انتخاب صفحه

مقدمه

آرزوی انسان برای رسیدن به کمال مبین تئوری بهینه سازی است.انسان میخواهد بهترین راتجسم وتوصیف کرده وبه آن دست یابد(بیت لر ودیگران1979).اما ازآنجایی که میداند نمیتواند تمام شرایط حاکم بربهترین را به خوبی شناسایی وتعریف نماید دربیشتر موارد به جای جواب بهترین یابهینه مطلق،به یک جوای رضایت بخش (وارنر1996) بسنده میکند.همچنین انسان در قضاوت عملکرد دیگران،معیار بهترین رادرنظر نمیگیرد بلکه آنان را به صورت نسبی مودرارزیابی قرار میدهد(گلدبرگ1989).بنابراین انسن به دلیل ناتوانی خوددربهینه سازی،به بهبود ارزش ویژه ای می دهد.

بیت لر ودیگران(1979) بهینه سازی راچنین شرح میدهند:فعل«بهینه ساختن» که کلمه قوی تر نسبت به «بهبود» می باشد عبارتست از دستیابی به «بهینه»، و «بهینه سازی» اشاره به عمل بهینه ساختن دارد.بنابراین تئوری بهینه سازی شامل مطالعات کمی بهینه ها وروش یافتن آنهاست.هم چنین«بهینه» به عنوان یک واژه فنی دلالت براندازه گیری کمی وتحلیل ریاضی دارد درحالی که بهترین دارای دقت کمتر بوده وبیشتر برای امور روزمره استفاده میشود.دردنیای واقعی پیرامون ماهمه مسائل بهینه سازی مشتمل بربهینه سازی همزمان چندین موضوع است که با یکدیگر دررقابت می باشد.به عنوان مثال معمولا درطراحی بهینه ساه های بتنی حجیم،همزمان باکمینه کردن وزن سازه به دنبال اکسترمم نمودن تغییر مکان گرهی وتنش ایجاد شده دراعضا ورساندن آنها به مقادیر مجاز هستیم.این اهداف بایکدیگر درتناقص بوده وکاهش وزن سازه منجر به افزای تنش ها وتغییرمکان های گرهی میشود.باتوجه به وفور این مسائل دردنیای واقعی،تاکنون روش های گوناگونی برای بهینه سازی چند میتوان به روش های NPGA,NSGA,VEGAو….. و روش های متاهیوریستیک،چونA.C.O (الگوریتم لانه مورچگان)،S.A(الگوریتم آنیلینگ شبیه سازی شده)،T.S(الگوریتم جستجوی ممنوع) و…. وهمچنین روش های مبتنی بر ریاضیات مانند سیستم بهینه سازی چندمعیاری اسیزکا ویاروش های مونتوکارلو اشاره نمود.

4

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فهرست مطالب

چکیده       1

مقدمه           2

فصل اول:کلیات

1-2-پیشینه تحقیق

روش های بهینه سازی عددی درطراحی مهندسی ازسال1960 میلادی توسط اشمیت تعمیم داه وبکارگرفته شد.بهینه سازی سازه ها بدلیل طبیعت غیرخطی آن احتیاج به روشهای تکراری دارد،هرمرحله ازتکرار بهینه سازی به دوگام تقسیم میگردد.درگام اول سازه تحلیل میگردد تاپاسخ آن نسبت به نیروهای اعمال شده به دست آید.درگام دوم متغیرهای طرح براساس ضوابط بهینه سازی اصلاح میشوند.باافزایش تعداد متغیرهای طراحی،زمان محاسبه بطور قابل ملاحظه ای افزایش می یابد ودربسیاری از الگوریتم های بهینه سازی افزایش تعداد متغیرهای طراحی منتهی به ناپایداری عددی میگردد.اکثر روش های بهینه سازی دربرخورد با توابع ناپیوسته ناتوان هستند وهمچنین مسائلی که غیرخطی بودن آنها شدید است بکندی همگرا میگردند وحتی دربسیاری ازموارد همگرایی صورت نمگیرد.

بنابراین لزوم استفاده ازیک روش هوشمند بهینه سازی که بتنواند درقسمت های مختلف فضای حل جستجو نماید وبه راحتی همگرا شود،بسیار موردنیازاست.روش های بهینه سازی متعددی وجود دارد که ازجمله آنها میتوان به الگوریتم ژنتیک ودیگر روش های متاهیوریستیک حل مسائل پیچیده-و عموما غیرخطی،چونA.C.O(الگوریتم لانه مورچگان)،S.A(الگوریتم آنیلینگ شبیه سازی شده)،T.S(الگوریتم جستجوی ممنوع)و…،اشاره کرد.مایکروسافت اکسل شامل یک مدل به نام حل کننده اکسل می باشد،که به کاربر اجازه داده تامتغیر های تصمیم،محدودیت ها وهدف یک مسئله بهینه سازی رابه سلول ها وارد کرده وسپس حل کنندهMILP,LP یاNLP را احضار کند.حل کننده اکسل،برروی یک PC عادی مسائل بهینه سازی کوچک رادرکمتر ازیک ثانیه حل کرده وقابلیت بهینه سازی به صورت خطی وغیرخطی را دارد ومیتواند هم برای ماکزیمم سازی وهم برای مینیمم سازی به کارگرفته شود.البته این روش نیزمانند دیگرروش ها لزوما جواب بهیه یک مسئله را(درصورت وجود) پیدا نمیکند؛ولی همیشه جوابی زیربهینه و بسیارنزدیک به بهیه رابه دست میدهد.

1-1-هدف         4

1-2-پیشینه تحقیق       5

1-3-روش کار وتحقیق       5

گراف الگوریتم بهینه سازی جامعه مورچگان

گراف الگوریتم بهینه سازی جامعه مورچگان

فصل دوم:بهینه سازی

2-1-مقدمه ای بر بهینه سازی

درطراحی،ساخت ونگهداری هرسیستم مهندسی،مهندسان باید تصمیمات تکنولوژی ومدیریتی بسیاری رادرچند مرحله بگیرند،هدف نهایی چنین تصمیماتی کمینه کردن تلاش لازم ویابیشینه نمودن سود موردنظر است.بهینه سازی درمفهوم گسترده خود،میتواند درهرمسئله مهندسی بکارگرفته شود.برای نشان دادن گستردگی این موضوع میتوان به نمونه های زیر اشاره کرد.

-طراحی هواپیما وسازه های فضای باوزن کمینه

-طراحی سازه های مهندسی عمران مانند قاب ها،پی ها،دکل ها،لوله ها وسدها باهزینه کمینه

-طراحی سازه های مقاوم دربرابر زلزله باوزن کمینه و….

آنجا که صحبت ازتوانمندی پیش می آید طبیعت،حرف اول را میزند.فرآیندهای طبیعی درسیر تکاملی خود همواره مسیر بهینه رادرپیش میگیرند.این امر الهام بخش روش های نوین بهینه سازی است.الگوریتم وارثتی یکی ازشیوه های الهام ازطبیعت است که توانایی های ویژه ای بعنوان ابزار بهینه سازی ازخودنشان داده است.

2-1-مقدمه ای بربهینه سازی             7

2-2-صورت های مختلف تعریف بهینه سازی       7

2-3-روش های مختلف حل مسائل بهینه سازی         8

فصل سوم:اجزای مسائل بهینه سازی

3-2-تبدیل مسئله مقید به نامقید

به منظور تبدیل مسئله مقید بهینه سازی به مسئله نامقید،روش های گوناگونی وجود دارد.ازمیان روش های غیرمستقیم میتوان به روش های جستجو هیورستیک-روش کمپلکس،روش های تقریبی-روش صفحه برش وروش جهات امکان پذیر وازبین روش های مستقیم به روش تبدیل متغیرها وروشهای تابع جریمه اشاره نمود.ازمیان روش های فوق،استفاده ازتابع جریمه خارجی ازکاربردبیشتری برخوردار بوده و به صورت زیراست:

دراین رابطهP(x) عبارتست از تابع جریمه،P تعداد متغیرهای طراحی وm تعداد محدودیت های مسئله را نشان میدهد بااستفاده ازمقدار تابع جریمه فوق،تابع هدف جریمه شده که ازاین پس این تابع مورد بهینه سازی قرار میگیرد،حاصل میشود.

3-1-تعریف مسئله بهینه سازی         10

3-2-تبدیل مسئله مقید به نامقید          10

فصل چهارم:مختصری درمورد بهینه سازی وکاربردهای آن درمهندسی عمران

4-1-مقدمه

طراحی سازه ها دردومرحله متفاوت انجام میشود.مرحله اول،تحلیل سازه براساس نیروهای اعمالی صورت میگیرد ومنتهی به تعیین نیروها در اجزای مختلف تشکیل دهنده ساز میگردد.درمرحله دوم،باتوجه به نیروهای موجود درعضوها،مقاطع مناسب فولادی یابتنی برای اجزای مختلف سازه انتخاب میگردد.درنهایت،سازه دارای وزن مشخصی خواهد بود که دراکثر موارد بهینه نیست،بدین معنی که باتوجه به نیروهای موجود دراعضاء مقاطع باقید حداقل شدن وزن سازه تعیین نشده اند.بهینه سازی سازه ها به دلیل طبیعت غیرخطی آن احتیاج به روش های تکراری دارد.غیرخطی بودن ناشی از معادله جبری موجود درشرایط بهینه است ومعادلات قیود نیز نسبت به متغیرهای طراحی غیرخطی هستند.هرمرحله از تکرار روش بهینه سازی به دوگام تقسیم میگردد:درگام اول،سازه تحلیل میگردد تا پاسخ ان نسبت به نیروهای اعمال شده به دست آید.درگام دوم،متغیرهای طرح براساس ضوابط بهینه سازی اصلاح میگردند.تعداد تکرارهای لازم برای همگرا به سمت شرایط بهینه بستگی به تعداد عضوهای سازه وسطوح مقطع آنها دارد.زیرا دربسیاری موارد،نیروی ایجاد شده درعضوها نسبت به تغییر سطح مقطع عضوها حساس است.باافزایش تعداد متغیرهای طراحی،زمان محاسبه بطور قابل ملاحظه ای افزایش می یابد ودربسیاری ازالگوریتم های بهینه سازی افزایش تعداد متغیرهای طراحی منتهی به ناپایداری عددی میگردد.اکثر روش های بهینه سازی دربرخورد با توابع ناپوسته ناتوان هستند وهمچنین مسائلی که غیر خطی بودن آنها شدید است بکندی همگرا میگردند وحتی دربسیاری موارد همگرایی صورت نمیگیرد.به ندرت میتوان تضمین کرد که الگوریتم بهینه سازی به کمینه مطلق همگرا گردد به علاوه اگر درگام اول،تحلیل سازه به دقت اجام نگیرد،درآن صورت ممکن است درمرحله دوم جواب های بهینه متغیرهای طراحی نادرست باشند.روش های بهینه سازی عددی درطراحی مهندسی ازسال1960 میلادی توسط اشمیت تعمیم داده وبکارگرفته شد.

4-1مقدمه             12

4-2-وجود ویکتایی جوا بهینه         12

4-3-بهینه سازی درغیاب قیود        12

4-4-بهینه سازی درغیاب قیود           13

4-5-شرایط کون-تاکر         15

فصل پنجم:الگوریتم های فراابتکاری وکاربرد آنها

5-1-مقدمه

روش های فراابتکاری به عنوان یک جزء اساسی درحل مسائل بهینه سازی مرکب کاربرد دارند.باابداع این روش ها دراوایل دهه1980 وگسترش چشمگیر وموثر آنها،موفقیت گسترده ای درحل مسائل بهینه سازی ترکیبی مشکل و خاص داشته اند.این خانواده از روش ها شام الگوریتم های ژنتیک،الگوریتم های ممتیک،جستجوی فضای مسئله،الگوریتم های تکاملی،آنیلینگ شبیه سازی شده،جستجوی ممنوع،الگوریتم های پیوندی و… هستند.در10تا15 سال اخیر،الگوریتم های فراابتکاری نگرش مارانسبت به حل مسائل سخت وپیچیده تغییرداده اند زیرا این روش ها ازجمله روش های تقریبی هستند که هدف آنها حل مسائل سخت بهینه سازی ترکیبی درهنگام ناکارآمد بودن روش های ابتکاری کلاسیک وروش های دقیق است.این روشها بااستفاده ازمفاهیم مختلفی مانند روش های ابتکاری کلاسیک،هوش مصنوعی وتکامل بیولوژی،راه حل جدیدی برای بهینه سازی مسائل به وجود آورده اند.

این روشها یک روندجستجو انطبقای وصرف را برای حل مسائل طی نمیکنند،بلکه به طور خلاصه گامی بلند از میان همسایگان بایک مسیر جستجو درحوزه راه حل مسائل برمی دارند وعلیرغم اقدامات موثر برای حل دقیق مسائل خاص،ایده های بسیار کمی استفاده میشود تااستراتژی های موازی برای روش های فراابتکاری طراحی گردد.درواقع نسخه های موازی روش ها فراابتکاری،باتکرار فزاینده ابداع میشوند ودرمقایسه بانسخه های معمولی،قدرت عمل و کاربرد بیشتری دربهینه سازی مسائل ونتایج کالیبراسیون پارامتر مربوطه دارند.هدف عمده روش های فراابتکاری بامحاسبات موازی عبارت است از:صرفه جویی درزمان حل مسئله وهمچنین حل مسائلی باحجم بالاتر وکاربردی تر.معمولا روش های فراابتکاری درمقایسه با روش های جستجوی دقیق ازقبیل شاخه وکران،تمام فضای موجه را جستجو نمیکنند،بلکه به طور خلاصه یک مسیر جستجو ازمیان حوزه راه حل مسئله پیدا میکنند واینکه گامی از میان همسایگی ها برمیدارند وحسب شرایط بامعیارهای گوناگون،تعدادی از اقدامات مناسب انتخاب شده واجراء میشوند.روش های فرا ابتکاری دریافتن راه حل های بهینه یانزدیک به بهینه برای بسیاری از کاربردهای عملی بهینه سازی مخلتف یختر از روش ها فراابتکاری فرعی بوده اند.بنابراین ادعای پیوستگی این الگوریتم ها به هوش مصنوعی،علوم کامپیوتری ودرعین حال تز جمله مباحثب نوین تحقیق درعملیات بودن تعجب آور نیست.

