انواع فایل
دانلود فایل ، خرید جزوه، تحقیق،انواع فایل
دانلود فایل ، خرید جزوه، تحقیق،تحقیق درباره؛ بهینه‌سازی
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 8
بهینه‌سازی
چکیده
در این مقاله تئوری بهینه‌سازی مورد بررسی قرار می‌گیرد و به مسائل معمول بهینه‌سازی و رویکرد‌های حل آنها اشاره می‌شود.
1- تئوری بهینه‌سازی
آرزوی انسان برای رسیدن به کمال مبین تئوری بهینه‌سازی است. انسان می‌خواهد بهترین را تجسم و توصیف کرده و به آن دست یابد (بیت‌لر1 و دیگران 1979، 1). اما از آنجایی که می‌داند نمی‌تواند تمام شرایط حاکم بر بهترین را به خوبی شناسایی و تعریف نماید در بیشتر موارد به جای جواب بهترین یا بهینه مطلق، به یک جواب رضایت‌بخش (وارنر2 1996، 3767-3769) بسنده می‌کند. همچنین انسان در قضاوت عملکرد دیگران، معیار بهترین را در نظر نمی‌گیرد بلکه آنان را به صورت نسبی مورد ارزیابی قرار می‌دهد (گلدبرگ3 1989، 7). بنابراین انسان به دلیل ناتوانی خود در بهینه‌سازی، به بهبود ارزش ویژه‌ای می‌دهد.
بیت لر و دیگران (1979، 1) بهینه‌سازی را چنین شرح می‌دهند: فعل «بهینه ساختن» که کلمه قوی‌تری نسبت به «بهبود» می‌باشد عبارتست از دستیابی به «بهینه»، و «بهینه‌سازی» اشاره به عمل بهینه ساختن دارد. بنابراین تئوری بهینه‌سازی شامل مطالعات کمی بهینه‌ها و روش یافتن آنهاست. همچنین «بهینه» به عنوان یک واژه فنی دلالت بر اندازه‌گیری کمی و تحلیل ریاضی دارد در حالی که بهترین دارای دقت کمتر بوده و بیشتر برای امور روزمره استفاده می‌شود.
در بیشتر موارد آنچه که با هدف بهینه‌سازی انجام می‌دهیم بهبود است. بهینه‌سازی به دنبال بهبود عملکرد در رسیدن به نقطه یا نقاط بهینه است. این تعریف دو قسمت دارد: (1) جستجوی بهبود برای رسیدن به (2) نقطه بهینه. تفاوت روشنی بین فرایند بهبود و مقصد یا نقطه بهینه وجود دارد. هنوز هم معمولاً در رویه‌های بهینه‌سازی تمرکز بر همگرایی است (آیا به نقطه بهینه می‌رسد؟) و عملکرد ضمنی رویه به طور کلی فراموش می‌شود. این اهمیت نسبت به همگرایی مربوط به ریشه‌های بهینه‌سازی در ریاضیات است اما همان طور که اشاره شد در عمل چنین اهمیتی طبیعی و معقول نمی‌باشد (گلدبرگ 1989، 6). این مقایسه قصد بی‌ارزش نشان دادن همگرایی و دقتهای معمول ریاضی را ندارد چرا که این حوزه خود مبنای ارزشمندی برای مقایسه روشهای بهینه‌سازی ارائه می‌کند.درمقایسه الگوریتم‌های بهینه‌سازی دو معیار همگرایی و عملکرد مطرح می‌شود. بعضی از الگوریتم‌ها دارای همگرایی بوده ولی ممکن است عملکرد ضعیفی داشته باشند، یعنی فرایند بهبود آنها از کارایی و سرعت لازم برخوردار نباشد. برعکس بعضی دیگر از الگوریتم‌ها همگرایی نداشته ولی عملکرد آنها خیلی خوب است.
می توان هدف از فرایندهای جستجو را در سه دسته زیر بیان کرد:
بهینه‌سازی
یافتن جواب عملی
شبه بهینه‌سازی
در شرایطی که ما به یافتن جواب در همسایگی جواب بهینه راضی باشیم هدف جستجو را شبه بهینه‌سازی می‌نامند. شبه بهینه‌سازی دارای دوطبقه است. اگر هدف یافتن جواب عملی خوب در فاصله تعریف شده‌ای از جواب بهینه باشد به آن بهینه‌سازی نزدیک4 گفته می‌شود. اگر شرط فاصله تعریف شده برای جواب بدست‌آمده حذف گردد و تنها یافتن جواب نزدیک بهینه با احتمال بالا، هدف باشد به آن بهینه‌سازی تقریبی5 گفته می‌شود.
تحقیق؛ بهینه‌سازی
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 8
بهینه‌سازی
چکیده
در این مقاله تئوری بهینه‌سازی مورد بررسی قرار می‌گیرد و به مسائل معمول بهینه‌سازی و رویکرد‌های حل آنها اشاره می‌شود.
1- تئوری بهینه‌سازی
آرزوی انسان برای رسیدن به کمال مبین تئوری بهینه‌سازی است. انسان می‌خواهد بهترین را تجسم و توصیف کرده و به آن دست یابد (بیت‌لر1 و دیگران 1979، 1). اما از آنجایی که می‌داند نمی‌تواند تمام شرایط حاکم بر بهترین را به خوبی شناسایی و تعریف نماید در بیشتر موارد به جای جواب بهترین یا بهینه مطلق، به یک جواب رضایت‌بخش (وارنر2 1996، 3767-3769) بسنده می‌کند. همچنین انسان در قضاوت عملکرد دیگران، معیار بهترین را در نظر نمی‌گیرد بلکه آنان را به صورت نسبی مورد ارزیابی قرار می‌دهد (گلدبرگ3 1989، 7). بنابراین انسان به دلیل ناتوانی خود در بهینه‌سازی، به بهبود ارزش ویژه‌ای می‌دهد.
بیت لر و دیگران (1979، 1) بهینه‌سازی را چنین شرح می‌دهند: فعل «بهینه ساختن» که کلمه قوی‌تری نسبت به «بهبود» می‌باشد عبارتست از دستیابی به «بهینه»، و «بهینه‌سازی» اشاره به عمل بهینه ساختن دارد. بنابراین تئوری بهینه‌سازی شامل مطالعات کمی بهینه‌ها و روش یافتن آنهاست. همچنین «بهینه» به عنوان یک واژه فنی دلالت بر اندازه‌گیری کمی و تحلیل ریاضی دارد در حالی که بهترین دارای دقت کمتر بوده و بیشتر برای امور روزمره استفاده می‌شود.
در بیشتر موارد آنچه که با هدف بهینه‌سازی انجام می‌دهیم بهبود است. بهینه‌سازی به دنبال بهبود عملکرد در رسیدن به نقطه یا نقاط بهینه است. این تعریف دو قسمت دارد: (1) جستجوی بهبود برای رسیدن به (2) نقطه بهینه. تفاوت روشنی بین فرایند بهبود و مقصد یا نقطه بهینه وجود دارد. هنوز هم معمولاً در رویه‌های بهینه‌سازی تمرکز بر همگرایی است (آیا به نقطه بهینه می‌رسد؟) و عملکرد ضمنی رویه به طور کلی فراموش می‌شود. این اهمیت نسبت به همگرایی مربوط به ریشه‌های بهینه‌سازی در ریاضیات است اما همان طور که اشاره شد در عمل چنین اهمیتی طبیعی و معقول نمی‌باشد (گلدبرگ 1989، 6). این مقایسه قصد بی‌ارزش نشان دادن همگرایی و دقتهای معمول ریاضی را ندارد چرا که این حوزه خود مبنای ارزشمندی برای مقایسه روشهای بهینه‌سازی ارائه می‌کند.درمقایسه الگوریتم‌های بهینه‌سازی دو معیار همگرایی و عملکرد مطرح می‌شود. بعضی از الگوریتم‌ها دارای همگرایی بوده ولی ممکن است عملکرد ضعیفی داشته باشند، یعنی فرایند بهبود آنها از کارایی و سرعت لازم برخوردار نباشد. برعکس بعضی دیگر از الگوریتم‌ها همگرایی نداشته ولی عملکرد آنها خیلی خوب است.
می توان هدف از فرایندهای جستجو را در سه دسته زیر بیان کرد:
بهینه‌سازی
یافتن جواب عملی
شبه بهینه‌سازی
در شرایطی که ما به یافتن جواب در همسایگی جواب بهینه راضی باشیم هدف جستجو را شبه بهینه‌سازی می‌نامند. شبه بهینه‌سازی دارای دوطبقه است. اگر هدف یافتن جواب عملی خوب در فاصله تعریف شده‌ای از جواب بهینه باشد به آن بهینه‌سازی نزدیک4 گفته می‌شود. اگر شرط فاصله تعریف شده برای جواب بدست‌آمده حذف گردد و تنها یافتن جواب نزدیک بهینه با احتمال بالا، هدف باشد به آن بهینه‌سازی تقریبی5 گفته می‌شود.
کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی 18 ص
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 18
کاربرد مقایسه‌ای الگوریتم در بهینه‌سازی بهره‌برداری از سیستم چندمخزنی
چکیده
در این مقاله، کاربرد الگوریتم ژنتیک در بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی بررسی شده است. بهینه‌سازی پارامترهای سیاست بهره‌برداری در این روش، صرفاً با استفاده از نتایج شبیه‌سازی سیستم انجام می‌شود. بنابراین می‌توان انواع مختلفی از مسائل بهره‌برداری را مستقل از نوع تابع هدف و قیدهای آن و نیز ساختار سیاست بهره‌برداری، بهینه‌سازی نمود. در این مقاله پس از بررسی اجمالی روش الگوریتم ژنتیک پیشنهادی، عملکرد آن در بهینه‌سازی یک سیستم پویای استوکستیک و برنامه‌ریزی پویا با رگرسیون مقایسه شده است. نتایج حاصل، نشانگر برتری الگوریتم ژنتیک هم به لحاظ سرعت و محاسیبات و هم مقدار تابع هدف در مقایسه با دو روش دیگر بوده است. با این حال به منظور افزایش کارایی این روش، اصلاحاتی در آن صورت گرفته است. بهبود کارایی عملگرهای الگوریتم ژنتیک به ویژه استفاده از قانون به هنگام‌سازی قدرت جهش و محاسبه برازندگی کروموزوم‌ها بوسیله شبیه‌سازی سیستم با دوره‌های متغیر، دو نمونه از این اصلاحات را تشکیل داده‌اند.
در بررسی‌های انجام شده اثر این اصلاحات کاملاً مفید ارزیابی شده است، به گونه‌ای که روش اصلاح شده قادر خواهد بود در مدت زمانی کمتر به نتایجی بهتر از روش معمولی دست یابد. ارزیابی مدل نهایی الگوریتم ژنتیک نشان می‌دهد که روش پیشنهادی، روشی بسیار کارآمد در حل مسائل سیستم‌های بزرگ است که حل آنها با روشهای رایج غالباً غیرممکن است. به عبارتی، ارزش و کارامدی عملگرهای پیشنهادی از نقطه‌ای شروع می‌شود که عملگرهای رایج الگوریتم ژنتیک در آن نقطه متوقف شده و قادر به پیشروی نیستند.
1- مقدمه
بهینه‌سازی بهره‌برداری از سیستم‌های چندمخزنی و تدوین قوانین و سیاست‌های کارآمد بهره‌برداری از آنها از چندین دهه پیش یکی از موضوعات اصلی در مطالعات منابع آب بوده و تحقیقات گسترده‌ای بر آن انجام شده است. در این راه پیشرفت‌های فراوانی چه به لحاظ استراتژی‌های جدید و کارآمد حل مساله و چه از نظر افزایش توانمندی و سرعت کامپیوترهای شخصی به عنوان ابزارهای محاسباتی بوجود آمده است. اما به رغم این پیشرفت‌ها، بهینه‌سازی بهره‌برداری از یک سیستم چندمخزنی بزرگ به صورت یکپارچه به ویژه هنگامی که عدم قطعیت‌های هیدرولوژیکی سیستم به صورت واقع‌بینانه در نظر گرفته می‌شوند، همچنان کاری چالش‌دار باقی مانده است.
لادبادیه در مروری بر استراتژی‌های حل مساله بهینه‌سازی بهره‌برداری از سیستم مخازن، این استراتژی‌ها را در چهار دسته بهینه‌سازی استوکستیک ضمنی، بهینه‌سازی استوکستیک صریح، کنترل بهینه زمان واقعی و روشهای برنامه‌ریزی کاوشی مورد بررسی قرار داده است. روش الگوریتم ژنتیک در این بررسی به عنوان یک روش برنامه‌ریزی کاوشی در نظر گرفته شده است و دارای این مزیت ویژه می‌باشد که می‌دانید تمامی جزئیات مدل‌های شبیه‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی مساله یا محاسبه مشتقات تابع هدف نیاز داشته باشد. از این رو می‌توان روش GA را استراتژی امیدوارکننده‌ای در حل مساله بهره‌برداری بهینه از سیستم مخازن، به ویژه در سیستم‌های واقعی بزرگ با توابع هدف و قیدهای پیچیده غیرخطی و تفکیک‌ناپذیر دانست.
الگوریتم ژنتیک از طریق فرآیندی شبیه به روشهای انتخاب طبیعی در علوم زیست‌شناسی به بهینه‌سازی مسائل می‌پردازد. این الگوریتم‌ها در طول دهه گذشته به طور گسترده به عنوان ابزارهای جستجو و بهینه‌سازی در رشته‌های مختلف از جمله بازرگانی، علوم و مهندسی بکار گرفته شده‌اند.
اگرچه استفاده از GA در مستئل بهره‌برداری از سیستم‌های منابع آب روش نسبتاً جدید محسوب می‌شود، اما کاربردهای موفقی از آن گزارش رشده است. ایسات و هال کاربرد GA را در یک سیستم چهارمخزنی معروف بررسی کردند. آنها مدل GA را با برنامه‌ریزی پویا، مقایسه و آن را به لحاظ نیازهای محاسباتی کاملاً برتری گزارش نمودند. واردلا و شریف نیز از GA برای بهینه‌سازی همان سیستم چهارمخزنی استفاده کرده و نشان دادند که این روش می‌تواند جواب‌های توانمند و قابل قبولی ارائه دهد. یک سال بعد این کار توسط شریف و واردلا توسعه بیشتری یافت. اولیویرا و لاکس از GA برای بهینه‌سازی منحنی‌های فرمان در سیستم‌های چندمخزنی سیاست‌های بهره‌برداری از سیستم‌های مخازن پیچیده ارزیابی نمودند. کای و همکاران، GA را برنامه‌های خطی با موفقیت مورد استفاده قرار دادند.
چن از این الگوریتم در به دست آوردن منحنی‌های فرمان یک سیستم تک‌مخزنی استفاده کرد و آن را برای بهینه‌سازی سیستم‌های کاملاً غیرخطی، بسیار موثر ارزیابی نمود. تونگ و همکاران از GA برای تعیین مقدار بهینه پارامترهای نوعی از منحنی‌های بهره‌برداری مخازن استفاده کرده و آن را ابزار قدرتمندی برای یافتن استراتژی‌های مدیریت منابع آب بهینه ارزیابی نمودند. ممتحن و همکارانریال از GA در بهینه‌سازی ساختارهای مختلفی از سیاست‌های بهره‌برداری برای یک سیستم تک‌مخزنی استفاده کردند و عملکرد آن را با روشهای برنامه‌ریزی پویای استوکستیک و برنامه‌ریزی پویا رگرسیون به عنوان دو روش مرسوم بهینه‌سازی مقایسه نمودند. آنها سیاست‌های با ساختار خطی و خطی قطعه‌ای به دست آمده از روش GA را برتر از سیاست‌هاتی حاصل از روشهای بهینه‌سازی مرسوم گزارش نمودند.
به طور کلی می‌توان کاربرد GA در بهینه‌سازی بهره‌برداری از منابع آب را در تحقیقات گذشته به دو دسته بهینه‌سازی برداشت‌های هر دوره زمانی و بهینه‌سازی پارامترهای سیاست بهره‌برداری تقسیم کرد. در این دسته‌بندی، شریف و واردلا از دسته اول و اولیویرا و لاکس و ممتحن و همکاران از دسته دوم می‌باشند. در دسته اول GA به طریقی بکار گرفته می‌شود که نتایجی مشابه مدل‌های برنامه‌ریزی پویا تولید کند و بنابراین به طور خودکار قسمتی از مشکلات محاسباتی این مدل‌ها را نیز به همراه خواهد داشت، اما در دسته دوم از GA با یک رویکرد جدید، یعنی جستجوی مستقیم پارامترهای سیاست، استفاده شده است، به گونه‌ای روشهای بهینه‌سازی دیگر امکان استفاده در این رویکرد را ندارند. بنابراین، به نظر می‌رسد در این روش استفاده بهتری از پتانسیل GA می‌شود. روش مورد استفاده در این مقاله نیز از دسته دوم می‌باشد.
در مقاله حاضر کار ممتحن و همکاران توسعه داده شده و روش جستجوی مستقیم پارامترهای سیاست، با استفاده از GA در سیستم‌های چندمخزنی بررسی شده است. همچنین در بخش‌های مختلفی از این روش اصلاحاتی پیشنهاد شده تا بتوان سیاست‌های بهینه‌سازی بهتری را در زمانی کمتر به دست آورد. عملکرد این مدل به لحاظ نیازهای محاسباتی و مقادیر تابع هدف در یک سیستم سه مخزنی با مدل‌های SDR, DRP مقایسه شده است.