به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

genetic algorithm

در نشریات گروه مکانیزاسیون کشاورزی
تکرار جستجوی کلیدواژه genetic algorithm در نشریات گروه کشاورزی
  • اسما شمس کرمانی*
    در این پژوهش، روشی نوین و کارآمد برای بازشناسی انواع پسته با بهره گیری از فیلترهای گابور و الگوریتم وراثتی ارائه شده است که هدف آن افزایش سرعت و دقت در فرآیند طبقه بندی می باشد. برخلاف روش های پیشین که عمدتا بر پردازش جداگانه دانه های منفرد پسته تکیه داشته اند و از این رو با وجود دقت مناسب، از نظر زمانی و محاسباتی پرهزینه بوده اند، روش پیشنهادی از پردازش کل نگر تصاویر مجموعه ای از پسته ها بهره می گیرد و بدین وسیله فرآیند بازشناسی را تسریع و بهینه سازی می کند. در این چارچوب، ابتدا ویژگی های بافتی و شکلی برجسته از تصاویر با استفاده از فیلترهای گابور استخراج می گردد. سپس، الگوریتم وراثتی به منظور انتخاب ویژگی های بهینه و حذف داده های زائد به کار گرفته می شود. ویژگی های منتخب نهایتا به طبقه بند  kهمسایه نزدیک تر (KNN) منتقل شده تا طبقه بندی نهایی صورت گیرد. ارزیابی روش پیشنهادی بر روی پایگاه داده ای شامل 1000 زیرتصویر متعلق به پنج نوع رایج پسته (اکبری، احمدآقایی، کله قوچی، فندقی و بادامی) انجام شد و نتایج حاکی از نرخ طبقه بندی صحیح 5/99 درصد می باشد. در مقایسه با روش های یادگیری عمیق، روش پیشنهادی با وجود عدم نیاز به آموزش عمیق و منابع پردازشی سنگین، دقتی قابل رقابت با آن ها ارائه داده و سرعت پیاده سازی بسیار بالاتری دارد. این ویژگی ها روش پیشنهادی را به گزینه ای مناسب برای کاربردهای صنعتی، به ویژه در خطوط تولید و بسته بندی هوشمند پسته بدل می سازد و گامی موثر در جهت خودکارسازی فرآیندهای کشاورزی و کاهش هزینه های زمانی و انسانی تلقی می شود.
    کلید واژگان: الگوریتم وراثتی، بازشناسی پسته، طبقه بندی تصویر، طبقه بند K همسایه نزدیک تر، فیلتر گابور
    Asma Shams-Kermani *
    This study proposes an efficient and novel method for recognizing pistachio varieties by leveraging Gabor filters for feature extraction and a genetic algorithm for feature selection, aiming to enhance classification accuracy and speed. Unlike conventional approaches that focus on individual processing of pistachio kernels—which, despite high accuracy, are time-consuming and computationally demanding—the proposed method employs holistic processing of images containing multiple pistachios, thereby significantly accelerating the recognition process. Key textural and shape-based features are initially extracted using Gabor filters. Subsequently, the genetic algorithm is applied to select optimal features and reduce data redundancy. The refined feature set is then classified using the K-Nearest Neighbor (KNN) algorithm. Experiments conducted on a dataset of 1,000 sub-images covering five common pistachio types (Akbari, Ahmad Aghaei, Kaleh Ghouchi, Fandoghi, and Badami) yielded an average classification accuracy of 99.5%. In comparison with deep learning models, the proposed method demonstrates competitive performance while requiring no extensive training phase or high computational resources. This results in a faster and more resource-efficient implementation, making it particularly suitable for industrial applications, especially in automated pistachio processing and packaging systems. The proposed method contributes to the automation of agricultural workflows, reducing both processing time and labor costs, and offers a practical solution for real-time classification in resource-constrained environments.
    Keywords: Gabor Filter, Genetic Algorithm, Image Classification, K-Nearest Neighbor Classifier (KNN), Pistachio Recognition
  • کیوان آصف پور وکیلیان*
    تشخیص اختصاصی نوع و شدت تنش های غیر زیستی گیاه به منظور انجام اقدامات به موقع به جلوگیری از کاهش عملکرد کمک می کند. این مطالعه روش جدیدی را برای تشخیص نوع و شدت تنش در گیاه برنج در شرایط شوری، خشکی و گرما به کمک بررسی ترکیبات microRNA معرفی می کند. در این پژوهش، غلظت هشت ترکیب microRNA در بافت گیاهان قرار گرفته تحت تنش های فوق به کمک یک زیست حسگر نوری مبتنی بر نانوذرات طلا اندازه گیری شد. اساس کار این زیست حسگر بر اساس هیبریدیزاسیون پراب-ترکیب هدف بود که در آن، اختلاط پراب/نانوذرات طلای پوشش داده شده با سیترات (ترکیب 1) و microRNA/نانوذرات پوشش داده شده با پلی اتیلن ایمین (ترکیب 2) منجر به تجمع نانوذرات و تغییر ویژگی های طیف سنجی نمونه می شد. در ادامه، از روش های یادگیری ماشین برای پیش بینی نوع و شدت تنش با داشتن این غلظت ها استفاده شد. نتایج نشان داد که ماشین بردار پشتیبان بهینه شده توسط الگوریتم ژنتیک با عملکرد مناسب و به ترتیب با ضرایب تبیین 94/0، 91/0 و 86/0 توانایی تشخیص سطح تنش شوری، خشکی و گرمای وارده به گیاهان برنج را داشت. در ادامه، نتایج انتخاب ویژگی مبتنی بر نظریه بازی های مشارکتی نشان داد که در میان ترکیبات microRNA مورد مطالعه، miRNA-156، miRNA-393، و miRNA-159 به ترتیب بیشترین سهم را در پیش بینی تنش های خشکی، شوری و گرما در گیاه برنج داشتند. نتایج تحقیق نشان می دهد که بررسی ترکیبات microRNA گیاه به کمک زیست حسگرهای نوری می تواند منجر به ویژگی های قابل اعتمادی برای تعیین شرایط رشد گیاهی و تنش های گیاه در مراحل اولیه ظهور شود.
    کلید واژگان: الگوریتم ژنتیک، غلظت Microrna، ماشین بردار پشتیبان، یادگیری ماشین
    Keyvan Asefpour Vakilian *
    The specific detection of the type and severity of plant abiotic stresses to take timely measures helps prevent yield reduction. This study introduces a new method to detect the type and severity of stress in rice plants under salinity, drought, and heat conditions by investigating microRNAs. The concentration of eight microRNAs in the tissue of plants subjected to salinity, drought, and heat conditions was measured with the help of an optical biosensor based on gold nanoparticles. The biosensor worked based on probe-target hybridization, in which the mixture of probe/citrate-capped gold nanoparticles (compound 1) and microRNA/polyethyleneimine-capped nanoparticles (compound 2) resulted in the aggregation of nanoparticles and changes in their spectroscopic properties. In the following, machine learning methods were used to predict the type and severity of stress using such concentrations. The results showed that the support vector machine optimized by the genetic algorithm was able to detect the severity of salinity, drought, and heat stress applied to rice plants with appropriate performance and with coefficients of determination of 0.94, 0.91, and 0.86, respectively. Then, the results of feature selection based on the cooperative game theory showed that among the microRNAs studied, miRNA-156, miRNA-393, and miRNA-159 had the largest contribution in predicting drought, salinity, and heat stresses in the rice plants, respectively. The findings of the research show that the examination of plant microRNAs with the help of optical biosensors can lead to reliable features for determining plant growth conditions and plant stresses in the early stage.
    Keywords: Genetic Algorithm, Machine Learning, Microrna Concentration, Support Vector Machine
  • مسعود کمالی، رضا عبدی*، عباس روحانی، شمس الله عبدالله پور، سیروس ابراهیمی

    در چند دهه اخیر منابع تجدیدپذیر انرژی که باعث آلودگی کمتر محیط زیست شوند بسیار مورد توجه قرار گرفته اند. در این میان استحصال زیست گاز از ضایعات آلی جامد شهری برای تولید انرژی به دلیل کنترل گازهای گلخانه ای و کاهش آلودگی های زیست محیطی از اهمیت ویژه ای برخوردار است. اگرچه هضم بی هوازی به عنوان یکی از بهترین روش های مواجهه با پسماندهای آلی جامد شهری مطرح است، با این حال، این فرآیند دارای محدودیت هایی نیز می باشد. از این رو پیش فرآوری های مختلفی به منظور بهبود فرآیند هضم بی هوازی و افزایش تولید زیست گاز از هضم پسماندهای آلی مورد بررسی قرار گرفته اند. پیش فرآوری حرارتی از موثرترین روش ها جهت حذف عوامل بیماری زای موجود در مواد زاید آلی است. در همین حال این پیش فرآوری می تواند تاثیر به سزایی در بهبود هضم بی هوازی و تسریع هیدرولیز مواد داشته باشد. بنابراین یافتن شرایط بهینه این پیش تیمار برای دستیابی به بالاترین مقدار تولید زیست گاز حایز اهمیت به سزایی است. هدف از این تحقیق دستیابی به بهترین دما و زمان و غلظت در هضم مواد آلی موجود در پسماند شهری است. در این مطالعه، دما و مدت اعمال پیش تیمار حرارتی به ترتیب در سه سطح 70، 90 و 110 درجه سانتی گراد و 30، 90 و 150 دقیقه و غلظت نیز در سطوح 8، 12 و 16 درصد مورد بررسی قرار گرفتند. به این منظور 15 آزمایش به روش سطح پاسخ باکس بنکن طراحی شدند. نتایج آزمایش ها نشان دادند که اثر متغیرهای دما و زمان در سطح 1 درصد بر تولید زیست گاز معنی دار هستند در حالی که تغییرات غلظت در محدوده مورد مطالعه اثر کمتری در تولید این گاز داشته است. همچنین، بهترین سطوح متغیرهای دما و زمان پیش تیمار و غلظت مواد هضم شونده برای تولید زیست گاز به ترتیب 95 درجه سانتی گراد، 104 دقیقه و غلظت 12 درصد بوده که پیش بینی می شود اعمال پیش تیمار حرارتی در شرایط بهینه متغیرهای مورد ارزیابی موجب تولید 445 میلی لیتر زیست گاز به ازای هر گرم ماده آلی جامد فرار موجود در پسماندهای آلی شود که بدین ترتیب با اعمال پیش تیمار حرارتی در شرایط بهینه، افزایش 17/31 درصدی تولید زیست گاز نسبت به میزان زیست گاز ناشی از هضم مواد بدون اعمال پیش تیمار (18/6±33/339 میلی لیتر) قابل انتظار خواهد بود.

    کلید واژگان: الگوریتم ژنتیک، بهینه سازی، پیش تیمار حرارتی، هضم بی هوازی
    M. Kamali, R .Abdi *, A .Rohani, Sh .Abdollahpour, S .Ebrahimi
    Introduction

    Since anaerobic digestion leads to the recovery of energy and nutrients from waste, it is considered the most sustainable method for treating the organic fraction of municipal solid wastes.However, due to the long solid retention time in the anaerobic digestion process, the low performance of the process in biogas production as well as the uncertainty related to the safety of digested materials for utilizing in agriculture, applying different pretreatments is recommended.Thermal pretreatment is one of the most common pretreatment methods and has been used successfully on an industrial scale. Very little research, nevertheless, has been done on the effects of different temperatures and durations of thermal pretreatment on the enhancement of anaerobic digestion of the organic fraction of municipal solid wastes (OFMSW). The main effect of thermal pretreatment is the rapturing cell membrane and dissolving organic components. Thermal pretreatment at temperatures above 170 °C may result in the formation of chemical bonds that lead to particle agglomeration and can cause the loss of volatile organic components and thus reduce the potential for methane production from highly biodegradable organic waste. Therefore, since thermal pretreatment at temperatures above 100 °C and high pressure requires more energy and more sophisticated equipment, thermal pretreatment of organic materials at low temperatures has recently attracted more attention. According to the researchers, thermal pretreatment at temperatures below 100 °C did not lead to the decompositionof complex molecules but the destruction of large molecule clots.The main purpose of this study was to find the optimal levels of pretreatment temperature and time and the most appropriate concentration of digestible materials to achieve maximum biogas production using a combination of the Box Behnken Response Surface Method to find the objective function followed by optimizing these variables by Genetic Algorithm.

    Materials and Methods

    In this study, the synthetic organic fraction of municipal solid waste was prepared similar to the organic waste composition of Karaj compost plant. The digestate from the anaerobic digester available in the Material and Energy Research Institute was used as an inoculum for the digestion process. Some characteristics of the raw materials that are effective in anaerobic digestion including the moisture content, total solids, volatile solids of organic waste, and the inoculum were measured. Experimental digesters were set up according to the model used by MC Leod. After size reduction and homogenization, the synthetic organic wastes were subjected to thermal pretreatment (70, 90, 110 °C) at specific times (30, 90, 150 min).The Response Surface methodology has been used in the design of experiments and process optimization. In this study, three operational parameters including pretreatment temperature, pretreatment time, and concentration of organic material (8, 12, and 16%) were analyzed. After extracting the model for biogas efficiency based on the relevant variables, the levels of these variables that maximize biogas production were determined using a Genetic Algorithm.

    Results and Discussion

    The Reduced Quadratic model, was used to predict the amount of biogas production. The value of the correlation coefficient between the two sets of real and predicted data was more than 0.95. The results suggested that pretreatment time followed by the pretreatment temperature had the greatest contribution (50.86% and 44.81%, respectively) to biogas production. Changes in the organic matter concentration, on the other hand, did not have a significant effect (p ˂ 0.01) on digestion enhancement (1.63%) but were statistically significant at p ˂ 0.10.The response surface diagram showed that the increase in pretreatment time first led to a rise and then a fall in biogas production. The decline in biogas production seemed set to continue with pretreatment time. Meanwhile, the increase in pretreatment temperature from 70 °C to 110 °C first contributed to higher biogas production and then the decrease in gas production occurred.  The reason for this fall was probably the browning and Maillard reaction.The regression model was applied as the objective function for variables optimization using the Genetic Algorithm method. Based on the results of this algorithm, the optimal thermal pretreatment for biogas production was determined at 95 °C for 104 minutes and at the concentration of 12%. The expected amount of biogas production by applying the optimal pretreatment conditions was 445 mL-g-1 VS.

    Conclusion

    In this study, the variables including thermal treatment temperature and time as well as the concentration of organic waste to be anaerobically digested were optimized to achieve the highest biogas production from anaerobic digestion.Statistical analysis of the results revealed that the application of thermal pretreatment increased biogas production considerably. According to the regression model, the contribution of pretreatment time and temperature to biogas production was significant (50.86% and 44.81% respectively). In stark contrast, varying substrate concentrations in the range of 8 to 16% had a smaller effect (1.63%) on biogas production. The results of this study also showed that the best pretreatment temperature and time were 95 °C and 104 minutes, respectively, at a concentration of 12% by generating 445 mL-g-1 VS biogas which is 31.17% higher than the biogas yield from anaerobic digestion of untreated organic wastes at this concentration.

    Keywords: Anaerobic digestion, Genetic algorithm, Optimization, Thermal pretreatment
  • سید جواد سجادی، سلیمان حسین پور*، شاهین رفیعی
    مدل سازی ریاضی ابزاری قدرتمند جهت پیش بینی پاسخ ترانزیستور اثرمیدان حساس به یون (ISFET) و بهینه سازی پارامترهای موثر بر عملکرد آن است. در این پژوهش مقادیر بهینه پارامترهای جریان درین، ولتاژ درین، غلظت اولیه سوبسترا و غلظت اولیه آنزیم به منظور به دست آوردن پاسخ ماکزیمم ISFET در تشخیص آفلاتوکسین B1 (AFB1) تعیین شدند. بهینه سازی با به کارگیری الگوریتم ژنتیک و بر پایه حل عددی معادله های دیفرانسیل حاکم ISFET به روش المان محدود در نرم افزار کامسول انجام شد. تابع هدف مورد استفاده در الگوریتم ژنتیک نیز با جایگزینی مدل شبیه سازی شده توسط فرامدل شبکه عصبی مصنوعی تعریف شد. نتایج به دست آمده نشان داد مدل شبیه سازی شده  ISFET با استفاده از روش المان محدود در مقایسه با آزمایش تجربی، دارای میانگین درصد خطای مطلق (MAPE) برابر با 06/1 درصد در پیش بینی پاسخ ISFET است. با استفاده از مدل المان محدود، 1296 آزمایش برای دست یابی به پایگاه داده مورد نیاز جهت آموزش شبکه عصبی شبیه سازی شد. پس از ارزیابی ساختار های مختلف شبکه عصبی مشخص شد شبکه عصبی آموزش دیده با ساختار (4-45-1) دارای میانگین درصد خطای مطلق (MAPE) برابر با 04/0، 07/0 و 05/0 درصد به ترتیب در فازهای آموزش، اعتبارسنجی و آزمایش است. نتایج بهینه سازی ISFET نشان داد با استفاده از مقادیر بهینه پارامتر های جریان درین، ولتاژ درین، غلظت اولیه سوبسترا و غلظت اولیه آنزیم تعیین شده توسط الگوریتم ژنتیک حداکثر پاسخ ISFET برابر با 440/44 درصد به دست آمده است.
    کلید واژگان: ISFET، الگوریتم ژنتیک، المان محدود، شبکه عصبی مصنوعی، مدل سازی ریاضی
    Sayed Javad Sajadi, Soleyman Hosseinpour *, Shahin Rafiee
    Mathematical modeling is a powerful tool for prediction of Ion Sensitive Field Effect Trnsistor (ISFET) response and optimization of its functional parameters. In this study the optimal values of drain current, drain voltage and initial concentrations of substrate and enzyme parameters were determined to achieve maximum of ISFET response for detection of Aflatoxin B1 (AFB1). Optimization was performed by using Genetic Algorithm (GA) and based on numerical solution of ISFET governing differential equations by means of Finite Element Method (FEM) and COMSOL Multiphysics software. The objective function of GA was defined through substituting simulated model by Artificial Neural Network (ANN) metamodel. The results showed that ISFET simulated FEM model has a MAPE equal to 1.06 % in prediction of ISFET response compared with experimental results. With FEM model, 1296 virtual experiments were simulated to achieve necessary data base for train ANN metamodel. By evaluation of different ANN structures, trained ANN with 4-45-1 structure was selected which has MAPE equal to 0.04 %, 0.07% and 0.05% at train, validation and test phase respectively. ISFET optimization results states that by using of GA determined optimal values of drain current, drain voltage and initial concentrations of substrate and enzyme parameters, extremum response of ISFET equal to 44.44 % was achieved.
    Keywords: Artificial Neural Network, finite element method, Genetic Algorithm, ISFET, Mathematical Modeling
  • سید جواد سجادی، سلیمان حسین پور*، شاهین رفیعی
    افلاتوکسین B1 (AFB1) سمی ترین گروه آفلاتوکسین هاست که باعث آلودگی محصولات کشاورزی شده و اثرات مرگ باری بر سلامت انسان دارد. تشخیص AFB1 در مواد غذایی و خوراکی توسط بیوسنسورها سریع، کم هزینه و دقیق است. در این مقاله به مدلسازی و شبیه سازی واکنش های شیمیایی در بیوسنسور پتانسیومتری AFB1 جهت تعیین ثابت های  بهینه نرخ واکنش پرداخته شده است. شبیه سازی واکنش های شیمیایی توسط نرم افزار COMSOL و بهینه سازی ثابت هاینرخ واکنش توسط شبکه عصبی مصنوعی و الگوریتم ژنتیک انجام شد. علاوه بر آن شبکه عصبی مصنوعی به عنوان تابع هدف مورد استفاده در الگوریتم ژنتیک به کار رفت. داده های تولید شده در مرحله شبیه سازی جهت آموزش و ارزیابی عملکرد شبکه عصبی مورد استفاده قرار گرفتند. نتایج بدست آمده نشان داد مدل COMSOL در مقایسه با داده های تجربی، پاسخ بیوسنسور را با MAPE برابر با 1023/0 % شبیه سازی کرد. شبکه عصبی مصنوعی آموزش داده شده با ساختار 1-48-5 نیز قادر به پیش بینی پاسخ بیوسنسور با MAPE برابر با 7074/0 % ، 9458/0 % ، 7473/0 % و 7492/0 % به ترتیب برای داده های گروه آموزش، اعتبار سنجی، آزمون و کل داده ها بود. نتایج بهینه سازی ثابت های  نرخ واکنش توسط الگوریتم ژنتیک و شبکه عصبی مصنوعی نشان داد شبیه سازی پاسخ بیوسنسور AFB1 با استفاده از شبکه عصبی مصنوعی و پارامتر های ورودی انتخاب شده توسط الگوریتم ژنتیک دارای کمترین خطای MAPE برابر با  0026/0 % در پیش بینی میزان مهار آنزیم AChE توسط AFB1 است.
    کلید واژگان: بیوسنسور، مدلسازی، کامسول، شبکه عصبی مصنوعی، الگوریتم ژنتیک
    Sayed Javad Sajadi, Soleiman Hosseinpour *, Shahin Rafiee
    Aflatoxin B1 (AFB1) is one of the most toxic Aflatoxins that contaminates agricultural products and causes deathlike effects on human health. Determination of AFB1 in food by biosensors is fast, low cost and accurate. In this paper, modeling and simulation of chemical reactions in the AFB1 potentiometric biosensor is performed to determine the optimal reaction rate constants. Enzymatic reactions are simulated using COMSOL software and reaction rates are optimized by Artificial Neural Network (ANN) and Genetic Algorithm (GA). The fitness function of GA is defined by deploying ANN. The data generated during the simulation step were used to train and evaluate the performance of the neural network. Compared with experimental data, COMSOL model simulated biosensor response with MAPE equal to 0.1023 %. In addition trained ANN with 5-48-1 structure predicted biosensor response with MAPEs equal to 0.7074 %, 0.9458 %, 0.7473 % and 0.7492 % for train, validation, test and total data sets respectively. Reaction rates were optimized by Artificial Neural Network (ANN) and Genetic Algorithm. Modeling results showed that trained Neural Network using Genetic Algorithm optimized reaction rates has the lowest MAPE equal to 0.0026 % compared with other models in prediction of AChE enzyme inhibition by AFB1.
    Keywords: Biosensor, modeling, COMSOL, Artificial Neural Network, Genetic Algorithm
  • آیدین ایمانی، سلیمان حسین پور*، علیرضا کیهانی، مصطفی عظیم زاده
    توسعه هر نوع بیوسنسور با چالش هایی در زمینه بهینه سازی پارامترها و کالیبراسیون مواجه است. در این تحقیق رویکردی مبتنی بر یادگیری ماشین برای مدل سازی و بهینه سازی مولفه های تاثیرگذار در ساخت نانوبیوسنسور الکتروشیمیایی بر اساس الکترود کربن شیشه ای اصلاح شده با گرافن اکسید و نانومیله طلا در شرایط کاری آزمایشگاهی ارایه شده است. پاسخ نانوبیوسنسور به عنوان خروجی و تاثیر هشت عامل موثر شامل: غلظت گرافن اکسید، غلظت نانو میله های طلا، غلظت پروب تک رشته ای، مدت زمان ماند پروب تک رشته ای بر روی الکترود اصلاح شده، مدت زمان ماند MCH بر روی الکترود اصلاح شده، مدت زمان هیبریداسیون پروب و الیگونوکلیوتید هدف، غلظت محلول شناساگر اوراست بلو، مدت زمان ماند اوراست بلو، به عنوان ورودی های مدل شبکه عصبی برای آموزش و توسعه مدل مورد استفاده قرار گرفتند. نتایج بدست آمده نشان داد که خروجی مدل همخوانی قابل قبولی با نتایج آزمایشگاهی داشته و مدل می تواند پاسخ نانوبیوسنسور را با دقت 91/96 درصد و میانگین درصد خطای مطلق 5090/5 درصد پیش بینی کند. در پایان با استفاده از الگوریتم ژنتیک مقادیر بهینه متغیرهای ورودی برای دستیابی به حداکثر جریان پاسخ نانوبیوسنسور، محاسبه گردید. نتایج بهینه سازی نشان داد که این روش عملکرد مناسبی در مقایسه با نتایج آزمایشگاهی دارد و می تواند برای ساخت و طراحی نانوبیوسنسور مورد استفاده قرار بگیرد.
    کلید واژگان: نانوبیوسنسور، مدل سازی، شبکه عصبی مصنوعی، بهینه سازی، الگوریتم ژنتیک
    Aydin Imani, Soleiman Hosseinpour *, Alireza Keyhani, Mostafa Azimzadeh
    Developing a biosensor faces the different challenges for parameter optimization and calibration. In this study, a machine learning based approach is used to model and optimize the effective parameters of an electrochemical nanobiosensor based on thiolated probe-functionalized gold nanorods (GNRs) decorated on the graphene oxide (GO) sheet on the surface of a glassy carbon electrode (GCE). The response of the biosensor was considered as the output and eight effective factors including GO concentration, GNR concentration, probe concentration, probe time, MCH time, hybridization time, Oracet Blue (OB) concentration, and OB incubation time were used as inputs to train and model an artificial neural network. The experimental results demonstrate that the output of the developed model has an acceptable compatibility with the results obtained in the laboratory. The developed model is able to predict the output of the nanobiosensor with accuracy of 96.91% and the mean absolute percentage error (MAPE) value of 5.5090 %. Finally, genetic algorithm is used to find the optimum values of these parameters which yield the maximum value of the nanobiosensor output. The optimization results indicated that this method has better performance compared to the laboratory results and this method can be used for nanobiosensor design.
    Keywords: Nanobiosensor, modeling, Artificial Neural Network, Optimization, Genetic Algorithm
  • اشکان نبوی پله سرائی، شاهین رفیعی*، سید سعید محتسبی

    فیزیک ظریف و حساسیت بالا در فرآیند تبدیل شلتوک به برنج سفید از یک سو و اهمیت کیفیت و نقش آن در ارزش افزوده محصول نهایی از سوی دیگر بیانگر اهمیت مدیریت سه شاخص کیفیت، هزینه و زمان در تولید برنج می باشد. لذا هدف از این مطالعه دستیابی به چیدمانی بهینه از روش های مختلف با کمترین هزینه، کمترین زمان و بالاترین کیفیت در فرآیند تبدیل می باشد. بدین منظور تمامی روش های ممکن برای هر مرحله از فرآیند تبدیل در واحدهای شالی کوبی مدرن بیان گردید و بازه ای از اعداد فازی برای آن ها در نظر گرفته شد. همچنین مدیریت ریسک نیز با اعمال برش های فازی بین صفر تا یک، جهت بررسی عدم قطعیت انجام شد. در گام بعد نیز با استفاده از الگوریتم های ژنتیک مبتنی بر دسته بندی نامغلوب (NSGA-II) و رتبه بندی نامغلوب (NRGA-II) مدیریت پروژه صورت پذیرفت. طبق نتایج، الگوریتم ژنتیک (NSGA-II) عملکرد بهتری نسبت به الگوریتم ژنتیک (NRGA-II) در حل این مسئله از خود نشان داد و نهایتا در واحدهای شالی کوبی مدرن کمترین زمان، کمترین هزینه و بالاترین کیفیت در شرایط قطعی (1=α) به ترتیب 22/22 ساعت، 8088170 ریال و 62 درصد به دست آمد.

    کلید واژگان: الگوریتم ژنتیک، رنج، شالی کوبی، مدیریت پروژه، منطق فازی
    Ashkan Nabavi Pelesaraei, Shahin Rafiee *, Seyed Saeid Mohtasebi

    Managing three indicators of quality, cost and time in rice production is important.Therefore, the purpose of this study was to achieve optimal layout of different methods with the lowest cost, minimum time and highest quality in the conversion process. For this purpose, all possible methods for each stage of the conversion process in the modern milling units were expressed and a series of fuzzy numbers was considered for them. Risk management was also done by applying fuzzy cutes from zero to one to investigate uncertainty. In the next step, the project management was adopted using the non-dominated sorting genetic algorithm (NSGA-II) and non-dominated ranked genetic algorithm (NRGA-II). Based on the results, the genetics algorithm (NSGA-II) showed better performance in comparison with genetic algorithm (NRGA-II) in solving this problem and finally, the lowest time, minimum cost and the highest quality in the specified conditions (α = 1) were founded 22.22 hours, 8088170 Rial and 62%, respectively.

