۳-۶- مدل­های در نظر گرفته شده
مخزن همگن فشار ثابت، بدون جریان و بدون مرز محدود
همانطور که قبلاً نیز بیان شد، داده‌های چاه‌آزمائی ارائه‌شده در این فصل، از شبیه‌سازی به‌وسیله‌ی نرم‌افزار Pansystem به‌دست آمده‌اند. مدل یک در این پروژه مدلی است که ارائه‌دهنده‌ی مخزنی همگن است که آن غیر قابل نفوذ و بدون جریان است و مرز پایین آن دارای فشار ثابت است­. مخزن همگن به مخزنی اطلاق می‌شود که دارای خصوصیات یکنواخت در تمامی جهات است. داده‌های مذکور با بهره گرفتن از رابطه‌ی (۳-۱) به داده‌های مشتق فشار تبدیل شده‌اند. داده‌های مشتق فشار نیز در ادامه با معادله‌ی (۳-۲) نرمالیزه شده‌اند. نمودارهای مشتق فشار نرمالیزه‌شده مدل یک در شکل (۳-۱) ارائه شده‌اند. این نوع نمودار مشتق فشار از ساختار کوهانی شکل در زمان های ابتدایی و سپس شیب ثابت آن در زمان های میانی به علت عدم ‌وجود مرز در این مدل و دوباره ساختار کوهانی در زمان های انتهایی شناخته می‌شود.
مخزن همگن فشار ثابت، بدون جریان و با گسل منفرد فشار ثابت
مدل دو ارائه‌دهنده‌ی مخزن همگن دارای سه مرز است. در این مدل، مرز اطراف مخزن به‌صورت گسلی است که در اطراف مخزن وجود دارد و فشار جریان را ثابت نگه می­دارد این نوع مرز در مخازن دارای کلاهک گازی و مخازن آبده قابل مشاهده‌است. این نوع مرز در نمودارهای مشتق فشار، به‌وسیله‌ی منحنی شیب نزولی در زمان های میانی و به صورت Sبرعکس قابل تشخیص است و مرزهای بالا و پایین مخزن نیز مانند مدل یک است. داده‌های فشار ته‌چاه در طول زمان برای این مدل نیز با معادلات (۳-۱) و (۳-۲) مورد پردازش قرار گرفته و به نمودار مشتق فشار نرمالیزه‌شده تبدیل شده‌اند. در شکل (۳-۲)، نمودارهای مشتق فشار نرمالیزه‌شده مدل دو ارائه شده‌است. از مقایسه‌ی شکل (۳-۱) و (۳-۲)، کاملاً واضح است که الگوی آنها در زمان های انتهایی متفاوت است که این تفاوت از متفاوت‌بودن مرزهای مخزن ناشی می‌شود.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۰
۵
۱۰
۱۵
۲۰
۲۵
۳۰
۳۵
۴۰
-۱
-۰٫۵
۰
۰٫۵
۱
Sample
Normalized Pressure derivative
شکل(۳- ۱): نمودارهای مشتق فشار شبیه‌سازی شده‌ی مدل یک
۰
۵
۱۰
۱۵
۲۰
۲۵
۳۰
۳۵
۴۰
-۱
-۰٫۵
۰
۰٫۵
۱
Sample
Normalized Pressure derivative
شکل(۳-۲): نمودارهای مشتق فشار شبیه‌سازی شده‌ی مدل دو
مخزن همگن فشار ثابت، بدون جریان و با مرز گسل منفرد بدون جریان
مدل سه نیز ارائه‌دهنده‌ی مخزن همگن دارای سه مرز است. در این مدل، مرز مخزن به‌صورت گسلی است که در یک‌طرف مخزن وجود دارد و مقاومتی در برابر عبور جریان از خود نشان می‌دهد و عملاً مانع از عبور جریان از آن قسمت مخزن می‌شود. این نوع مرز در نمودارهای مشتق فشار، به‌وسیله‌ی الگویی S شکل در زمان های میانی قابل تشخیص است و مرزهای بالا و پایین نیز مانند مدل یک است. داده‌های فشار نیز مانند مدل­های قبل به مشتق فشار تبدیل شده است­. مخزن در مدل سه، همگن است که با مخزن مدل‌های قبلی شبیه است، تفاوت مدل‌های یک، دو و سه از تفاوت در مرزهای مخزن ناشی می‌شود که منجر به تفاوت الگوی نمودار‌های مشتق فشار در زمان های انتهایی می‌شود. در شکل (۳-۳)، نمودارهای مشتق فشار نرمالیزه‌شده مدل سه ارائه شده‌است.
مخزن تخلخل دوگانه فشار ثابت، بدون جریان و بدون مرز محدود
مخازن تخلخل دو‌گانه به مخازنی اطلاق می‌شود که دارای دو محیط با ساختار کاملاً متفاوت هستند. محیط اول که تحت‌عنوان ماتریس شناخته می‌شود به محیط‌های از مخزن گفته می‌شود که دارای تخلخل زیاد و تراوائی کم است. در مقابل ماتریس، محیط‌هایی نیز وجود دارد که دارای تخلخل کم و تراوائی زیاد هستند و تحت‌عنوان شکاف از آنها یاد می‌شود. در این نوع مخازن قسمت عمده‌ی سیال مخزنی در ماتریس‌ها ذخیره‌شده و شکاف‌ها به جریان راحتتر سیال از ماتریس به چاه کمک می‌کنند. ساختار فیزیکی مخازن تخلخل دو‌گانه با ساختار مخازن همگن متفاوت بوده و این تفاوت در ساختار فیزیکی منجر به تفاوت در نمودارهای مشتق قشار در زمان های میانی می‌شود. وجود مخازن تخلخل دو‌گانه باعث ایجاد الگویی U شکل در نمودار مشتق فشار در زمان های میانی می‌شود که در مخازن همگن وجود ندارد.

