gravitational search algorithm
در نشریات گروه برق-
در سامانه های سلولی کنونی، عملکرد دستگاه کاربران موجود در مرز سلول به دلیل کیفیت ضعیف ارتباط، آسیب می بیند. حال آنکه این ارتباطات به تعداد بیشتری بلوک منابع و توان انتقالی نیز نیاز دارد. برای کاهش تعداد بلوک های فرکانسی و توان انتقالی، این مقاله به بررسی ارتباط دستگاه به دستگاه در حالت های فروسو و فراسوی سامانه های مخابرات سلولی می پردازد. به منظور بهینه سازی اتصال کاربران مختلف در شبکه به معنای یافتن بهترین ارتباط (کم ترین میزان توان مصرفی) یک کاربر با ایستگاه پایه که ممکن است از طریق ارتباط با کاربران دیگر و یا ارتباط مستقیم با ایستگاه پایه برقرار شود و با هدف کمینه کردن کل توان انتقال یافته، از روش های بهینه سازی متفاوتی مانند بهینه سازی جستجوی گرانشی، بهینه سازی ازدحام ذرات، بهینه سازی وراثتی و راهبرد توزیع شده مبتنی بر یادگیری Q با استفاده از تصمیم گیری بیشینه هموار بهره گرفته می شود. نتایج عددی کاهش توان حدود 30 درصد را برای این ارتباطات با پیچیدگی محاسباتی کمتر با استفاده از روش یادگیری Q نسبت به حالتی که به طور مرسوم تمام کاربران اتصال خود را از طریق ایستگاه پایه و به صورت متمرکز با پیچیدگی محاسباتی بالا برقرار می سازند، بیان می دارد.کلید واژگان: تخصیص توزیع شده منابع، ارتباطات فروسو و فراسو، ارتباط دستگاه به دستگاه، الگوریتم جستجوی گرانشی، یادگیری QIn current cellular systems, the performance of active users' devices at the cell edge suffers from the poor link quality. However, these connections also requires more resource blocks and transmission power. In order to reduce the number of resource blocks and transmission power, this paper discusses device to device communication in downlink and uplink cases of cellular communication systems. In order to optimize the connections of different network users, which means finding the best user’s connection to a base station (minimum power consumption), which may be established through communication with other users or direct connection with the base station, and to minimize the total transmission power, different optimization methods such as gravitational search optimization, particle swarm optimization, genetic optimization algorithm and distributed strategy based on Q learning and softmax decision making methods are used. The numerical results show a power reduction of around 30 percent for these distributed communications with less computational complexity using the Q learning method compared to the case in which all users traditionally connect through the base station in a centralized way with high computational complexity.Keywords: Distributed resource allocation, downlink, uplink, device-to-device communication, Gravitational Search Algorithm, Q learning
-
A Question Answering System (QAS) is a special form of information retrieval which consists of three parts: question processing, information retrieval, and answer selection. Determining the type of question is the most important part of QAS as it affects other following parts. This study uses effective features and ensemble classification to improve the QAS performance by increasing the accuracy of question type identification. We use the gravitational search algorithm to select the features and perform ensemble classification. The proposed system is extensively tested on different datasets using four types of experiments: (1) neither feature selection nor ensemble classification, (2) feature selection without ensemble classification, (3) ensemble classification without feature selection, and (4) feature selection with ensemble classification. These four kinds of experiments are carried out under the differential evolution algorithm and gravitational search algorithm. The experimental results show that the proposed method outperforms compared to state-of-the-art methods in previous researches.