    Keywords: Genetic Algorithm, rice, Milling, Project management, Fuzzy logic
  • زهرا عبدالله زارغ، نواب کاظمی، سامان آبدانان مهدی زاده*

    نظارت فعالانه کندو با استفاده از یک شبکه حسگر که قادر به ثبت و ضبط تمامی شرایط کندو جهت شناخت شرایط زندگی زنبورهای درون کندو باشد، کمک شایانی به اتخاذ تصمیم توسط زنبوردار در شرایط حمله دشمنان خارجی و جلوگیری از فروپاشی جمعیت زنبورعسل می نماید. بدین منظور در پژوهش حاضر سامانه ای خبره جهت تشخیص حمله پرنده زنبورخوار شامل حسگرهای دما، صوت، رطوبت و اتانول توسعه یافت. پس از جمع آوری داده ها تحت دو شرایط نرمال و حمله پرنده زنبورخوار (سبزقبا) و استخراج ویژگی در دو حوزه زمان و فرکانس، انتخاب ویژگی با استفاده از الگوریتم ژنتیک و سپس طبقه بندی ویژگی ها با استفاده از K نزدیکترین همسایه [1] صورت پذیرفت. بر اساس نتایج بدست آمده از بین 19 ویژگی انتخاب شده، پنج ویژگی شامل آنتروپی طیفی، انرژی صوت، شدت بیشینه صوت، کمینه الکل و فرکانس غالب به ترتیب با 8967، 6018، 1321، 1287 و 809 وقوع به عنوان تاثیرگذارترین ویژگی ها وارد طبقه بند شدند. طبقه بند KNN برای معیارهای صحت، دقت، حساسیت، نمره F، خصوصیت و میانگین هندسی بیشینه (100%) و نرخ مثبت کاذب (FPR) کمینه (صفر) شد که نشان دهنده ی عملکرد خوب سامانه خبره تشخیص حمله پرنده به کندو است.

    کلید واژگان: کندوی هوشمند، پرنده زنبورخوار (سبزقبا)، الگوریتم ژنتیک، طبقه بند K نزدیکترین همسایگی
    Zahra Abdolahzare, Navab Kazemi, Saman Abdanan Mehdizadeh *

    Active monitoring of beehive using sensor network that can record all of the hive conditions for  recognition of living status of beehives, could help beekeepers to make a proper decision while attacking foreign enemies, and prevent the collapse of the hive. To this end, in this study, an expert system for detection of Merops apiaster attack was developed which is including: temperature, sound, humidity and ethanol sensors. The data was collected for two conditions (i. e. normal and apiaster attack conditions) and different features in two time and frequency domains were extracted. After that, the most significant features were selected and classified using GA (Genetic Algorithm) and K-NN, respectively. According to results, among 19 selected features, 5 features namely spectral entropy, sound energy, sound maximum, alcohol minimum, and natural frequency were selected as the most effective features with 8967, 6018, 1321, 1287, and 809 occurrence, respectively. K-NN classification had 100% accuracy, precision, recall, Fscore, specificity, and Gmean and zero false positive rate which indicates proper performance of expert system fordetection of apiaster attack to the beehives.

    Keywords: smart hive, Merops apiaster, Genetic Algorithm, K-nearest neighborhood
  • سید محمد جواد افضلی *، محمد جواد شیخداودی، سید رضا سیدمرتضایی
    مصرف انرژی بالا و هزینه کارگری هواده ها سبب شده است که پرورش دهندگان ماهی کپور انگیزه بالایی برای خرید هواده نداشته باشند. میزان اکسیژن محلول آب یکی از مهم ترین پارامترهایی است که می توان از آن جهت روشن و خاموش نمودن خودکار هواده ها در استخرهای پرورش ماهیان استفاده نمود ولی به دلیل هزینه بالای سنسور اکسیژن باید از سایر پارامترها برای تخمین آن استفاده شود. این تحقیق با هدف ایجاد مدلی مناسب برای تخمین میزان اکسیژن محلول آب استخرهای پرورش ماهی اندازه گیری پارامترهای ورودی انجام گردید. پارامترهای ورودی pH و دمای آب و دما و رطوبت هوا و سرعت باد بودند. در طول دوره پرورش ماهی تمامی پارامترهای ورودی و خروجی اندازه گیری شدند و با سه مدل بررسی شدند. مدل اول شبکه عصبی مصنوعی بود و نتایج نشان داد تابع انتقال logsig-purelin با 17 نورون در لایه پنهان با میزان 70 /0 بیشترین ضریب تبیین را داشت. مدل دوم ادغام مدل شبکه عصبی با الگوریتم ژنتیک بود و نتایج نشان داد در بهترین حالت این مدل قادر است با ضریب تبیین 41 /0 میزان اکسیژن محلول آب را پیش بینی نماید. در مدل سوم از شبکه فازی- عصبی (ANFIS) استفاده گردید. نتایج نشان داد که این شبکه در وضعیت خوشه بندی کاهشی قادر است با ضریب تبیین 88 /0 اکسیژن محلول آب را تخمین بزند. بنابراین شبکه فازی- عصبی مناسب ترین روش برای ارزیابی میزان اکسیژن محلول استخرهای پرورش ماهی در منطقه مورد مطالعه بود.
    کلید واژگان: شبکه فازی، عصبی تطبیقی، شبکه عصبی، الگوریتم ژنتیک، اکسیژن محلول
    S. Mj. Afzali *, Mj. Sheikhdavodi, S.R. Mortezaei
    High energy consumption and worker costs caused to fish growers don’t have highly motivated to buy aerators. Dissolved Oxygen (DO) is one of the importance parameters which can be applied for time of starting and finishing activity of aerators however its sensor is expensive and should be estimated by other parameters. The aim of this research was to create a suitable model to estimate DO rate at growing pools. Input parameters were pH and temperatures of water, moisture and temperature of air and wind speed. Along growing period total of parameters were measured and with three models were estimated. The first one was Artificial Neural Network (ANN). The results showed that the maximum R2 was achieved by logsig-purelin transfer function with 17 neuron at hidden layer with 0.70. Second one was an aggregated ANN-AG model and its result showed that the maximum of R2 was 0.41 and finally, Third one was Adaptive Nero Fuzzy Inference System (ANFIS) model and the results showed that at condition of 3 Membership function per layer with gaussian type and constant output could estimate DO with R=0.87 accuracy. Therefore ANN was the best method for evaluation of DO at growing pools for the region under study.
    Keywords: DO, Adaptive Nero Fuzzy Inference System, Genetic Algorithm, Neural Network, ANFIS, GA, ANNDissolved Oxygen
  • ترحم مصری گندشمین*، فروغ کیهانی نسب، غلامحسین شاهقلی، ابراهیم عبداللهی
    ماشین های کشاورزی مختلف برای انجام عملیات کشاورزی باید از یک سر مزرعه روی مسیرهای موازی که کل سطح مزرعه را می پوشانند، حرکت کرده و به انتهای مزرعه برسند، شروع مسیر بعدی پس از دور زدن و از مسیر کناری، داخل مزرعه انجام خواهد شد. یکی از مشکلات اصلی الگوهای حرکت متداول در مزرعه، اتلاف زمانی دور زدن در انتهای مزرعه است که تاثیر شگرفی در کاهش بازده مزرعه ای خواهد داشت. الگوهای مرسوم مختلفی برای نحوه حرکت ماشین در مزرعه به کار گرفته می شود که از جمله می توان به الگوی تردد پیوسته، مارپیچ، دور تا دور و بلوک بندی اشاره کرد. تمام این الگوها در راستای کاهش مقدار مسافت غیرمفید طی شده هنگام دور زدن سر مزرعه ابداع شده اند. هدف از این پژوهش، کاهش مسافت غیرمفید طی شده توسط ماشین های کشاورزی، حین دور زدن در منطقه سرمزرعه برای حرکت از یک مسیر به مسیر بعدی با استفاده از الگوریتم ژنتیک و به تبع آن افزایش بازده مزرعه ای می باشد. در این مقاله با استفاده از الگوریتم ژنتیک، الگویی بهینه برای حرکت ماشین های کشاورزی در مزرعه مستطیلی شکل شبیه سازی و در نهایت این الگوی بهینه در قالب نمودار با الگوهای سنتی مقایسه شده است. پیروی از الگوی تردد بهینه به کمک الگوریتم هوشمند ژنتیکی با اجتناب از روش های دور زدن طولانی، باعث کاهش مسافت و زمان غیرمفید طی شده توسط ماشین های کشاورزی و افزایش بازده مزرعه ای آنها گردید. نتایج شبیه سازی نشان داد که الگوی بهینه قادر است به طور میانگین 45% در مسافت غیرمفید و 47% در زمان غیرمفید، صرفه جویی نماید.
    کلید واژگان: الگوریتم ژنتیک، الگوی تردد، بازده مزرعه ای، برنامه ریزی مسیر
    T. Mesri Gundoshmian*, F. Keyhani Nasab, Gh Shahgholi, E. Abdollahi
    IntroductionToday, most of the agricultural machines for doing agricultural operations and covering the entire farm, must move in the farm, and travel a certain distance without doing anything useful. Common agricultural machines are controlled by human beings using habits, machinery models, and personal experiences without using computer-based tools. This trend leads to repetitive patterns and affect farm efficincy. Therefore, applying optimization techniques in determining the optimum pattern and track for on-farm machinery would be very effective.
    One of the main problems of conventional movement patterns on farms is the time wasted on moving towards the end of the field, which will have a big impact on field efficiency. The purpose of this study is to reduce the useless distance traveled by agricultural machines using genetic algorithm while moving on the farm and going from one track to the next, and, consequently, increase farm efficiency.
    Materials and MethodsIn this study, the rectangle farm that was 80 meters wide and had an arbitrary length was selected for simulation, and different types of turning methods were tested. The calculations and simulation were based on genetic algorithm using the MATLAB 2013 software. In this case, the minimum traveled distance was set as solution evaluation criterion. The solutions were applied and simulated according to these assumptions: Each gene was considered a track number, and the algorithm’s chromosomes were produced by connecting all the tracks to each other,. The width of each track was considered equal to the width of the machine, and based on reproduction parameters such as population size and the number of repetitions, a percentage of the children were produced through point intersection and another percentage were produced through mutation. In determining the distance between the tracks, Ω or T or U were used for two adjacent tracks, U was used for two tracks that had a track between them, and a longer U was used for tracks that had more than one track between them.
    Based on the number of the initial population, the chromosomes that were supposed to be parents at the beginning were selected. The children produced new population was created and the above steps were repeated. During the last repetition, the best child chromosome was introduced as the answer.
    In order to calculate the effects of different methods of turning on the non-working distance covered during agricultural operations, the non-working distance traveled during 5 orders of movement, including 4 traditional orders (continuous, spiral, all-around, and blocked) and 1 smart order were compared to each other.
    In the continuous pattern, because movement continues in the next track at the end of each track, all the turnings are inevitably done in the Ω way, and thus a greater distance is travelled compared to the U way. In the spiral pattern, the distance travelled in turnings between different tracks on the farm is equal. In the all-around pattern, movements are done from the sides and the operation is concluded at the center of the farm; therefore, the long U method of movement is used at the end of all the tracks, and Ω turning is used for the last track at the center of the farm. In the blocked pattern, the farm is devided into two or more blocks, and the all-around movement pattern is used in each block as an independent farm. In the smart movement pattern, the beginning and ending of the agricultural operations are considered in the vicinity of the hypothetical road which, in addition to facilitating access to the road, had a significant impact on reducing the useless distance traveled on the farm.
    Results and DiscussionThe final optimum pattern was compared to traditional patterns in the form of charts. The optimum pattern of movement which uses smart genetic algorithm and avoids long turning methods (such as, Ω and T) leads to reduced wasted time and distance traveled by agricultural machines and increased field efficiency and also, decreasing the non-working traveled distance and waste time approximately, 45 % and 47 % respectively. This is due to avoiding turning methods of Ω and T (compared to the U method). Also, the fatigue resulting from these approaches and their wasted time is greater than U method used in the genetic algorithm pattern.
    ConclusionsThe optimum pattern of movement which uses smart genetic algorithm was compared to conventional patterns that showed significant saving in non- working distance and waste time in farm. This optimum pattern can be implemented in automatic navigation but there is the possibility of its implementation by operators in common navigation.
    Keywords: Field efficiency, Genetic algorithm, Pattern of traffic, Route planning
  • فروغ کیهانی نسب *، ترحم مصری گندشمین، غلامحسین شاهقلی
    در سال های اخیر پیشرفت و توسعه دستگاه های هدایت خودکار در ماشین ها، به افزایش علاقه برای برنامه ریزی مسیر به کمک ابزارهای محاسباتی هوش مصنوعی منجر شده است. مزارع کشاورزی دارای اشکال و طرح های مختلف و متنوعی می باشند. در مزارع مثلثی چون طول مسیرها در تمام مزرعه یکسان نیست، بدست آوردن الگوی مناسب حرکت نسبت به مزارعی که شکل چهار وجهی دارند، مشکل تر می باشد. هدف این پژوهش، شبیه سازی برنامه ریزی مسیر بهینه آن لاین به منظور کاهش مسافت و زمان غیرمفید ماشین می باشد. در این مقاله با استفاده از الگوریتم ژنتیک و نرم افزار Matlab 2013، الگویی بهینه برای حرکت ماشین های کشاورزی هدایت خودکار در مزارع مثلثی شبیه سازی، و در نهایت این الگوی بهینه در قالب نمودار با الگوهای سنتی مقایسه گردید. نتایج شبیه سازی نشان داد که الگوی بهینه با اجتناب از دور زدن های طولانی، قادر است مسافت غیرمفید را تا 51 % و زمان غیرمفید را تا 54 % نسبت به الگوهای تردد مرسوم کاهش دهد.
    کلید واژگان: الگوریتم ژنتیک، الگوی بهینه، هدایت خودکار، مسافت غیرمفید
    Tarahom Mesri Gundoshmian, Gholamhosein Shahgholi, Foroogh Kiyani *
    In recent years, development of automatic guidance systems in machines led to exceeding enthusiasm for route planning using computational tools for artificial intelligence. Farms have different and various shapes and plans. Since the route length is not equal throughout a triangle-shaped field, it is more difficult to achieve a proper moving pattern in comparison with tetrahedral fields. The aim of this study is to simulate the optimal online route planning to reduce the unhelpful distance and time during performing the operations. In this paper, using genetic algorithms and Matlab 2013 software, an optimal model for moving unmanned farm machinery in rectangular farm simulated and finally this optimal pattern was compared with traditional patterns in the form of diagram. The simulation results showed that the optimal model with avoiding long turning methods is able to save approximately 51% in non-working distance and 54% in wasted time compared to the traditional traffic patterns.
    Keywords: Genetic Algorithm, optimal pattern, auto guidance, non-working distance
  • محمد مهدی مقیمی*، علیرضا سپاسخواه
    در این تحقیق بهینه سازی همزمان معیارهای کارایی (عدالت و بهره وری) برای انتخاب روش های بهینه مدیریت آب در مزرعه،با استفاده از الگوریتم ژنتیکدر شبکه آبیاری سد درودزن مورد بررسی قرار گرفته است. نتایج این تحقیق نشان داد که تاثیر بهبود مدیریت آب آبیاری در مقیاس مزرعه (افزایش راندمان کاربرد آبیاری و کسر کاهش آب) روی افزایش معیارهای کارایی نسبت به اثر بهبود راندمان انتقال آب در کانال ها روی این معیارها بسیار بیشتر است. افزایش راندمان کاربرد آب در مزرعه (از 30 درصد به 90 درصد) و راندمان انتقال در کانال ها (از 70 درصد به 90 درصد) منتهی به اثر افزایشی حداکثر و حداقل روی عدالت در توزیع آب (به طور میانگین به ترتیب 2/48 درصد و 7/17 درصد) و بهره وری (به طور میانگین به ترتیب 92 درصد و 10 درصد) می شود. اثر افزایشی کسر کاهش آب (0/0 تا 8/0)روی عدالت و بهره وری به طور میانگین به ترتیب برابر با 4/31 درصد و 10 درصد است. مقادیر معیارهای کارایی از سال آبی مرطوب به سال آبی خشک نیز کاهش یافت. برای دستیابی به عدالت و بهره وری بالاتر، سیستم آبیاری قطره ای در مقادیر کم کسرهای کاهش آب (کمتراز و یا مساوی 4/0) و سیستم آبیاری بارانی برای مقادیر بیشتر کسرهای کاهش آب (بزرگتراز و یا مساوی 6/0) بهترین سیستم تشخیص داده شدند. ضمنا وقتی که معیارهای کارایی عدالت و بهره وری بطور همزمان بررسی می شود، برای یک روش خاص برنامه بندی کم آبیاری و تحت یک مقدار مشخص آب آبیاری، با افزایش عدالت، کاهش در بهره وری آب قابل صرفنظر کردن است.
    کلید واژگان: مدیریت آب در مزرعه، بهینه سازی، الگوریتم ژنتیک، عدالت در توزیع آب، بهره وری آب
    M. M. Moghimi *, A.R. Sepaskhah
    In this research, the performance measures of water equity and productivity have been optimizedin the entire DoroodzanIrrigation Network by using genetic algorithms. Results indicated thatirrigation water management improvement at field scale[increasing irrigation application efficiency (Ea) and water reduction fraction (WRF)] has much more impressive impact on raising the performance measures than improvement of conveyance efficiency of channels (Ec).Increment of Ea (40% to 90%) andEc (70% to 90%)resulted inmaximumand minimumincremental effect onwater equity (on average 48.2% and 17.7%, respectively) and productivity (on average 92.0% and 10%, respectively).The incremental effect of WRF (0.0 to 0.8)on water equity and productivitywas on average31.4% and 10%, respectively.Furthermore, the values of performance measures decreased from wet water year to drought water year.Tape irrigation system was considered as the best choice at low quantities of WRF (=0.6), sprinkler irrigation system was considered as the best choice for achieving higher values of water equity and productivity.Meanwhile, when equity and productivity were considered together for a specific method of deficit irrigation scheduling, under specified quantity of irrigation water, with increasing equity the water productivity reduction was negligible.
    Keywords: On-farm water management, Optimization, Genetic algorithm, water equity, water productivity
  • یاسر حسینی*، رضا صدقی، سعید بایرامی
    روش های مستقیم اندازه گیری هدایت هیدرولیکی خاک پر هزینه و وقت گیرمی باشد. دراین پژوهش از روش های الگوریتم ژنتیک و شبکه عصبی پرسپترون چندلایه (MLP) و روش های زمین آماری برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده از خصوصیات درصد توزیع اندازه ذرات استفاده شد. داده ها از 134 پروفیل خاک در قالب مطالعات خاکشناسی و طبقه بندی اراضی که توسط سازمان جهاد کشاورزی اردبیل انجام شده بود، بدست آمد. نتایج نشان دادکه از میان روش های، زمین آماری، کوکریجینگ معمولی دارای بهترین برازش بوده و بهترین واریوگرام برازش داده شده در این روش مدل توانی1با اثر قطعه ای صفر2(سانتی متربرروز) و سقف3156 (سانتی متربرروز) بودکه نشان دهنده استحکام ساختارفضایی منطقه و تاثیرکامل موئلفه ساختار دار بر مدل واریوگرام منطقه است. همچنین در روش کوکی ریجینگ معمولی دقت برآورد باضریب تعیین (93/0R2=) و خطای (سانتی متربرروز21/3RMSE=) برآوردگردید. نتایج نشان دادکه شبکهMLPباالگوریتم آموزشی لونبرگ – مارکوات4دارای ضریب تعیین (997/0R2=) و خطای (سانتی متر بر روز 22/1RMSE=) در تخمین هدایت هیدرولیکی اشباع خاک می باشد. برای روش الگوریتم ژنتیک، مقدار ریشه مربعات خطا و ضریب تعیین به ترتیب برا بر 35/1 و 925/0 برآوردگردید. بنابراینکاراییمدل ها نشان داد که شبکه عصبی مصنوعی در مقایسه باروش های زمین آماری و الگوریتم ژنتیک توانسته دایت هیدرولیکی خاک را با دقت بالاتری برآوردنماید و نتایج آن نزدیک به نتایج اندازه گیری شده گردد.
    کلید واژگان: زمین آمار، هدایت هیدرولیکی اشباع، روش های شبکه عصبی مصنوعی، کوک ریجینگ، الگوریتم ژنتیک
    Y. Hoseini*, R. Sedghi, S. Bairami
    Determining hydraulic conductivity of soil is difficult, expensive, and time-consuming. In this study, Algorithm Genetic and geostatistical analysis and Neural Networks method are used to estimate soil saturated hydraulic conductivity using the properties of particle size distribution. The data were gathered from 134soil profiles from soil and lander form studies of the Ardabil Agricultural Organization. Results showed that Or denary cokriging has the best fit for the geostatistical methods. The best-fitted vario gram was the exponential model with anugget effect of 0 cm day-1 and sill of 156 cm day-1 which is the strength of the spatial structure and full effect of the structural components on the vario gram model for the region; also, in the or denary cokriging method, an accurate estimate was obtained using R2 = 0.93 and RMSE = 3.21.Multilayer perceptron (MLP) network used the Levenberg- Marquardt (trainlm) algorithm with are gression coefficient (R2) of 0.997 and Root Mean Square Error (RMSE) of 1.22 to estimate the hydraulic conductivity of saturated soil. For GA model, parameters of root mean square error (RMSE) cm day-1 and the coefficient of determination (R2) were determined as 1.35 and 0.926, respectively. Performance evaluation of the models showed that the Neural Networks model compared with geostatistical analysis and genetic algorithm was able to predict soil hydraulic conductivity with high and more accuracy and results of this method was closer to the measurement results.
    Keywords: Geostatistics, Saturated hydraulic conductivity Neural Network Methods (ANN) Cokriging, Genetic algorithm
  • سیدفرهاد موسوی، محمدحسین عباسپورفرد، محمدحسین آق خانی، ابراهیم ابراهیمی، احمد سهیلی مهدی زاده
    تشخیص به موقع عیوب ماشین های کشاورزی برای انجام کارهای کشاورزی در زمان مناسب بسیار مهم است. تاکنون روش های تجربی و تئوری متعددی برای تشخیص خرابی قسمت های متحرک ماشین آلات ارائه شده است. در این مقاله، ساختار مطلوب شبکه های عصبی بر پایه الگوریتم ژنتیک با استفاده از نرم افزار متلب برای تشخیص عیب مکانیزم کلاچ تراکتور مسی فرگوسن 285 ارائه شده است. یک تابع ارزیاب با هدف دستیابی به ساختار مطلوب شبکه های عصبی با انتخاب مناسب تعداد لایه های پنهان، تعداد نرون ها در لایه های پنهان، تابع انتقال، توابع یادگیری، تابع کارایی و تعداد دوره ها مورد استفاده قرار گرفته است، به گونه ای که مقدار پارامتر خطای خروجی (MSE) محاسبه شده نیز به حداقل رسیده باشد. داده ها از سنسور شتاب سنج نصب شده بر روی مکانیزم کلاچ در سه حالت سالم، خرابی بلبرینگ و ساییدگی محور و سه سرعت 1000، 1500 و 2000 دور بر دقیقه جمع آوری شدند. تبدیل موجک بسته برای استخراج بردار خصوصیات و آنالیز مولفه های اصلی جهت کاهش ابعاد بردار خصوصیات اعمال شد. مناسب ترین پیکربندی شبکه عصبی وقتی به دست آمد که شبکه با توجه به داده های آموزش و آزمایش دارای حداقل خطا بود. بیشترین خطا مربوط به خصوصیات پایگاه اطلاعاتی Db20 بود که MSE آن برابر 0/011 به دست آمد. بهترین پایگاه داده به دست آمده از آزمایش ها و محاسبات مربوط به خانواده Db4 است که کمترین خطا را داشته و دارای یک لایه پنهان و 14 سلول عصبی می باشد، که MSE آن برابر با 7-10 × 4/09 و r آن برابر با 0/9 است که نشان می دهد، می تواند سالم بودن یا خرابی بلبرینگ و شفت کلاچ را با دقت بالا تشخیص دهد.
    کلید واژگان: الگوریتم ژنتیک، تبدیل موجک بسته، تشخیص عیب، شبکه عصبی، مکانیزم نگهدارنده کلاچ
    S. F. Mousavi, M. H. Abbaspour, Fard, M. H. Aghkhani, E. Ebrahimi, A. Soheili Mehdizadeh
    Introduction
    The diagnosis of agricultural machinery faults must be performed at an opportune time, in order to fulfill the agricultural operations in a timely manner and to optimize the accuracy and the integrity of a system, proper monitoring and fault diagnosis of the rotating parts is required. With development of fault diagnosis methods of rotating equipment, especially bearing failure, the security, performance and availability of machines has been increasing. In general, fault detection is conducted through a specific procedure which starts with data acquisition and continues with features extraction, and subsequently failure of the machine would be detected. Several practical methods have been introduced for fault detection in rotating parts of machineries. The review of the literature shows that both Artificial Neural Networks (ANN) and Support Vector Machines (SVM) have been used for this purpose. However, the results show that SVM is more effective than Artificial Neural Networks in fault detection of such machineries. In some smart detection systems, incorporating an optimized method such as Genetic Algorithm in the Neural Network model, could improve the fault detection procedure. Consequently, the fault detection performance of neural networks may also be improved by combining with the Genetic Algorithm and hence will be comparable with the performance of the Support Vector Machine. In this study, the so called Genetic Algorithm (GA) method was used to optimize the structure of the Artificial Neural Networks (ANN) for fault detection of the clutch retainer mechanism of Massey Ferguson 285 tractor.
    Materials And Methods
    The test rig consists of some electro mechanical parts including the clutch retainer mechanism of Massey Ferguson 285 tractor, a supporting shaft, a single-phase electric motor, a loading mechanism to model the load of the tractor clutch and the corresponding power train gears. The data acquisition section consists of a data analyzer (PCA-40), a personal computer, a piezoelectric accelerometer (VMI-102, DT-2234B), a tachometer and two rubber vibration absorbing elements are located between the rig’s components and the plate holder. An evaluation function was employed in order to achieve the optimal structure of neural network models by selecting the number of layers, number of cells in the layers, transfer function, training function, learning functions, performance function, and number of epochs, in such a way that the MSE of the calculated output error was minimal. The data were collected by means of the accelerometer sensor attached on the clutch mechanism, with three different working conditions (normal condition, with worn bearing, and with worn shaft), and three rotational speeds including: 1000 rpm, 1500 rpm and 2000 rpm. The Wavelet Packet Transform (WPT) was applied on the data-set for features vector extraction and the principle component analyses (PCA) was applied for dimension reduction of the features vector. The signal processing and the features extraction are the most important characteristics of the monitoring methodology, by which the working condition of the machine can be determined. These characteristics may be acquired by transforming the signals from the time domain to the frequency domain and MATLAB software is used for this purpose. This software receives the vibration data (time series of output voltage) which are in Excel files format. To remove the noise a suitable filtering procedure was used and finally the statistical parameters of time - frequency were calculated.
    Results And Discussion
    To verify the accuracy of the Genetic Algorithm model, the required data were collected from the training and testing steps of the Neural Network. For this purpose, the statistical parameters such as mean squared error (MSE), mean absolute error (MAE) and correlation coefficient (r) were used. The optimal parameters of the neural network obtained for the family of Db4. A trial and error procedure was used to minimize the mean square error of the network output and the desired amount of training step. During the training step, four neural networks including Db4, Db30, Db35 and Db40 achieved a gradient descent weight in the learning bias and four neural networks including Db9, Db15, Db20 and Db25 achieved a gradient descent with momentum weight in the learning bias. The two of the achieved neural networks including Db4, Db20 have circular logarithm function and the remaining networks have annular hyperbolic tangent transfer function. The most appropriate networks configuration was acquired when the network exhibited the minimal error with the training and testing data sets. The results show that the highest accuracy of the GA-ANN Artificial neural networks for all rotational speeds (1000, 1500 and 2000 rpm), and working conditions (intact gear and shaft, damaged bearing and worn shaft) observed for the network family of Db4. The highest error observed for the family of Db20 with MSE of 0.011.
    Conclusions
    Artificial neural networks can somewhat think and make decisions similar to an expert person. In this project in order to predict the occurrence of a failure of the clutch mechanism of MF 285 tractor, the experimental data were obtained using some sensors, and the data were transferred to a computer by means of a data analytical. By training of the neural networks, the errors were identified separately. The output data from the combined Neural Network and Genetic Algorithm shows that the performance of the prediction model is enhanced. Based on the experiments and calculations, the best data set belongs to the family of Db4 network with the least MSE equal to 4.09E-07 and r equal to 0.99999, indicating that the model could precisely detect the faulty bearings or shafts.
    Keywords: Clutch retainer mechanism, Fault diagnosis, Genetic algorithm, Neural network, Wavelet packet transforms
  • عرفان خسروانی مقدم، محمد شریفی *، شاهین رفیعی، پیام حاتمی
    از مسائل بسیار مهم در مدیریت تولید، انتخاب بهترین گزینه برای انجام هرکدام از فعالیت های تولید به نحوی است که هزینه و زمان کمترین مقدار و بالاترین کیفیت ممکن را داشته باشد. با توجه به تعداد زیاد فعالیت ها و گزینه های انتخابی برای هر فعالیت، معمولا این انتخاب جواب منحصربه فردی ندارد و می توان با استفاده از تابع مطلوبیت و اختصاص دادن وزن هایی به زمان و هزینه و کیفیت، بهترین جواب را از بین جواب های به دست آمده انتخاب کرد. از آنجا که در دنیای واقعی عدم قطعیت وجود دارد، پس برای رسیدن به مدیریت دقیق بایستی به عدم قطعیت نیز توجه شود. در این مقاله یک مدل ریاضی فازی برای شبکه ای از فعالیت ها پیشنهاد می شود، تا از میان شیوه های ممکن و موازنه معیارهای آنها، بهترین شیوه اجرا برای هر فعالیت مشخص شود. بدین منظور از الگوریتم ژنتیک مبتنی بر رتبه بندی نامغلوب برای حل این مسئله استفاده و بهترین شیوه های انجام هر فعالیت برای تولید مرغ گوشتی از تخم مرغ تا کشتار ارائه شد و مقدار زمان، هزینه، و کیفیت به ترتیب 8/1793 ساعت و 99/911 میلیون تومان و 48درصد محاسبه شد.
    کلید واژگان: الگوریتم ژنتیک، بهینه سازی چندهدفه، جواب پارتو، مرغ گوشتی، منطق فازی
    Erfan Khosravani Moghadam, Mohammad Sharifi *, Shahin Rafiee, Payam Hatami
    One of the most important issues in the management of production is select the best option for each production activity, So that the time and cost of production is minimal and quality is the maximum. Considering to the large number of activities and options for each activity, usually, this choice does not have a unique solution and can be used the utility function and assign weights to time, cost and quality, Select the best answer from the answers obtained. Since there is uncertainty in the real world, so to achieve a careful management must consider the uncertainty. In this paper, a fuzzy mathematical model for a network of activities is recommended. Until among the possible methods, best method for each activity to be determined. For this purpose, a genetic algorithm based on non-dominated ranking was used for solving the problem. And best method presented for each activity in the production of broiler from Buy eggs broiler breeder hen until slaughter house and the amount of time, cost and quality was calculated, 1793.8 hour and 9119.9 million Rials and 48% respectively.
    Keywords: Multi, objective optimization, Genetic algorithm, Fuzzy logic, Solutions Pareto, Broiler
  • مرتضی قاری، بهرام قمری، نیکروز باقری
    آلاینده های خروجی از وسایل نقلیه موتوری جزء خطرناک ترین آلاینده ها هستند و عامل 50 تا 90 درصد آلودگی هوا به شمار می روند. با رشد چشمگیر وسایل نقلیه موتوری و با توجه به میزان آلایندگی آنها، امروزه پژوهش های بسیاری در زمینه بهینه سازی موتورهای وسایل نقلیه موتوری در راستای کاهش آلایندگی ها توسط پژوهشگران صورت گرفته است. هدف این تحقیق بررسی اثر تزریق گاز دی نیتروژن مونواکسید به هوای ورودی موتور بنزینی انژکتوری بر آلایندگی های خروجی در سه سرعت دورانی و تعیین مقدار بهینه درصد گاز دی نیتروژن مونواکسید و سرعت دورانی است. در این راستا، هوا با گاز دی نیتروژن مونواکسید در غلظت های 0، 4، 8، 12 و 16 درصد مخلوط گردید و به موتور تزریق شد. سپس تاثیر آن بر آلاینده ها، مورد اندازه گیری قرار گرفت. هر یک از آلاینده ها نسبت به درصد دی نیتروژن مونواکسید موجود در هوای موتور و سرعت دورانی در سه بعد مدل سازی و با استفاده از الگوریتم ژنتیک بهینه سازی شدند. نتایج به دست آمده نشان داد که با افزایش میزان غلظت دی نیتروژن مونواکسید موجود در هوای ورودی موتور، میزان CO و HC کاهش چشمگیر و میزان CO2 و NOx افزایش می یابند. همچنین با افزایش سرعت دورانی موتور همزمان با افزایش میزان غلظت دی نیتروژن مونواکسید، میزان CO، CO2، HC و NOx کاهش داشتند. میزان غلظت دی نیتروژن مونواکسید و سرعت دورانی بهینه به دست آمده از روش الگوریتم ژنتیک برای آلایندگی به ترتیب برابر 54/14 درصد و rpm3184 می باشد.
    کلید واژگان: آلایندگی، الگوریتم ژنتیک، دی نیتروژن مونواکسید، سرعت دورانی موتور
    M. Ghari, Bahram Ghamari, N. Bagheri
    Introduction
    Nowadays the number of motor vehicles in large and small cities is growing. Increasing the number of motor vehicles leads to serious increase of the amount of environmental pollution and daily fuel consumption. Motor vehicle emissions that are known as the most air polluting emissions cause 50-90 percent of air pollution. With large increasd in the number of motor vehicles and their emissions todays, many researchers have investigated engine optimization in order to reduce emissions of motor vehicles. But due to the lack of affordable changes in the physical structure of the engine, it is not possible to create major changes in the amount of engine exhaust. Hence, in order to improve engine performance and reduce emissions, a lot of research has been carried out on changes in the fuel and engine inlet air. So, in this study a new method has been proposed and tested in order to detect changes in the charactristics of emissions. So, the effects of enriched nitrous oxide gas on the exhaust emissions of a spark-injection engine were investigated. In this way, a certain amount of Nitrous Oxide (N2O) gas was mixed with the engine inlet air (with concentration of 0, 4, 8, 12 and 16 percent) and it was injected to the engine. Then its effect was studied on emission parameters at various engine rotational speeds. Then, by using genetic algorithm, the optimal values of N2O concentration and engine rotational speed were determined to reach the minimum emission parameters.
    Materials And Methods
    To measure the engine emission parameters including CO, CO2, HC and NOx, the expriments were conducted after preparing a system to inject inlet air with different percentages of N2O into an Otto engine (model: M13NI). In this study, the randomized complete block design was used to investigate the effect of N2O concentration (five levels) and engine rotational speed (three levels) on exhauste emission parameters. Each expriment was replicated 9 times. For statistical analysis, Duncan’s multiple range test and multivariate analysis of variance were performed by using SPSS Software. Also, each factor was modeled by polynomial equations and the obtained models were optimized in three dimensions by genetic algorithm method in MATLAB Software. After optimization ofeach emission parameter in the same time by multi-objective optimization regression, separately, and determination of the best value of N2O concentration in the inlet air andthe engine rotational speed, the optimizations were compared in order to obtain the minimum value of emission parameters.
    Results And Discussion
    The experimental results indicated that by increasing N2O concentration in the inlet air of motor vehicle engine, the amounts of CO and HC were significantly decreased and the amounts of CO2 and NOx were significantly increased. Also, the results of this study showed that increasing the engine rotational speed at the same time with increasing the N2O concentration caused a significant decrease in the amounts of CO, CO2, HC and NOx. The optimal amount of N2O concentration and engine rotational speed by genetic algorithm method were obtained to be14.545 % and 3184 rpm, respectively.
    Conclusions
    The main conclusions obtained from this research are listed below: - The amount of N2O concentration in the engine fuelis the decisive factor for decreasing emissions. - By increasing N2O concentration in the inlet air of motor vehicle engine, the amounts of CO and HC were significantly decreased and the amounts of CO2 and NOx were significantly increased. - By increasing the engine rotational speed and N2O concentration, the amounts of CO, CO2, HC and NOx were decreased. - The optimal amount of N2O concentration and engine rotational speed were obtained to be 14.545 % and 3184 rpm, respectivelyby using the genetic algorithm method. For these values, based on regression models, concentration of CO and CO2, were obtained to be 0.056% and 12.5%, respectively. - The concentration of N2O and the optimum rotational speed of engine for CO gas were obtained to be 10.562% and 3749 rpm. - The concentration of N2O and the optimum rotational speed of the engine for CO2 gas were found to be 0% and 2847 rpm, respectively. - The concentration of N2O and optimum rotational speed of engine for HC werefound to be 12.71% and 3750 rpm, respectively. - The concentration of N2O and optimum rotational speed of engine for NOx werefound to be 0% and 4300 rpm, respectively.
    Keywords: Emission, Engine rotational speed, Genetic algorithm, Nitrous Oxide
  • سامان آبدانان مهدی زاده، سعید مینایی، محمد امیر کریمی ترشریزی، عزالدین مهاجرانی
    پتانسیل روش طیف سنجی عبوری (1100-nm200) به منظور ارزیابی کیفیت داخلی (تازگی) تخم مرغ سالم و دست نخورده در طول انبارداری در دمای oC730 و رطوبت 425درصد بررسی شد. تعداد یک صد تخم مرغ برای اندازه گیری تازگی و جمع آوری طیف در طول زمان ذخیره سازی (تا 30 روز) استفاده شدند. دو مدل رگرسیونی میانHU [1] و ضریب زرده (YC[2]) نسبت به زمان ذخیره سازی به ترتیب با ضریب همبستگی 86 /0و 96/ 0 توسعه داده شد. معادلات ذکرشده حاکی از افت شدید کیفیت تخم مرغ در خلال نگهداری در این شرایط است. علاوه بر این، روشی برای به دست آوردن ویژگی های طول موج براساس الگوریتم های ژنتیکی شرح و بسط داده شد. این روش توانایی حل مشکل استخراج موثرترین اطلاعات از ماتریس داده های ابعدی بالا[3] را دارد. معادلات رگرسیونی با داده های خام و ویژگی های استخراج شده با الگوریتم ژنتیک، با پردازش های گوناگون (SNV، MSC، FFT، و همچنین مشتقات اول و دوم)، به دست آمد. نتایج نشان داد که معادلات رگرسیونی براساس الگوریتم ژنتیک و پردازش SNV و MSC می تواند طیف ها را در سه گروه طبقه بندی کند در حالی که با یکبار مشتق گیری، هر طیف روزانه می تواند در گروهی مجزا قرار گیرد.
    [1]. Haugh unit [2]. Yolk Coefficient [3]. High Dimensional Data
    کلید واژگان: الگوریتم ژنتیک، کیفیت تخم مرغ، معادلات رگرسیونی
    Saman Abdanan, Saeid Minai, Ezzeddin Mohajerian, Mohammad Amir Karimi Torshizi
    The potential of Vis-IR (400–1100 nm) transmittance method to assess the internal quality (freshness) of intact chicken egg during storage at a temperature of 307 oC and 25% 4 relative humidity was investigated. One hundred chicken egg samples were used for measuring its freshness and spectral collection during egg storage times (up to 30 days). Two correlation models between Haugh unit (HU) and the yolk coefficient (YC) versus the storage time were developed with the correlation coefficients of 0.86, 0.96, respectively. The latter equations showed in that aforementioned conditions egg quality decreased dramatically. Furthermore, the method has developed to acquire the wavelength features based on genetic algorithm (GA). It can solve the problem of the effective information extraction from the high-dimensional data matrix. Regression equations were developed by raw and according to the wavelength features were acquired, respectively basing on different preprocessing (SNV, MSC, FFT, as well as 1st and 2nd derivations). The result indicated that regression equations based on GA and preprocessing SNV and MSC could classify egg’s spectra in three groups while by 1st derivation preprocessing, each daily spectrum could allocate each of them into separated groups.
    Keywords: egg quality, regression equation, genetic algorithm
  • روح الله تقی زاده، فریدون سرمدیان، محمود امید، نورایر تومانیان، محمد جواد روستا، محمدحسن رحیمیان
    در طی سال های گذشته پیشرفت های گسترده ای در زمینه علم نقشه برداری رقومی خاک شده است؛ به طوری که منجر به تولید نقشه های رقومی خاک در سطح ملی و قاره ای گردیده است؛ اما به رغم مطالعات بسیار زیادی که در سطح دنیا انجام گرفته است و یا در حال انجام شدن می باشد، تعداد اندکی از خاک شناسان ایرانی به علم نقشه برداری رقومی خاک علاقه نشان داده اند؛ لذا در تحقیق حاضر، سعی شده تا از انواع روش های داده کاوی برای پیش بینی مکانی گروه های بزرگ خاک در اراضی به وسعت 72000 هکتار در منطقه ی اردکان بهره گرفته شود. در این منطقه بر اساس روش مربع لاتین مکان جغرافیایی 187 پروفیل خاک مشخص شده و سپس تشریح، نمونه برداری و بر اساس سیستم آمریکایی به شش گروه بزرگ و هشت زیرگروه طبقه بندی شدند. متغیرهای محیطی یا نمایندگان فاکتورهای خاک سازی که در این پژوهش استفاده شدند، شامل ویژگی های توپوگرافی داده های تصویر ETM+ ماهواره لندست 2002 و نقشه های پلیگونی از جمله سطوح ژئومورفولوژی، زمین شناسی و کاربری اراضی است. نتایج نشان داد که مدل درخت تصمیم نسبت به سایر مدل ها دارای برتری نسبی می باشد؛ بهطوریکه توانسته است دقت پیش بینی گروه های بزرگ خاک را نسبت به روش آنالیز تشخیصی (ضعیف ترین مدل) 44% افزایش دهد. در کل نتایج تحقیق، دقت مدل های درخت تصمیم، شبکه عصبی مصنوعی، ترکیب شبکه عصبی مصنوعی - الگوریتم ژنتیک، رگرسیون لاجیستیک چندجمله ای و آنالیز تشخیصی را جهت پیش بینی گروه های بزرگ خاک با دقت کلی 70%، 65%، 65%، 55% و 47%، به ترتیب، تایید کرد. همچنین درخت تصمیم، کلاس های زیرگروه خاک را با دقت 2/ 84% پیش بینی نموده است.
    کلید واژگان: درخت تصمیم، آنالیز تشخیصی، رگرسیون لاجیستیک، شبکه عصبی مصنوعی، الگوریتم ژنتیک
    R. Taghizadeh, Mehrjardi, F. Sarmadian, M. Omid, N. Toomanian, M.J. Rousta, M.H. Rahimian
    In recent years, there has been a great development in the digital soil mapping which has led to production of maps for countries and the continents. Although many studies have been conducted all over the world, few Iranian soil scientists have shown interests in digital mapping. Therefore, in the present research, different data mining techniques (i.e. regression logistic, artificial neural network, genetic algorithm, decision tree and discriminant analysis) were applied to spatial prediction of great group soils in the area covering of 72000 ha in Ardakan. In this area, by using the conditioned Latin hypercube sampling method, location of 187 soil profiles was selected, which was then described, sampled, analyzed and allocated in taxonomic classes according to soil taxonomy of America. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. Results showed that decision tree model had the highest accuracy while it could increase the accuracy of prediction up to 44% in comparison with discriminant analysis technique. Results also indicated using the taxonomic distances led to improving the overall accuracy of decision tree up to 3%. Results confirmed capability of decision tree, artificial neural networks, genetic algorithm, logistic regression, and discriminant analysis with 70%, 65%, 65%, 55%, and 47% accuracy, respectively. Moreover, results showed that decision tree model could predict soil classes in sub-great group with the overall accuracy of 84.2%.
    Keywords: Decision tree, Discriminant analysis, Logistic regression, Artificial neural networks, Genetic algorithm
  • عباس روحانی *، مهدی خجسته پور، محمودرضا گلزاریان
    جایگزینی تراکتور یکی از عوامل بسیار تاثیرگذار برای انجام دادن به موقع عملیات زراعی است. پیش بینی صحیح هزینه های تعمیر و نگهداری جز اساسی در مدل جایگزینی تراکتور به شمار می آید. در این مطالعه، از داده های واقعی هزینه های تعمیر و نگهداری 60 تراکتور دو چرخ محرک در موسسه کشت و صنعت آستان قدس استفاده شد. تراکتورهای دو چرخ محرک شامل 17، 10، 28 و 5 تراکتور به ترتیب مسی فرگوسن 285، فیات 445، جاندیر 3140 و جاندیر 4450 بودند. نتایج تحلیل رگرسیونی نشان می دهد که مدل درجه دوم، بهترین مدل برای پیش بینی هزینه های تعمیر و نگهداری تراکتور است. با استفاده از الگوریتم ژنتیک تعداد 17850، 18380، 27000 و 27400 ساعت کارکرد تجمعی به عنوان عمر جایگزینی به ترتیب برای تراکتورهای فیات، مسی فرگوسن، جاندیر 3140، جاندیر 4450 پیش بینی شده است.
    کلید واژگان: الگوریتم ژنتیک، تراکتور، عمر اقتصادی، مدل جایگزینی، هزینه تعمیر و نگهداری
    Prediction of Tractor's Economic Life Using Genetic Algorithm / Case Study: Four Common Tractors in Khorasan Razavi Province
    A. Rohani*, M. Khojastehpour, M. R. Golzarian
    Replacement of a tractor is an influential factor affecting timely farm operation. The accurate prediction of repair and maintenance costs is essential to selection of a replacement model. This study used empirical data for 60 two-wheel drive (2WD) tractors from Astan Ghods-e Razavi agroindustry. The types and numbers of tractors used were the Massey Ferguson 285 (17), Fiat (10), John Deere 3140 (28) and John Deere 4450 (5). Regression analysis showed that the quadratic model was suited for predicting repair and maintenance costs. The four types of tractors recorded 17850, 18380, 27000 and 2740 cumulative hours, respectively, of use to replacement life as predicted using the genetic algorithm.
    Keywords: Economic Life, Genetic Algorithm, Repair, Maintenance Cost, Replacement Model, Tractor
  • صالح ارشد، سعید مرید*، محمدرضا مباشری، مجید آقاعلیخانی

    در سال های اخیر پدیده خشکسالی خسارت های فراوانی به بخش کشاورزی کشور وارد آورده که وجود یک سیستم پیش آگاهی از تاثیر آنبر محصولات کشاورزی را برای کمک به سیاستگذاران و ذی نفعان ضروری می سازد. در این تحقیق، مدلی برای ارزیابی پیش بینی آسیب ناشی از خشکسالی کشاورزی برای استان کرمانشاه با استفاده از روش های آماری و هوشمند توسعه یافته است. این مدل به طور خاص برای محصول گندم دیم است و می تواند خود را همراه با رشد گیاه و در مراحل مختلف فنولوژیک بهنگام کند. در فرایند توسعه مدل، از شاخص های خشکسالی PDSI، Z-index، CMI، SPI و EDI استفاده و جهت انتخاب متغیرهای مناسب، روش های الگوریتم ژنتیک، و شبکه مصنوعی عصبی به کار گرفته شد. نتایج نشان می دهد که شاخص Z-index نسبت به بقیه شاخص ها آسیب ممکن را بهتر پیش بینی می کند. همچنین، مدل با گذشت زمان در مراحل مختلف بحرانی رشد از برازش بهتری برخوردار می شود و به خصوص از مرحله سوم به بعد، سطح معنی داری روابط به 1 درصد رسیده و نتایج پیش بینی قابل اتکا می شود. همچنین، اتصال مدل به محیط سامانه اطلاعات جغرافیایی قابلیت های آن را برای تحلیل های لازم مکانی و ارائه کارآمدتر نتایج ارتقاء نمود.

    کلید واژگان: ارزیابی آسیب، استان کرمانشاه، الگوریتم ژنتیک، تحلیل مولفه های اصلی، خشکسالی کشاورزی
    S. Arshad, S. Morid, M. R. Mobasheri, M. Agha Alikhani

    The agriculture sector has been affected by severe drought in recent years, making development of a drought warning system for agriculture crucial. Such a system can be a useful tool for policy makers and investors. This research develops a model for agricultural drought risk assessment using statistical and intelligent methods. Kermanshah province, a major rain-fed region of Iran, was selected as the study area. The model is specific to rain-fed wheat and was updated during the different phonological stages of the growing season. The inputs are a combination of the PDSI, Z-index, CMI, SPI and EDI drought indices which were selected using genetic algorithm and artificial neural networking techniques. The results show that the Z-index better predicts possible losses. The general performance of the model increased toward the end of the growing season, especially after the third stage, when the significance level of the relation reaches 1% and the results become more reliable. Furthermore, linkage of the model to the geographical information system makes it more capable of spatial analysis and more suitable for presentation of the final results.

    Keywords: Agricultural Drought, Genetic Algorithm, Kermanshah Province, Principle Component Analysis, Vulnerability Assessment
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال