نقش الگوریتم ژنتیک جهت طراحی بهینه شناورهای سطحی

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 419

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NSMI17_247

تاریخ نمایه سازی: 12 تیر 1395

Abstract:

امروزه طراحی بهینه شناور که مبتنی بر نیازهای مشتری باشد از اهمیت بسزایی برخودار است ولیکن طراحان در حین طراحی نیاز دارند که برخی معیارهای مورد نظر را بهینه سازی کنند تا جواب های امکان پذیر را بیابند. که این معیارهای بهینه سازی صرفنظر از روش انجام آن در بهینه سازی طراحی شناور عبارتند از: هزینه کمتر، ریسک پایین تر و کارایی بالاتر. اما مشکلی وجود دارد و آن اینکه تعداد پارامترها و محدودیت های طراحی زیاد است و یافتن جواب بهینه مشکل و گاهی لاینحل که یکی از روش های حل مسائل بهینه سازی و یافتن جوابهای ممکن، الگوریتم ژنتیک است که بر اساس الهامی از علم ژنتیک و نظریهٔ تکامل داروین است و بر اساس بقای برترینها یا انتخاب طبیعی استوار است. یک کاربرد متداول الگوریتم ژنتیک، استفاده از آن به عنوان تابع بهینه کننده است. الگوریتم ژنتیک ابزار سودمندی در بازشناسی الگو، انتخاب ویژگی، درک تصویر و یادگیری ماشینی است. در الگوریتم ژنتیک، نحوه تکامل ژنتیکی موجودات زنده شبیه سازی میشود. در این مقاله در صدد هستیم که نحوه کد بهره برداری لازم جهت طراحی مفهومی شناور سطحی به منظور دستیابی به جواب بهینه، با استفاده از روش بهنیه سازی الگوریتم ژنتیک را تشریح کنیم

Authors

ابوالقاسم شرایعی

دانشجوی دکتری فناوری اطلاعات علوم و تحقیقات تهران

حسین طلوعی

دکتری مهندسی برق الکترونیک دانشگاه فردوسی مشهد

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 :
  • Tseng, L.Y. and Yang, S., "Genetic algorithms for clustering, feature ...
  • Vafaie, H. and Imam, I., :Feature selection methods: genetic algorithms ...
  • M. Mitchell. An Introduction _ Genetic Algorithms, MIT Press, Cambridge, ...
  • D. E. Goldberg. Genetic Algorithms in Search, Optimization and Machine ...
  • Tekin, E.. Sabuncuoglu, I., Simulation optimization: A comprehensive review on ...
  • Karimi-Nasab, M., Konstantaras, I., A random search heuristic for a ...
  • Teleb, R., Azadivar, F., A methodology for solving multiobjective simulation ...
  • Karimi-Nasab, M., Fatemi Ghomi, S.M.T., Multi-obj ective production scheduling with ...
  • نمایش کامل مراجع