Keywords: Question Answering System, Question Classification, Gravitational Search Algorithm, differential evolution algorithm -
مزایای فراوان فناوری مالتی پلکس فرکانسی متعامد (OFDM) و انعطاف پذیری بالای آن باعث شده که در بسیاری از استانداردهای مخابراتی بی سیم مورد استفاده قرار گیرد. یکی از موارد موثر در افزایش کارایی سیستم های بی سیم، تخمین دقیق اطلاعات حالت کانال می باشد. تا کنون تکنیک های متنوعی برای تخمین کانال ارایه شده است. یک دسته از این تکنیک ها با استفاده از سیگنال دریافتی و اطلاعات آماری سیگنال های ارسالی و دریافتی سعی در تخمین کانال دارند که پیچیدگی بالا و عملکرد نسبتا ضعیفی دارند. دسته دیگر با ارسال سمبل های پایلوت، در قبال صرف منابع با روش های ساده تخمین بهتری از کانال ارایه می دهند. در سال های اخیر، تکنیک های مبتنی بر الگوریتم های هوشمند مانند الگوریتم ژنتیک (GA) و بهینه سازی ازدحام ذرات (PSO) مورد توجه قرار گرفته اند. این روش ها قادرند با سربار پایلوت بسیار کم، تابع انتقال کانال مربوط را با استفاده از سیگنال های دریافتی، به نحو مناسبی تخمین بزنند. محدودیت عمده این روش ها سرعت همگرایی نسبتا پایین آنهاست. در این مقاله یک روش ابتکاری برای تخمین کانال با استفاده از الگوریتم جستجوی گرانشی (GSA) پیشنهاد شده که در مقایسه با روش های GA و PSO قادر است تخمین دقیق تری از کانال ارایه دهد. این در حالی است که پیچیدگی محاسباتی آن در حد الگوریتم PSO بوده و برای دستیابی به برازش یکسان از سرعت همگرایی بالاتری نیز نسبت به آنها برخوردار است. عملکرد روش پیشنهادی برای تخمین یک کانال دومسیره با محوشدگی سریع بر اساس دو معیار نرخ خطای بیت (BER) و میانگین مربع خطا (MSE) ارزیابی شده و نتایج شبیه سازی موید برتری آن نسبت به روش های GA و PSO می باشد.
کلید واژگان: الگوریتم جستجوی گرانشی، بهینه سازی تابع، تخمین کانال OFDM، تخمینگر هوشمند کانالThe abundant benefits of Orthogonal Frequency-Division Multiplexing (OFDM) and its high flexibility have resulted in its widespread applications in many telecommunication standards. One important parameter for improving wireless system’s efficiency is the accurate estimation of channel state information (CSI). In the literatures many techniques have been studied in order to estimate the CSI. Nowadays, the techniques based on intelligent algorithms such as genetic algorithm (GA) and particle swarm optimization (PSO) have attracted attention of researchers. With a very low pilot overhead, these techniques are able to estimate the channel frequency response (CFR) properly only using the received signals. Unfortunately each of these techniques suffers a common weakness: they have a slow convergence rate. In this paper, a new intelligent and different method has been presented for channel estimation using gravitational search algorithm (GSA). This method can achieve accurate channel estimation with a moderate computational complexity in comparison with GA and PSO estimators. Furthermore, with higher convergence rate our proposed method is capable of providing the same performance as GA and PSO. For a two-path fast fading channel, simulation results demonstrate the robustness of our proposed scheme according to the bit error rate (BER) and the mean square error (MSE).
Keywords: Gravitational search algorithm, function optimization, OFDM channel estimation, intelligent channel estimator -
الگوریتم جمعیت ذرات اطلاع دهنده ی محلی، یک روش ساده و موثر است که اخیرا برای حل مسائل بهینه سازی چندمدی ارائه شده است. این الگوریتم دارای یک ضعف اساسی است: برای محاسبه سرعت یک ذره، "شایستگی" و " فاصله ی" ذرات همسایه ی آن ذره را در نظر نمی گیرد، درصورتیکه در نظر گرفتن این دو پارامتر در محاسبه سرعت می تواند به الگوریتم برای ایجاد یک تعادل مناسب بین همگرایی و تنوع راه حل ها کمک زیادی کند. در این مقاله، یک نسخه جدید از این الگوریتم با نام "الگوریتم جمعیت ذرات اطلاع دهنده ی محلی گرانشی" ارائه شده است، که در آن هر ذره موقعیت خود را با استفاده از قوانین گرانش و حرکت به سمت بهترین موقعیت همسایگان محلی اش تنظیم می کند. در الگوریتم پیشنهادی، هر چه همسایه ی محلی یک ذره دارای کیفیت بیشتری باشد یا دارای فاصله ی کمتری با ذره باشد، جرم گرانشی بیشتری به آن همسایه تعلق می گیرد و در نتیجه آن همسایه مجاز به اعمال نیروی گرانشی بیشتری به آن ذره می شود. برای بررسی کارایی الگوریتم پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک استاندارد صورت گرفته است. نتایج این آزمایشات نشان می دهد که الگوریتم پیشنهادی می تواند نتایج بهتری نسبت به الگوریتم جمعیت ذرات اطلاع دهنده ی محلی و سایر الگوریتم های بهینه ساز چندمدی به دست آورد.کلید واژگان: بهینه سازی جمعیت ذرات، الگوریتم جستجوی گرانشی، قاعده به روزرسانی سرعت، بهینه سازی چندمدیGravitational Locally Informed Particle Swarm Algorithm for solving Multimodal Optimization ProblemsLocally Informed Particle Swarm (LIPS) is a simple and effective method for solving multimodal optimization problems. Despite the good performance of LIPS’s velocity updating rule, the quality (fitness) of this local neighbors is not considered in calculating the velocity. Considering the quality of neighbors to update the particle velocity can reinforce the search power of LIPS. In this paper, a new version of LIPS with Gravitational velocity updating rule (GLIPS) is proposed. In GLIPS each particle successively adjusts its position towards the best positions of its local neighbors using laws of gravity and motion. In proposed GLIPS, local neighbors with a higher quality get a greater gravitational mass and therefore are allowed to apply the higher gravity force to other particles to attract them. In this case, the particles near good solutions try to attract the other particles which are exploring the search space. We perform a detailed empirical evaluation on the several commonly used multimodal benchmark functions. Our results demonstrate that the new velocity updating rule for LIPS can obtain better results for multimodal function optimization.Keywords: particle swarm optimization, Gravitational Search Algorithm, Velocity updating rule, Multimodal optimization
-
In this paper, the electrical distribution network reconfiguration to achieve loss reduction, load balancing and improve voltage profile in the presence of Distributed Generation (DG) with the gravitational search algorithm (GSA), is investigated. By choosing a 33-bus IEEE sample network and running a computer simulation on it, it is observed that the results of this rearrangement are comparable with similar papers.Keywords: Reconfiguration, distributed generation, Gravitational Search Algorithm
-
نشریه تحقیقات نوین در سیستم های قدرت هوشمند، سال پنجم شماره 1 (پیاپی 11، بهار و تابستان 1395)، صص 52 -60
در این مقاله، مکانیابی تجهیزات سیستم انتقال انعطاف پذیر (FACTS) در سیستم های قدرت حلقوی شکل با حضور توربین های بادی و واحدهای حرارتی صورت پذیرفته است. تجهیزات مد نظر STATCOM و TCSC می باشد. استفاده از این تجهیزات می تواند بهره برداری سیستم را افزایش دهد. بنابراین مکانیابی این تجهیزات همراه با با پخش بار بهینه مد نظر قرار گرفته است. هدف پخش بار بهینه با هدف حداقل سازی هزینه های ناشی از تولید توان مولدها می باشد. شبیه سازی توسط نرم افزار MATLAB پیاده سازی شده است. الگوریتم جستجوی گرانشی بمنظور حل مسیله مورد استفاده قرار گرفته است و شبکه استاندارد 39 شین IEEE بمنظور پیاده سازی روش پیشنهادی بکار گرفته شده است.
کلید واژگان: پخش بار بهینه، الگوریتم جستجوی گرانشی، توربین های بادی، هزینه بهره برداریIn this paper, the location of the FACTS system in ring power systems with the presence of wind turbines and thermal units has been made. Equipment required by STATCOM and TCSC. Using this equipment can increase the operation of the system. Therefore, the location of this equipment is considered with optimal load distribution. The purpose of optimal load distribution is to minimize the cost of generating power generation. Simulation is implemented by MATLAB software. The gravitational search algorithm has been used to solve the problem and the IEEE 39-channel network has been used to implement the proposed method.
Keywords: Optimal load distribution, Gravitational search algorithm, Wind turbines, Cost of operation -
This paper presents an effective optimization method based on meta-heuristics algorithms for the design of a multi-stage, multi-product solid supply chain network design problem. First, a mixed integer linear programming model is proposed. Second, because the problem is a NP-hard, three meta-heuristics algorithms, namely Differential evolution (DE), Particle swarm optimization (PSO) and Gravitational search algorithm (GSA) are developed for the first time of this kind of problem. To the best of our knowledge, neither DE and PSO nor GSA has been considered for the multi-stage solid supply chain network design problems. Furthermore, the Taguchi experimental design method is used to adjust the parameters and operators of the proposed algorithms. Finally, to evaluate the impact of increasing the problem size on the performance of our proposed algorithms, different problem sizes are applied and the associated results are compared with each other.Keywords: Supply chain network design, Differential evolution, Particle swarm optimization algorithm, Gravitational search algorithm, Taguchi experimental Design
-
In this paper, the binary gravitational search algorithm and support vector machines have been used to diagnose epilepsy. At first, features are extracted from EEG signals by using wavelet transform and fast fractional Fourier transform. Then, the binary gravitational search algorithm is used to perform feature selection, instance selection and parameters optimization of support vector machines, and finally constructed models are used to classify normal subjects and epilepsy patients. The appropriate choice of instances, features and classifier parameters; considerably affects the recognition results. In addition, the dimension reduction of the features and instances is important in terms of required space to store data and required time to execute the classification algorithms. Feature selection, instance selection and parameters optimization of support vector machines have been implemented both simultaneously and stepwise. The performance metrics in this study are accuracy, sensitivity, specificity, number of selected features, number of selected instances and execution time. The results of experiments indicate that the simultaneous implementation of feature selection, instance selection and support vector machines parameters optimization leads to better results in terms of execution time in comparison with the stepwise implementation. In the stepwise implementation, performing instance selection process before feature selection leads to better results in terms of accuracy, sensitivity and specificity, as well as reduction of execution time. The results show that the proposed methods achieve noteworthy accuracy in comparison with other methods that were used to diagnose epilepsy.Keywords: Epilepsy Diagnosis, Gravitational Search Algorithm, Support Vector Machines, Instance Selection, Feature Selection, Parameters Optimization
-
وارسی مدل، یک روش خودکار و راهکاری مناسب به منظور درستی یابی سیستم های نرم افزاری مطمئن است. در این سیستم ها، نمی توان ریسک بروز خطا را حتی در فرآیند تست پذیرفت و لذا لازم است فرآیند درستی یابی، قبل از پیاده سازی و در سطح مدل انجام شود. سیستم های تبدیل گراف، از پرکاربردترین سیستم های مدل سازی رسمی و راهکاری مناسب به منظور مدل سازی و وارسی سیستم های پیچیده هستند. اما این سیستم ها در فرآیند وارسی مدل از مشکل انفجار فضای حالت رنج می برند که در صورت گسترده بودن ابعاد مسئله و لذا بزرگ شدن فضای حالت مدل، سیستم با کمبود حافظه مواجه می شود. لذا هدف از این پژوهش، پیشنهاد راهکاری جهت مقابله با این مشکل در فرآیند وارسی سیستم های تبدیل گراف است. راهکارهای ارائه شده، به جای تولید کل فضای حالت، آن را در جهت رسیدن به یک حالت خطا به طور مثال بن بست، هدایت می کنند. راهکار پیشنهادی بر مبنای الگوریتم پرندگان طراحی شده و برای جلوگیری از مشکل به دام افتادن در بهینه های محلی که مشکل اصلی این الگوریتم است، با الگوریتم جستجوی گرانشی که دارای قدرت خوبی در جستجوی محلی است، ترکیب شده است. در نهایت به منظور ارزیابی نتایج راهکارهای ارائه شده، این راهکارها در ابزار Groove- از ابزارهای مدل سازی تبدیل گراف-پیاده سازی شده اند.
کلید واژگان: وارسی مدل، سیستم تبدیل گراف، انفجار فضای حالت، الگوریتم پرندگان، الگوریتم جستجوی گرانشیOne of the best solutions to verify software systems (especially critical systems) is model checking in which all reachable states are generated from an initial state and the generated state space is searched to find errors or some desirable patterns. However, the problem for many real and complex systems is the state space explosion in which model checking cannot generate all the states. In this paper, a solution is presented to cope with this problem in systems modeled by graph transformation. Since meta-heuristic algorithms are proper solutions to search in very large problem spaces, they employed in this research to find errors (e.g. deadlocks) in systems which cannot be verified through existing model checking approaches because of state space explosion problem. To do so, a Particle Swarm optimization (PSO) algorithm is empployed to consider only a subset of states (called population) in each step of the algorithm. To avoid local optima problem, PSO is combined with Gravitational Search Algorithm (GSA). Our proposed approach is implemented in GROOVE –a toolset for designing and model checking graph transformation system-. The experiments show better results in terms of accuracy, speed and memory usage in comparison with the existing approaches.Keywords: Model checking, deadlock, particle swarm optimization, PSO, gravitational search algorithm, graph transformation system, state space explosion -
Scientia Iranica, Volume:22 Issue: 3, 2015, PP 1018 -1030Software Performance Engineering (SPE) evaluates the key performance factors such as response time and utilization in the entire life cycle of software development. One of the important issue of software performance is bottlenecks that is not investigated more till now in the process of SPE. Meanwhile, Bottleneck detection and mitigation in software modeling stage is quality-centered and cost effective. Layered bottleneck is a type of bottleneck that occurs in systems with layered services and affects its utilization more than flat bottlenecks. Presented approach in this paper has selected Layered Queening Network (LQN) as an appropriate performance model to present and analyze the layered bottlenecks. The process of SPE from software model to performance model has been automatically implemented. Also, an optimization stage is added to find the best specification of software model in a way that strength of the bottleneck, response time and cost will be minimized. To assess the proposed solution two recently proposed multi-objective gravitational search algorithms are employed. To evaluate the effectiveness of the applied algorithms, two well-known multi-objective algorithms: NSGA-II and MOPSO are also applied for a case study and a comprehensive comparison is presented.Keywords: Bottleneck detection, multi, objectiveoptimization, Software Performance engineering, UML, Gravitational Search Algorithm
-
New Functions for Mass Calculation in Gravitational Search AlgorithmNowadays, optimization problems are large-scale and complicated, so heuristic optimization algorithms have become common for solving them. Gravitational Search Algorithm (GSA) is one of the heuristic algorithms for solving optimization problems inspired by Newton's lows of gravity and motion. Definition and calculation of masses in GSA have an impact on the performance of the algorithm. Defining appropriate functions for mass calculation improves the exploitation and exploration power of the algorithm and prevents the algorithm from getting trapped in local optima. In this paper, Sigma scaling and Boltzmann selection functions are examined for mass calculation in GSA. The proposed functions are evaluated on some standard test functions including unimodal functions and multimodal functions. The obtained results are compared with the standard GSA, genetic algorithm, particle swarm optimization algorithm, gravitational particle swarm algorithm and clustered-GSA. Experimental results show that the proposed method outperforms the state-of-the-art optimization algorithms, despite the simplicity of implementation.Keywords: Gravitational Search Algorithm, Heuristic Search Algorithm, Scaling Functions, Exploration, Exploitation, Mass Calculation
-
پیشرفت سریع تکنولوژی و به دنبال آن کاهش بعد ترانزیستورهای ماسفت باعث شده است که این ترانزیستور ها رفتار متفاوتی در مدارات الکترونیکی از خود نشان دهند. در دهه ی اخیر، مدل های زیادی برای تخمین رفتار ترانزیستور های ماسفت کانال کوتاه ارائه شده است. در این مقاله یک مدل جدید برای پیش بینی رفتار و عملکرد ترانزیستورهای ماسفت کانال کوتاه پیشنهاد شده است. مدل پیشنهادی با ایجاد تغییراتی روی مدل nth-power law MOS، دقت این مدل را افزایش و خطای آن را کاهش داده است. پارامترهای مدل پیشنهادی نسبت به دو مشخصه ی واقعی BSIM3 در تکنولوژی130 نانومتر و TSMC_CM018RF در تکنولوژی180 نانومتر، که امروزه کاربرد بسیاری در مدارات الکترونیکی مخصوصا مدارات فرکانس بالا دارند، محاسبه شده است. به منظور افزایش دقت مدل پیشنهادی، پارامترهای آن، توسط سه الگوریتم وراثتی، بهینه سازی جمعیت ذرات و جستجوی گرانشی محاسبه شده است. نتایج بدست آمده نشان می دهد که برای مدل ارائه شده، الگوریتم جستجوی گرانشی نتایج بهتری به دست داده است.
کلید واژگان: الگوریتم وراثتی، الگوریتم بهینه سازی جمعیت ذرات، الگوریتم جستجوی گرانشی، ترانزیستور ماسفت کانال کوتاه، مدارات فرکانس بالاThe rapid advance of technology and the subsequent reduction size of the MOSFET transistors has led to different behavior of the transistors in electronic circuits. In recent decades، many models are presented to estimate the behavior of short-channel MOSFET transistors. In This paper، a new model is proposed to predict the short-channel MOSFET transistor behavior. This model، increases the accuracy and reduces the error rate of the “nth-power law MOS” against the original one. parameters of the proposed model is optimized and compared with the actual Characteristic BSIM3 at 130nm technology and TSMC_CM018RF at 180nm technology. These devices have Many applications in electronic circuits، especially high-frequency circuits. In order to increase the accuracy of the proposed model، its parameters are optimized by a heuristic optimization algorithm. To this، three algorithms including genetic algorithm، particle swarm optimization and gravitational search algorithm are compared. The experimental results indicate that for the proposed model، gravitational search algorithm has got better parameters.Keywords: Genetic Algorithm, Particle Swarm Optimization, Gravitational Search Algorithm, Short channel Mosfets, High, frequency circuits -
Artificial neural network is an efficient model in pattern recognition applications, but its performance is heavily dependent on using suitable structure and connection weights. This paper presents a hybrid heuristic method for obtaining the optimal weight set and architecture of a feedforward neural emotion classifier based on Gravitational Search Algorithm (GSA) and its binary version (BGSA), respectively. By considering various features of speech signal and concatenating them to a principal feature vector, which includes frame-based Mel frequency cepstral coefficients and energy, a rich medium-size feature set is constructed. The performance of the proposed hybrid GSA-BGSA-neural model is compared with the hybrid of Particle Swarm Optimization (PSO) algorithm and its binary version (BPSO) used for such optimizations. In addition, other models such as GSA-neural hybrid and PSO-neural hybrid are also included in the performance comparisons. Experimental results show that the GSAoptimized models can obtain better results using a lighter network structure.Keywords: emotion recognition, speech processing, neural network, connection optimization, structure optimization, gravitational search algorithm
-
کارایی بهتر شبکه عصبی به پارامتر هایی همچون تعداد گره های ورودی، تعداد لایه های میانی، تعداد نرون ها، و وزن اختصاص یافته به نرون ها بستگی دارد. روش های متفاوتی جهت به روزرسانی پارامترها و ساختار شبکه عصبی مصنوعی ارائه گردیده است. یکی از روش های متداول و مورد استفاده در شبکه های عصبی، روش پس انتشار خطا (EBP) است که در آن تنها وزن های شبکه عصبی به روزرسانی می شوند. در این مقاله، از الگوریتم جستجوی گرانشی (GSA) بدین منظور استفاده شده است، که یکی از روش های نوین جستجو و بهینه سازی مبتنی بر هوش جمعی می باشد. در روش پیشنهادی، از GSA به همراه نسخه باینری الگوریتم جستجوی گرانشی (BGSA) به صورت همزمان، جهت آموزش شبکه عصبی و نیز تعیین ساختار بهینه شبکه عصبی استفاده شده است. نتایج عملکرد روش پیشنهادی با روش هایی چون الگوریتم تجمع ذرات (PSO)، الگوریتم آمیختار PSO و نسخه باینری PSO (PSO-BPSO) و نیز روش EBP در کاربردهای دسته بندی و تقریب توابع مقایسه شده است. عملکرد برای کاربرد دسته بندی بر روی سه دادگان استاندارد گل زنبق، سرطان سینه و انواع شیشه و برای کاربرد تقریب توابع، درخصوص یک سیستم تخمین نوا برای سنتز گفتار فارسی مورد ارزیابی قرار گرفته است. از آنجا که تعداد ورودی ها به شبکه عصبی در کاربرد سیستم تخمین نوا زیاد است، از یک الگوریتم آمیختار تکاملی و هوش جمعی نیز برای انتخاب ویژگی های مناسب بهره گرفته شده است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی با به کارگیری تعداد نرون های کمتر در لایه مخفی (به میزان 25 تا 68 درصد کاهش در تعداد این نرون ها در مقایسه با بسیاری از الگوریتم های مورد بررسی)، دقت دسته بندی و تقریب را به صورت قابل رقابتی (به ویژه هنگام کار با داده های آزمون) از خود ارائه می نماید.
کلید واژگان: الگوریتم جستجوی گرانشی، دسته بندی داده، شبکه عصبی مصنوعی، الگوریتم آمیختار انتخاب ویژگی، سنتز گفتار فارسیDetermining the optimum number of nodes، number of hidden layers، and synaptic connection weights in an artificial neural network (ANN) plays an important role in the performance of this soft computing model. Several methods have been proposed for weights update (training) and structure selection of the ANNs. For example، the error back-propagation (EBP) is a traditional method for weights update of multi-layer networks. In this study، gravitational search algorithm (GSA)، as a modern swarm intelligence optimization method، is used for this purpose. In this way، GSA and its binary version (BGSA) are used concurrently، as a hybrid method، to optimize the weights and number of hidden-layer nodes of an ANN، respectively. The performance of proposed method is compared with other intelligent and traditional methods such as particle swarm optimization (PSO)، PSO-BPSO hybrid، and EBP in classification and function approximation tasks. The performance is evaluated over Iris، Breast Cancer، and Glass datasets for classification. For function approximation task، the performance is evaluated for a prosody predictor that is used for natural speech synthesis. To reduce the number of inputs to prosody predictor، a hybrid of an genetic algorithm and ant colony optimization algorithm is used for feature selection. Simulation results show that the proposed method can offer competitive classification and prediction accuracies while using a reduced number of hidden neurons (25-68 percent reduction) as compared to other investigated algorithms.Keywords: gravitational search algorithm, data classification, artificial neural network, hybrid feature selection algorithm, Farsi speech synthesis -
