[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
اخبار ::
کمک آموزشی::
آموزش::
پژوهش::
معرفی افراد::
زیر مجموعه ها::
دانشجویان::
امکانات::
تسهیلات پایگاه::
::
کنفرانس

ششمین کنفرانس پیشرفتهای
اخیر در مهندسی راه آهن
18 و 19 خرداد 1398

..
دفاعیه‌ها

AWT IMAGE

AWT IMAGE

..
اطلاعیه
..
جستجو در پایگاه

جستجوی پیشرفته
..
آزمایشگاه مرجع ترمز

AWT IMAGE

..
بازدید علمی

گزارش‌های بازدید دانشکده

..
تالار افتخارات

AWT IMAGE

..
منشور اخلاقی

AWT IMAGE

..
:: بهینه­سازی ::

  بهینه­سازی

  1-یکی از مسائل مبتلابه در حوزه علوم و مهندسی، مساله بهینه­سازی می­باشد که روش­های عددی مختلفی برای حل آن پیشنهاد شده است. روش­های عددی بهینه­سازی را در یک تقسیم­بندی کلی می­توان به روش­های بهینه­سازی محلی [1] و روش­های بهینه­سازی مطلق [2] تقسیم­بندی کرد. در روش بهینه­سازی محلی، احتمال این وجود دارد که جواب در نقطه بهینه محلی گیر کند.

  2-روش­های عددی بهینه­سازی محلی، به روش جستجوی مستقیم و روش­های متکی بر گرادیان تقسیم­بندی می­شود. الگوریتم عمومی روش­های بهینه­سازی محلی بدین صورت است که الگوریتم از یک نقطه آغاز می­شود و با حرکت در یک جهت مشخص و به اندازه معین (مثلا خلاف جهت گرادیان)، سعی در رسیدن به نقطه مینیمم را دارد.

  3-روش سیمپلکس [3] و روش هوک-جیوز [4] دو روش از سری روش­های جستجوی مستقیم می­باشد.

  4-روش تندترین شیب [5] ، روش نیوتن، روش شبه نیوتن، روش گرادیان مزدوج، روش گوس-نیوتن و روش لونبرگ-مارکوار [6] ، جزو روش­های مبتنی بر گرادیان می­باشد. روش تندترین شیب، تنها به گرادیان مرتبه اول نیاز دارد. روش نیوتن به گرادیان مرتبه دوم (ماتریس هسین) محتاج است. در روش شبه نیوتنی و گرادیان مزدوج، گرادیان مرتبه دوم تخمین زده می­شود و روش گوس-نیوتن و روش لونبرگ-مارکوار یک روش غیرخطی حداقل مربعات [7] می­باشد [1] .

  5-با تکرار روش­های بهینه­سازی محلی با شرایط اولیه مختلف می­توان به بهینه مطلق نزدیک شد. از جمله سایر روش­های بهینه­سازی مطلق می­توان به روش جستجوی تصادفی، روش آب دادن فولاد [8] و روش الگوریتم ژنتیک [2] اشاره کرد. الگوریتم جستجو در در روش­های مبتنی بر تصادف این است که از یک شرایط اولیه، آغاز می­شود و بصورت تصادفی، یک نقطه دیگر انتخاب می­شود، اگر مقدار تابع در نقطه جدید، کوچکتر بود، این نقطه پذیرفته می­شود و در غیراینصورت نقطه جدید با یک احتمال مورد پذیرش قرار می­گیرد.

  6-در الگوریتم ژنتیک، معمولا جمعیتی از جواب مساله که بصورت باینری کد شده است، ایجاد می­شود و با انجام عمل crossover و mutation با احتمال مشخص، یک جمعیت جدید تولید می­گردد. جمعیت اولیه و ثانویه روی هم ریخته می­شود و جمعیتی که شانس بقای بیشتری دارد، انتخاب می­گردد.

 

  مرجع­ها

[1] Fletcher, Practical Methods of optimization.

[2] Goldberg, Genetic algorithms.

  [1] local

  [2] global

  [3] simplex

  [4] Hook & jeeves

  [5] Steepest decent

  [6] Levenberg-marquar

  [7] Nonlinear least squre

  [8] Simulated anealing

دفعات مشاهده: 9114 بار   |   دفعات چاپ: 2745 بار   |   دفعات ارسال به دیگران: 144 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
کلیه حقوق مادی و معنوی این سایت متعلق به دانشکده مهندسی راه آهن دانشگاه علم و صنعت ایران می باشد. استفاده از مطالب آن با ذکر منبع بلامانع می باشد.
Persian site map - English site map - Created in 0.4 seconds with 70 queries by YEKTAWEB 3862