سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

مقایسه ی عملکرد الگوریتم های فراکاوشی در انتخاب بهینه ی ماتریس های وزنی LQR

Publish Year: 1399
Type: Journal paper
Language: Persian
View: 258

This Paper With 22 Page And PDF Format Ready To Download

Export:

Link to this Paper:

Document National Code:

JR_BESE-7-1_005

Index date: 30 October 2021

مقایسه ی عملکرد الگوریتم های فراکاوشی در انتخاب بهینه ی ماتریس های وزنی LQR abstract

کنترل فعال به عنوان استراتژی موثر بهبود رفتار لرزه­ای سازه­ها از طریق محاسبه و اعمال نیروی خارجی سبب تغییر تطبیقی مشخصات دینامیکی سازه هنگام وقوع زلزله می­گردد. در روش LQR به عنوان رایج­ترین الگوریتم کنترل، شاخص عملکرد مرتبه­ی دومی بهینه می­گردد تا توازنی بین کاهش پاسخ و نیروی کنترل برقرار شود. در تعریف شاخص عملکرد اهمیت نسبی کاهش پاسخ و نیروی کنترل با انتخاب ماتریس­های وزنی تنظیم می­گردد. تاکنون روشی سیستماتیک برای تعیین این ماتریس­ها ارائه نشده و انتخاب وزن­ها بر اساس سعی و خطا و تجربیات طراح صورت می­گیرد. در این پژوهش جهت تسهیل روند طراحی کنترلر، عناصر ماتریس­های وزنی R و Q به عنوان متغیرهای طراحی روش­های فراکاوشی در نظرگرفته شده و شاخص عملکرد مبتنی بر موجک بهینه می­گردد. با توجه به تعدد روش­های فراکاوشی، در این مطالعه از شش الگوریتم رقابت استعماری، تکامل تفاضلی، خفاش، کرم شب­تاب، اجسام در حال برخورد و جستجوی هارمونی در طراحی کنترلر استفاده شده و عملکرد این روش ها مقایسه می­شود. نتایج اعمال کنترلر بر سازه­ی سه درجه آزادی تحت زلزله­های مصنوعی بیانگر نقش موثر روش­های فراکاوشی در کاهش پاسخ­ها و نیروهای کنترلی نسبت به روش LQR است. در این مطالعه کنترلرهای اجسام در حال برخورد، رقابت استعماری و تکامل تفاضلی عملکرد بهینه­تری از خود نشان داده­اند.

مقایسه ی عملکرد الگوریتم های فراکاوشی در انتخاب بهینه ی ماتریس های وزنی LQR Keywords:

مقایسه ی عملکرد الگوریتم های فراکاوشی در انتخاب بهینه ی ماتریس های وزنی LQR authors

جواد کاتبی

دانشگاه تبریز، گروه مهندسی عمران، تبریز

مونا شعاعی پرچین

دانشگاه تبریز، گروه مهندسی عمران، تبریز

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 :
Datta, T. (۲۰۰۳) A state-of-the-art review on active control of ...
Basu, B. and Nagarajaiah, S. (۲۰۰۸) A wavelet-based time-varying adaptive ...
Lynch, J.P. and Law, K.H. (۲۰۰۲) Market‐based control of linear ...
Aldemir, U., Bakioglu, M., and Akhiev, S. (۲۰۰۱) Optimal control ...
Alavinasab, A., Moharrami, H., and Khajepour, A. (۲۰۰۶) Active control ...
Liu, J. and Wang, Y. (۲۰۰۸) Design approach of weighting ...
Shen, P. (۲۰۱۴) Application of genetic algorithm optimization LQR weighting ...
Joghataie, A. and Mohebbi, M. (۲۰۱۲) Optimal control of nonlinear ...
Wang, H., Zhou, H., Wang, D., and Wen, S. (۲۰۱۳) ...
Wang, W., Jing, Y., Yang, L., Ma, B., and Fu, ...
Hamidi, J. (۲۰۱۲) Control system design using particle swarm optimization ...
Amini, F., Hazaveh, N.K., and Rad, A.A. (۲۰۱۳) Wavelet PSO‐Based ...
Douik, A., Hend, L., and Messaoud, H. (۲۰۰۸) Optimised eigenstructure ...
Zhang, J., Zhang, L., and Xie, J. (۲۰۱۱) Application of ...
Rakhshani, E. (۲۰۱۲) Intelligent linear-quadratic optimal output feedback regulator for ...
Fatemi, A., Bagheri, A., Amiri, G.G., and Ghafory-Ashtiany, M. (۲۰۱۲) ...
Ohtori, Y., Christenson, R., Spencer Jr, B., and Dyke, S. ...
Atashpaz-Gargari, E. and Lucas, C. (۲۰۰۷) Imperialist competitive algorithm: an ...
Storn, R. and Price, K. (۱۹۹۷) Differential evolution–a simple and ...
Yang, X.-S. (۲۰۱۰) 'A new metaheuristic bat-inspired algorithm.' In: Nature ...
Yang, X.-S. (۲۰۰۸) 'Firefly algorithm.' In: Nature-inspired Metaheuristic Algorithms, Luniver ...
Kaveh, A. and Mahdavi, V. (۲۰۱۴) Colliding bodies optimization: a ...
Kaveh, A., Vaez, S.R.H., Hosseini, P., and Ezzati, E. (۲۰۱۸) ...
Geem, Z.W., Kim, J.H., and Loganathan, G. (۲۰۰۱) A new ...
نمایش کامل مراجع