دانلود مقاله مدلسازی و شبیه سازی سیستم به وسیله سیستم توده pso

دانلود مقاله مدلسازی و شبیه سازی سیستم به وسیله سیستم توده pso نوع فایل: word فرمت فایل: doc قابل ویرایش تعداد صفحات : 156 صفحه قسمتی از متن : حركت توده¬اي يك نوع حركت دسته¬جمعي هماهنگ است كه معمولا با استفاده از ارتباطات اندک موجود بين اعضاي آن و اطلاعات محدود از وضعيت کل سيستم انجام مي¬شود. ب

دسته بندی: فنی و مهندسی » برق ، الکترونیک ، مخابرات

تعداد مشاهده: 349 مشاهده

فرمت فایل دانلودی:.zip

فرمت فایل اصلی: doc

تعداد صفحات: 156

حجم فایل:3,983 کیلوبایت

  پرداخت و دانلود  قیمت: 30,000 تومان
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود.
0 0 گزارش
  • دانلود مقاله مدلسازی و شبیه سازی سیستم به وسیله سیستم توده pso
    نوع فایل: word

    فرمت فایل: doc

    قابل ویرایش

    تعداد صفحات : 156 صفحه

    قسمتی از متن :

    حركت توده¬اي يك نوع حركت دسته¬جمعي هماهنگ است كه معمولا با استفاده از ارتباطات اندک موجود بين اعضاي آن و اطلاعات محدود از وضعيت کل سيستم انجام مي¬شود. با وجود توانايي و هوش محدود و اندك براي هر عضو، مجموعه اين اعضا در كنار هم قادر به انجام اهداف سطح بالا و قابل توجهي هستند. با ايده گرفتن از حرکات توده¬اي موجود در طبيعت و مشاهده تعامل بين-عضوي در آنها زمينه جديدي در علم رباتيک به وجود آمد که حرکات توده رباتيکي را شبيه¬سازي مي¬کند. توده رباتيکي از تعدادي ربات¬هاي همسان-که هر کدام از آنها در اين توده داراي قابليت¬هاي پايين هستند- تشکيل شده است که اين تعداد در کنار هم و به¬طور جمعي توانايي¬هاي قابل توجهي پيدا مي¬کنند.
    در اين فصل به مرور پژوهش¬هاي پيشين در زمينه توده رباتيکي، توضيح مدل توده رباتيكي استفاده شده در اين رساله، تعريف موضوع و بيان اهميت و نوآوري آن مي¬پردازيم.


    در اينجا اهداف كنترلي توده رباتيكي مورد بحث و بررسي قرار مي¬گيرد. اهداف كنترلي مورد بحث عبارتند از:
    1- كنترل رفتاري اعضاي توده به منظور تقليد مدل واقعي توده رباتيكي از مدل مطلوب آن.
    2- كنترل حركت اعضاي توده به منظور طي كردن مسير معين.
    اين اهداف به وسيله يكي از روش¬هاي نوين كنترلي مبتني بر يادگيري تقويتي به نام كنترلر فازي- عصبي تطبيقي با وجود نقاد انجام شده است. در اين روش نقاد با نقد عملكرد كنترلر يادگيري تقويتي را پياده¬سازي مي¬كند. از مزيت¬هاي اين روش كنترلي نوين مي¬توان به سادگي ساختار آن، سرعت يادگيري و همگرايي سريع، عدم وابستگي به مدل، انجام همزمان كنترل و يادگيري و مقاوم بودن آن در برابر نويزهاي مختلف اشاره كرد.
    در اين فصل ابتدا به معرفي كنترلرهاي مبتني بر يادگيري تقويتي پرداخته شده است و در ادامه آن دو نوع از اين كنترلرها به نام كنترلرهاي تقويتي كلاسيك و نوين معرفي شده¬اند. سپس دو هدف كنترلي گفته شده در بالا و خصوصيات كنترلر طراحي شده و نتايج شبيه¬سازي در هر كدام از اهداف به طور مجزا توضيح داده شده¬اند.

    مراحع

    [1] S. Martinez, J. Cortes, and F. Bullo, “Motion coordination with distributed information,” IEEE Control Systems Magazine, vol. 27, no. 4, pp. 75–88, 2007.
    [2] دکتر حسن صيادي، ميعاد معرف، توسعه الگوریتم‌های کنترلی سیستم‌های رباتیکی چند عاملی، پايان¬نامه کارشناسي ارشد، دانشکده مهندسی مکانیک، دانشگاه صنعتی شريف، تابستان 1387.
    [3] C. M. Breder, “Equations descriptive of fish schools and other animal aggregations,” Ecology, 35, 361-370, 1954.
    [4] B. L. Partridge, “The structure and function of fish school,” Sci. Amer, 245, 114-123, 1982.
    [5] J. Curcio, J. Leonard, and A. Patrikalakis, “SCOUT - a low cost autonomous surface platform for research in cooperative autonomy,” in Proc. MTS/IEEE OCEANS, pp. 725–729, 2005.
    [6] J. Cortes, S. Martinez, T. Karatas, and F. Bullo, “Coverage control for mobile sensing networks,” IEEE Trans. Robotics and Automation, vol. 20, no. 2, pp. 243–255, Apr. 2004.
    [7] J. Cortes and F. Bullo, “Coordination and geometric optimization via distributed dynamical systems,” SIAM J. Control and Optimization, vol. 44, no. 5, pp. 1543–1574, Oct. 2005.
    [8] R. Olfati-Saber, “Flocking for multi-agent dynamic systems: algorithms and theory,” IEEE Trans. Automatic Control, vol. 51, no. 3, pp. 401–420, Mar. 2006.
    [9] A. Jadbabaie, J. Lin, and A. S. Morse, “Coordination of groups of mobile autonomous agents using nearest neighbor rules,” IEEE Trans. Automatic Control, vol. 48, no. 6, pp. 988–1001, Jun. 2003.
    [10] C. Belta and V. Kumar, “Abstraction and control for groups of robots,” IEEE Trans. Robotics, vol. 20, no. 5, pp. 865–875, Oct. 2004.
    [11] S. Susca, S. Martinez, and F. Bullo, “Distributed algorithms for polygonal approximation of convex contours,” In IEEE Conf. on Decision and Control, pages 6512–6517, San Diego, CA, December 2006.
    [12] A. L. Christensen, R. O’Grady, and M. Dorigo, “A mechanism to self-assemble patterns with autonomous robots,” in Proc. 9th European Conf. Artificial Life, Berlin, pp. 716–725, 2007.
    [13] R. Groß, M. Bonani, F. Mondada, and M. Dorigo, “Autonomous self-assembly in swarm-bots,” IEEE Trans. Robotics, vol. 22, no. 6, pp. 1115–1130, Dec. 2006.
    [14] J. Baber, J. Kolodko, T. Noel, M. Parent, and L. Vlacic, “Cooperative autonomous driving: intelligent vehicles sharing city roads,” IEEE Robotics & Automation Magazine, vol. 12, no. 1, pp. 44–49, Mar. 2005.
    [15] http://www.enme.ucalgary.ca/~aramirez/imagears/cooperation.gif.
    [16] D. C. Brogan and J. K. Hodigns, “Group Behaviors for Systems with Significant Dynamics,” Autonomous Robots, 4, 137-153, 1997.
    [17] J. H. Reif and H. Wang, “Social potential fields: A distributed behavioral control for Autonomous Robots,” Robotics and Autonomous Systems, 27, 171-194, 1999.
    [18] V. Gazi, K. M. Passina, “A class of attraction/repulsion functions for stable swarm aggeregation,” Proc. IEEE Conf. Decision and Control, 2842-2847, Dec. 2002.
    [19] V. Gazi and K. M. Passina, “Stablity analysys of swarms,” Proc. American Control Conf. Anchorage, Alaska, 1813-1818, May 2002.
    [20] V. Gazi and K. M. Passino, “Stability analysis of swarms,” IEEE trans. Aut. Cont. Vol. 48, No.4, PP:692-697, april 2003.
    [21] V. Gazi and K. M. Passino, “Stability analysis of social foraging swarms,” IEEE trans. Sys. Man. Cybernetics-Part B:Cybernetics, 34(1), 539-557, Feb 2004.
    [22] V. Gazi, “Swarm Aggregations Using Artificial Potentials and Sliding Mode Control,” Proc. IEEE Conf. Decision and Control, 2041-2046, 2003.
    [23] V. Gazi, “Swarm Aggregations Using Artificial Potentials and Sliding Mode Control,” IEEE Trans. Robotics, 21(6), 1208-1214, 2005.
    [24] D. H. Kim, H. O. Wang, G. Ye and S. Shin, “Decentralized Control of Autonomous Swarm Systems Using Artificial Potential Functions: Analytical Design guidelines,” IEEE Conf. Decision and Control, 159-164, 2004.
    [25] Y. Liu, K. M. Passino, and M. M. Polycarpou, “Stability analysis of M-Dimensional asynchronous Swarms with a fixed communication topology,” IEEE trans. Aut. Cont., 48(1), 76-95, Jan. 2003.
    [26] J. Golbeck, “Evolving Optimal Parameters for Swarm Control,” Proc. NASA/DOD Conf. on Evolvable Hardware, 151-152, 2002.
    [27] T. W. Dunbar and J. M. Esposito, “Artificial Potential Field Controllers for Robust Communications in a Network of Swarm Robots,” Proc. IEEE Conf. Decision and Control, 401 -405, 2005.
    [28] S. Etemadi, A. Alasti, and G. R. Vossoughi, “Stability Investigation of a Robotic Swarm with Limited Field of View,” In: Proceedings of IFAC World Congress; 17(1): 10794-10799, Seoul, Korea, 2008.
    [29] I. P. Pavlov, “Conditional Reflexes: An Investigation of the Physiological Activity of the Cerebral Cortex,” London, U.K.: Oxford Univ. Press, 1927.
    [30] S. Grossberg, “Pavlovian pattern learning by nonlinear neural networks,” in Proc. Nat. Academy Sci., pp. 828–831, 1971.
    [31] A. H. Klopf, “The Hedonistic Neuron: A Theory of Memory, Learning and Intelligence,” Washington, DC: Hemisphere, 1982.
    [32] D. Prokhorov and D. C. Wunsch, “Adaptive critic designs,” IEEE Trans. Neural Netw., vol. 8, no. 5, pp. 997–1007, Sep. 1997.
    [33] A. G. Barto, R. S. Sutton, and C. W. Anderson, “Neuronlike elements that can solve difficult learning control problems,” IEEE Trans. Syst., Man, Cybern., vol. SMC-13, pp. 835–846, 1983.
    [34] C. K. Lin, “Adaptive critic autopilot design of bank-to-turn missiles using fuzzy basis function networks,” IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 35, no. 2, pp. 197–207, Apr. 2005.
    [35] H. R. Berenji and P. Khedkar, “Learning and tuning fuzzy logic controllers through reinforcements,” IEEE Trans. Neural Netw., vol. 3, pp. 724–740, Sep. 1992.
    [36] S. Russel and P. Norvig, “Artificial Intelligence: A Modern Approach, 2nd ed. Englewood Cliffs,” NJ: Prentice-Hall, pp. 32–58, 2003.
    [37] A. Fakhrazar and M. Broushaki, “Adaptive critic-based neurofuzzy controller for the steam generator water level,” IEEE Transaction on nuclear sience, Vol. 55, No. 3, June 2008.
    [38] S. S. Khorramabadi and M. Broushaki, “Emotional learning based intelligent controller for PWR nuclear reactor core during load following operation,” Annals of nuclear energy, Vol. 35, No. 11, Pages 2051-2058, November 2008.
