توضیحات
بهینهسازی چیدمان دستگاه های صنعتی با الگوریتم های ژنتیک و شبیهسازی تبرید با متلب
بـا صـرف زمـان كوتـاهی جهـت طراحـی نحـوه چیـدمان تجهیزات و فضا ها قبل از استقرار آن ها، میتـوان از بـروز بسیاری از خـسارت هـا و نارضـایتی هـا جلـوگیری كـرد . بسیاری از مشكلات واحدهای تولیدی، مانند زمان طولانی فرآیند تولید، وجود گلوگاه ها در واحد تولیدی و نارضایتی كاركنــان و… بــا طراحــی مجــدد چیــدمان تجهیــزات و واحدهای تولیدی قابل رفع می باشند. مسلما جا به جـایی و ایجاد تغییرات در چیـدمان فـضاها و تجهیـزات بـر روی كاغذ به مراتب ساده تر و كم هزینـه تـر از انتقـال و جابـه جایی واقعی آنها است. به همین دلیل محققـان در جریـان این مـسائل، بـه دنبـال یـافتن الگـوریتم هـا و روشهـای تصمیمگیری هستند كه در عین حال كه به جواب خـوبی در مورد نحوه چیدمان تجهیـزات و واحـد هـا مـی رسـند، پاسخ قابل اجرا در محیط عملیاتی بوده و با شرایط محیط كار سازگار باشد.
الگوریتمهای ژنتیک (به انگلیسی: Genetic Algorithm)، (با نماد اختصاری GA) تکنیک جستجویی در علم رایانه برای یافتن راهحل تقریبی برای بهینهسازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیستشناسی فرگشتی مانند وراثت و جهش استفاده میکند. این الگوریتم برای اولین بار توسط جان هنری هالند معرفی شد.
در واقع الگوریتمهای ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده میکنند. الگوریتمهای ژنتیک اغلب گزینه خوبی برای تکنیکهای پیشبینی بر مبنای رگرسیون هستند. در هوش مصنوعی الگوریتم ژنتیک (یا GA) یک تکنیک برنامهنویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده میکند. مسئلهای که باید حل شود دارای ورودیهایی میباشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راهحلها تبدیل میشود سپس راه حلها بعنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار میگیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه مییابد. الگوریتم ژنتیک بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخشهای آن به صورت فرایندهای تصادفی انتخاب میشوند.
این الگوریتمها از بخشهای تابع برازش، نمایش، انتخاب، تغییر تشکیل میشوند.
الگوریتم تبرید شبیهسازیشده (Simulated Annealing) (SA)، یک الگوریتم بهینهسازی فراابتکاری ساده و اثربخش در حل مسائل بهینهسازی در فضاهای جستجوی بزرگ است. این الگوریتم بیشتر زمانی استفاده میشود که فضای جستجو گسسته باشد (مثلا همه گشتهایی که از یک مجموعه از شهرها میگذرند). برای مسائلی که پیدا کردن یک پاسخ تقریبی برای بهینه کلی مهمتر از پیدا کردن یک پاسخ دقیق برای بهینه محلی در زمان محدود و مشخصی است، تبرید شبیهسازی شده ممکن است نسبت به باقی روشها مانند گرادیان کاهشی دارای ارجحییت باشد.
تکنیک تبرید تدریجی، به وسیلهٔ متالورژیستها برای رسیدن به حالتی که در آن ماده جامد، به خوبی مرتب و انرژی آن کمینه شده باشد، استفاده میشود. هدف از این کار این است که سایز کریستالها در حالت جامد ماده در حال تبرید به بزرگترین حالت برسد. این تکنیک شامل قرار دادن ماده در دمای بالا و سپس کم کردن تدریجی این دماست. شبیه سازی تبرید رویکردی است که مسئله کمینه سازی یک تابع با تعداد بسیار زیادی متغیر است را به یک مسئله مکانیک آماری کاهش میدهد. بنیان گذاران این الگوریتم برای حل مسائل سخت بهینهسازی، روشی مبتنی بر تکنیک تبرید تدریجی و آرام پیشنهاد نمودند. این محققین برای مدلسازی تبرید یک سیستم به منظور پیدا کردن پاسخ کمینه کلی، از شبیه سازی کامپیوتری استفاده کردند.[۱]
میتوان تبرید تدریجی و آرام در این الگوریتم را به عنوان کاهش تدریجی احتمال انتخاب پاسخهای بدتر حین جستجو در فضای پاسخها دانست (انتخاب پاسخهای بدتر یک ویژگی اساسی الگوریتمهای فراابتگاری است و پیدا کردن بهترین پاسخ را ممکن میسازد). شبیه سازی را میتوان به دو صورت حل روابط کینتیکی برای توابع چگالی (مانند کار خاچاتوریان، سمونوفسکایا و وینشتاین در سال ۱۹۷۹ و ۱۹۸۱) یا استفاده از نمونهگیری تصادفی، انجام داد. نمونه گیری تصادفی در سال ۱۹۸۳ توسط کریکپاتریک، گلت و کلی معرفی شد، کرنی در سال ۱۹۸۵ و خاچاتوریان، سمونوفسکایا و وینشتاین در سال ۱۹۸۵ به طور مستقل این ایده را مطرح کردند. این روش یک اقتباس از الگوریتم متروپولیس-هستینگز است، یک روش مونت کارلو که نمونه حالتهایی را از یکسیستم ترمودینامیک تولید میکند.
بهینهسازی چیدمان دستگاه های صنعتی با الگوریتم های ژنتیک و شبیهسازی تبرید با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.