مطالب مرتبط با کلید واژه

الگوریتم انبوه ذرات


۱.

پیش بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبیِ عصبی- فازی و انبوه ذرات

کلید واژه ها: پیش بینی تقاضا انرژی الکتریکی الگوریتم انبوه ذرات سیستم استنباط عصبی- فازی تطبیقی

حوزه های تخصصی:
تعداد بازدید : ۱۲۷۴ تعداد دانلود : ۵۸۶
با توجه به عدم امکان ذخیره انرژی الکتریکی ، شناسایی عوامل موثر بر تقاضای این حامل انرژی و پیش بینی دقیق روند آتی آن، ضرورت دارد . تاکنون روش های مختلفی در این زمینه مورد استفاده قرار گرفته است که در میان آن ها روش های هوشمند و به ویژه روش های فازی، دارای قابلیت های بیشتری هستند. در مطالعه حاضر از سیستم استنتاج عصبی- فازی ترکیب شده با الگوریتم انبوه ذرات ( PSO -ANFIS ) استفاده شده و پس ازشبیه سازی روند تقاضای بلند مدت انرژی الکتریکی طی دوره 1359 تا 1389 و بررسی کارایی سیستم، روند تقاضای بلندمدت انرژی الکتریکی کل کشور تا سال 1404 پیش بینی شده است. نتایج مطالعه، قدرت بالای الگوریتم ترکیبی انبوه ذرات و سیستم استنتاج عصبی- فازی تطبیقی را در پیش بینی تقاضای بلندمدت انرژی الکتریکی تایید می کند. نتایج نشان می دهد که براساس محتمل ترین سناریو، تقاضای انرژی الکتریکی کشور در سال 1404 به 401 میلیارد کیلووات ساعت خواهد رسید . همچنین ، براساس نتایج بدست آمده، کارایی روش پیشنهادی در پیش بینی متغیرهای مستقل در مقایسه با الگوی خطی ARIMA بیشتر است.
۲.

کاربرد الگوریتم انبوه ذرات و الگوریتم ژنتیک در شبیه سازی و پیش بینی تقاضای انرژی

کلید واژه ها: انرژی پیش بینی تقاضا الگوریتم ژنتیک الگوریتم انبوه ذرات

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات الگوهای کمی در تصمیم گیری
  2. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی
  3. حوزه‌های تخصصی اقتصاد روش های ریاضی و کمی روش های ریاضی و برنامه ریزی تکنیک های بهینه سازی،مدل های برنامه ریزی،تحلیل پویا
تعداد بازدید : ۱۹۸۱ تعداد دانلود : ۱۱۷۱
مدیریت تقاضای انرژی از اهمیت فراوانی در برنامه ریزی و تامین امنیت اقتصادی کشورها برخوردار است. شناسایی عوامل موثر بر روند تقاضای انرژی کشور و پیش بینی مصرف آتی آن می تواند به سیاست گذاران و فعالان در بازار انرژی در جهت تصمیم گیری های اقتصادی و بهبود عملکرد بازار و تامین امنیت سوخت کشور کمک کند. امروزه روش های نوینی برای مدل سازی و پیش بینی پدیده های مختلف ابداع گشته است که در میان این روش ها الگوریتم های تکاملی جایگاه ویژه ای دارند. در میان الگوریتم های تکاملی، الگوریتم ژنتیک و الگوریتم بهینه یابی انبوه ذرات از جمله شناخته شده ترین و پرکاربردترین روش ها در علوم مختلف می باشند. از این رو، در این مطالعه برای تخمین و پیش بینی روند تقاضای انرژی کشور از الگوریتم های ژنتیک و انبوه ذرات در قالب دو الگوی خطی و نمایی استفاده شده و کارایی آنها مورد ارزیابی قرار گرفته است و با استفاده از کاراترین الگو و روش و بر اساس سناریوهای مختلف، روند آتی تقاضای انرژی کشور تا سال 1404 پیش بینی شده است . نتایج مطالعه نشان دهنده دقت وکارایی بالای الگوی نمایی برآورد شده با استفاده از الگوریتم انبوه ذرات در مقایسه با الگوریتم ژنتیک بوده است. همچنین نتایج مطالعه نشان می دهد که کارایی الگوهای خطی برآورد شده با استفاده از هر دو الگوریتم تفاوت محسوسی ندارند. با این حال، بررسی نتایج الگوها و روش های مختلف برآورد شده کارایی و دقت بالای الگوی نمایی برآورد شده با استفاده از الگوریتم انبوه ذرات را تائید می کند.
۳.

