پروژه ارزیابی عملکرد الگوریتم بهینه‌سازی کلی ویژه با استفاده از نرم افزار MATLAB

این پروژه با استفاده از نرم افزار  MATLAB ( متلب ) به انجام رسیده است. "الگوریتم بهینه‌سازی کلی ویژه" (Efficient Global Optimization Algorithm)، یکی از الگوریتم‌های بهینه‌سازی مبتنی بر مدلهای آماری است. این الگوریتم همانند الگوریتم‌های تکاملی، با شروع از تعدادی نقطه به جستجوی بهینه می‌پردازد. در این الگوریتم بجای انتخاب تصادفی نقاط با استفاده از شیوه‌ای به نام "نمونه‌برداری اولیه"، مجموعه نقاط ابتدایی برای شروع الگوریتم انتخاب می‌گردند. انتخاب نقاط "نمونه‌برداری اولیه" بر مبنای دو راهبرد اساسی صورت می‌پذیرد. راهبرد یکم انتخاب نقاط نمونه‌گیری بنحوی است که، تمام فضای حل مساله پوشش داده شود و از تجمع نقاط در یک ناحیه جلوگیری شود. راهبرد دوم انتخاب نقاط طراحی بگونه‌ای است که به ازای هر بعد از فضای حل مساله، مقادیر بی‌بعد نقاط طراحی تا حد امکان در آن راستا با یکدیگر متفاوت باشند. برای "نمونه‌برداری اولیهاز فضای حل مساله روش‌های متعددی وجود دارند. یکی از متداولترین روشهای موجود روش "هایپرکیوب لاتین" (Latin Hypercube) است. یکی دیگر از تفاوت‌های بارز "الگوریتم بهینه‌سازی کلی ویژه" با سایر الگوریتم‌های بهینه‌سازی استفاده از "مدلسازی تقریبی" است. در این الگوریتم برای کاهش بار محاسباتی فرایند بهینه‌سازی، مدلسازی تقریبی جایگزین ارزیابی دقیق می‌شود. در مدلسازی تقریبی، ابتدا مدلی مبتنی بر پاسخهای حل دقیق موجود ساخته می‌شود. سپس از این مدل به عنوان یک تابع درونیاب، جهت پیشبینی مقدار تابع هدف در سایر نقاط فضای حل مساله استفاده می‌شود. درون "الگوریتم بهینه‌سازی کلی ویژه" از روشی موسوم به کریگینگ (Krigingبرای ساخت مدل تقریبی استفاده می‌شود. ساخت "مدل کریگینگ" مبتنی بر محاسبات آماری پیچیده است. جهت تولید مدل باید پارامترهای مجهول آن تعیین شوند. تعداد پارامترهای مجهول برابر با تعداد متغیرهای طراحی است. مبنای یافتن پارامترهای مجهول مبتنی بر بیشینه‌سازی تابعی به نام "احتمال لگاریتمی متمرکز" است. نحوه پیشرفت الگوریتم، یکی دیگر از مهمترین تفاوت‌های "الگوریتم بهینه‌سازی کلی ویژه" با الگوریتم‌های بهینه‌سازی گرادیانی و تکاملی است. در روش‌های گرادیانی، فرایند بهینه‌سازی از یک نقطه آغاز شده و با استفاده از شیب تابع هدف، مسیر جستجوی بهینه دنبال می‌شود. در روش‌های تکاملی، الگوریتم بجای یک نقطه از تعدادی نقطه شروع می‌شود. سپس با استفاده از عملگرهای تکاملی، نقاط جدیدی برای ادامه جستجو تعیین می‌شوند. اما درون "الگوریتم بهینه‌سازی کلی ویژه"، از مفهومی به نام "بهبود مورد انتظار" (Expected Improvment) استفاده می‌گردد. در "الگوریتم بهینه‌سازی کلی ویژه" با استفاده از بیشینه‌سازی مقدار "بهبود مورد انتظار"، نقطه نمونه‌گیری جدید جهت رسیدن به بهینه کلی تعیین می‌شود.

کاهش زمان بهینه‌سازی از مهمترین مزایای استفاده از "الگوریتم بهینه‌سازی کلی ویژه" در قیاس با الگوریتم‌های بهینه‌سازی تکاملی است، بویژه برای مسائلی که ارزیابی دقیق آنها زمان‌بر است. در این الگوریتم از "مدل تقریبی کریگینگ" برای پیشبینی مقدار تابع هدف استفاده می‌شود. جایگزینی مدل تقریبی با حل دقیق (حل CFD) هنگامی مقرون به صرفه است که تعداد متغیرهای طراحی کم باشد (معمولا برای متغیرهای طراحی کوچکتر از ده). در این مستند ابتدا جزئیات "الگوریتم بهینه‌سازی کلی ویژه" شامل مراحل "نمونه‌برداری اولیه"، ساخت "مدل تقریبی کریگینگ" و بیشینه‌سازی "بهبود مورد انتظار" بطور کامل توضیح داده می‌شود. در ادامه برای درک بهتر روند پیشرفت و مراحل اجرا، چهار مثال برای ارزیابی عملکرد الگوریتم ارائه می‌شود. در این راستا کارایی "الگوریتم بهینه‌سازی کلی ویژه" با چهار نمونه از توابع آزمون متداول محک زده ‌می‌شود. توابع آزمون انتخابی، دو متغیره و چندقله‌ای هستند. کد برنامه شامل دو قسمت اصلی حل اولیه و حل نهایی است. کلیه مراحل حل اولیه و حل نهایی بصورت کاملا خودکار انجام می‌شوند. "نمونه‌برداری اولیه" با روش "هایپرکیوب لاتین"، متناسب با تعداد متغیرهای طراحی انجام می‌شود. در تمامی مثالها تعداد متغیرهای طراحی ثابت و برابر دو در نظر گرفته شده است. در ادامه با استفاده از نتایج حاصل از "نمونه‌برداری اولیه"، ابتدا "مدل تقریبی کریگینگ" ساخته می‌شود. سپس با بیشینه‌سازی "بهبود مورد انتظار"، بردار متغیرهای طراحی جدید به دست می‌آیند. در ادامه مقادیر تابع آزمون برای این متغیرهای طراحی جدید محاسبه می‌شود. سپس معیار همگرایی الگوریتم بررسی می‌شود. در صورت عدم همگرایی، درون حلقه تکرار الگوریتم دوباره "مدل تقریبی کریگینگ" به روز شده و فرایند بهینه‌سازی ادامه می‌یابد. 


 

برای آشنایی با نرم افزار Matlab  می توانید با کلیک بر روی عنوان های زیر به مقاله های مورد نظر هدایت شوید. لازم به ذکر است که نرم افزار Matlab  از پرکاربردترین نرم افزار های مهندسی در مقطع کارشناسی ارشد در رشته مهندسی مکانیک می باشد که بسیاری از دانشجویان با استفاده از نرم افزار Matlab  به ارایه پایان نامه های کارشناسی ارشد, پروژه های صنعتی, پژوهشی و علمی می پردازند.

 

- آشنایی و  آموزش نصب نرم افزار Matlab

مشخصات کلی
تعداد صفحات 51
تعداد صفحات محصول 40-60
معرفی متغیر های ورودی نرم افزار دارد
نمودارهای خروجی دارد
زبان برنامه نویسی
زبان برنامه نویسی اول MATLAB
سیالات
حوزه تخصصی 1 سایر

نظر بدهید

توجه: HTML ترجمه نمی شود!
    بد           خوب

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcu.Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcuLorem ipsum dolor sit amet, consectetur adipiscing elit. Aliquam iaculis egestas laoreet. Etiam faucibus massa sed risus lacinia in vulputate dolor imperdiet. Curabitur pharetra, purus a commodo dignissim, sapien nulla tempus nisi, et varius nulla urna at arcu. 

پروژه ارزیابی عملکرد الگوریتم بهینه‌سازی کلی ویژه با استفاده از نرم افزار MATLAB

  • تولید کننده: مصطفی دهقانی
  • شناسنامه: MC2-1172
  • موجودی: در انبار
  • تاریخ: 95-12-23
  • زبان برنامه نویسی: MATLAB
  • سریال برنامه: MC2-1172
  • سفارش دهنده: مارکت کد
  • 1,222,980تومان
  • قیمت بدون مالیات: 1,122,000تومان

برچسب ها: الگوریتم بهینه‌سازی کلی ویژه, نمونه‌برداری اولیه, مدل تقریبی کریگینگ, بهبود مورد انتظار, MATLAB, متلب