^**۷۸/۰

^**۷۷/۰

^**۷۳/۰

^**۸۵/۰

مشکلات رفتاری کل

**p<01/0
همچنین پایایی این پرسشنامه در این پژوهش از طریق آلفای کرونباخ محاسبه گردید که نتایج آن در جدول ۳-۴- مشاهده می­ شود.
جدول ۳-۴- ضرایب آلفای کرونباخ برای زیرمقیاس­های پرسشنامه مشکلات رفتاری

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

زیر مقیاس

تعداد گویه

آلفای کرونباخ

مشکلات سلوک

۱۷

۸۳/۰

مشکلات اضطراب­خجالتی

۶

۶۷/۰

مشکلات روان­تنی

۹

۶۸/۰

مشکلات اجتماعی

۱۰

۷۸/۰

۳-۶-۲- پرسشنامه سبک­های فرزندپروری رابینسون
پرسشنامه سبک­های فرزندپروری به منظور ارزیابی شیوه ­های فرزندپروری والدین توسط رابینسون، ماندلکو، السن و هارت درسال ۱۹۹۵ساخته شده است و توسط علیزاده به فارسی ترجمه شده است. این پرسشنامه در سال ۸۳-۱۳۸۲ توسط قربانی، خادمان و یاری به عنوان پایان نامه کارشناسی ارشد در رشته کودکان استثنایی مورد پژوهش قرار گرفت. این پژوهشگران پرسشنامه را در گروه ­های ۱۲۰ نفری، ۴۰ نفری و ۶۰ نفری از دانش‌آموزان مقطع راهنمایی شهر تهران اجرا کردند. این پرسشنامه دارای ۳۲ سؤال در مقیاس لیکرت پنج درجه ای(هیچ وقت= ۱، گاهی­اوقات= ۲، تقریباً بعضی از مواقع= ۳، خیلی از مواقع= ۴ و همیشه=۵) است(به نقل از حسینی، احقر، اکبری و شریفی، ۱۳۸۷). حداقل نمره در این آزمون ۳۲ و حداکثر ۱۶۰ است .این پرسشنامه سه نوع سبک فرزندپروری را می­سنجد که شامل:
استبدادی: این زیر مقیاس از ۱۲ گویه تشکیل شده است. در مورد تنبیه بدنی، خشونت کلامی و اطاعت بی­چون و چرا می­باشد. نمونه ­ای از سؤال­های این زیر مقیاس شامل: ” هنگام نافرمانی کردن فرزندمان دست او را با تحکم می­گیریم.”
اقتداری: این زیر مقیاس از ۱۵ گویه تشکیل شده است و در مورد پیوند گرم و حمایتی، استدلال، استقلال و مشارکت آزادمنشانه میان والدین و فرزندان می­باشد. نمونه ­ای از سؤال­های این زیر مقیاس شامل:”در تصمیم ­گیری­های خانواده عقیده و نظر فرزندمان را هم در نظر می­گیریم.”
سهل­گیرانه: این زیر مقیاس از ۵ گویه تشکیل شده است. نمونه ­ای از سؤال­های این زیر مقیاس شامل: “وقتی فرزندمان در مورد چیزی آشوب و قشقرق راه می­ اندازد، کوتاه می‌آییم.”
جدول ۳ -۵- زیر ­مقیاس­های پرسشنامه سبک­های فرزندپروری

Calculator 73
Scaling factor
Calculator 75
Sum of
Absolute
Calculator 74
First order
Lowpass Filter 76
Output gain
Scaling unit 77
Short-term
Postfilter 72
Long-term
Postfilter 71
Postfiltered
Speech
Decoded
Speech
From postfilter adaptor (block 35)
شکل (۳-۴) : طرح بلوکی پست فیلتر
پست فیلتر زمان- بلند (۷۱ ) که گاهی پست فیلتر pitch نامیده می شود ، یک فیلتر شانه ای^[۲۸] است که پیکهای طیفی آن در مضارب فرکانس pitch صحبتی که باید پست فیلتر شود ، واقع شده است . پریود pitch را میتوان از صحبت دیکد شده با بهره گرفتن از یک آشکارساز pitch استخراج کرد. اگر p پریود pitch (به نمونه) بدست آمده از آشکارساز pitch باشد ، آنگاه تابع انتقال پست فیلتر زمان-بلند بصورت زیر میتواند بیان شود :