پیش بینی تقاضای انرژی با استفاده از شبکه عصبی مبتنی بر الگوریتم انبوه ذرات

کلید واژه ها: تقاضای انرژی پیش بینی شبکه عصبی الگوریتم انبوه ذرات

حوزه های تخصصی:
تعداد بازدید : ۸۰۹ تعداد دانلود : ۵۲۶
انرژی نقش اساسی در فرایند تولید و رفاه اجتماعی داشته و پیش بینی تقاضای آن به منظور تنظیم بازار و عرضه مطمئن آن امری ضروری می باشد. با توجه به روند پرنوسان و غیرخطی تقاضای انرژی و متغیرهای موثر بر آن، مدل های غیرخطی بخصوص شبکه-های عصبی و الگوریتم انبوه ذرات در این امر توفیق بیشتری داشته اند. با توجه به اینکه در کنار نقاط قوت فراوان، این تکنیک ها دارای نقاط ضعفی مانند نیاز به تعیین فرم تبعی خاص، نیاز به داده های آموزشی فراوان و ضعف در یافتن نقطه بهینه سراسری نیز می-باشند، در این مطالعه با ادغام آنان به صورت یک الگوریتم ترکیبی این نقایص مرتفع شده است. پس از بکارگیری و مقایسه این تکنیک ترکیبی با سایر روش ها در پیش بینی تقاضای انرژی طی سال های 1346 تا 1390 ، نتایج مطالعه قدرت پیش بینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح دهندگی متغیرهای توضیحی بکار رفته را تائید می کند.
۴.

شبیه سازی تابع تقاضای برق بخش کشاورزی با استفاده از الگوریتم انبوه ذرات(pso)

کلید واژه ها: بخش کشاورزی شبیه سازی الگوریتم انبوه ذرات تابع تقاضای برق

حوزه های تخصصی:
تعداد بازدید : ۶۰۸ تعداد دانلود : ۳۶۰
در چند دهه ی اخیر با پیشرفت فناوری تولید و کارایی مصرف انرژی، انرژی هایی با کیفیت بالا مانند الکتریسیته، جایگزین سوخت های با کیفیت پایین مانند زغال سنگ شده است. برق به عنوان یکی از نهاده های تولید در بخش های اقتصادی به خصوص بخش کشاورزی، از اهمیت ویژه ای برخوردار است. بنابر این پیش بینی مصرف و تامین به موقع انرژی الکتریکی مورد نیاز این بخش می تواند باعث افزایش تولیدات کشاورزی، افزایش صادرات غیر نفتی و در نهایت تسریع نرخ رشد اقتصادی کشور گردد. در این مقاله، ابتدا با استفاده از الگوریتم بهینه سازی انبوه ذرات(pso) به شبیه سازی تابع تقاضای برق در بخش کشاورزی برای دوره ی 1385-1357 در قالب معادلات خطی و نمایی پرداخته شده و سپس بر اساس معیارهای موجود، مدل برتر انتخاب شده است. در این مقاله تابع تقاضای برق در بخش کشاورزی تابعی از قیمت واقعی برق در بخش، ارزش افزوده ی بخش، تعداد مشترکین برق در بخش و مصرف دوره ی قبل می باشد. نتایج تحقیق نشان می دهد که تقاضای برق در بخش کشاورزی با قیمت واقعی برق، رابطه ی غیر مستقیم و با ارزش افزوده بخش، تعداد مشترکین و مصرف دوره ی قبل رابطه ی مستقیم دارد.
۵.

ارائه مدلی برای بهینه سازی همزمان انتخاب پروژه ها و زمان بندی فعالیت ها

کلید واژه ها: انتخاب پروژه سبد پروژه الگوریتم انبوه ذرات ارزش فعلی خالص(NPV) زمان بندی پروژه با محدودیت منابع RCPSP

حوزه های تخصصی:
تعداد بازدید : ۱۱۰۳ تعداد دانلود : ۶۴۴
در این مقاله مساله ترکیبی انتخاب و زمان بندی پروژه در حالت محدودیت منابع، با معیار حداکثرکردن مقدار ارزش فعلی پروژه مدل سازی، تحلیل و حل می شود. در این پژوهش، وضعیتی بررسی و مطالعه می شود که از بین چندین پروژه در دسترس و موجود، باید برخی انتخاب و اجرا شوند تا با توجه به محدودیت منابع بیشترین سود حاصل گردد. مدل های انتخاب پروژه عموما زمان بندی پروژه ها را به عنوان بخشی از فرآیند انتخاب در نظر نمی گیرند. از طرفی، به جز مواردی که تنها یک پروژه در هر دوره فعال است، اولویت بندی پروژه های انتخاب شده بدون در نظر گرفتن زمان بندی آنها بهینه نیست. زمان بندی پروژه ها در سطح فعالیت های پروژه بر پیچیدگی تصمیم گیری در مورد انتخاب سبد می افزاید و فضای جستجو را برای انتخاب سبدی از پروژه ها گسترش می دهد. در این مقاله برای حل مساله در ابعاد بزرگ، یک روش فراابتکاری مبتنی بر روش انبوه ذرات ارائه می گردد. به منظور صحه گذاری بر مدل ارائه شده، چندین مساله نمونه در ابعاد کوچک و بزرگ حل شده و نتایج بررسی شده است. نتایج نشان دهنده عملکرد مناسب الگوریتم ارائه شده است.
۶.

برداری سازی محور مرکزی راه در تصاویر بزرگ مقیاس با آنالیز چند معیاره توسط اپراتورهای میانگین گیر وزن دار ترتیبی در مدل گراف شبکه راه

تعداد بازدید : ۱۱۵ تعداد دانلود : ۱۰۰
امروزه روشی متداول در ایجاد پایگاه داده راه ها، استخراج آن ها از تصاویر رقومی هوایی و ماهواره ای است. با توجه به حجم بسیار دادههای شبکه راه و نیاز به بهنگام کردن آن ها با کمترین زمان و هزینه محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقیق حاضر که بیشتر بر مرحله برداری سازی راه تأکید دارد، سیستمی هوشمند برای برداری سازی اتوماتیک نتایج کشف راه، با کمترین میزان دخالت عامل انسانی، طراحی شده است. سیستم طراحی شده دارای دو مرحله اساسی تعیین نقاط کلیدی راه و برقراری اتصال بین آن ها است. نخست، با استفاده از تکنیک خوشه بندی بر مبنای الگوریتم انبوه ذرات نقاط اصلی نمایانگر محور مرکزی راه تعیین می شوند. سپس، با در نظر گرفتن مدل گراف وزن دار برای شبکه راه های تصویر، تعیین معیارهای هندسی مناسب و تلفیق این معیارها از سوی عملگرهای میانگین گیر وزن دار ترتیبی، هزینه هر اتصال محاسبه می شود. اتصالات دارای کمترین هزینه، به صورت قطعات نهایی راه در تشکیل شبکه برداری راه شرکت می کنند. نتایج حاصل از پیاده سازی روش پیشنهادی روی چندین تصویر بزرگ مقیاس ماهواره ای و مقایسه آن ها با نتایج الگوریتم درخت پوشای کمینه تأییدکننده موفقیت روش پیشنهادی در استخراج شبکه راه با دقت و صحت بالا است. براساس نتایج ارزیابی، روش پیشنهادی قادر است شبکه راه های تصویر را با میانگین RMSE حدود 9/0 متر، میانگین completeness حدود 94% و میانگین correctness بیش از 95% برداری کند. در مجموع، الگوریتم پیشنهادی در برداری سازی راه های با اشکال مختلف شامل راه های مستقیم، راه های دارای انحنا، راه های با ضخامت های متفاوت، راه های موازی با فواصل متغیر، تقاطع و میدان موفقیت آمیز عمل کرده است.