بررسي عملكرد تزريق مواد فعال كننده سطحي در ازدياد برداشت ميكروبي نفت با استفاده از شبكه هاي عصبي و منطق فازي
در اين مطالعه از دو ابزار شبكه هاي عصبي و منطق فازي براي بررسي روش ازدياد برداشت ميكروبي نفت بهره گرفته شد.در علومي همچون مهندسي نفت كه با عدم قطعيت زيادي مواجه اند، استفاده از چنين ابزار هايي ميتواند بسيار رهگشا باشد. از شبكه عصبي پس انتشار خطا در بررسي روند تغييرات كشش سطحي نسبت به افزايش غلظت موادفعال كننده سطحي(بايوسورفاكتانت) استفاده شد. از دو مدل فازي، يكي مبتني بردانش فرد خبره و ديگري مبتني بر آموزش قوانين( مدل (anfis نيز در بررسي ازدياد برداشت نفت توسط تزريق بايوسورفاكتانت ها، بهره گرفته شد. نتايج نشان مي دهند كه شبكه عصبي پس انتشار خطا، به علت كم بودن داده هاي آموزشي، نمي تواند روند تغييرات كشش سطحي نسبت به غلظت مواد فعال كننده سطحي را آموزش ببيند. در چنين مواردي، برازش منحني مناسب تر است.همچنين مدل فازي anfis در اين حالت كه تاثير متقابل و توأم پارامترهاي تاثيرگذار، به طور كامل شناسايي نشده بود، نسبت به مدل فازي ديگر، نتايج مطلوب تري را ارائه نمود.
بررسي كاربرد مدلسازي فازي و الگوريتم شبيهسازي آنيلينگ در بهرهبرداري بهينه از منابع آب
در بهره برداري از مخازن عموماً از روشهاي شبيه سازي و بهينه سازي استفاده ميشود. مدلهاي شبيه سازي شامل قوانيني هستند كه رابطه بين ورودي و خروجي را بيان ميكنند، اين قوانين به صورت ثابت و يا تنظيم شده با مشخصات مخزن هستند. اطلاعاتي كه در طراحي قوانين بهره برداري به كار ميروند ممكن است اطلاعات تاريخي و يا اطلاعات حاصل از حل مسأله بهينه سازي براي مخزن مورد نظر باشند. در اين مقاله نتايج حاصل از حل مسأله بهينه سازي سد دز در طول 42 سال با هدف مينيمم كردن مجموع مربعات كمبود براي استخراج قوانين بهره برداري مورد استفاده قرار گرفته اند. به اين منظور ابتدا از روشهاي رگرسيون معمولي و سيستم استنباط فازي ممداني استفاده شده است. به دليل ضعف نتايج روش ممداني، روش سوگنو و آموزش آن به كمك الگوريتم شبيه سازي آنيلينگ مورد بررسي قرار گرفته است. در پايان مشاهده ميشود كه آموزش قوانين فازي به كمك الگوريتم شبيه سازي آنيلينگ به طرز قابل ملاحظه اي باعث بهبود نتايج شبيه سازي شده است.
بهبود الگوریتم بهینه سازی اجتماع ذرات با استفاده از عملگرهای الگوریتم ژنتیک
در بسیاری از مسائل بهینه سازی محدوده ای که بهینه سراسری در آن وجود دارد مشخص نیست. در صورت تخمین نادرست از محدوده بهینه سراسری الگوریتم بهینه سازی اجتماع ذرات گرفتار بهینه محلی شده و قادر به تعیین بهینه سراسری نمی باشد. در این مقاله از عملگرهای جهش و برش الگوریتم ژنتیک جهت تغییر قوانین حرکت هنگام نزدیک شدن به بهینه محلی استفاده می شود. استفاده از این عملگرها سبب می شود که ضمن حفظ سرعت همگرایی، تبادل اطلاعات بین اعضاء گروه بهتر انجام شده و فضای پاسخ جهت پیدا نمودن بهینه سراسری بیشتر جستجو شود. لذا این عملگرها کارایی الگوریتم بهینه سازی اجتماع ذرات را در فرار از نقاط بهینه محلی افزایش می دهند. کارایی روش پیشنهادی نسبت به الگوریتم بهینه سازی اجتماع ذرات در تعیین بهینه سراسری، با شبیه سازی توابع مختلف نشان داده می شود. نتایج نشان می دهد که هنگام عدم اطلاع از محدوده بهینه سراسری، الگوریتم ترکیبی پیشنهاد شده نسبت به الگوریتم معمولی بهینه سازی اجتماع ذرات در یافتن بهینه سراسری تواناتر می باشد.
