الگوریتم هوشمند

برای استحصال حداکثر توان از باد در سیستم تبدیل انرژی بادی و به علت طبیعت غیرخطی این سیستم، بکارگیری سیستم ردیاب نقطه ی حداکثر توان امری ضروری است. این سیستم کنترلی، نقطه کار توربین بادی را به گونه ایی تعیین می-کند که سرعت رتور در نقطه بهینه خود قرار گیرد و توربین ماکزیمم توان بیشینه را تولید کند. تکنیکهای مختلف زیادی جهت ردیابی نقطه ی حداکثر توان در سیستم بادی استفاده شده اند، که بیشتر این روشها بر اساس منحنی حداکثر توان توربین بادی و پروفایل سرعت باد کار می کنند. در این مقاله، استراتژی جدید ردیابی نقطه-ی حداکثر توان برای سیستم بادی سرعت متغیر با ژنراتور سنکرون مغناطیس دائم ارائه شده است. این استراتژی پیشنهادی بر اساس منطق فازی کار می کند و مستقل از مشخصات توربین و ژنراتور می باشد. این سیستم کنترلی جهت کاهش هزینه و افزایش قابلیت اطمینان سیستم، فاقد هرگونه حسگر مکانیکی می باشد. ردیاب MPPT با کنترل مناسب مبدل DC/DC بوست به ازای سرعتهای مختلف باد، سیستم را وادار به عملکرد در نقطه ی حداکثر توان می نماید.

در دوره ای بسر می بریم که بانک ها دوران بحران را می گذرانند. در چنین وضعی بسیاری از بانک ها در حال یافتن راهی بهینه برای سرمایه گذاری و بهره حداکثری از منابع خود هستند. اعتماد مشتریان در گرو سودآوری بانک هاست. درحالی که بانک ها در مورد حفظ جایگاه خود تلاش می کنند، نیاز دارند تا منابع محدود به دست آمده را سخت گیرانه تر در جایگاهی درست اختصاص دهند؛ اما این انتخاب می تواند فرصتی برای رشد و تحول حقیقی ایجاد کند. بانک تجارت یکی از بانک های پیشرو در صنعت بانکداری ایران به شمار می رود؛ بنابراین انتخاب این بانک برای بررسی مسئله تخصیص منابع می تواند قابل تعمیم به سایر بانک ها نیز باشد. در این پژوهش به موضوع تخصیص منابع در صنعت بانکداری اسلامی پرداخته شده است. مدل بنکر ازجمله مدل های قدرتمندی است که در ایران به آن پرداخته نشده است. این مدل با در نظر گرفتن بن بست منابع، شرایط را برای تخصیص منابع در ناحیه ای امن فراهم می کند. تخصیص منابع مسئله ای غیرخطی است و با توجه به گسترده بودن منابع و مصارف، حل آن توسط الگوریتم های شناخته شده ریاضی بسیار دشوار است. استفاده از الگوریتم های هوشمند در این گونه موارد راهکاری خردمندانه برای حل مسئله است. شبکه عصبی مصنوعی یکی از پرکاربردترین الگوریتم های هوشمند بهینه سازی است که برای مدل سازی بکار می رود. این پژوهش بر روی بانک تجارت استان گیلان انجام شده است. میزان خطای مجموع مربعات 6-10 × 85/1 در این کار نشان دهنده آن است که شبکه عصبی می تواند مدل دقیقی از تخصیص منابع بر مبنای الگوریتم بنکر با اجتناب از بن بست ارائه دهد.

پیش بینی جریان رودخانه در دوره های زمانی آینده، از مسائل مهم و کاربردی در مدیریت منابع آب است. در حقیقت تعیین یک مدل قابل اطمینان و انتخاب وروی ها با تأخیر زمانی مناسب برای پیش بینی دبی جریان، یک موضوع کلیدی برای مدیران حوزه آبخیز، هیدرولوژیست ها و مهندسان رودخانه است. در چند دهه اخیر استفاده از الگوریتم های هوشمند و تئوری مجموعه های فازی برای مدل سازی پدیده های هیدرولوژیکی که دارای پیچیدگی و عدم قطعیت بالایی هستند، مورد توجه محققان قرار گرفته است. در این راستا در پژوهش حاضر به منظور پیش بینی جریان در حوزه آبخیز کسیلیان، از مدل سیستم استنتاج عصبی- فازی تطبیقی و از ورودی دبی جریان با تأخیر یک روز قبل، دو روز قبل تا هفت روز قبل استفاده شد. سپس برای بررسی بیشتر این فرایند، از مدل شبکه عصبی مصنوعی نیز استفاده شد و نتایج براساس شاخص های آماری ضریب تبیین و جذر میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاکی از این بود که در مدل سیستم استنتاج عصبی- فازی تطبیقی تا گام زمانی چهار روز قبل، پیش بینی جریان رو به بهبود بود و بعد از آن رو به نزول گذاشت و در مدل شبکه عصبی مصنوعی تا گام زمانی پنج روز قبل بهترین نتایج را ارائه داد. همچنین مقایسه و ارزیابی نتایج شاخص های آماری الگوهای بهینه هر دو مدل در دوره آزمون نشان داد که مدل سیستم استنتاج عصبی- فازی تطبیقی (ضریب تبیین= 60/0 و جذر میانگین مربعات خطا= 64/0) نسبت به مدل شبکه عصبی مصنوعی (ضریب تبیین=51/0 و جذر میانگین مربعات خطا= 74/1)، از دقت بیشتری برای پیش بینی جریان رودخانه برخوردار بود.