tlbo algorithm
در نشریات گروه برق-
Journal of Applied Dynamic Systems and Control, Volume:5 Issue: 2, Summer and Autumn 2022, PP 44 -53Rehabilitation robots are very popular because they are beneficial tools in helping stroke patients and people with physical disabilities, so controlling them to get accurate performance is necessary. This paper presents a new super-twisting controller based on the determined gain with the TLBO algorithm (STA-TLBO) for an upper limb rehabilitation robot for the first time. One of the most important parts of designing the super twisting algorithm (STA) controller is determining the gains, which requires accurate calculations and obtaining disturbance. In this paper, the Teaching–Learning-Based Optimization (TLBO) algorithm is used to obtain the gains of the STA controller. To illustrate the validity of the proposed controller, the results are compared to PID, STA, and PID-TLBO controllers. The results indicate that the proposed controller ensures accurate tracking, finite-time convergence, and reduced chattering. The stability and the robustness of the PID-TLBO and STA-TLBO controllers are examined by three tests, parameter uncertainties, external disturbances, and step response. The results show that the STA-TLBO controller has a better performance than the others under different conditions; that means the proposed controller has a shorter convergence time, more accurate tracking, and fewer tracking error than the other three controllers.Keywords: Rehabilitation Robot, Dynamic Modeling, Super twisting algorithm, TLBO Algorithm, Lyapunov Stability
-
Detecting attacks and anomalies is one of the new challenges in commercializing and advancing IOT technology. One of the most effective methods for detecting attacks is the machine learning algorithms. Until now, many ML models have been suggested to detect attacks and anomalies, all of them use experimental data to model the detection process. One of the most popular and efficient ML algorithms is the artificial neural network. Neural networks also have different classical learning methods. But all of these classic learning methods are problematic for systems that have a lot of local optimized points or have a very complex target function so that they get stuck in local optimal points and are unable to find the global optimal point. The use of evolutionary optimization algorithms for neural network training can be an effective and interesting method. These algorithms have the capability to solve very complex problems with multi-purposed functions and high constraints. Among the evolutionary algorithms, the particle swarm optimization algorithm is fast and popular. Hence, in this article, we use this algorithm to train the neural network to detect attacks and anomalies of the Internet of Things system. Although the PSO algorithm has so many merits, in some cases it may reduce population diversity, resulting in premature convergence. So, in order to solve this problem, we make use of the TLBO algorithm and also, we show that in some cases, up to 90% accuracy of attack detection can be obtained.Keywords: Attack detection, Neural network, PSO Algorithm, Fuzzy rule, Adaptive Formulation, TLBO Algorithm
-
امروزه رمزنگاری تصویر یکی از روش های مهم ایجاد امنیت است. به دلیل همبستگی بین پیکسل های همجوار، حجم زیاد اطلاعات و نیاز به پردازش بلادرنگ، برای رمزنگاری تصویر نمی توان از روش های مرسوم در رمزنگاری داده استفاده کرد. در میان روش های موجود برای رمز تصویر استفاده از توابع آشوب به دلیل خواص ذاتی همچون تصادفی بودن، حساسیت به مقادیر اولیه و سادگی در پیاده سازی بیشتر مورد توجه قرار گرفته است. در این مقاله با استفاده از روشی جدید تصویر توسط نگاشت لجستیک (تابع آشوب) رمز می شود و به کمک الگوریتم نوث پیکسل های تصویر جایگشت می یابند. در نهایت با استفاده از الگوریتم بهینه سازی آموزش و یادگیری(TLBO) تصویر رمز شده از نظر همبستگی میان پیکسل های همجوار ویا آنتروپی بهینه می شود. نتایج به دست آمده از آزمون های مختلف نشان دهنده ی دقت و کیفیت روش ارائه شده است به گونه ای که مقدار همبستگی تصویر رمز به میزان 〖10〗^(-6) می رسد که در مقایسه با روش های دیگر کمترین مقدار را داراست.
کلید واژگان: رمزنگاری تصویر، الگوریتم TLBO، نگاشت لجستیک، تابع آشوب، جایگشت نوثImage encryption is a crucial component of data security nowadays. Due to its inherent properties such as sensitivity to initial condition, ergodicity and systematic parametrization chaos systems have been extensively used in image encryption. However, one needs to optimize the chaos for each image being encrypted to provide high quality encryption. Features such as high entropy or low pixel correlation are measures of interest in image encryption. In this paper, we propose a novel technique to optimize a chaos based image encryption algorithm. The image is confused using logistic map as chaos function and diffused by modified Knuth shuffling algorithm. We use the logistic map parameters as encryption key. We then harness TLBO and GSA evolutionary algorithms to speed up the optimization process of these parameters. The optimization method yields parameters that lead to lowest correlation among adjacent pixels or highest entropy. We compare the quality and security of our cryptosystem with some famous image encryption methods in the literature.
Keywords: Image encryption, Logistic map, Chaos, TLBO algorithm, Knuth shuffle -
Considering the outstanding use of renewable energy sources, most of industrial countries secure a main part of their required energy from renewable energy resources. Solar panels and wind turbines are the most important sources for the scattered production based on Renewable energies. In this study the optimized design of a solar panel, wind turbine hybrid system with superconductive magnetic energy storage (SMES), separated from network, to provide for the load demand of a military site is considered. The aim of a system optimization is specifying the number of solar panels, wind turbines, and SMESs with minimizing the cost of system's energy production. In hybrid systems, due to fluctuations in energy production of solar panels and wind turbines, accumulation systems are used in order to provide for a perpetual load. This system is also used to minimize annual costs of energy production for a system of load demand of a military site with the use of TLBO algorithm on a basis of teach-learn is being studied.Keywords: Wind turbine, Solar Panel, Superconducting Magnetic Energy Storage (SMES), TLBO Algorithm
-
در این مقاله، یک روش بهینه سازی برای مکان یابی و تعیین ظرفیت بهینه منابع تولید پراکنده (DGs) و خازن ها به طور همزمان در سیستم های توزیع شعاعی ارائه شده است. اهداف این مسئله بهینه سازی، بهبود شاخص های تلفات توان اکتیو، تلفات توان راکتیو، انحراف ولتاژ، توازن ظرفیت بارگذاری خطوط و پایداری ولتاژ شبکه هستند. یک تابع هدف چندمنظوره همراه با قیود و محدودیت های لازم ارائه شده است. جهت مقاوم نمودن مکان DGها و خازن ها در برابر تغییرات بار، در تابع هدف پیشنهادی سطوح بارگذاری مختلف به طور همزمان در نظر گرفته شده، درحالی که میزان تولید DGها و توان راکتیو خازن ها برای هر سطح بارگذاری متغیر فرض شده است. در این تحقیق، سطوح بارگذاری سبک، نامی و سنگین برای شبکه در نظر گرفته شده است. همچنین، بارها به صورت وابسته به ولتاژ در نظر گرفته شده اند. برای حل مسئله بهینه سازی، از الگوریتم TLBO استفاده شده است. روش ارائه شده روی سیستم های توزیع 33 و 69 شینه استاندارد اجرا شده و نتایج آن با روش های تک سطحی و ضریب حساسیت تلفات مقایسه شده است. نتایج حاصله برتری روش پیشنهادی را نشان می دهند.کلید واژگان: مکان یابی DG، سیستم توزیع، پایداری ولتاژ، کاهش تلفات، مکان یابی خازن، مدل بار، الگوریتم TLBOIn this paper, an optimization method is proposed to determine the optimal placement and size of Distributed Generation (DG) resources and capacitors simultaneously in radial distribution systems. Improvement of active and reactive power losses, voltage deviation, line load balancing and voltage stability indices of the network are objectives of this optimization problem. A multi-objective function with appropriate constraints has been proposed. In order to robust the location of DGs and capacitors against load variations, different load levels have been incorporated into the objective function simultaneously, while the generated power of DGs and reactive power of capacitors are assumed to be variable for each load level. In this study, light, nominal and heavy load levels have been considered for network. Also, the loads are considered to be voltage dependent. The optimization problem has been solved by TLBO algorithm. The proposed method has been implemented on the 33 and 69 bus radial distribution standard systems and the results have been compared with the methods based on single-level and loss sensitivity factor. The obtained results show superiority of the proposed method.Keywords: DG location, distribution system, voltage stability, loss reduction, capacitor location, load model, TLBO algorithm
-
جایابی و نصب خازن در سیستمهای توزیع انرژی الکتریکی به منظور کاهش تلفات، بهبوود رروییوو ولتواژ وآزاد سوازی ظرییت خطوط شبکه انجام میگیرد. دراین مقاله مکانیابی و تعیین اندازه خازنها در سیستمهای توزیع شعاعی به منظور به حداقل رساندن سه تابع هدف تلفات سیستم، هزینه های جبرانسازی و شاخص پروفیل ولتاژ با روش الگوریتم آموزش و یادگیری (TLBO) بررسی و الگوریتم مورد استفاده بر روی سیستمهای واقعی نیز ریادهسازی شد. الگوریتم مورد استفاده براساس روابط واقعی کلاس درس بوده و دارای دو یاز معلم و دانش آموز است و بعلت اینکه روابط موجود در این الگوریتم نسبت بوه سوایر روش های الگوریتمی کمتر و ساده تر بوده و دارای ورودیهای کمتری میباشد، لذا سرعت همگرایی در آن بیشتر و زمان راسخگویی آن کم است. جایابی و تعیین ظرییت بهینه خازن با در نظر گریتن مدل بار ثابت بوده و با سه تابع هدف مورد بررسی قرار گرفته است. الگوریتم مورد استفاده بر روی شبکه های توزیع 22 شینه، 96 شینه، 58 شینه و شبکه توزیع 4 شینه نظامیه اهواز مربوط به شرکت خطوط لوله و مخابرات نفت ایران، پیاده سازی و در محیط matlab شبیه سازی شد. تحلیل نتایج حاصل بیانگر وضعیت بهتر نسبت به سایر روش ها و کاهش هزینه کل تا 88 درصد در تابع هدف هزینه، کاهش تلفات تا 85 درصد در تابع هدف تلفات و بهبود شاخص پروفیل ولتاژ تا 66 درصد در تابع هدف شاخص پروفیل ولتاژ است.
کلید واژگان: جایابی و نصب خازن، الگوریتم TLBO، هزینه های جبران سازی، تلفات سیستم، شاخص پروفیل ولتاژ
Placement and installation of capacitors in electrical power distribution systems have being done in order to reducing losses , improving voltage profile and realising network lines capacity. In this Thesis , capacitor Placement and sizing of it are reviewed in radial distribution systems to minimizing three objective’s functions , system’s losses , Compensation costs and Voltage Profile Index and it implemented in the actual system by using teaching and learning Algorithm (TLBO) .This Algorithm based on real class’s relationships and including two phases of teacher and student. Also because of the relationships in this algorithm compare to the other algorithm’s methods , there are fewer formula and involves less inputs, therefore, the convergence speed is high and the response time is fewer. locate and determine the optimal capacity of the capacitor with respect to the fixed load modle and three objective functions have been studied. This Algorithm has been Implemented on a distributed networks of 22 - 69 – 85 bus and 4 bus distribution network of Nezamieh’s Ahvaz relevant to Oil Pipelines and Telecommunication Company of Iran and The results were analyzed by MATLAB simulation.These results represent better situation compare to other technics with 55% reducing of total cost in cost function and 53% reducting of losses in losses function and up to 99% improving in voltage profile index..Keywords: Placement, installation of capacitors, TLBO Algorithm, Compensation costs, System losses, Voltage Profile
- 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.