فایل های دانشگاهی

برآورد کل بار رسوبی کف در آبراهه¬ها براساس مدل رگرسیون بردار پشتیبان (SVR) و الگوریتم بهینه¬سازی اجتماع ذرات (PSO)- قسمت 11

    1. حداقل مربعات ماشین بردار پشتیبان

روش حداقل مربعات ماشین بردار پشتیبان با فرمول­بندی دوباره مسأله بهینه­سازی به صورت ذیل نوشته می­ شود:

 (‏4‑49)
که پارامتر تنظیم بوده و بین کمینه­سازی خطای برازش و یکنواختی منحنی برازش، توازن ایجاد می­ کند و نیز خطای مربوط به داده iام است. تابع لاگرانژ این مسأله بهینه­سازی را می­توان به صورت ذیل نوشت:
 (‏4‑50)
با مشتق­گیری از تابع لاگرانژ نسبت به  ، b، e و  و جایگذاری مقادیر به دست آمده برای  و e در تابع لاگرانژ، مسأله بهینه­سازی به سیستمی از معادلات خطی تبدیل می­ شود (رابطه 451).

 دانلود متن کامل پایان نامه در سایت fumi.ir

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” /> (‏4‑51)
که در این رابطه،  ،  ،  ، IN ماتریس همانی و  ماتریس کرنل می­باشد. درایه­های ماتریس کرنل نیز به صورت  محاسبه می­شوند.

الگوریتم جامعه پرندگان

الگوریتم بهینه­یابی جامعه پرندگان یک تکنیک بهینه­سازی مبتنی بر قوانین احتمال است که توسط دکتر راسل ابرهات و دکتر جیمز کندی در سال 1995 ارائه شده است. اصول ا
لگوریتم پیشنهادی حاصل از رفتار اجتماعی پرندگان یا ماهی­ها جهت جست­جو برای یافتن غذا در طبیعت می­باشد. جامعه از تعداد زیادی از پرندگان یا حشرات تشکیل شده است. در طبیعت رفتار تیمی در بسیاری از حیوانات دیده می­ شود. برای بعضی از حیوانات، تیم یا گروه به وسیله یک رهبر هدایت می­ شود. در این جوامع رفتار افراد متناسب با گروه تنظیم می­ شود. برای گروه­هایی که فاقد رهبر هستند، رفتار خود سازمان­ده اعضا نحوه عملکرد گروه را تعیین می­ کند. یک چنین رفتاری را می­توان در گروه ماهی­ها یا دسته پرندگان مشاهده کرد. در این گروه­ها، هیچ اطلاعی از رفتار کلی گروه و هم­چنین هیچ اطلاعی از کل محیط پیرامون برای اعضا وجود ندارد. با این وجود آنها قادرند دور هم جمع شده و با بهره گرفتن از بر هم­کنش محلی روی هم به صورت گروهی رفتار کنند. به منظور درک چگونگی نحوه حرکت گروهی، دانشمندان زیادی به بررسی رفتار ماهیان و پرندگان پرداخته و توانسته ­اند قوانین حاکم بر زندگی آنها را شبیه­سازی کنند. این شبیه­سازی تلاشی برای قانونمند کردن حرکت گروهی ماهی­ها و پرندگان با بهره گرفتن از فاصله میان افراد گروه بود. این قوانین برای هر فرد از افراد گروه عبارتند از:
 تصویر درباره جامعه شناسی و علوم اجتماعی

  1. جلوگیری از تصادف با سایر هم­گروهی­های مجاور
  2. تطبیق سرعت با سایر هم­گروهی­های مجاور
  3. تلاش برای نزدیک گروه ماندن

و در نتیجه اعضای گروه حین حرکت بایستی یک فاصله بهینه را بین یک­دیگر رعایت کنند. البته مشابه این رفتار را می­توان در جامعه بشری نیز یافت. انسان­ها مسائلشان را به کمک یک­دیگر و با هم­صحبتی و نیز برهم­کنش با باورهایشان، گرایش­هایشان و تغییر رفتارشان حل می­ کنند. این تغییرات را می­توان به طور نمونه به شکل حرکت افراد به سوی یک­دیگر در فضای آگاهی اجتماعی مجسم کرد. این تحقیقات و شبیه­سازی­ها، ماده اولیه روش بهینه­سازی توده ذرات را فراهم کرد. روند الگوریتم بهینه­یاب فوق بر این اساس است که یک گروه از پرندگان به صورت تصادفی در یک منطقه به دنبال غذا می­گردند. در حالی که تنها در یک قسمت از ناحیه جست­جو، غذا وجود دارد و پرندگان از مکان غذا خبر ندارند و فقط میزان فاصله خود تا آن محل را می­دانند. استراتژی به کار رفته این است که پرندگان به دنبال پرنده­ای حرکت می­ کنند که نزدیک­ترین فاصله را تا غذا دارد و هم­زمان از تجربه قبلی خود برای پیدا کردن غذا استفاده می­ کنند (Kennedy & Eberhart, 2001).
هر جواب مسئله یک پرنده در فضای جست­وجو است که ذره نام گرفته است. هر ذره دارای یک مقدار شایستگی است که توسط تابع شایستگی مسئله به دست می­آید. این الگوریتم با بهره گرفتن از ارتباط و اندرکنش بین ذرات که ناشی از رفتار آن­ها در جامعه است، کار می­ کنند و در حقیقت یک بازی از زندگی حقیقی است.
در الگوریتم جامعه پرندگان، که در بعضی از مقالات الگوریتم اجتماع ذرات نامیده می­ شود، همان­گونه که ذکر آن رفت، هر پرنده یک جواب از مسئله است. پرنده­ای که به غذا نزدیک­تر است، شایستگی بیش­تری دارد. این الگوریتم دارای ماهیت پیوسته است و امروزه در بسیاری از مسائل مهندسی و علوم پایه کاربرد داشته و از آن به طور گسترده­ای استفاده می­ شود. الگوریتم جامعه پرندگان جهت بهینه­یابی مسئله با بهینه­سازی خود تابع هدف به شرح زیر اقدام به بهینه­یابی مسئله می­نماید. الگوریتم جامعه پرندگان با یک گروه از جواب­های تصادفی شروع به کار می­ کند سپس برای یافتن جواب بهینه در فضای مسئله با به روز کردن نسل­ها به جست­جو می ­پردازد. هر ذره به صورت چند بعدی (بسته به طبیعت مسئله) با دو مقدار Xid و Vid که به ترتیب معرف وضعیت مکانی و سرعت مربوط به بعد d ام از i امین هستند، تعریف می­شوند. در هر مرحله از حرکت ذرات، سرعت و مکان هر ذره با دو مقدار بهترین به­روز می­ شود:

  1. بهترین محلی؛ مکان بهترین بهترین جواب از لحاظ شایستگی است که تاکنون برای هر ذره از ابتدا تا آن مرحله اتفاق افتاده است و هر ذره برای خود بهترین مقدار جداگانه­ ای دارد این مقدار Pki نامیده می­ شود.
  2. بهترین عمومی؛ مقدار بهترین دیگری که توسط الگوریتم محاسبه می­ شود مکان بهترین جوابی است که تاکنون توسط تمام ذرات به دست آمده است. این مقدار، بهترین کلی است و برای تمام ذرات یکسان است که Pkg نامیده می­ شود.

بعد از یافتن بهترین­ها هر ذره سرعت و مکان خود را طبق فرمول زیر به­روز می­ کند:
 و  عوامل یادگیری (ضرایب شتاب) و،  و  اعدادی تصادفی بین صفر و یک هستند. و برای جلوگیری از جواب پرت، سرعت هر ذره به بازه زیر محدود می­ شود.
 (‏4‑54)
رابطه به­روز رسانی سرعت شامل سه عبارت است که عبارت اول نسبتی از سرعت جاری ذره است و نقش آن شبیه مومنتم در شبکه­ های عصبی مصنوعی است و عبارت دوم که تفاضل مکان پرنده با بهترین موقعیتی که پرنده تاکنون تجربه کرده است که این ترم را می­توان به تجربه شخصی پرنده تعبیر کرد که پرنده با کمک تجربه قبلی خود مسیر را پیدا می­ کند. عبارت سوم که تفاضل مکان پرنده با بهترین جواب در میان کل پرنده­ها است که این ترم را می­توان به تجربه جمعی تعبیر کرد که هر پرنده برای یافتن مکان غذا از تجربه سایر پرنده­ها استفاده می­ کند.
برای درک بهتر فرمول مربوط به به­روز رسانی سرعت و مکان پرنده به شکل (4-18) توجه کنید:
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” />
<
/a>شکل ‏4‑19: چگونگی حرکت یک ذره در فضای جست­وجو و تأثیر بهترین ذره روی سایر ذرات

      1. مراحل الگوریتم جامعه پرندگان

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *