learning algorithm
در نشریات گروه برق-
یکی از مسایل اساسی در شبکه های حسگر بی سیم، تامین پوشش ناحیه به منظور انجام یک کار خاص است. این مقاله به مسئله پوشش شبکه ناشناخته پیش فرض توسط گروهی از گره های حسگر با قابلیت های پوشش و ارتباطی غیر یکسان می پردازد. حسگرها متحرک هستند و ناحیه مورد نظر را بصورت توزیع شده کشف می کنند و پوشش بهینه را برقرار می کنند. ابتدا ما مسئله بهینه سازی پوشش را بصورت بازی چند نفره تکراری مدل می کنیم که در آن یک تابع سود برای در نظر گرفتن کیفیت پوشش فرموله شده است. سپس، یک الگوریتم یادگیری مبتنی بر سود توزیع شده را پیشنهاد می کنیم که در آن هر حسگر سعی می کند با جابجایی به سمت موقعیت های بدون پوشش، تابع سود خود را به حداکثر برساند. نتایج شبیه سازی کارایی الگوریتم پیشنهادی را نشان می دهد.
کلید واژگان: پوشش ناحیه، شبکه های حسگر متحرک، حسگرهای ناهمگن، نظریه بازی، الگوریتم یادگیریJournal of Command and Control Communications Computer Intelligence, Volume:5 Issue: 1, 2022, PP 36 -48One of the fundamental problems in wireless sensor networks is to provide area coverage for a specific task. This paper addresses the problem of default unknown network coverage by a group of sensor nodes with nonidentical coverage and communication capabilities. The sensors are mobile and detect the area in a distributed manner and provide optimal coverage. First, we model the coverage optimization problem as a repetitive multiplayer game in which a utility function is formulated to consider the quality of the coverage. Then, we propose a distributed payoff-based learning algorithm in which each sensor tries to maximize its utility function by moving to uncovered locations. The simulation results show the performance of the proposed algorithm
Keywords: Area coverage, Mobile sensor networks, Heterogeneous sensors, Game theory, Learning algorithm -
یکی از مسایل اساسی در شبکه های حسگر بی سیم، تامین پوشش ناحیه به منظور انجام یک کار خاص است. این مقاله به مسئله پوشش شبکه ناشناخته پیش فرض توسط گروهی از گره های حسگر با قابلیت های پوشش و ارتباطی غیر یکسان می پردازد. حسگرها متحرک هستند و ناحیه مورد نظر را بصورت توزیع شده کشف می کنند و پوشش بهینه را برقرار می کنند. ابتدا ما مسئله بهینه سازی پوشش را بصورت بازی چند نفره تکراری مدل می کنیم که در آن یک تابع سود برای در نظر گرفتن کیفیت پوشش فرموله شده است. سپس، یک الگوریتم یادگیری مبتنی بر سود توزیع شده را پیشنهاد می کنیم که در آن هر حسگر سعی می کند با جابجایی به سمت موقعیت های بدون پوشش، تابع سود خود را به حداکثر برساند. نتایج شبیه سازی کارایی الگوریتم پیشنهادی را نشان می دهد.
کلید واژگان: پوشش ناحیه، شبکه های حسگر متحرک، حسگرهای ناهمگن، نظریه بازی، الگوریتم یادگیریJournal of Command and Control Communications Computer Intelligence, Volume:4 Issue: 3, 2021, PP 35 -49One of the fundamental problems in wireless sensor networks is to provide area coverage for a specific task. This paper addresses the problem of default unknown network coverage by a group of sensor nodes with nonidentical coverage and communication capabilities. The sensors are mobile and detect the area in a distributed manner and provide optimal coverage. First, we model the coverage optimization problem as a repetitive multiplayer game in which a utility function is formulated to consider the quality of the coverage. Then, we propose a distributed payoff-based learning algorithm in which each sensor tries to maximize its utility function by moving to uncovered locations. The simulation results show the performance of the proposed algorithm
Keywords: Area coverage, Mobile sensor networks, Heterogeneous sensors, Game theory, Learning algorithm -
پیش بینی سری های زمانی، مخصوصا سری های زمانی آشوبی سیستم های پویای غیر خطی، یکی از زمینه های مهم تحقیقاتی است و کاربرد زیادی در زمینه های گوناگون دارد. از میان روش های معرفی شده برای پیش بینی سری های زمانی آشوبناک، به استفاده از شبکه های عصبی و سیستم های فازی بیشتر توجه شده است. در این مقاله، سیستم استنتاج عصبی - فازی تطبیقی بهبودیافته، برای پیش بینی سری های زمانی آشوبناک پیشنهاد شده است. با توجه به اینکه ساختار سیستم استنتاج عصبی -فازی تطبیقی براساس یک شبکه پیشرو است، بیشتر به مسائل ایستا محدود بوده است و توانایی مواجهه موثر با ویژگی های پویا مانند سری های زمانی را ندارد. برای غلبه بر این مشکل، در این مقاله برای مدل سازی وابستگی های زمانی این سیستم، از ارتباط خودبازخورد خروجی مراحل قبلی استفاده شده است. همچنین از ترکیب الگوریتم بهینه سازی رقابت استعماری ICA، همراه با تخمین حداقل مربعات LSE، برای آموزش سیستم عصبی - فازی و به روزرسانی پارامترهای آن استفاده شده است که این روش، مشکلات آموزش الگوریتم های بر پایه گرادیان را ندارد. این روش برای پیش بینی و مدل سازی چند سری زمانی غیر خطی و آشوبناک جهان واقعی استفاده شده است. تجزیه و تحلیل نتایج و مقایسه آن با کارهای اخیر، نشان دهنده عملکرد بهتر روش پیشنهادی نسبت به روش های قبلی، از نظر معیار خطای کل پیش بینی برای مدل سازی و پیش بینی سری های زمانی هستند.کلید واژگان: الگوریتم های تکاملی، الگوریتم یادگیری، حداقل مربعات خطا، سیستم های آشوبناکPrediction of chaotic time series based on the phase space reconstruction theory has been applied in many research fields. In this paper, we propose an improved adaptive neuro-fuzzy inference system (ANFIS) with self-feedback and imperialist competitive learning algorithm for the application of chaotic time series prediction. Since the ANFIS is based on a feed-forward network structure, it is limited to static problems and cannot effectively cope with dynamic properties such as the time series. To surmount this trouble, we suggested an improved version of ANFIS by introducing self-feedback connections from previous outputs that model the temporal dependence. Also we suggested a new hybrid learning algorithm based on imperialist competitive algorithm (ICA) and least square estimation (LSE) to train this new ANFIS structure. This hybrid learning algorithm is free of derivation and solves the trouble of falling in local optimum in the gradient based algorithm for training the antecedent part. The proposed approach is used to model and predict the six benchmarks of chaotic time series. Analysis of the prediction results and comparisons with recent and old studies demonstrates the promising performance of the proposed approach for modeling and prediction of nonlinear and chaotic time series.Keywords: Chaotic systems, Evolutionary algorithms, Learning algorithm, Least square estimation
-
در یک بازار برق واقعی، اطلاعات کاملی از رفتار رقبا در اختیار شرکت کنندگان بازار قرار ندارد. بدین ترتیب شرکت کنندگان بازار، تصمیم گیری های خود را بر مبنای اطلاعات موجود از قیمت بازار در گذشته انجام می دهند. در این مقاله، یک شبیه ساز جدید برای بازارهای همزمان انرژی و ذخیره چرخان ارائه می گردد که در آن فرآیند کسب تجربه و یادگیری شرکت کنندگان بازار با استفاده از یک روش یادگیری تقویتی مدلسازی شده است. مهمترین خصیصه این شبیه ساز، شبیه سازی یک بازار واقعی است که در آن تصمیم سازی های عاملان بازار در شرایط اطلاعات ناکامل انجام می گیرد. با استفاده از این شبیه ساز، قیمت تسویه بازار با توجه به رفتار قیمت دهی شرکت کنندگان بازار در سطوح مختلف بار و/یا وقوع حوادث در شبکه محاسبه می گردد. تحلیل نتایج نشان می دهد که روش بکارگرفته شده، قابلیت تطابق استراتژی قیمت دهی را با شرایط مختلف شبکه قدرت و بازار برق بخوبی دارا می باشد.کلید واژگان: بازار برق، بازار ذخیره چرخان، شبیه سازی بازار، یادگیری تقویتی، استراتژی پیشنهاد قیمتIn a real electricity market, complete information of rivals behavior is not available to market participants. Therefore, they make their bidding strategies based on the historical information of the market clearing price. In this paper, a new market simulator is introduced for a joint energy and spinning reserve market, in which market participants learning process is modeled using Q-learning algorithm. The main feature of this simulator is simulating a real market, in which market participants make decisions based on incomplete information of the market. Using the proposed simulator, the clearing price for each submarket is computed considering the participants behavior, under different load levels and/or contingency conditions. The results show that Q-learning approach can modify the agents strategy under different market situations.Keywords: energy market, reserve market, market simulator, Q, learning algorithm, bidding strategy
- 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.