    [39] دکتر مهرداد بروشكي، داوود بابازاده، بهينه¬سازي چيدمان سوخت در قلب رآكتور هسته¬اي قدرت PWR به كمك الگوريتم گروهي پرندگان (PSO)، پايان¬نامه کارشناسي ارشد، دانشکده مهندسی مکانیک، دانشگاه صنعتی شريف، 1387.
    [40] J. Kennedy and R. C. Eberhart, “Particle swarm optimization,” In: IEEE International Conference on Neural Networks, 4, 1942–8, 1995.
    [41] Y. Shi, and R. C. Eberhart, “A Modified Particle Swarm Optimizer,” IEEE International Conference on Evolutionary Computation, Anchorage, Alaska, USA, 1998.
    [42] P. C. Fourie and A. A. Groenwold, “The particle swarm optimization algorithm in size and shape optimization,” Struct. Multidisc. Opt. 23, 259-267, 2002.
    [43] M. Clerc and J. Kennedy, “The particle swarm: explosion, stability, and convergence in a multi-dimensional complex space,” IEEE Transactions on Evolutionary Computation, 6, 58-73, 2002.
    [44] J. Riget and J. S. Vesterstroem, “A Diversity Guided particle Swarm Optimizer - the ARPSO,” Depatment of Computer Science, University of Aarhus, Tech. Rep.No. 2002-02, 2002.
    [45] T. Kiink, J. S. Vesterstroem, and J. Riget, “Particle Swam Optimization with Spatial Particle Extension,” Proceedings of the lEEE Congress on Evolutionary Computation, pp. 1474-1479, 2002.
    [46] T. Krink and M. Lovhjerg, “The Life Cycle Model: Combining Particle Swarm Optimization, Genetic Algorithms and Hill Climbers,” Proceedings of Parallel Problem Solving from Nature VI1 (PPSN 2002), pp. 621-630, 2002.
    [47] X. H. Wang and J. J. Li, “Hybrid Particle Swarm Optimization with Simulated Annealing,” Proceedings of the Third International Conference on Machine Learning and Cybernetics, Shanghai, China, 2004.
    [48] M. Dorigo, “Optimization, learning and natural algorithms,” Ph.D. Thesis, Dipartimento di Elettronica, Politecnico di Milano, Italy, 1992 (in Italian).
    [49] دكتر سيد محمودرضا پيشوايي، سيد علي عسكري، كنترل بهينه غيرخطي با استفاده از الگوريتم اجتماع مورچگان، پايان¬نامه کارشناسي ارشد، دانشکده مهندسی شيمي و نفت، دانشگاه صنعتی شريف، 1386.
    [50] M. Dorigo, V. Maniezzo, and A. Colorni, “The ant system: optimization by a colony of cooperating agents,” IEEE Trans Syst Man Cybernet B; 26(1):29–41, 1996.
    [51] M. Dorigo and T. Stutzle, “Ant colony optimization,” MIT Press, UK, 2004.
    [52] دكتر كوروش عشقي، احسان سالاري، كاربرد بهينه¬سازي كولوني مورچگان در مسئله رنگ¬آميزي، پايان¬نامه کارشناسي ارشد، دانشکده مهندسی صنايع، دانشگاه صنعتی شريف، 1384.
    [53] J. Holland, “Adaptation in Natural and Artificial Systems,” University of Michigan press, Ann Arbor, 1975.
    [54] R. L. Haupt, S. E. Haupt, “Practical Genetic Algorithm,” John Wiley & Sons, 1998.

    برچسب ها: دانلود مقاله مدلسازی و شبیه سازی سیستم به وسیله سیستم توده pso مدلسازی و شبیه سازی سیستم به وسیله سیستم توده pso شبیه سازی سیستم به وسیله سیستم توده pso سیستم به وسیله سیستم توده pso وسیله سیستم توده pso توده pso
  

به ما اعتماد کنید

تمامي كالاها و خدمات اين فروشگاه، حسب مورد داراي مجوزهاي لازم از مراجع مربوطه مي‌باشند و فعاليت‌هاي اين سايت تابع قوانين و مقررات جمهوري اسلامي ايران است.
این سایت در ستاد سازماندهی ثبت شده است.

درباره ما


تمام حقوق سایت sabzfile.ir محفوظ می باشد و هرگونه کپی برداری پیگرد قانونی دارد. طراحی سایت