که درآن ضرایب gl ،,b وپریود pitch در تطبیق دهنده پست فیلتر ساخته ودر هر ۴بردار (یک فریم) تجدید می شوند .
پست فیلتر زمان-کوتاه (۷۲) شامل یک فیلتر مرتبه۱۰ صفر-قطب بدنبال یک فیلتر تمام-صفر مرتبه ۱ است . فیلتر مرتبه ۱۰ صفر-قطب ، مؤلفه های فرکانسی بین پیک های فرمنت را تضعیف می کند . در حالیکه فیلتر مرتبه اول تمام- صفر می کوشد تا پاسخ فرکانسی فیلتر صفر-قطب مرتبه ۱۰ را هموار سازد .
فرض کنید که ai ,i=1,2,…,۱۰ ضرایب LPC مرتبه ۱۰ وK1 اولین ضریب انعکاس حاصل از آنالیزمعکوس LPC صحبت دیکد شده باشند آنگاه ai وK1 را میتوان باهم از آنالیز PC معکوس مرتبه ۵۰ (بلوک ۳۳ در شکل(۳-۲) ) بدست آورد . فقط باید تکرار Durbin مرتبه ۵۰ را در مرتبه ۱۰ متوقف کرده وضرائب فوق را ذخیره کرد و
سپس تکرار Durbin را از مرتبه ۱۱ تا ۵۰ ادامه داد .
تابع انتقال پست فیلتر زمان-کوتاه بصورت زیر است :

که در آن ضرایب ai ,bi در هر فریم یک بار و در اولین بردار آن تجدید می شوند . در حالت کلی بعد از اینکه صحبت دیکد شده از پست فیلتر زمان-بلند و زمان-کوتاه می گذرد ، صحبت فیلتر شده همان انرژی اولیه را نداردو بدین منظور بلوکهای ۷۳ تا ۷۷ کار کنترل اتوماتیک بهره وحفظ انرژی صحبت را انجام می دهند .
فصل ۴
شبیه سازی ممیزثابت الگوریتم به زبان C
۴-۱- مقدمه
شبیه سازی یک الگوریتم بر روی کامپیوتر بوسیله یک زبان سطح بالا مانند C،گام نخست جهت پیاده سازی آن الگوریتم برروی DSP بشمار می رود . همانطور که در فصل ۵ بیان خواهد شد، با توجه به پیاده سازی کدک G.728 برروی DSP های ممیزثابت ، لازم است که ابتدا آلگوریتم کدک را بصورت ممیزثابت شبیه سازی نماییم. در این فصل ابتدا ویژگی های برنامه نویسی ممیز ثابت را شرح میدهیم . سپس ساده سازی محاسبات برای برنامه نویسی ممیزثابت را بیان نموده و پس از آن بلوک ها ومتغییرهای برنامه را به اختصار شرح می دهیم. در قسمت آخر هم روندنمای برنامه اینکدر و دیکدر را توصیف می کنیم .

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۴-۲- ویژگی های برنامه نویسی ممیز ثابت
۴-۲-۱- نمایش اعداد
واحد پایه در پیاده سازی ۱۶ بیتی ، کلمه ۱۶ بیتی است که برای اعداد صحیح علامت دار بین ۳۲۷۶۷ تا ۳۲۷۶۸- تغییر می کند و بصورت مکمل ۲ ذخیره می گردد. برای نمایش اعداد اعشاری یک نقطه اعشاری بایدبین دوبیت کلمه در نظر گرفته شود .مثلاً برای نمایش اعداد بین – ۱ ,+۱ بایستی نقطه اعشاری بین بیت های ۱۴و۱۵ قرار گیرد. این فرمت خاص Q15 نامیده می شود زیرا ۱۵ بیت در سمت راست نقطه اعشاری وجود دارد . Qn فرمت بدین صورت تعریف می شود که n بیت در سمت راست نقطه اعشاری وجود داشته باشد . اعداد صحیح بصورت Q0 نمایش داده می شوند.
برخی داده ها به دقت بیشتری نیاز دارند از اینکه با یک کلمه ۱۶ بیتی نمایش داده شوند . مانند رجیسترهای ضرب و اکومولاتور در چیپ های DSP که می توانند اعداد با دقت از ۱ تا را نمایش دهند که به دقت مضاعف معروف است .
برخی داده ها رنج وسیعتری دارند از اینکه بتوان با یک فرمت ۱۶ بیتی ثابت نمایش داده شوند . شاید ۱۶ بیت دقت کافی باشد ولی باید از مقیاس کردن دینامیک استفاده شود. این نوع داده ها را می توان بصورت ممیز شناور و با دقت معمولی نشان داد . یعنی اینکه داده با ۲ کلمه نشان داده می شود، اولین کلمه حاوی عددی است که اندازه آن بین ۱۶۳۸۴و۳۲۷۶۷ می باشد . این مانتیس مقدار است و می گوئیم که مقدارش در فرمت نرمالیزه نمایش داده می شود اگر مقدار مثبت باشد ، بیت ۱۴ مانتیس ۱ است . کلمه دوم حاوی تعداد شیفت به چپ (NLS ^[۲۹]) هایی است که بکار رفته تا عدد را در مقدار نرمالیزه اش قرار دهد .
بنابراین کلمه دوم مشخص کننده Q فرمت مانتیس می باشد. اگر این فرمت برای یک مقدار منفرد بکار رود ممیز شناور اسکالر نامیده می شود . همچنین امکان دارد که یک آرایه از n مقدار را با n+1 کلمه، با بهره گرفتن از ممیز شناور بلوکی نمایش داد. با بهره گرفتن از این فرمت ، بزرگترین مقدار در آرایه باید به همان صورتی که برای ممیز شناور اسکالر گفته شد ، نمایش داده شود . بقیه مقادیر در آرایه باید از همان NLS استفاده کنند و مانتیس آنها لزوما نباید در فرمت نرمالیزه باشد. گسترش این نمایش بصورت ممیز شناور بلوکی قسمت شده می باشد . در این حالت یک آرایه mn مقداری بوسیله m(n+1) کلمه نمایش داده می شود . این آرایه تقسیم می شود به m زیر آرایه با اندازه n ،که هر زیر آرایه بصورت ممیز شناور بلوکی با n کلمه برای اندازه ها و ۱ کلمه برای NLS نمایش داده می شود .
نوع دیگری از نمایش بکار رفته بصورت ممیز شناور با دقت مضاعف است. در این حالت اعداد صحیح با دقت مضاعف بعنوان مانتیس بکار می روند و یک کلمه با دقت معمولی برای NLS استفاده می شود. در مجموع انواع مختلف نمایش ها عبارتند از ممیز ثابت با دقت معمولی، ممیز ثابت با دقت مضاعف برای اکومولاتورها و رجیسترهای ضرب، ممیز شناور اسکالر با دقت معمولی و ممیز شناور بلوکی با دقت معمولی و مضاعف.
۴-۲-۲- عملیات حسابی
از آنجا که ضرب دو کلمه ۱۶ بیتی یک عدد ۳۲ بیتی تولید می کند، رجیسترهای ضرب و اکومولاتور ها باید حداقل ۳۲بیتی باشند . در محاسبات مجموع حاصلضرب ها مانند کانولوشن و فیلتر کردن IIR,FIR ممکن است که آکومولاتور سرریز (overflow) شود که بطور جداگانه مشخص می گردد . در فیلتر کردن IIR مجموع حاصلضربها یا نتیجه عملیات ضرب و انباشت (MAC) بخشی از حافظه فیلتر برای مرحله بعدی است و ۱۶ بیت بالای خروجی در ورودی ضرب کننده استفاده می شود . یک سرریز که موجب می شود تا یک عدد بزرگ مثبت به یک عدد بزرگ منفی تبدیل شود، موجب اختلاف زیادی در خروجی فیلتر می گردد . از اینرو از مد اشباع در فیلترهای IIR استفاده می کنیم . مد اشباع یعنی اینکه اگر کلمه بالایی بزرگتر از ۳۲۷۶۷ یاکوچکتراز۳۲۷۶۸- باشد آنگاه مقدار آن برش می خورد (به این دو حد محدود می گردد).
الف- شیفت و رند کردن
حاصلضرب یک مقدار Qn فرمت در یک مقدار Qm فرمت در رجیستر حاصلضرب بصورت (n+m) Q فرمت و با دقت مضاعف ذخیره می شود . اگر لازم باشد که این نتیجه ذخیره گردد یا با دقت دیگری جمع شود ، آنگاه نتیجه باید شیفت داده شود و یا رند گردد تا به دقت مناسب برسد . نکته ای که در عملیات شیفت به راست مکمل ۲ وجود دارد اینست که فرض کنید عدد۳ را یک بیت به راست می خواهیم شیفت دهیم، نمایش ۱۶ بیتی ۳ بصورت ۰۰۰۰۰۰۰۰۰۰۰۰۰۰۱۱ است که بعد از شیفت، به ۰۰۰۰۰۰۰۰۰۰۰۰۰۰۰۱ تبدیل می گردد .
حال اگر عدد۳ – را بخواهیم یک شیفت به راست دهیم داریم :
-۳=۱۱۱۱۱۱۱۱۱۱۱۱۱۰۱ >>1 1111111111111110=-2
در این حالت اندازه مقادیربا هم برابر نیستند و در پیاده سازی باید از این نکته آگاه بود .
همچنین ممکن است که در یک الگوریتم تعداد شیفت به راست از اندازه کلمه بیشتر گردد . مثلا یک کلمه ۱۶ بیتی باندازه ۱۸ بیت شیفت داده شود که با انجام ۱۸ بار شیفت یک بیتی حاصل ۰ یا ۱- می شود البته بسته به علامت اولیه آن عدد. اما در بعضی از کمپایلر ها ممکن است که این کار خطا گرفته شود و این موضوع را باید در نظر داشت .
رند کردن فرایند تبدیل از دقت مضاعف به دقت معمولی در اکومولاتور است. که قبل از ذخیره به صورت ۱۶ بیتی در حافظه ،صورت می گیرد. معمولا با ارزشترین بیت (MSB) در کلمه پایین اکومولاتور چک می شود، اگر این بیت ۱ باشد آنگاه یکی به مقدار کلمه بالایی اضافه می شود و این کلمه بعنوان حاصل رند کردن در نظر گرفته می شود . البته در این حالت باید از سرریز نشدن اکومولاتور مطمئن شد .
ب- تقسیم
تقسیم به اندازه جمع و ضرب زیاد استفاده نمی شود . تنها تقسیمی که بکار می رود بصورت ممیز شناور اسکالر می باشد .صورت و مخرج و خارج قسمت به فرمت نرمالیزه نمایش داده می شوند . NLS خارج قسمت با تفریق NLS مخرج از NLS صورت و جمع با ۱۴ محاسبه می شود . چرا که اگر صورت کمی از مخرج بزرگتر باشد و هر دو دارای NLS=0 باشند خارج قسمت باید دارای NLS=14 باشد تا بصورت صحیح نرمالیزه باشد. اگر مانتیس صورت کوچکتر از مانتیس مخرج باشد آنگاه صورت یکی به چپ شیفت داده می شود و به NLS آن یکی اضافه می شود سپس NLS مخرج محاسبه می گردد و این تضمین می کند که مانتیس خارج قسمت بصورت نرمالیزه باشد.
۴-۳- ساده سازی محاسبات الگوریتم
در این قسمت لازم است که برخی از محاسبات الگوریتم را برای پیاده سازی ممیز ثابت مناسب ساخته و بار محاسباتی آنها را کاهش دهیم .
۴-۳-۱- تطبیق دهنده بهره

هوش ازدحامی
هوش ازدحامی نوعی روش هوش مصنوعی، مبتنی بر رفتار های جمعی می باشد. هوش ازدحامی یک چارچوب بر اساس رفتار جانداران اجتماعی مانند زنبورعسل ، مورچه، ماهی ها و پرندگان در راه و روش همکاری برای انجام کارهای پیچیده و سخت منحصربفرد هستند. این همکاری در کل جمعیت بدون هیچ گونه کنترل مرکزی فعّال می‌باشد. هر جانور به سادگی از یک مجموعه قوانینی کوچک پیروی می کند که این قوانین تحت تأثیر اطلاعات محلّی می باشند. این رفتار نوظهور نتیجۀ موقعیّت گروهی است که هیچ عضوی به تنهایی نمی تواند آن را انجام دهد. خصوصیات دیگر سیستم های دارای هوش ازدحامی شامل: مقاومت در برابر رفتار سایر اعضای گروه یا از بین رفتن یکی از اعضای گروه، انعطاف پذیری در مقابل تغییر سریع محیط پویا ، و یک موازی سازی ذاتی یا رفتار توزیع شده می‌باشند. چهار اصل در هوش ازدحامی وجود دارند که آنها را هدایت می کنند:

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

بازخور مثبت: تقویت کردن راه حل های خوب مشاهده شده در سیستم
بازخور منفی: حذف کردن راه حل های قدیمی یا ضعیف
تصادفی بودن: راه حل ها می توانند بدون در نظر گرفتن کیفیت درج شده آزمایش شوند. این می تواند باعث بوجود آمدن نتایج خلاقانه و جدید غیر معمول گردد، که به ترتیب نتیجه اش خلاقیت^[۳۵] و راه حل های غیرمتعارف است.
تعامل چندگانه: کلید اصلی تقویت کردن راه حل های خوب
با فهمیدن این خصوصیات و اعمال درست آنها ، سیستم های هوش گروهی می توانند طراحی شوند. هر اصل فوق یک نقش مشخصی را در هدایت سیستم ایفا می کند. اصل هوش گروهی می تواند به کاربرد های متنوع دیگر ، فراتر از شبکه های کامپیوتری نیز اعمال شوند.بطورکلی زمانی می توانیم از هوش جمعی یا ازدحامی یاد کنیم که مؤلفه های زیر را دارا باشد.
شکل ‏۳‑۶.
کاربردهای الگوریتم بهینه سازی توده ذرّات
انواع مسائل بهینه سازی پیوسته و گسسته
مدل سازی و کنترل
مدیریت سیستم های تولید و توزیع نیرو
طراحی و بهینه سازی شبکه های ارتباطی
پیش بینی و مدل سازی مدل های اقتصادی
طراحی سیستم های خودکار و رباتیک
مراحل اجرای الگوریتم بهینه سازی توده ذرّات
مرحلۀ اول: موقعیت و سرعت اولیۀ ذرّات در محدودۀ مجاز به صورت تصادفی تولید می شود.
مرحلۀ دوم: محاسبۀ مقدار تابع هدف برای هر ذرّۀ i باتوجه به مکان هر ذرّه
مرحلۀ سوم: در تکرار اول برای هر ذرّه برابر با موقعیّت اولیه اش درنظر گرفته می شود. همچنین برترین ذرّه () در میان ذرّات از نظر میزان شایستگی در تابع هدف تعیین می شود.
مرحلۀ چهارم: سرعت و موقعیّت جددید هر ذرّه با بهره گرفتن از روابط (۳-۳) و (۳-۴) محاسبه می گردد.
مرحلۀ پنجم: تابع هدف برای هر ذرّه محاسبه می شود.”کندی وابرهارت ،۱۹۹۵”
توپولوژی یا ساختار شبکۀ اجتماعی
برای هریک از ذرّات باید همسایگی تعریف شده باشد. در واقع این همسایگی تعیین کنندۀ میزان تعامل اجتماعی و حرکات ذرّات در گروه می باشد. وقتی همسایگی ذرّات کوچک باشد تعامل کمتر اتفاق می افتد وهمگرایی آهسته تر خواهد بود اما کیفیت راه حل ها را بهبود می بخشد. برای همسایگی های بزرگ تر همگرایی سریع تر خواهد بود اما خطر همگرایی زودرس وجود دارد . برای حل این مشکل، فرایند جستجو با همسایگی های کوچک شروع می شود و پس از آن اندازۀ همسایگی با گذشت زمان افزایش یافته است. در واقع این روش ابتدا باعث تنوّع جستجو و با گذشت زمان باعث همگرایی می شود. در الگوریتم ازدحام ذرّات تعامل اجتماعی در میان تمام دسته ها وجود دارد، ذرّات با یکدیگر ارتباط برقرار کرده و در مورد موقعیّت هر ذرّه در گروه تبادل اطلاعات می کنند. هنگامی که یک ذرّه در تمام گروه موقعیّت بهتری می یابد تمام ذرّات به سمت این ذرّه حرکت می کنند، در واقع، گردش اطلاعات از طریق گروه و حرکت بسوی ذرّۀ بهتر، بستگی به ساختار همسایگی دارد. بعضی از ساختارهمسایگی ها در زیر مورد بحث قرار می گیرد:
شکل ‏۳‑۷. تعدادی از ساختار شبکۀ اجتماعی
شکل (a) همسایگی ستاره ای را نشان می دهد که در این ساختار همۀ ذرّات با یکدیگر در ارتباط هستند، ارتباط بسیار بالا در بین ذرّات وجود دارد. کِنِدی و مِندِز بطور تجربی نشان دادند که همسایگی ستاره ای دارای همگرایی سریع تر نسبت به سایر مدل های همسایگی می باشد، اما آنها با جواب بهینه در زمانی زودتر از سایر مدل های همسایگی می نمایند. این نوع همسایگی ریسک قرار گرفتن در کمینۀ محلّی را افزایش می دهد و به طور کلی این ساختار یک همسایگی سراسری می باشد که اشاره به دارد.
شکل (b) همسایگی حلقه ای را نشان می دهد. فرض کنیم هر ذرّه با یک علامت مشخص شود که برای ساختار همسایگی استفاده شده است. سپس یک ذرّه K دارای دو همسایۀ K-1 و K+1 می باشد لذا یک کشش متقابل بین دو ذرّۀ متوالی وجود دارد. این نوع همسایگی سرعت همگرایی را آهسته تر می کند اما فضای جستجوی بزرگتری نسبت به همسایگی ستاره ای دارد.
شکل © همسایگی چرخشی را نشان می دهد. در این همسایگی یک ذرّه با بقیه ذرّات گروه در ارتباط می باشد، و از طریق این ارتباطات تمام اطلاعات در اختیار ذرّات قرار می گیرد. این ذرّه با مقایسۀ عملکرد تمام ذرّات موقعیّت خود را به سمت بهترین عملکرد ذرّات تنظیم می کند و سپس موقعیّت جدید را به تمام ذرّات اطلاع می دهد.
شکل (d) همسایگی چهاردسته ای یا چهارخوشه ای را نشان می دهد.که در این ساختار ازطریق دو لبۀ بین همسایگی های خوشه و یک لبه بین خوشه های مخالف با هم در ارتباط می باشند.
بررسی مشکلات الگوریتم بهینه سازی توده ذرّات
الگوریتم بهینه سازی ازدحام ذرّات دارای چندین نقطه ضعف می باشد. در این الگوریتم، احتمال قرار گرفتن ذرّات در بهینۀ محلّی وجود دارد. هر چند که PSO نسبت به کلیه الگوریتم های تکاملی دارای سرعت بالاتری است اما معمولاً نمی تواند کیفیت رسیدن به راه حل را با افزایش تکرارها جبران کند. یکی از دلایل این است که در این الگوریتم ذرّات به یک نقطۀ خاص که بین بهترین موقعیّت عمومی و بهترین موقعیّت شخصی قرار دارد همگرا می شوند. برای برطرف کردن این نقطه ضعف تغییرات زیادی در PSO اعمال شد . یکی از این تغییرات وزن اینرسی (W) می باشد. عبارت وزن اینرسی اولین بار توسط شای و ابرهارت در سال ۱۹۹۸ معرفی گردید. این وضع در واقع درصدی از سرعت قبلی ذرّه را در محاسبۀ سرعت جدید تأثیر می دهد. هرچه این مقدار بیشتر باشد جستجوی عمومی افزایش می یابد و هرچه این وزن کمتر باشد میزان جستجوی محلّی افزایش می یابد.
نقطه ضعف دیگر، وابستگی این روش به مسأله می باشد. این وابستگی باعث می شود پارامتر ها و ضرایب بهینۀ الگوریتم برای مسائل مختلف متفاوت باشند و در کل نمی توان یک پارامتر را برای کلیۀ مسائل بکاربرد.
یکی دیگر از عیب های عمدۀ الگوریتم این است که هر ذرّه به تنهایی یک بردار n بعدی را نمایش می دهد که معرّف یک پاسخ یا راه حل برای مسأله می باشد. گاهی امکان دارد که قسمت هایی از این بردار به پاسخ صحیح نزدیک باشند در حالیکه قسمتهای دیگر بردار از پاسخ صحیح دور باشند. بنابراین در کل، این ذرّه مناسب به نظر نمی رسد و باید به موقعیّت بهتری برود. امکان دارد که آن قسمت هایی از بردار ذرّه که به جواب نزدیک بوده اند در طی به روز نمودن موقعیّت ذرّه جدید ، از پاسخ جدید فاصله بگیرند. بنابراین اطلاعات مفید از بین می رود. یکی از نمونه الگوریتم هایی که سعی در برطرف کردن این مشکل نموده است، الگوریتمCPSO^[36]، نام دارد.
معادلات توصیف کنندۀ رفتار ذرّات
(۳-۳)
(۳-۴)
سمت راست معادلۀ (۳-۳) که از سه قسمت تشکیل شده است، قسمت اول، سرعت فعلی ذرّه می باشد، قسمت دوم، برای تغییر سرعت و چرخش ذرّه به طرف بهترین تجربۀ شخصی می باشد و قسمت سوم نیز باعث تغییر سرعت و چرخش ذره به طرف بهترین تجربۀ گروهی می باشد. در واقع حرکت بهینه سازی گروه ذرّات بدون قسمت اول معادلۀ (۳-۳) فرآیندی خواهد بود کی طی آن فضای جستجو به تدریج کوچک می شود و جستجوی محلّی حول بهترین ذرّه شکل می گیرد، اما در مقابل قسمت اول معادلۀ (۳-۳) باعث حرکت ذرّات در مسیر عادّی خود خواهد بود تا به دیوارۀ محدودۀ جستجو برسد و به نوعی جستجوی سراسری انجام دهد.
پارامترهای الگوریتم بهینه سازی توده ذرّات
اندازۀ گروه
هرگاه تعداد ذرّات زیاد باشد و ذرّات در فضای جستجو بطور یکنواخت توزیع شده باشند، تنوّع در بین ذرّات زیاد شده و الگوریتم راندمان بالاتری می یابد. البته باید توجه شود که تعداد زیاد ذرّات در پیچیدگی الگوریتم ارتباط مستقیم دارد. هرچه نسبت به زمانی که تعداد ذرّات کم است، تعداد تکرارهای الگوریتم کمتر و زمان رسیدن به جواب بهینه کمتر است. مقدار مناسب ذرّات به مسأله بستگی دارد، در پژوهش ها معمولاً تعداد ذرّات در بازۀ [۲۰-۶۰] در نظر می گیرند.
تعداد تکرار
تعداد تکرار برای بدست آوردن یک نتیجۀ خوب وابسته به مسأله است. تعداد بیش از حد کم ممکن است فرایند جستجو قبل از یافتن جواب بهینه را متوقّف کند، در حالی که تکرار بیش از حد زیاد باشد منجر به پیچیدگی محاسبات شده و زمان بیشتری مورد نیاز است.
اندازۀ همسایگی
اندازۀ همسایگی تأثیر زیادی در تعامل بین ذرّات دارد. اندازۀ همسایگی کم، تعامل بین ذرّات را کاهش داده و سرعت همگرایی در این روش کم است و امکان قرار گرفتن ذرّه در بهینۀ محلّی را کاهش می دهد. جهت استفاده از فواید همسایگی بزرگ و کوچک ، در ابتدا اندازۀ همسایگی را کوچک و سپس بزرگ در نظر گرفته می شود.
ضرایب مؤلفه های شناختی و اجتماعی
و به ترتیب ضریب یادگیری فردی و اجتماعی نامیده می شوند که نشان دهندۀ میزان اهمیّت و ارجحیّت بهترین نقاط پیدا شده توسط خود ذرّه و جمع ذرّات می باشد. اگر==۰ باشد ذرّات فقط با سرعت خاصی بدون هدف در فضا حرکت می کنند و به حرکت خود ادامه می دهند تا به مرز فضای جستجو برسند. اگر > 0 و =۰ باشد ، ذرّات فقط به تجربۀ شخصی خود توجه می کنند واگر بالعکس آن باشد ، ذرّات فقط به بهترین فرد گروه توجه می کنند. معمولاً در بسیاری از الگوریتم ها و را ثابت در نظر می گیرند. .”کندی وابرهارت ،۱۹۹۵“
ماکزیمم سرعت
نحوۀ جستجوی عمومی و جستجوی محلّی
جدول ‏۳‑۲. پارامتر های الگوریتم بهینه سازی توده ذرّات

در این صورت w از طریق رابطه‏ی ۳-۵ وb از طریق معادله ۳-۶ بدست خواهند آمد.
رابطه (۳-۵)
رابطه (۳-۶ )
توابع هسته ماشین بردار پشتیبان
ضرب داخلی در فضای ویژگی‏ها در رابطه‏ی۳-۲ هسته معادلی در فضای ورودی دارد.

رابطه(۳-۷)

این تساوی هنگامی برقرار است که شرایط ویژه‏ای بر قرار باشد؛ هنگامی که K یک تابع تعریف شده مثبت متقارن باشد که شرایط مرسر را ارضا کند شرایط مرسر در رابطه‏های ۳-۸ و ۳-۹ آورده شده است.

رابطه(۳-۸)
رابطه(۳-۹)

در صورتی که تابع هسته این شرایط را داشته باشد آنگاه نمایان‏گر این ضرب داخلی در فضای ویژگی‏ها قابل قبول است. برخی از توابع متداول و معتبری که شرایط مرسر را ارضا می‏کنند در ادامه معرفی شده‏اند.
تابع چند جمله‏ای
هسته چند جمله‏ای^[۲۰۱] یک روش مشهور در مدل کردن‏های غیر خطی است.

رابطه(۳-۱۰)

تابع RBF

رابطه(۳-۱۱)

تابع حلقوی^[۲۰۲]

رابطه(۳-۱۲)

۳-۱-۱-۳. درخت تصمیم
در پرسپترون هنگامی دو بردار ویژگی مشابه هستند که به خروجی یکسانی منجر شوند ولی می‏توان با به کارگیری دنباله‏ای از پرسش‏ها رده‏بندی را انجام داد که درآن پاسخ هر پرسش به پاسخ پرسش ماقبل خود بستگی دارد. این شیوه‏های بیست سوالی خصوصا برای رده‏بندی داده‏هایی که معیاری جهت سنجش شباهت ندارند مناسب است چرا که تمام پرسش‏ها می‏توانند در قالب پرسشهای «بله/خیر»،«درست/نادرست» و یا «آیا مقدار مورد پردازش عضوی از مجموعه‏ای از مقادیر هست یا خیر» در بیایند و دیگر نیازی به وجود معیار مشابهت نیست.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

چنین دنباله‏ای از پرسش‏ها در قالب یک درخت تصمیم جهت‏دار و یا در حالت ساده‏تر در قالب یک درخت نمایش داده می‏شوند که مطابق عرف نخستین گره و یا به عبارتی گره ریشه در بالاترین سطح درخت نمایش داده می‏شود و توسط پیوند‏ها و یا شاخه‏هایی به سایر گره‏ها متصل می‏شود . گره‏های سطوح بعدی نیز به همین ترتیب به گره‏های سطوح پایین تر متصل می‏شوند تا به گره‏های انتهایی یا به عبارتی به گره‏های برگ برسیم نمونه از درخت تصمیم را در شکل ۳-۳ مشاهده می‏کنید. به منظور رده‏بندی یک داده فرایند از گره ریشه آغاز می‏شود که محتوی سوالی در مورد مقدار یکی از ویژگی‏های داده است پیوند‏های متفاوتی که از گره ریشه آغاز شده‏اند نمایانگر مقادیر متفاوت ممکن برای آن ویژگی هستند. براساس مقدار ویژگی پرسش شده یکی از پیوندها دنبال شده تا به یک گره سطح پایین‏تر برسیم. تمام پیوند‏های یک گره باید دو به دو مجزا و جامع باشند بدین معنا که در هنگام تصمیم‏ گیری تنها یک پیوند باید از یک گره دنبال شود مرحله بعدی تصمیم‏ گیری در گره جدید است تصمیم‏ گیری را طبق منوال قبلی در این گره و گره های بعدی ادامه می‏دهیم تا به به گره‏های برگ برسیم که درآن پرسش دیگری وجود ندارد هر گره برگ با یک رده برچسب خورده است که پس از رسیدن به هر برگ رده داده مورد برسی برابر با رده مشخص شده توسط آن برگ قرار داده می‏شود.