network. This study is presented in two scenarios, primarily to elaborate the effect of location and determination of DGs has been done to reduce losses and improve the voltage profile. Secondly, the research shows the necessity to load modeling in case of DG presence in networks.Keywords: Distributed Generation (DG), Genetic Algorithm (GA), Limited Constraint Method (LCM), load modelling
-
A flexible cell scheduling problem (CSP) under time-of-use (TOU) electricity tariffs are developed in this study. To apply a kind of energy-conscious policy, over cost of on-peak period electricity consumption, limitations on total energy consumption by all facilities, set up time available on each cell, part defect (pert) percentage and the total number of automated guided vehicles (AGV) are considered. Additionally, an ant colony optimization (ACO) algorithm is employed to find a near-optimum solution of proposed mixed integer linear programming (MILP) model with the objective of minimizing the total cost of CSP model. Since no benchmark is available in the literature, a lower bound is implemented as well to validate the result achieved. Moreover, to improve the quality of the results obtained by meta-heuristic algorithms, two hybrid algorithms (HGA and HACO) was proposed to solve the model. For parameter tuning of algorithms, Taguchi experimental design method is applied. Then, numerical examples are presented to prove the application of the proposed methodology. Our results compared with the lower bound and as a result it confirmed that HACO was capable to find better and nearer optimal solutions.Keywords: Cell, scheduling, Automated guided vehicles (AGV), Robots, Energy, conscious policy, Ant colony optimization (ACO), Genetic algorithm (GA), Taguchi experimental design method
-
استفاده از خودروی الکتریکی باعث کاهش مصرف ذخایر رو به پایان سوخت های فسیلی و همچنین کاهش آلودگی می شود. اگر خودروی الکتریکی قابلیت اتصال به شبکه را داشته باشد، با یک برنامه ریزی هوشمندانه حتی سودآور است. هدف مقاله، ارائه برنامه ریزی شارژ و دشارژ برای بیشینه کردن سود صاحب خودرو است. برای بهینه سازی تابع هدف (بیشینه کردن سود صاحب خودرو) از الگوریتم ژنتیک استفاده شده است. روش پیشنهادی، ضمن استفاده معمولی و با آسایش از خودرو، برای صاحب خودرو نیز سود در بر خواهد داشت؛ بنابراین نگاه این بررسی متفاوت است و سودآوری صاحب پارکینگ، شبکه توزیع و جمع کننده مدنظر نیست. علاوه بر آن، در روش ارائه شده، مسافت طی شده و همچنین وضعیت شارژ در هر ساعت از شبانه روز مدنظر قرار می گیرند. برای بررسی صحت عملکرد این الگوریتم، داده های تصادفی، تولید و برنامه 1000 دفعه تکرار می شود. درنهایت، سود انتظاری صاحب خودرو برای سه حالت مختلف، وجودنداشتن قابلیت اتصال به شبکه، وجود این قابلیت و استفاده از شارژر 72 آمپری و درنهایت، وجود قابلیت اتصال به شبکه و استفاده از سوپرشارژر محاسبه و بررسی شده است. نتایج به دست آمده نشان می دهند حالت سوم، نسبت به دو حالت دیگر، سود آورتر است.کلید واژگان: برنامه ریزی شارژ، برنامه ریزی دشارژ، الگوریتم ژنتیک، خودروی الکتریکی، داده تصادفی، سوپرشارژرElectric Vehicle (EVs) usage causes to decrease the consumption of fossil fuel resources and pollution. If such EVs include vehicle to grid (V2G) capability, then a smart scheduling can be used in order to obtain more profit. The goal of this paper is to present a charge and discharge scheduling to maximize the profit of EV owner, using genetic algorithm (GA). The suggested method can be applicable without deteriorating the normal usage of EV. Besides that, in this method the hourly traveled distance and state of charge (SOC) of EV are considered in each hour of day and night. To evaluate the accuracy of this algorithm, stochastic data are generated and the algorithm is repeated 1000 times. Finally, the expected profit of EV owner is calculated for 3 modes named without V2G ability, with V2G and 72 ampere charger and with V2G and supercharger. The results show that the 3rd mode is more profitable than the other ones.Keywords: charge scheduling, discharge scheduling, genetic algorithm (GA), electric vehicle (EV), stochastic data, supercharger
-
در این مقاله طراحی، سنتز شبیه سازی آرایه خطی 12 المانی از آنتن مایکرواستریپ با الگوی تشعشعی مجذور کسکانت در فرکانس GHz 9/8 بررسی شده است. آنتن شامل سه زیر لایه مایکرواستریپ می باشد که دو زیرلایه پایینی شبکه تغذیه و زیرلایه بالایی، پچ های تشعشعی می باشند که از طریق شیار در صفحه زمین، تحریک شده اند. یکی از مهمترین مزایای این آنتن دامنه قطبش متقاطع کمتر از dB -50 می باشد که به خاطر حذف تشعشعات ناشی از شبکه تغذیه می باشد. برای سنتز الگوی تشعشعی مجذور کسکانت از روش بهینه سازی الگوریتم ژنتیک با درنظر گرفتن اثر تزویج متقابل المان ها استفاده شده است. در این روش، دامنه و فاز میدان های ناحیه دوره هر یک از المان ها با در نظر گرفتن اثر تزویج محاسبه و در بهینه سازی قرار داده شده اند. متناسب با دامنه و فاز های محاسبه شده از الگوریتم ژنتیک، شبکه تغذیه طراحی شده است. نتایج حاصل از شبیه سازی، درستی تمامی مراحل طراحی و سنتز را اثبات می کند .کلید واژگان: آنتن مایکرواستریپ، الگوی تشعشعی مجذور کسکانت، الگوریتم ژنتیک (GA)، شبکه تغذیهIn this paper, the design, synthesis, and simulation of 12 linear arrays of microstrip antenna is considered with cosecant squared pattern in 9.8 GHz. The structure involves 3 layers: the feed network has 2 bottom layers and the top layer is the microstrip patch excited by a slot. One of the advantages is low cross-polarization (less than -50 dB) that is due to removing the radiation fields of the feed network. For synthesis of cosecant squared pattern, the genetic algorithm method is used while the mutual coupling is considered. In this method, the far fields of each array are applied to the optimization. Proportional to the amplitudes and calculated phases by genetic algorithm, the feed network is designed. The simulation results verify the accuracy of design and synthesis.Keywords: Microstrip Antenna, Cosecant-Squared Pattern, Genetic Algorithm (GA), Feed Network
-
Curse of dimensionality is one of the biggest challenges in classification problems. High dimensionality of problem increases classification rate and brings about classification error. Selecting an effective subset of features is an important point in analyzing correlation rate in classification issues. The main purpose of this paper is enhancing characters recognition and classification, creating quick and low-cost classes, and eventually recognizing Persian handwritten characters more accurately and faster. In this paper, to reduce feature dimensionality of datasets a hybrid approach using artificial neural network, genetic algorithm and quantum genetic algorithm is proposed that can be used to distinguish Persian handwritten letters. Implementation results show that proposed algorithms are able to reduce number of features by 19% to 49%. They also show that recognition and classification accuracy of resulted subset of features has risen, by 7/31%, comparing to primitive dataset.Keywords: dimensionality reduction of features, recognition of Persian handwritten letters, genetic algorithm (GA), quantum genetic algorithm (QGA), neural networks
-
این مقاله به مکان یابی بانکها تحت شرایط رقابتی با سطوح جذابیت متفاوت پرداخته است. مساله مکان یابی بانکها به فاکتورهای زیادی نیاز داشته و جزء مسایل NP-HARD طبقه بندی می شود. استفاده از روش های فراابتکاری برای حل مسایل NP-HARD علیرغم تقریبی بودن، مناسب ترین راه حل به نظر می رسد. در این تحقیق از روش های بهینه سازی ژنتیک، شبیه سازی تبرید و الگوریتم بهینه سازی فاخته ها در حل مساله مکان یابی رقابتی بانکها استفاده شده است. روش ها به طوری آماده شدند که قابلیت پیدا نمودن مکان بانک جدید با وجود بانکهای رقیب را دارند و مکان بانک جدید از بانکهای هم نوع خودش تا حد ممکن دورتر باید باشد (هدف بازاریابی). همچنین در مجموع کل مشتریان این نوع بانک نبایستی از یک حدی کمتر شده و میزان جذب مشتری شعبه جدید التاسیس بانک از یک تعدادی کمتر نشود (محدودیت ها). بدین منظور قسمتی از شهر تبریز جهت پیاده سازی انتخاب شد. در نهایت به منظور ارزیابی کیفیت و دقت الگوریتم ها از تست تکرارپذیری و مقایسه اعداد همگرایی برای نتایج حاصل از اجرای هر الگوریتم روی داده ها استفاده شد. نتایج حاصل از این آزمون ها عملکرد دقیقتر و همچنین سرعت همگرایی بیشتر، الگوریتم فاخته ها نسبت به روش های بهینه سازی ژنتیک و شبیه سازی تبرید در بهینه سازی مکان یابی رقابتی بانکها را نشان می دهد.کلید واژگان: مکان یابی رقابتی، الگوریتم بهینه سازی فاخته ها، الگوریتم ژنتیک و الگوریتم شبیه سازی تبرید، بانکهاThis paper determines the location of bank branches under competitive conditions with different attractive conditions. Finding an optimum location of branches depends on many factors and these problems are known as NP-hard problems. Despite being approximate methods, meta-heuristic algorithms seem suitable tools for solving NP-hard problems. In this paper, Genetic Algorithm (GA), Simulated Annealing (SA) and Cuckoo Optimization Algorithm (COA) are applied for finding the best location of bank branches. From marketing point of view, the aim is to attract more customers while the number of attracted persons to a new branch should be acceptable. The new methods have capability to find the optimum location of new branches under competitive conditions. The location of a new branch should be as far away as possible from branches of the same bank. The other condition is that the total number of customers for the new branch should not be less than a specified number, while the new branch should not attract customers of old branches of the same bank more than a threshold. To fulfill this propose a part of the Tabriz city was selected for implementation. Finally, to evaluate quality and accuracy of the algorithms, several iterations with different seeds are performed. The results of statistical and final tests indicate that the accuracy and convergence speed of Cuckoo Optimization Algorithm are more than the Simulated Annealing and Genetic Algorithms in finding optimal location of bank branches under competitive conditions.Keywords: Facility Location under Competitive, Genetic Algorithm(GA), Simulated Annealing (SA), Cuckoo Optimization Algorithm(COA), Banks
-
Journal of Electrical and Computer Engineering Innovations, Volume:4 Issue: 2, Summer-Autumn 2016, PP 135 -146In this article a new method is introduced for geolocating of signal emitters which is based on evolutionary computation (EC) concept. In the proposed method two well-known members of EC techniques including Bees Algorithm (BA) and Genetic Algorithm (GA), are utilized to estimate the positions of emitters by optimizing the hyperbola equations which have been resulted from Time Difference of Arrival (TDOA) of their radiated signals. To show the effectiveness of the EC concept in positioning the simulation is carried for linear and nonlinear moving emitters in presence of several amounts of noise. Then obtained results are compared with Maximum Likelihood (ML) estimator as one of the most common approaches among traditional methods. The results showed better performance of the EC family compared to ML in such way that they estimate the position of emitters even up to 33% and 30% more accurate than ML in presence of 5 and 10 percent of noise respectively. Furthermore the comparison among the examined methods belong to EC family shows that BA leads to the accuracy of 3 to 12 percent better than GA in estimating positions of radiation sources.Keywords: Time Difference of Arrival (TDOA), Geolocation, EC Paradigm, Bee Algorithm (BA), Genetic Algorithm (GA)