بهبود الگوريتم ژنتيكي با استفاده از روال جستجوي محلي در مساله تخصيص سلاح-هدف
در اين مقاله، از يك الگوريتم ژنتيكي براي حل مساله تخصيص سلاح-هدف (WTA) كه يك مساله NP-Complete است ، استفاده مي شود. مساله WTA عبارت از تخصيص كامل سلاحها به اهداف متخاصم است، به گونه اي كه ميزان آسيب وارده به نيروهاي خودي حداقل شود. در اين مقاله پيشنهاد شده است تا در خلال انجام الگوريتم ژنتيكي، از يك روال جستجوي محلي تابكاري (SA) هم استفاده شود. با بررسي نتايج پياده سازي هاي الگوريتم ژنتيكي ساده و روش پيشنهادي مشاهده مي شود كه روش پيشنهادي در مقايسه با الگوريتم ژنتيكي ساده، در زمان كمتري به جواب بهتري همگرا مي شود.
بهبود كارايي الگوريتم تكاملي بحران خود سازمان داده شده
سير تكاملي در پي تغييرات سريع و مقطعي كه در پايان دوره هاي بلند مدت تعادل و سكون رخ ميدهد پيشرفت مي كند. اين تغييرات در اكثر اوقات بر اثر تجمع اثرات رخدادهاي انقراض در جهان اتفاق مي افتد. با توجه به وجود قانوني به نام قانون قدرت (Power Law) بين اندازه انقراضها و فراواني آنها، ميتوان از مدلي با نام بحران خود سازمان داده شده (Self-Organized Criticality) كه معمولا براي سيستمهاي ) پيچيده فيزيكي كاربرد دارد)براي مدل كردن سير تكامل استفاده كرد SOC را مي توان به راحتي با استفاده از مدل تپه ي شني پياده سازي نمود. تا كنون SOC به دو صورت در الگوريتم هاي تكاملي به كار رفته است. در اين مقاله سعي بر آن شده است كه با بررسي دقيق اين دو مدل ضعفها و مشكلات آنها را شناسايي كنيم و با ارايه مدل جديدي آنها را برطرف نماييم.
بهبود كارايي الگوريتم هاي ژنتيك كوانتومي با استفاده از جستجوي محلی Simulated Annealing
الگوريتم هاي ژنتيك كوانتوم برپاية ديدگاه محاسبات و كامپيوترهاي كوانتومي شكل گرفته اند. مزيت اين الگوريتم ها در ايجاد توازن ميان تعمق و جستجو است. پژوهش هاي اخير نشان مي دهد اين الگوريتم ها در حلّ مسائلِ بهينه سازيِ تركيبي مانند مسئلة كوله پشتي از كارايي بسيار بالايي برخوردارند. ولي در مجموع اين الگوريتم ها نيز دچار مشكل گير كردن در قلّة محلّي، و كندي سرعت همگرايي هستند. براي همين منظور بايستي روش هايي براي بهبود كارايي اين الگوريتم ها پيشنهاد كرد. الگوريتم هاي ژنتيك كوانتوم مانند ساير الگوريتم هاي تكاملي يك روش جستجوي عمومي مي باشند و تلفيق آنها با رو شهاي جستجوي محلّي مي تواند بر كارايي آنها بيفزايد. در اين پژوهش مي كوشيم كارايي الگوريتم هاي ژنتيك كوانتوم را با استفاده از روش جستجوي محلّي Simulated Annealing بهبود دهيم. نتايج نشان ميدهند به كارگيري اين الگوريتم موجب افزايش بسيار زياد كارايي الگوريتم هاي ژنتيك كوانتوم ميشود.