In this paper, the modified linearized Phillips-Heffron model is utilized to theoretically analyze a single-machine infinite-bus (SMIB) installed with SSSC. Then, the results of this analysis are used for assessing the potential of an SSSC supplementary controller to improve the dynamic stability of a power system. This is carried out by measuring the electromechanical controllability through singular value decomposition (SVD) analysis. This controller is tuned for simultaneously shifting the undamped electromechanical modes to a prespecifed area in the s-plane. The issue of designing a robustly SSSC- based controller is considered and formulated as an optimization problem according to the eigenvalue-based multi-objective function consisting of the damping ratio of the undamped electromechanical modes and the damping factor. Next, considering its high capability to find the most optimistic results, the Gravitational Search Algorithm (GSA) is used to solve this optimization problem. Wide ranges of operating conditions are considered in design process of the proposed damping controller in order to guarantee its robustness. The effectiveness of the proposed controller is demonstrated through eigenvalue analysis, controllability measure, nonlinear time-domain simulation and some performance indices studies. The results show that the tuned GSA based SSSC controller which is designed by using the proposed multi-objective function has an outstanding capability in damping power system low frequency oscillations, also it significantly improves the power systems dynamic stability.Keywords: Power systems dynamic stability, SSSC, Gravitational Search Algorithm
-
Protection systems have vital role in network reliability in short circuit mode and proper operating for relays. Current transformer often in transient and saturation under short circuit mode causes mal-operation of relays which will have undesirable effects. Therefore, proper and quick identification of Current transformer saturation is so important. In this paper, an Artificial Neural Network (ANN) which is trained by two different swarm based algorithms; Gravitational Search Algorithm (GSA) and Particle Swarm Optimization (PSO) have been used to discriminate between Current transformer saturation and fault currents in power transformers. In fact, GSA operates based on gravity law and in opposite of other swarm based algorithms, particles have identity and PSO is based on behaviors of bird flocking. Proposed approach has two general stages. In first step, obtained data from simulation have been processed and applied to an ANN, and then in second step, using training data considered ANN has been trained by GSA & PSO. Finally, a proposed technique has been compared with one of the common training approach which is called Genetic algorithm (GA).
Keywords: Artificial Neural Network, Current transformer saturation, Genetic Algorithm, Gravitational Search Algorithm, Internal Faults, particle swarm optimization, Power transformers -
در این مقاله، برای افزایش کارایی سامانه بازیابی تصویر، استخراج ویژگی های دیداری بصورت وفقی با استفاده از الگوریتم جستجوی گرانشی انجام می شود. در سامانه پیاده سازی شده، برای استخراج ویژگی های بافت از تبدیل موجک با موجک مادر پارامتری و برای استخراج ویژگی رنگ از هیستوگرام پارامتری رنگ HSV استفاده شده است. پارامترهای موجک مادر در ویژگی بافت و سطوح چندی سازی در ویژگی رنگ با استفاده از الگوریتم جستجوی گرانشی جهت افزایش دقت بازیابی تطبیق داده شده است. روش پیشنهادی در یک پایگاه تصویر با 1000 تصویر آزموده شده است. نتایج بهبود دقت بازیابی را نشان می دهد.
کلید واژگان: استخراج تطبیقی ویژگی، الگوریتم جستجوی گرانشی، بازیابی تصویر، تبدیل موجک پارامتری، هیستوگرام رنگContent-based image retrieval، CBIR، is an interesting problem of pattern recognition. This paper is devoted to the presentation an approach to reduce the semantic gap between low level visual features and high level semantics by parameter adaptation in feature extraction sub-block. In the proposed method، GSA is used. In texture feature extraction، the parameters of a 6-tap parametrized orthogonal mother wavelet and in color feature extraction، the quantization levels are adapted to reach maximum precision of the image retrieval system. Experimental results and comparison with the conventional CBIR system are reported on a database of 1000 images. Results confirm the efficiency of the proposed adapted image retrieval system.Keywords: Gravitational search algorithm, Feature extraction, Image Retrieval, Multi, resolution Wavelet, color histogram -
توزیع اقتصادی روزانه در سیستم های حرارتی (DHS) در یک مقیاس بزرگ به عنوان یک مسیله بهینه سازی که محدودیت های دینامیکی غیرخطی را شامل می شود، نقش مهمی را در بهره برداری اقتصادی سیستم های قدرت ایفا می کند. این مقاله الگوریتم مطرح می کند. در نظر گرفتن اثر شیر بخار سبب شده تا این مساله توزیع (DHS) را برای حل مسیله (GSA) جستجوی گرانشی در حل مساله توزیع اقتصادی بار در سیستم- GSA اقتصادی را به یک مساله غیر محدب تبدیل نماید. امکانپذیری و استفاده از روش شبیه سازی کامپیوتری شده است و نتیجه حاصله با و بدون اثر موقعیت شیر بخار ، MATLAB های آبی-حرارتی در محیط نرمافزاری در واحدهای حرارتی مقایسه و تحلیل شده اند. برنامه کامپیوتری تهیه شده روی یک سیستم آبی-حرارتی پیاده سازی شده است و با بررسی نتایج، سودمندی و قابلیت روش مورد استفاده (GSA) در مقایسه با سایر روش ها نشان داده شده است.
کلید واژگان: مخازن آبشاری، توزیع اقتصادی، الگوریتم جستجوی گرانشی، استراتژی جستجو اکتشافی
The daily economic dispatching of hydrothermal system (DHS), which is a large-scale dynamic nonlinear constrained optimization problem, plays an important role in economic operation of electric power systems. This paper proposes a novel enhanced gravitational search algorithm (GSA) to solve DHS problem. These are non-convex economic dispatch problems including the valve-point effect. The feasibility and using the GSA methods in solving the economic dispatching load in hydro thermal systems at Matlab are simulated by computer and the simulation results are compared and analyzed with and without the valve-point effect. The proposed programming computer aided is applied on a hydro thermal system and by analyzing the results, efficiency and ability of using method (GSA) is proposed in comparing to other methods.Keywords: Cascaded reservoirs, Economic dispatching, Gravitational search algorithm, Heuristic search strategy -
در این مقاله یک ابزار بهینه سازی جدید در طراحی خودکار مدارات مجتمع آنالوگ مبتنی بر الگوریتم MOGSA ارائه می شود. ابزار بهینه سازی پیشنهادی در ابتدا با استفاده از یک نرم افزار شبیه ساز مدار مورد نظر را شبیه سازی نموده، نتایج شبیه-سازی را به وسیله الگوریتم MOGSA تحت بهینه سازی قرار می دهد. سپس تا حصول نتیجه مطلوب این روند را ادامه خواهد داد. برنامه های اصلی این ابزار در Matlab پیاده سازی و شبیه سازی مدارات به وسیله نرم افزار Hspice انجام می شود. در این مقاله، به منظور بررسی توانایی ابزار پیشنهادی در بهینه سازی طراحی مدارات مجتمع آنالوگ عملکرد آن سنجش می شود. برای نمونه، یک مساله سایزبندی مطرح می شود: «طراحی یک تقویت کننده عملیاتی مستقل از دما با استفاده از منبع جریان ویدلر کسکود». نتایج به دست آمده نه تنها مشخصات مورد نظر در طراحی را برآورده می سازد، بلکه با ارائه مجموعه جواب های متنوع، حق انتخاب بیشتری را برای طراح با توجه به معیارهای مختلف طراحی فراهم می نماید. الگوریتم پیشنهادی MOGSA روش نوینی را در بهینه سازی چندهدفه مبتنی بر الگوریتم جستجوی گرانشی معرفی می کند که در آن از «بهینگی پرتو» برای شناسایی موقعیت های «غیرغالب» و از یک «مخزن بیرونی» برای نگهداری این موقعیت ها استفاده می شود. برای اطمینان از صحت عملکرد روش MOGSA، این الگوریتم به وسیله چندین تابع معتبر چند هدفه آزمایش قرارمی شود. نتایج نهایی نشان دهنده رقابت تنگاتنگ روش پیشنهادی با دیگر الگوریتم های بهینه سازی چند هدفه رایج است.
کلید واژگان: الگوریتم جستجوی گرانشی، بهینه سازی چندهدفه، جبهه پرتو، ابزار بهینه سازی، سنتزمدارات مجتمع آنالوگ، طراحی خودکارIn this paper a novel optimization method based on Multi-Objective Gravitational Search Algorithm (MOGSA) is presented for automated design of analog integrated circuits. The recommended method firstly simulates a selected circuit using a simulator and then simulated results are optimized by MOGSA algorithm. Finally this process continues to meet its optimum result. The main programs of the proposed method have been implemented in MATLAB while analog circuits are simulated by HSPICE software. To show the capability of this method، its proficiency will be examined in the optimization of analog integrated circuits design. In this paper، an analog circuit sizing scheme -Optimum Automated Design of a Temperature independent Differential Op-amp using Widlar Current Source- is illustrated as a case study. The computer results obtained from implementing this method indicate that the design specifications are closely met. Moreover، according to various design criteria، this tool by proposing a varied set of answers can give more options to designers to choose a desirable scheme among other suggested results. MOGSA، the proposal algorithm، introduces a novel method in multi objective optimization on the basis of Gravitational Search Algorithm in which the concept of “Pareto-optimality” is used to determine “non-dominated” positions as well as an external repository to keep these positions. To ensure the accuracy of MOGSA performance، this algorithm is validated using several standard test functions from some specialized literatures. Final results indicate that our method is highly competitive with current multi objective optimization algorithms.Keywords: Gravitational Search Algorithm, Multi Objective Optimization, Pareto Front, Optimization Tool, Analog Integrated Circuits Synthesis, Automated Design
- 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.