-
موتورهای جستجو با خزش صفحات موجود در اینترنت و شاخص گذاری آن ها، قابلیت جستجوی سریع اطلاعات را به کاربران می دهند. یکی از چالش های مهم در استفاده از این ابزار، صفحاتی هستند که از آن ها به عنوان صفحات فریب آمیز نام برده می شود. رویکردهای مختلفی جهت تشخیص صفحات فریب ابداع شده است که می توان به روش هایی مانند سنجش میزان شباهت سبک کدهای صفحات، تحلیل الگوی زبانی صفحات و همچنین استفاده از روش های یادگیری ماشین بر اساس ویژگی های صفحات اشاره کرد. ازجمله الگوریتم های یادگیری ماشین که در این حوزه استفاده شده است ولی نتایج قابل توجهی را ارائه نکرده، الگوریتم ماشین بردارپشتیبان[i] (SVM) است. استفاده از هسته در ساختار طبقه بند SVM باعث می شود که داده هایی که دارای الگوی غیرخطی هستند با نگاشت به فضایی با ابعاد بیش تر بتوانند با مدل خطی تفکیک پذیر شوند. این کار باعث افزایش دقت تفکیک کنندگی مدل یادگیری ماشین می شود. اخیرا توسعه ایی از SVM با نام SVM جفتی[ii] (TSVM) ارائه شده است که با تغییر در فرضیه اولیه آن، از دو ابرصفحه[iii] برای تفکیک نمونه های هر کلاس استفاده می کند و توانسته نتایج بهتری در طبقه بندی ارائه کند. به دلیل استفاده از دو ابرصفحه در TSVM، لذا بهتر است تا از هسته های چندگانه در ساختار آن استفاده شود. به دلیل اینکه توابع هسته در هر کاربرد اختصاصی هستند لذا نمی توان از یک هسته عمومی برای همه کاربردها استفاده کرد. در این مقاله برای بهینه سازی ترکیب های بهینه توابع هسته پایه، از روشی تکاملی مبتنی بر الگوریتم ژنتیک (GA) استفاده شده است که با بهره گیری از آن در فرآیند تصمیم گیری هر ابرصفحه TSVM، بهبود در تشخیص صفحات فریب حاصل گردیده است. برای پیاده سازی و ارزیابی روش پیشنهادی، از مجموعه دادگان UK-2006 و UK-2007 استفاده شده است که نتایج حاصل بیانگر موثر بودن ایده پیشنهادی در این پژوهش است.کلید واژگان: موتور جستجو، صفحات وب فریب، رتبه بندی، یادگیری ماشین، ماشین بردارپشتیبان جفتی، هسته های چندگانه، الگوریتم ژنتیکWeb pages are crawled and indexed by search engines for fast accessing data on the web. One of the challenges in the search engines is web spam pages. There are many approaches to web spam pages detection such as measurement of HTML code style similarity, pages linguistic pattern analysis and machine learning algorithm on page content features. One of the famous algorithms has been used in machine learning approach is Support Vector Machine (SVM) classifier. Unfortunately SVM could not achieve a reasonable accuracy in this scope. In order to classify non-linear data in a linear manner, the SVM needs to use the idea of the kernel, which leads to enhanced classification capabilities. A kernel, implicitly maps the data to a higher-dimensional space. Recently basic structure of SVM has been changed by new extensions called Twin SVM (TSVM) to increase robustness and classification accuracy using two separate hyperplanes. Because of using two separate hyperplanes in TSVM, it is better to use multiple kernels in it. Kernel functions are designed based on specific data sample. Therefore they cannot use for general purpose. In this paper we improved accuracy of web spam detection by using two nonlinear kernels into TSVM as an improved extension of SVM. These two kernels have been created based on genetic algorithm. The classifier ability to data separation has been increased by using two separated kernels for each class of data. Effectiveness of new proposed method has been experimented with two publicly used spam datasets called UK-2007 and UK-2006.Keywords: Search engine, web spam page, ranking, machine learning, twin support vector machine (TSVM), multiple kernels, genetic algorithm (GA)
-
در این مقاله، روشی نوین برای کنترل و مدیریت بهینه منابع توان در یک خودروی برقی دارای دو منبع تامین انرژی شامل باتری و ابرخازن ارائه می شود. برای این منظور یک کنترل کننده غیرخطی بهینه بر مبنای سیستم فازی طراحی می شود. مهم ترین مرحله در طراحی سیستم فازی، انتخاب درست قوانین فازی و توابع عضویت است که در این مقاله، قوانین فازی و توابع عضویت متغیرهای ورودی و خروجی کنترل کننده فازی با استفاده از الگوریتم ژنتیک ترکیبی با اعداد صحیح تعیین می شوند. روش پیشنهادی همراه با دو روش فازی معمولی و کنترل گسسته دو وضعیتی on/off بهینه روی سیکل استاندارد رانندگی شهری (EPA-UDDS) و با مدل خودروی برقی در محیط نرم افزار Advisor شبیه سازی می شوند. نتایج شبیه سازی نشان می دهند که میزان انرژی مصرفی خودروی برقی در سیکل رانندگی مورد نظر، با استفاده از کنترل کننده فازی بهینه، کاهش چشمگیری نسبت به کنترل کننده فازی معمولی و همچنین کنترل کننده گسسته on/off بهینه یافته است.کلید واژگان: خودروی برقی، سیستم فازی، مدیریت توان، ذخیره ساز انرژی، الگوریتم ژنتیک ترکیبی با اعداد صحیحIn this paper a novel power management method for an electric vehicle (EV) equipped with two energy storage systems is presented. In this way, an optimized nonlinear controller based on fuzzy system is developed. The main stage to design a fuzzy controller is proper determination of fuzzy rules and membership functions that in this paper, the fuzzy rules and input and output membership functions of fuzzy controller are determined via mixed integer genetic algorithm (GA). The model of EV and optimized fuzzy controller as well as conventional fuzzy controller and optimized on/off controller are simulated in ADVISOR environment for the standard driving cycle EPA urban UDDS. Simulation results confirm a significant reduction in the consumed energy by the proposed optimal fuzzy controller in comparison with the conventional fuzzy and optimized on/off controllers.Keywords: Electric Vehicle (EV), Power management, Fuzzy controller, Genetic Algorithm (GA), Advisor
-
برای استفاده مناسب و کارآمد از انرژی باد، پیش بینی سرعت باد بسیار مهم است. باد یکی از منابع اصلی انرژی در جهان است، اما توربین های بادی دارای عدم قابلیت اطمینان، پیوستگی و یکنواختی در تولید توان هستند. از طرفی تغییرات ناگهانی سرعت باد موجب به خطر افتادن سلامتی واحدهای توربین باد می شود؛ ازاین رو پیشگویی سرعت باد برای نگهداری توربین و همچنین برنامه ریزی برای توان تولیدی اهمیت فراوانی دارد. این مقاله یک روش جدید برای پیشگویی سرعت باد ارائه می دهد. این روش براساس ترکیبی از الگوریتم ژنتیک و شبکه عصبی است. اطلاعات گذشته سرعت باد به عنوان ورودی مدل برای پیشگویی با گام بلند (چندروزه) سرعت باد استفاده می شوند. عملکرد روش ارائه شده براساس اطلاعات واقعی جمع آوری شده از مزرعه بادی کهک شرکت مپنا مورد سنجش قرار گرفته است. نتایج شبیه سازی دقت مدل پیشنهادشده را در پیشگویی سرعت باد نشان دادند. دقت مدل پیشگویی براساس معیارRMSE (Root Mean Squared Error) ، 96/0 متر بر ثانیه به دست آمد. نتایج حاصل از روش RNNGA (Recurrent Neural Network Genetic Algorithm) با روش های برخی مراجع مقایسه شد که این مدل با اطلاعات ورودی کمتر (سرعت باد)، دقت مشابه یا بهتر داشته است.کلید واژگان: شبکه عصبی بازگشتی، الگوریتم ژنتیک، سرعت بادFor proper and efficient utilization of wind power, the prediction of wind speed is very important. Wind is one of the main sources of energy in the world, but the wind turbines have a lack of reliability, continuity and homogeneity in power production. On the other hand, sudden changes of wind speed, lead to risk for wind turbine units health. Therefore, the prediction of wind speed for turbine maintenance and planning for production is very important. This paper provides a new method for predicting the wind speed. The technique is based on combining genetic algorithm and neural network. The previous