بهبود كيفيت فشردهسازي سريع فركتالي نرم يك1 با موجك
فشردهسازي فركتالي از مباحث مورد توجه چند ساله اخير بوده است. در اين شيوه با كنار هم قرار گرفتن مجموعه اي از قطعه 1 تصويرها كه نگاشت مناسبي برروي آنها اعمال شده است، تصوير اصلي ساخته ميشود. انتخاب قطعه تصوير و نگاشت مناسب آن، مستلزم يك جستجو در ميان تمام قطعه تصويرهاي دامنه 2 براي هر قطعه از تصوير اصلي است. لذا اين الگوريتمها همواره زمان زيادي را صرف عمل فشرده سازي مينمايند. بدين جهت بهبود سرعت آنها از جمله مباحث مورد توجه محققين حوز فركتال بوده است. عمده اشكال الگوريتمهاي سريع كيفيت پائين تر آنها نسبت به الگوريتم كدينگ فركتالي با جستجوي كامل 3 است. در اين مقاله الگوريتمي جديد مبتني بر فركتال و موجك 4 ارائه شده است كه كيفيت تصوير حاصل از فشرده سازي را تا حدود زيادي بهبود بخشيده و از سرعت مناسبي نيز برخوردار است.
بهينه سازي پارامترهاي موثر در استخراج ويژگي از ارقام دست نويس فارسي با استفاده از الگوريتم ژنتيك
در اين مقاله، يك روش مبتني بر الگوريتم ژنتيك براي انتخاب بهينة پارامترهاي مربوط به استخراج ويژگي از ارقام دستنويس فارسي ارائه شده است. ويژگي هاي پيشنهاد شده جهت استخراج از ارقام دست نويس، شامل سه دستة اصلي هستند: تصوير كوچك شده، نيمرخ هاي چپ، راست، بالا و پايين و تصاوير مقطع افقي و عمودي. در مجموع 14 پارامتر در نحوة استخراج ويژگي ها از تصوير ارقام دخيل هستند. براي بهينه سازي پارامترها، الگوريتم ژنتيك به ازاي دو تابع ارزيابي مختلف به اجرا در آمد. نتايج بدست آمده از بكارگيري دو مجموعة بهينه در استخراج ويژگي از ارقام، در مقايسه با دو مجموعه پارامتر ديگر كه به صورت تجربي مشخص شده بودند، بهبود خوبي را نشان مي دهد.
بهينه سازي ساختار شبكه هاي عصبي با استفاده از روش اتوماتاي يادگير
عملكرد شبكه هاي عصبي به طرز چشمگيري به پارامترهاي ساختاري آن وا بسته است . تعداد نرونها، تعداد لايه هاي مخفي، نحوه اتصال نرونها، و نوع توابع تحريك مثالهاي بارزي از اين پارامترها هستند . در اين تحقيق روشي جديد براي بهينه سازي ساختار شبكه هاي عصبي جهت دستيابي به عملكرد بهينه (يا نزديك به آن) ارائه شده است. اين روش مبتني بر الگوريتم اتوماتاي يادگير است. در روش پيشنهادي پارامترهاي ساختاري شبكه عصبي به عنوان متغيرهاي مستقل در نظر گرفته شده ، و تابع عملكرد شبكه عصبي به وسيله روش بهينه سازي تابعي اتوماتاي يادگير بهينه مي شود. شبكه هاي عصبي مورد آزمايش در اين تحقيق به منظور طبقه ب ندي داده به كار گرفته شده است . نتايج عملي حاصل از آزمايشات متعدد بر روي داده هاي آزمايشي متنوع (در ابعاد فضاي ويژگي، تعدا د نمونه ها و تداخل كلاسها) كارايي روش پيشنهادي را به خوبي آشكار مي كند. براي محك زدن هر چه بهتر روش پيشنهادي، عملكرد آن با روش بهينه سازي تكاملي نيز مقايسه شده است.