5-1-مقدمه         17

5-2-جستجوی همسایگی کلاسیک(جستجوی محلی)             17

5-3-الگوریتم های تکاملی واستراتژی های آنها       18

5-4-الگوریتم ژنتیک         18

5-5-الگوریتم لاینه مورچگان         19

فصل ششم:معرفی الگوریتم ژنتیک

6-2-مقدمه

الگوریتم ژنتیک یک روش شناخته شده جهانی برای بهینه سازی است.این الگوریتم علاوه برداشتن یک روش بسیار ساده برای حل مسائل بهینه سازی،قابلیت حل انواع مسائل پیچیده را که باسایر روش ها جواب مناسبی برای آنها یافت نمیوشد،دارد.علت کاربرد وسیع آن درزمینه های مختلف،انعطاف پذیری بالای این روش است.الگوریتم ژنتیک برپایه علم احتمالات وداده های تصادفی مسائل راحل میکند.جان هلند دردانشگاه میشیگان آمریکا باتحقیقات خوددراوایل دهه70 میلادی بنای این روش راگذاشت ودرسال 1975 به طور رسمی باانتشار کتابی آن را به جهان معرفی کرد.قبل ازوی درقانون بقای داروین اصول اولیه وفرضیه های الگوریتم ژنتیک مشخص شده بود.درواقع اساس این روش برپایه اصل”سیرتکاملی جانداران درطبیعت” یا “انتخاب طبیعی” است.

ربات های بسیار قدرتمندی ساخته شده اند که برای پیداکردن نقاط بهینه درمسئله،ازاین روش بهره میگیرند.شیوه های طبیعی برای یافتن هدف مسئله،روش های جستجوی بسیارسازگاری دارند که مبتنی برا قوانین ژنتیکی و طبیعی است.الگوریتم ژنتیک دریک لحظه نقاط بسیاری برای رسیدن به جواب بهینه کنترل وجستجو میکند.درهمه مسائل،الگوریتم ژنتیک به وسیله تابع هدف خودکه ازنوع ماکزیمم است،نقطه بهینه رادرمسئله می یابد.اگر مسئله ای که باآن مواجه شده ایم ازنوع مینیمم سازی باشد ویافتن کمترین مقدار درمسئله لازم باشد،این روش ابتدا به کمک روش های خاصی مسئله را به صورت ماکزیمم در می آورد وسپس به دنبال نقاط بهینه درمسئله میگردد،بدون انیکه درجواب بهینه مسئله تاثیری بگذارد.درحل مسائل به روش الگوریتم ژنتیک،اگرصورت مسئله وکلیه متغیرهای آن به درستی تعریف وتعییین شده باشند،فرایند رسیدن به جواب بسیار آسان خواهدبود،ولی اگر مسئله به صورت صریح وروشن متغیرهای خودرا دراختیار ماقرار ندهد یک فرایند حل بسیار مشکل وطولانی برای حل آن ایجاد میشود وتازمانی که خصوصیات مسئله برای ماروشن نشده باشد،دریک فضای حل مجازی ومتغیر حرکت خواهیم کرد و درنتیجه بایک فرایند طولانی وپرهزینه روبروهستیم.به طور کلی ایده اصلی الگوریتم ژنتیک انتخاب بهترین مسیرها وادغام آنها به بهترین نحو تارسیدن به نقطه بهینه است.

6-1-تاریخچه         23

6-2-مقدمه         23

6-3-تابع برازش               24

6-4-کوموزوم            24

6-5-عملگرهای اساسی الگویتم ژنتیک             24

6-6-جمعیت اولیه       25

6-7-نحوه انتخاب والدین برای نسل بعدی       25

6-8-ارزیابی وانتخاب کروموزوم های جدید         25

6-9-شرایط توقف الگوریتم ژنتیک       25

6-10-مراحل الگوریتم ژنتیک         26

6-11-طراحی الگوریتم برای مسئله       26

6-12-فلوچارت گام به گام اجرای الگویتم ژنتیک         27

فصل هفتم:کاربرد شبکه های عصبی بهینه سازی

7-1-مقدمه

 برخلاف پیشرفت های قابل توجه درفن آوری محاسباتی درسال های اخیر،علی رغم به کارگیری رایانه هاییشرفته وسریع حل بسیاری ازمسائل به زمان قابل توجهی احتیاج دارد.ازآنجایی که اطلاعات به دست آمده ازمحاسبه پاسخ اینگونه ماسئل قابل ملاحظه است،ذخیر ه نمودن وتجزیه وتحلیل آنها بسیار مشکل است.درمسائل اجرایی مهندسی فقط به مقدار محدودی ازاین اطلاعات برای تصمیم گیری نهایی نیاز داریم.ازاین رو توسعه روش های محاسباتی مناسب تر وارزان تر ضروری به نظر میرسد تابتوان بادر دست داشتن اطلاعات محدود به نتایج قابل اعتمادی دسترسی پیدا کرد.چنین موردی بخصوص درتحلیل سازه های بزرگ که زمان مورد نیاز باافزایش اندازه سازه نمو میکند مشهوداست.درحال حاضر شبکه های عصبی درعلوم مختلف به صورت های گوناگون به کارگرفته شده اند به طور خلاصه تعدادی ازاین کاربردها بدین شرح است:

الف:حل بسیاری از مسائل که شامل اطلاعات ورودی ناقص یانادرست هستند

ب:تشخیص الگوها

چج:حذف نوفه درخطوط تلفن ویاسایر سییگنال های دریافتی

د:فشرده سازی اطالعات تصویری برای کاهش حجم اطلاعاتی که ازیک نقطه به نقطه ای دیگر ارسال میگردد

ه:تبدیل تصاویردریافتی به مجموعه ای ازعکس العمل ها درربات ها

و:پزشک فوری،شبکه آموزش دیده ای که قادر به شناخت بیماری وتجویز داروست

ح:انجام هرگونه تصمیم گیری دردنیای تجارت که به سهولت انجام نمیگیرد،بلکه نیاز به اطلاعات وسیعی در محدوده هدف موردنظر دارد.دربسیاری از کاربردها خصوصا درمسائل مالی،شبکه های عصبی آموزش داده شده اند وهم اکنون مورداستفاده اند وتصمیم گیری ها به عهده این شبکه ها واگذار شده است.

7-1-مقدمه               30

7-2-شبکه های عصبی دربهینه سازی               30

فصل هشتم:شبکه های عصبی مصنوعی

8-1-مقدمه

شبکه های عصبی مصنوعی که امروزه درکاربردهای فراانی ازرش بالای خودرا نشان داده اند،براساس مدل بیولوژیکی مغز جانوران بوجود آمده اند.درمغز انسان حدود1010 واحد سازنده،بنام نرون وجود دارد وهریک ازاین نرون ها به حدود104 نرون دیگر اتصال دارد وهرکدام دارای کارکردی به صورت ورودی یاخروجی است که مغز انسان رابه ماهیچه ها مرابط می سازد ویا علائم راازارگان های حساس به مغز انتقال میدهد.شبکه های عصبی مصنوعی ممکن است ازچند نرون تاچندهزار نرون تشکیل شده باشند واندازه شبکه بستگی به پیچیدگی مسئله دارد.نرون ورودی هایی راکه به طریق خاصی جمع میشوند پذیرا میگردد.اگرچنانچه این ورودی ها به اندازه کافی بزرگ باشند،درآن صورتا نرون فعال شده وآتش واگرا فعالیت نرون کمتر ازآستانه ای ازپیش تعیین شده باشد درآن صورت نردن غیرفعال باقی می ماند.دریک لحظه بخصوص ورودی های جمع شده دریک نرون به یک تابع تحریک که یک خروجی مشخصی را محاسبه میکند انتقال می یابند.سپس علائم خروجی به لایه دیگری ازنرون ها ویابه خروجی شبکه فرستاده می شوند.شبکه های عصبی مصنوعی بواقع یک سیستم داده پردازی اطلاعات است ودارای خصوصیات اجرائی خاصی همانند شبکه های عصبی جانوری می باشند.شبکه های عصبی مصنوعی ازتعمیم یافتن مدل های ریاضی شبکه های عصبی جانوران براساس فرضیات زیرتوسعه یافته اند.

1-داده پردازی اطلاعات دراجزاء ساده بنام نرون صورت میگیرد

2-اطلاعات بین نرون ها ازطریق ارتباطات بین آنها رد وبدل میشود

3-هریک ازاین رابطه ها دارای مشخصه ای(وزن) مختص به خود هستند که دراطلاعات انتقل یافته ازیک نرون به نرون دیگر ضرب میگردند.

4-هریک از نرون ها برای محاسبه خروجی خود،یک تابع تحرک راکه معمولا غیرخطی است به ورودی هایش (جمع اطلاعات وزن دارشد ه است) اعمال مینماید.

خصوصیات زیرمشخص کننده یک شبکه عصبی هستند:

1.ساختار شبکه:طریقه ارتباط بین نرون ها

2.روش آموزش شبکه:طریق ارتباط بین نرون ها

3.تابع تحرک هرنرون

هرشبکه عصبی مشتمل برمجموعه ای ازجراء کوچک داده پرداری بنام نرون،واحد یاگره می باشد.هرنرون به نرون های دیگر ازطریق یک رابط جهت دار که دارای وزن مختص به خوداست مرتبط میگردد.وزن ها نمایش دهنده اطلاعات مورد نیاز شبکه برای حل یک مسئله هستند.شبکه های عصبی رامیتوان درموارد گوناگونی ازجمله ذخیره کردن وبازبینی داده ها،گروه بندی شک ها،انجام یک نگاشت کلی ازیک مجموعه ورودی به یک مجموعه خروجی،گروه بندی اشکالی که مشابه هستند وبهینه سازی وتعیین جواب با وجود قیود متعدد بکارگرفت.دریک شبکه عصبی هر نرون وضعیت مشخصی دارد که بستگی به ورودهایی دارد که دریافت نموده است.عموما هرنرون پاسخ خودرا به نرون یا نرون های دیگر ارسال میدارد.

8-1-مقدمه               33

8-2-شبکه های عصبی بیولوژیکی         34

8-3-ساختار شبکه های عصبی مصنوعی       36

8-3-1-شبکه تک لایه     36

8-3-2-شبکه های چندلایه       37

8-3-3-لایه رقابتی           37

8-3-4-مقادیر وزن ها قبل از آموزش         37

8-3-5-آموزش بامعلم         38

8-3-6-آموزش بدون معلم       39

8-3-7-توابع تحریک مورداستفاده درشبکه های عصبی             40

8-3-8-بایاس وآستانه تحریک         42

8-4-تاریخچه شبکه های عصبی و روند توسعه آنها       43

فصل نهم:بهینه سازی مقطع سدهای وزنی بتنی بایک روش ابتکاری پارامتری

3-9-مواد وروش

باتوجه هب اینکه هدف بهینه سازی شکل مقطع سدهای بتنی وزنی بابرنامه حل کننده اکسل می باشد،متغیرهای طراحی پارامترهای مربوط به شکل مقطع سد می باشند که درشکل3-1 نمایش داده شده است.باتوجه هب شکل9-2 که کلیه نیروهای واردبرسد نشان داده شده است،میتوان نیروها رابه دودسته نیروهای درجهت پایداری ونیروهای در جهت ناپایداری تقسیم کرد.نیروهایی که درجهت پایداری وارد میشوند عبارتند ازنیروی ناشی ازوزن سازه(Wi)،نیروی ناشی از فشار قائم آب(F2) ونیروی ناشی از فشار قائم رسوب ونیروهای وارده درجهت ناپایداری شامل،نیروی زیر فشار(U)،نیروهای هیدرواستاتیکF1))نیروی زلزله درسد(Fi) ونیروی زلزله درمخزن سد(Feh )می باشند.به طور کلی سه شرط پایداری سدهای وزنی چنین می باشد.الف)لغزش و واژگونی برروی هر اتصال افقی یانزدیک به افقی دربالای فونداسیون،روی فونداسیون و فونداسیون باعث خرابی ورد شدن سد میشود ب)درهراتصال سد نباید هیچگونه کششی صورت پذیرد.ج)تنش های فشاری به وجود آمده درسد و فونداسیون نباید از ضوابط مندرج بیشتر باشد.

9-1-چکیده         45

9-2-مقدمه           45

9-3-مواد وروش             46

9-4-صورت کلی مسئله بهینه یابی         47

9-5-روش حل     49

9-6-مطالعه موردی             49

فصل دهم:نتیجه گیری وپیشنهادات

نتیجه گیری

-دراین تحقیق حجم بتن مصرفی سد باتوجه به برآورد شدن محدودیت ها و قیود،که شرایط تنش،واژگونی و لغزش می باشد،کمترین مقدار شده است.

-به دلیل پیچیدگی مساله،استفاده ازالگوریتم مرسوم ریاضی مشکل است،از اینرو ازیک روش ابتکاری با استفاده از حل کننده اکسل استفاده شده است

-این روش درصورتی که حل مساله،شدنی باشد به راحتی همگرا شده ودرکمتر ازیک ثانیه برای مسائل این چنین کوچک به جواب میرسد

-مقایسه نتایج حاصل ازاین روش با مقدار موجود وزن بتن به کار رفته درسد وزنی کوثر درجدول6-9 ناشن داده شده است،ملاحظه میشود که این روش ابتکاری درهرسه حالت بارگذاری نتیجه مطلوبی را دارا میباشد ودرحالت بارگذاری فوق العاده شاهد کاهش36/361 مترمکعب درواحد طول که معادل5/36% حجم کل می باشد،هستیم.این درحالی است که ازگالری زهکش به منظور کاهش فشار بالابرنده دربدنه سد استفاده نشده است

.نتیجه گیری         53

پیشنهادات           53

فهرست علائم       54

منابع وماخذ     55

فهرست منابع فارسی         55

فهرست منابع لاتین         56

چکیده انگلیسی       57

فهرست جداول

5-1-اختلاف الگوریتم ژنتیک والگوریتم بهینه سازی استاندارد     19

9-1-ترکیب های بارگذاری نیورهای واردبرسد(U.S.B.R)ا     48

9-2-معیار ضرائب اطمینان فاکتورهای پایداری درفونداسیون وسد براساس(USBR)ا         49

9-3-پارامترهای ثابت       50

9-4-متغیرهای بدست آمده         50

9-5-کلیه شرایط پایداری محاسبه شده سد کوثر       50

9-6-مقدار حجم بتن استفاده شده سدکوثر درواحد طول ومقدار بهینه شده آن       51

فهرست شکل ها

4-1-کمینه نسبی یکی تابع بدون قید         13

4-2-جهت قابل استفاده وامکان پذیر     15

5-1-گراف الگوریتم بهینه سازی جامعه مورچگان         20

8-1-یک نرون(مصنوعی) ساده         34

8-2-ساختار یک شبکه عصبی ساده         34

8-3-یک نرون بیولوژیکی       35

8-4-شبکه عصبی تک لایه       37

8-5-شبکه عصبی چندلایه           38

8-6-یک نمونه ازشبکه های عصبی هاپفیلد           39

8-7-شبکه عصبی رقابتی کاملا مرتبط           40

8-8-تابع تحریک واحد      41

8-9-تابع تحریک پله   41

8-10-تابع تحریک سیگموئید درمحدوده صفر ویک       42

8-11-عمل نرون بایاس       43

9-1-متغیرهای طراحی       36

9-2-نیروهای وارده برسد بتنی وزنی       47

9-3-مقاطع مورد بررسی جهت پایداری         48

9-4-نمایی از ابزارSOLVER که سلول هدف وسلول های متغیر ومحدودیت ها درآن قرارگرفته است       49

9-5-مقطع عمودی سد بتنی وزنی کوثر     50


 


  مقطع کارشناسی ارشد

بلافاصاله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

قیمت45000تومان