wind speed information is used as inputs to Long-Step prediction (multi-day) of the wind speed. The proposed method was tested based on actual data collected from the MAPNA Co wind farm. Simulation results show the accuracy of the proposed model in predicting the wind speed. The accuracy of prediction models, based on root mean squared error (RMSE), is 0.96 meters per second. The results of the recurrent neural network genetic algorithm (RNNGA) method were compared with some reference methods which this model with less input data (wind speed), has the same or better accuracy.Keywords: RNNGA, Genetic Algorithm(GA), Wind speed
-
Multilevel voltage source inverters have several advantages compare to traditional voltage source inverter. These inverters reduce cost, get better voltage waveform and decrease Total Harmonic Distortion (THD) by increasing the levels of output voltage. In this paper Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) methods are used to find the switching angles for achieving to the minimum THD for output voltage waveform of the Cascaded H-bridge Multi-Level Inverters (MLI). These methods are used for a 27-level inverter for different modulation indices. Result of two methods is identical and in comparison to other methods have the smallest THD. To verify results of two mentioned methods, a simulation using MATLAB/Simulink software is presented.Keywords: Asymmetrical Multi, Level Inverter (AMLI), Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Total Harmonic Distortion (THD)
-
در این مقاله، مدل فرکانس بالای موتور القایی ارائه شده است. مقادیر پارامترهای این مدل فشرده با استفاده از الگوریتم ژنتیک تعیین و بهینه شده است. مدل و روش جدیدی برای تعیین پارامترهای معرفی شده است. در ابتدا محدوده ی تغییرات پارامترها بدست آمده و سپس با استفاده از الگوریتم ژنتیک مقدار دقیق و بهینه ی هر یک از پارامترها بدست آمده است. مدل ارائه شده در باند فرکانسی 100 Hz تا 30 MHz هم در مد مشترک و هم در مد دیفرانسیل از دقت بالایی برخوردار می باشد. مدل بدست آمده و بهینه شده با استفاده از الگوریتم ژنتیک، هم در دامنه و هم در فاز با نتایج حاصل از داده های آزمایشگاهی تطابق بالایی دارد. کمینه کردن مقدار مربع خطا، به عنوان تابع هدف الگوریتم ژنتیک استفاده شده است. مدل ارائه شده جهت پیش بینی تداخل الکترمغناطیسی و اضافه ولتاژ ترمینال موتور و جریان مد مشترک در موتور القایی تغذیه شده با کابل مناسب است.کلید واژگان: الگوریتم ژنتیک، تداخل الکترومغناطیس، مدل سازی، موتور القاییIn this paper an optimized high frequency lumped model of Induction motor is presented. Model parameters are identified and optimized using Genetic Algorithm (GA). A novel model and approach in an improved high frequency based on GA for parameter identification are used. At first parameters are limited and then fitted using GA for best fitting. The proposed model considered accurate simulation of both differential and common mode behavior in the EMI-frequency range from 100 Hz to 30MHz. model parameters which extracted from GA, is compared with experimental data in both magnitude and phase at the same time and results shown a good accordance between the experimental results and simulation results of the proposed model. A least mean square (LMS) method was used with a GA optimization method to solve the identification problem. The proposed model is suitable to obtain the simulation models for prediction of high frequency conducted Electromagnetic Interference (EMI), over voltage on terminated motor, and common mode current in cable fed induction motor.Keywords: Electromagnetic Interference (EMI), Genetic algorithm (GA), induction motor, lumped parameter, modeling
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.
©2000-2025 magiran.com All Rights Reserved.