کنترل ربات و مدل سازی مارکوف با بهینه سازی مبتنی بر جغرافیای زیستی (BBO)

پروژه ۱۲۷: شبیه سازی مقاله در متلب + تحقیق کامل + ترجمه کامل مقاله + فیلم اجرای کد

********************

دانلود: دانلود اصل مقاله لاتین

********************

یادگیری توزیعی با بهینه سازی مبتنی بر جغرافیای زیستی،مدل سازی مارکوف وکنترل ربات

خلاصه ای از مقاله: (فایل وورد کامل  ۴۷ صفحه ای )

بهینه سازی مبتنی بر جغرافیای زیستی (BBO) یک الگوریتم تکاملی است و انگیزه ان جغرافیای زیستی است. جغرافیای زیستی علمی است که نحوه توزیع جغرافیایی گونه های زیستی را توصیف می کند. ما الگوریتم استاندارد BBO را به یادگیری توزیعی تعمیم می دهیم که به هماهنگی متمرکز جمعیت نیاز دارد. ما این الگوریتم جدید را BBO توزیعی (DBBO) می نامیم ویک الگوی مارکوف برای ان بدست می اوریم که یک الگوی دقیق ریاضی از جمعیت DBBO در محدوده ای فراهم می کند که تعداد نسل به بی نهایت نزدیک می شود. ما از توابع معیار استاندارد برای مقایسه BBO و DBBO با دیگرالگوریتمهای بهینه سازی تکاملی مقایسه می کنیم ونشان می دهیم که BBO و DBBO بویژه برای مسائل چند وجهی ،نتایج رقابتی ارائه می کنند.نتایج معیار نشان می دهند که عملکرد DBBO تقریبا با عملکرد BBO مشابه است.ما همچنین BBO را براساس کاربرد جهانی که بهینه سازی الگوریتمهای کنترل ربات با استفاده از رباتهای متحرک شبیه سازی شده و ازمایشگاهی است،نشان می دهیم.

کلمات کلیدی: بهینه سازی مبتنی بر جغرافیای زیستی،یادگیری توزیعی،کنترل ربات، الگوی مارکوف.

بخش طراحی ربات: 

رباتهای متحرکی که در این تحقیق استفاده می کنیم برای کاربرد نقشه کشی ارائه شدند [۷].انها ابتدا در تحقیق BBO دربخش [۱۳]  وتحقیق مقدماتی DBBO در[۳۴] استفاده شدند.این بخش برخی از اطلاعات سخت افزاری ربات ارائه می کند.

رباتها با دو موتور DC(هرموتور برای یک چرخ عقب) و هشت باتری AA که دو تغذیه مجزای نیرو را فراهم می کنند،مجهز می شوند.این باتریها به این دو موتور(تغذیه اول نیرو) والکترونیکهای دیجیتال (تغذیه دوم نیرو) نیرو می دهند. رباتها توسط یک کنترل کننده کوچک میکروچیپ PIC18F4520  کنترل می شوند.این کنترل کننده کوچک موتورچرخهای عقب و ارتباط رادیویی با یک کامپیوتر شخصی (PC) را کنترل می کند. در هر ربات یک تنظیم کننده ولتاژوجود دارد.یک تنظیم کننده ،۵ ولت به کنترل کننده کوچک و الکترونیکهای دیجیتال دیگر توزیع می کند و دیگری به موتورها نیرو می دهد.یک سیگنال دیجیتال ازکنترل کننده کوچک ،تغذیه نیروی موتور را با استفاده از یک پل High bridge ،  SN754410NE روشن می کند. حسگرهای مادون قرمزبا استفاده ازیک حسگرمنتشرکننده نور و یک حسگرتشخیص دهنده نور، فاصله ربات را از دیوار اندازه گیری می کند.وظیفه ربات دنبال کردن مسیر دیوار در نزدیکترین فاصله ممکن و با سرعت ثابت است.کنترل کننده کوچک هنگام اجرای BBO متمرکز با استفاده از یک رادیوی بی سیم  و رادیوی  مکس استریم ۹Xtend با یک کامپیوتر شخصی ارتباط برقرار می کند و کامپیوتر شخصی الگوریتم BBO را اجرا می کند.رباتها هنگام اجرای BBO با استفاده از رادیوی ۹Xtend با یکدیگر ارتباط برقرار می کنند.تصویر ۲ تصویر یکی از رباتها را نشان می دهد. کنترل کننده ربات ،یک کنترل کننده مشتق-انتگرال –تناسب (PID) است[۲].یک کنترل کننده PID شامل افزایش تناسب،انتگرال ومشتق است.افزایش تناسب ، ،دترمینان اولیه بزرگی سیگنال کنترل و بنابراین دترمینان اولیه پاسخگویی سیستم کنترل است. هر چه ارزش بیشتر باشد،کنترل کننده با سرعت بیشتری به ردیابی خطاها پاسخ می دهد.افزایش انتگرال ،به کاهش خطای وضعیت ثابت کمک می کند. افزایش مشتق، ، در نسبت تغییر ردیابی خطا ضرب می شود و محصول ان به دستور سیگنال کنترل اضافه می شود.افزایش مشتق به حفظ ثبات کنترل کننده کمک می کند و مقدار خطای مربوط به  و را کاهش می دهد.

دیگر موارد که در متن اصلی به آن اشاره شده: 

۱-مقدمه

۲-بهینه سازی مبتنی بر جغرافیای زیستی

۲.۱-BBO متمرکز

۲.۲-BBO توزیعی

۲.۳-انتخاب گروه همسالان

۳-مدل سازی مارکوف

۳.۱-مدل سازی مارکوف برای BBO متمرکز

۳.۱.۱-نشان گذاری الگوی مارکوف

۳.۱.۲-مهاجرت در BBO متمرکز

۳.۱.۳-جهش در BBO متمرکز

۳.۲-مدل سازی مارکوف برای BBO توزیعی

۳.۳-نتایج شبیه سازی وتائید الگوی مارکوف

۴-نتایج شبیه سازی معیار

۴.۱-نتایج BBOمتمرکز

۴.۲-نتایج BBO توزیعی

۵-بهینه سازی ربات با استفاده از BBO و DBBO

۵.۱-سخت افزار ربات

۵.۲-کنترل ربات

۵.۳-نتایج شبیه سازی ربات

۵.۴-نتایج ازمایش ربات

۶-نتیجه گیری

مراجع

در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.

پس از پرداخت آنلاین، فایل قابل دانلود است.  
خرید آنلاین

برخی نتایج:

BBO: pm = 0.1, n = 8, N = 3, NumElites = 0, NumPeers = 2
mu = 0.11111 0.22222 0.33333 0.44444 0.55556 0.66667 0.77778 0.88889
Q^inf: Prob(0 0 0 0 0 0 1 2) = 0.037123
Q^inf: Prob(0 0 0 0 0 1 1 1) = 0.033871
Q^inf: Prob(0 0 0 0 0 1 0 2) = 0.032363
Perron-Frobenius: Prob(0 0 0 0 0 0 1 2) = 0.037123
Perron-Frobenius: Prob(0 0 0 0 0 1 1 1) = 0.033871
Perron-Frobenius: Prob(0 0 0 0 0 1 0 2) = 0.032363
Davis-Principe: Prob(0 0 0 0 0 0 1 2) = 0.037123
Davis-Principe: Prob(0 0 0 0 0 1 1 1) = 0.033871
Davis-Principe: Prob(0 0 0 0 0 1 0 2) = 0.032363
Prob(no optimal solutions) = 0.4975
Prob(uniform optimal population) = 0.022654

ans =

۰٫۰۲۲۷

 

دیگر پروژه های مرتبط:

مدل مارکوف برای بهینه سازی سیستمهای پیچیده بر مبنای جغرافیای زیستی

سورس مقاله: تجزیه وتحلیل احتمالی یک الگوریتم بهینه سازی جغرافیای زیستی

 

 


مجموعه: الگوریتم های فراابتکاری و هوشمند, کنترل, یادگیری تقویتی, یادگیری ماشینبرچسب ها , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

دیدگاهتان را بنویسید

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