کاهش مرتبه سیستم‌های ناپایدار با استفاده از کمینه‌سازی تابع چندهدفه مجموع وزنی ITSE و نرم H با الگوریتم خفاش
Publish Year: 1399
Type: Journal paper
Language: Persian
View: 422
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_ISEE-11-2_003
Index date: 6 February 2021
کاهش مرتبه سیستم‌های ناپایدار با استفاده از کمینه‌سازی تابع چندهدفه مجموع وزنی ITSE و نرم H با الگوریتم خفاش abstract
این کار، روشی برای کاهش مرتبۀ سیستم‌های ابعاد وسیع ناپایدار با استفاده از کمینه‌سازی تابع چندهدفه مجموع وزنی معیارهای ITSE و H∞ با کمک الگوریتم خفاش ارائه شده است. ابتدا مدل ناپایدار به دو بخش پایدار و ناپایدار تفکیک شده، سپس با در نظر گرفتن بخش پایدار و با استفاده از نرم هانکل، مرتبة مناسب سیستم مرتبه کاهشی تعیین شده است. در ادامه، ساختار ثابتی با ضرایب مجهول برای مدل مرتبه کاهشی در نظر گرفته می‌شود. با کمینه‌سازی تابع چندهدفه مجموع وزنی معیارهای ITSE و H∞ با کمک الگوریتم خفاش که خطا اختلاف پاسخ پله سیستم اصلی و مدل مرتبه کاهشی است، ضرایب مجهول مدل مرتبه کاهشی تعیین شده‌اند. از محک روث - هرویتز برای ارضای شرط پایداری استفاده شده است که به‌صورت قید در مسئلۀ بهینه‌سازی وارد شده و درنتیجه، مسئلۀ بهینه‌سازی به مسئلۀ بهینه‌سازی مقید تبدیل شده است. در آخر، بخش ناپایدار به بخش کاهش مرتبه یافته الحاق شده است. برای تأیید و نمایش توانمندی و کارایی روش پیشنهادی، سه سیستم ابعاد وسیع کاهش داده شده و با برخی روش‌های کاهش مرتبه از قبیل برش متعادل و تقریب بهینه هانکل مقایسه شده‌اند. نتایج به‌دست‌آمده نشان‌دهندة توانایی و قابلیت روش پیشنهادی نسبت به روش‌های کلاسیک است.
کاهش مرتبه سیستم‌های ناپایدار با استفاده از کمینه‌سازی تابع چندهدفه مجموع وزنی ITSE و نرم H با الگوریتم خفاش Keywords:
کاهش مرتبه سیستم‌های ناپایدار با استفاده از کمینه‌سازی تابع چندهدفه مجموع وزنی ITSE و نرم H با الگوریتم خفاش authors
حسن نصیری سلوکلو
گروه مهندسی برق، دانشکده فنی و مهندسی - دانشگاه بین المللی امام خمینی قزوین - قزوین - ایران
حسن زرآبادی پور
گروه مهندسی برق، دانشکده فنی و مهندسی - دانشگاه بین المللی امام خمینی قزوین - قزوین - ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :