پایان نامه رایگان درباره الگوریتم ژنتیک و میزان سازگاری

دانلود پایان نامه

در این بخش هدف ماکزیمم کردن Asol معرفی شده در رابطهی 4-8 است. بنابراین تابع هدف بهینه سازی به صورت زیر تعریف میشود:
418
در بهینهسازی هدف مینیمم کردن (منفی تر کردن) این مقدار است.
ضریب عبور ماکزیمم در محدودهتشعشع خورشید
در این بخش هدف ماکزیمم کردن Tsol معرفی شده در رابطه 4-9 است. بنابراین تابع هدف بهینه سازی به صورت زیر تعریف میشود:
419
در بهینهسازی هدف مینیمم کردن (منفی تر کردن) این مقدار است.
ضریب بازتاب ماکزیمم در محدوده تشعشع خورشید
در این بخش هدف ماکزیمم کردن Rsol معرفی شده در رابطه 4-10 است. بنابراین تابع هدف بهینه سازی به صورت زیر تعریف میشود:
420
در بهینهسازی هدف مینیمم کردن (منفی تر کردن) این مقدار است.
روش بهینهسازی
الگوریتم ژنتیک[53]
الگوریتم ژنتیک یک روش بسیار کارآمد برای بهینهسازی توابع چند متغیره است. این الگوریتم از اصل انتخاب طبیعی داروین الهام گرفته است، به این معنی که در اثر تولید مثل و جهش ژنتیکی بین اعضای یک جمعیت به مرور زمان ویژگیهای اعضا با توجه به شرایط محیط بهینه میشود. در این روش در ابتدا یک جمعیت اولیه (مجموعهای از نقاط) محدوده تعریف شده، به صورت تصادفی انتخاب میشود. نسلهای بعدی به کمک تولید مثل تصادفی بین اعضای جمعیت و همچنین با در نظر گرفتن جهش ژنتیکی بدست میآیند. تولید مثل به صورت یک عملیات ریاضی (به طور مثال میانگین بین مؤلفههای نقاط یا ترکیب ارقام باینری هر مؤلفه) تعریف میشود، که با یک احتمال پایین (جهش ژنتیکی) یک یا تعدادی از مؤلفهها میتوانند در محدودهی تعریف شده جهش کنند. میزان سازگاری هر عضو به کمک مقدار تابع هدف برای آن عضو محاسبه میشود. احتمال تولید مثل بین اعضا برمبنای مقدار تابع هدف برای هر عضو تعریف میشود. به این ترتیب پس از پشت سر گذاشتن چند نسل، مقدار مینیمم تابع هدف بدست میآید. شرط همگرایی این روش یا دستیابی به مقادیر مطلوب تابع هدف خواهد بود. همچنین در صورتیکه پس از سپری شدن تعداد معینی نسل، مقدار بهینه تابع هدف تغییر نکند، الگوریتم متوقف خواهد شد. فلوچارت مربوط به این الگوریتم در شکل 4-6 رسم شده است.

شکل ‏4 6 – فلوچارت الگوریتم ژنتیک
مزایای عمده این روش عبارتند از:
به علت استفاده از یک جمعیت تصادفی اولیه به جای نقطه اولیه، احتمال توقف الگوریتم در نقاط اپتیمم محلی کمتر از روشهای دیگر است.
مشتقات تابع هدف در این روش مورد استفاده قرار نمیگیرد.
معایب عمده این روش عبارتند از:
به علت ماهیت تصادفی این روش، با هر بار اجرای الگوریتم ممکن است نتایج متفاوتی بدست آید.
این روش بسیار کند است.
روش عملیات حرارتی شبیهسازی شده [53]
روش عملیات حرارتی شبیهسازی شده یک روش بسیار سریع و کارآمد برای بهینهسازی یک تابع چندمتغیره است. در این روش از کاهش انرژی داخلی در مرحلهی خنککاری در عملیات حرارتی الهام گرفته شده است. ابتدا نقطه اولیه مشخص شود. در ابتدا یک نقطه تصادفی، در همسایگی نقطه اولیه انتخاب میشود. با الهام از توزیع احتمال بولتزمان در ترمودینامیک آماری، نقطه جدید با احتمال انتخاب میشود. که (تغییر انرژی) اختلاف تابع هدف برای دو نقطه، (ثابت بولتزمان) یک عدد ثابت دلخواه و (دما) در ابتدای الگوریتم به صورت یک عدد بزرگ در نظر گرفته میشود که در ادامه به مرور کاهش خواهد یافت. درصورتیکه نقطه جدید انتخاب شود، در ادامه الگوریتم نقاط تصادفی بعدی حول همسایگی این نقطه انتخاب خواهد شد، ولی درصورتیکه نقطه جدید انتخاب نشود نقاط بعدی حول همسایگی نقطه قبلی انتخاب خواهد شد. چنانچه پس از تعداد معینی تکرار، نقطه جدیدی انتخاب نشود، با نسبت معینی کاهش خواهد یافت. شرط همگرایی الگوریتم کوچکتر شدن از مقدار معین تعیین شده در ابتدا است. همچنین در صورتیکه پس از تعداد معینی تکرار، مقدار بهینه تغییر نکند، الگوریتم متوقف خواهد شد. فلوچارت مربوطه در شکل 4-7 رسم شده است.
مزایای عمده این روش عبارتند از: