
کنترل ربات و مدل سازی مارکوف با بهینه سازی مبتنی بر جغرافیای زیستی (BBO)
مجموعه: الگوریتم های فراابتکاری و هوشمند, کنترل, یادگیری تقویتی, یادگیری ماشین
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.
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 -نتایج BBO توزیعی, (الگوریتمهای ژنتیکی،بهینه سازی تجمع ذرات،تکامل دیفرانسیل و...)اجرا شود.الگوی مارکوف, • سرعت زمان سنج هرکنترل کننده کوچک ربات ،۴۰ مگاهرتز می باشد که فرکانس, • هرربات متغیرهای تصمیم (یعنی متغیرهای کنترل), ۱۰-L-SaDE،یک الگوریتم تکامل دیفرانسیل تطبیقی است [۲۶]., ۱۱-SPC-PNX ،یک الگوریتم ژنتیکی پیوسته است [۵]., ۲-BLX-MA ،یک الگوریتم الگوهای رفتاری انطباقی است[۲۰]., ۳-CoEvo ،یک الگوریتم تکاملی گروهی است [۲۵]., ۳۰۶۴ دوره اموزش در طی استدلال DBBO به 31μs نیاز, ۴-DE، یک تکامل دیفرانسیلی است [۳۰]., ۵-DMS-L-PSO ،یک روش تراکم ذرات با چند تراکم است [۱۱]., ۶-EDA،تخمین الگوریتم توزیعی است [۴۴]., ۷-G-CMA-ES، یک روش تکامل انطباق ماتریس کوواریانس است [۳خ., ۸-K-PCX، یک الگوریتم از روشهای مختلف الگوریتم تکاملی است [۴۱]., ۹-L-CMA-ES، یک روش انطباق ماتریس کوواریانس دیگر است.[۴]., BBO توزیعی, BBO توزیعی در مقالات, BBO متمرکز, BBO متمرکز در متلب, BBO و DBBO بویژه برای مسائل چند وجهی, DBBO برای کنترل ارزیابی جمعیت از کامپیوتر مرکزی, F12تابع چرخیده وتغییریافته ویراستراس, GLX-GL50،الگوریتم ژنتیکی دو جنسی با عملگرهای متقاطع اصلی است., λ_i=1, احتمال تغییر وضعیت جمعیت BBO از بردار جمعیت, احتمالهای مهاجرت به داخل برای BBO متمرکز که در ان احتمال مهاجرت بطور ساده, ارائه یک راهنمایی برای مساله زمانی که به جای BBO از DBBO, ارزشهای تناسب در مساله فریبنده سه بیتی به ارزشهای تناسب در مساله یک –ماکزیمم, ارزشهای تناسب مساله سه بیتی یک –ماکزیمم, افراد BBO که تناسب بالایی دارند،احتمال بالایی برای مهاجرت به خارج, اگرچه الگوی مارکوف و الگوی سیستم دینامیکی توزیع جمعیت, الفرد والاس و کارلس داروین, الگوریتم ۱:الگوریتم متمرکزBBO, الگوریتم ۱:الگوریتم متمرکزBBO در متلب, الگوریتم ۲.الگوریتم توزیعی BBO, الگوریتم DBBO که ما پیشنهاد می کنیم،شکلی از هوش رقابتی, الگوریتم استاندارد BBO, الگوریتم استاندارد BBO برای اینکه از الگوریتم توزیعی BBO, الگوریتم استاندارد BBO را به یادگیری توزیعی, الگوریتم سه بیتی DBBO با اندازه جمعیت ۵ حاوی حداقل یک فرد بهینه, الگوریتمهای تکاملی دیگر،ما معمولا نخبه گرایی را در BBO, الگوریتمهای تکاملی موازی, الگوریتمهای تکاملی موازی در متلب, الگوی دقیق ریاضی از جمعیت DBBO, الگوی مارکوف برای DBBO، از مساله یک – ماکزیمم و یک مساله فریبنده, الگوی مارکوف را برای DBBO, الگوی مارکوف مربوط به BBO متمرکز را به DBBOگسترش, انتخاب گروه همسالان, انتخاب گروه همسالان در جغرافیای زیستی, انجام پروژه های مدل سازی مارکوف برای BBO توزیعی, این الگوریتمها ،DBBO/2 ، DBBO/4 و DBBO/6 می, این بخش BBO و DBBO را در برخی از مسائل معیار از رقابت 2005 کنگره IEEE, برای احتمال عدم مهاجرت به داخل و احتمال مهاجرت به داخل, برای ازمایش تجربی DBBO ،از چهار ربات ومیزان جهش ۱۵٪, برای زنجیره های مارکوف BBO و DBBO ت, برای محل سکونت (HSI) دارد.زیست, بهینه سازی ربات با استفاده از BBO و DBBO, بهینه سازی ربات با استفاده از BBO و DBBO در متلب, بهینه سازی مبتنی بر جغرافیای زیستی, بهینه سازی مبتنی بر جغرافیای زیستی در محیطهای نویزی, بهینه سازی مبتنی برجغرافیای زیستی از نوع توزیعی را بر مبنای هوش گروهی, پروژه های کلاسیک تنظیم کنترل کننده ربات, پل High bridge, پیاده سازی مدل سازی مارکوف وکنترل ربات, پیاده سازی مقاله نشان گذاری الگوی مارکوف, تابع بیضی مشروط با تغییر بالای چرخش, تابع تغییریافته رستریگین, تابع چرخیده و تغییریافته گری وانک بدون حد, تابع چرخیده وتغییریافته آکلیز با حد بهینه جهانی در حدها, تابع چرخیده وتغییریافته رستریگین, تابع شفل ۲.۶ با حد بهینه در حدود, تحقیق کامل در مورد مهاجرت در BBO متمرکز, تحقیقی کامل در مورد مدل سازی مارکوف, تصویر ۱ گروهی از رباتها را نشان می دهد که بدون هماهنگی متمرکز در حال برقراری ارتباط, تصویر یک ربات متحرک که برای ازمایش BBO و DBBO, تفاوت اصلی بین BBO و DBBO, تلاشهای محاسباتی و زمان لازم برای BBO در همه الگوریتمهای تکاملی, تنظیم کنترل PD را بیشتر انجام دهند،زمان ربات و کامپیوتر, تنظیم کنترل کننده ربات, تنظیم کنترل کننده ربات در متلب, توابع «max» و «min», توابع «max» و «min» در سیستم های هوشمند, توابع «max» و «min» در متلب, توجه کنید که DBBO برای بردار جمعیت گروه همسالان, توزیع جمعیت DBBO بعد از یک تعداد بی نهایت نسلها, جمعیتی از رباتها را به شکل یک نمودار متصل به هم, جمله «تناسب هر فرد ،f(G_i) ، را در G محاسبه کنید», جهش در BBO متمرکز در متلب, حل کدهای متلب مدل سازی مارکوف, خرید, خرید پروژه مقایسه BBO و DBBO با دیگرالگوریتمهای بهینه سازی تکاملی, خرید کدهای متلب الگوریتم ۱:الگوریتم متمرکزBBO, خرید کدهای متلب تنظیم کنترل کننده ربات, خرید کدهای متلب مدل سازی مارکوف وکنترل ربات, دانلود کدهای ریاضی جهش در BBO متمرکز, دانلود کدهای متلب BBO متمرکز, دانلود کدهای متلب متغیرهای شاخص تناسب (SIVs), دانلود کدهای متلب مدل سازی مارکوف برای BBO متمرکز, دانلود کدهای متلب مقایسه BBO و DBBO با دیگرالگوریتمهای بهینه سازی تکاملی, دانلود مقاله BBO توزیعی, دانلود مقاله مرتبط با بهینه سازی مبتنی بر جغرافیای زیستی, در DBBO،الگوریتم تکاملی توسط افراد جمعیت, در این مقاله در مدل سازی مارکوف و بعد از ان کاربرد ربات DBBO ،افراد را برای عضویت, در معادله (۳۲)،x یک فرد BBO یا DBBO را نشان می دهد و شامل ارزشهای K_P وK_d به, درطی فرایند DBBO ،ارزش تابع هزینه دربهترین ربات و هزینه متوسط هر چهار ربات, دریک محیط واقعی (مثلا در یک محیط اداری یا در یک کارخانه) با روش جغرافیای زیستی, رباتها از طریق رادیوهای بی سیم, رباتها با دو موتور DC(هرموتور برای یک چرخ عقب) و هشت باتری AA که دو تغذیه مجزای, رباتها برای دنبال کردن دیوار با استفاده از کنترل کننده PD, رفتار همگرایی DBBO را بررسی نکردیم.اما الگوهای مارکوف را برای بررسی رفتار همگرایی, روش هوشمند برای کنترل ربات کنترل ربات ؟, رونوشت DBBO, ریاضیات و مفهوم هوش مصنوعی برای جهش در BBO متمرکز, زیر مجموعه G بصورت تصادفی, سفارش پیشنهاد پروژه مدل سازی مارکوف برای BBO متمرکز, سفارش کدهای متلب مدل سازی مارکوف, سورس کدهای متلب یادگیری توزیعی, شبیه سازی متلب مدل سازی مارکوف, شبیه سازی مقاله مدل سازی مارکوف وکنترل ربات, شبیه سازیهای مونت کارلو به منظور تعیین کمیت عملکرد DBBO, شکل اصلاح شده BBO, عیارهای CEC 2005 مسائل متوالی یک محیط, فضای تحقیق جهش را در BBO, قطار دنده مکانیکی[۳۳]،طبقه بندی تصویر ماهواره[۲۳]،طراحی انتن [۴۰]،و پردازش سیگنال زیست, کارمک ارتور و ادوارد ویلسون, کدهای الفرد والاس و کارلس داروین, کدهای متلب BBO توزیعی, کدهای متلب انتخاب حسگر سلامت موتورهواپیما, کدهای متلب بهینه سازی مبتنی بر جغرافیای زیستی, کمترین و میانگین هزینه DBBO/2 هنگامی که عملکرد کنترل چهار ربات متحرک, کنترل PD در ربات ها, کنترل ربات, کنترل ربات با مدل ها ؟, کنترل کننده ربات ،یک کنترل کننده مشتق-انتگرال –تناسب (PID) است, کنترل کننده کوچک میکروچیپ PIC18F4520, لگوریتم جدید را BBO توزیعی (DBBO) در متلب, لگوی مارکوف را برای DBBO, ما الگوریتمهای BBO و DBBO خودمان را با یازده الگوریتم دیگر که در رقابت CEC 2005, متغیرهای شاخص تناسب (SIVs), متغیرهای شاخص تناسب (SIVs) در متلب, متلب کنترل ربات, محاسبه تکاملی (CEC), مدل سازی مارکوف, مدل سازی مارکوف برای BBO توزیعی, مدل سازی مارکوف برای BBO توزیعی در متلب, مدل سازی مارکوف برای BBO متمرکز, مدل سازی مارکوف برای BBO متمرکز در متلب, مدل سازی مارکوف برای BBOرا به DBBO گسترش, مدل سازی مارکوف را برای BBO متمرکز, مدل سازی مارکوف وکنترل ربات, مدل سازی مارکوف وکنترل ربات در متلب, معیارهای CEC 2005 که در در متلب و مقالات, مقالات آماده متلب مدل سازی مارکوف, مقالات دانلود کدها خرید پروژه بهینه سازی ربات با استفاده از BBO و DBBO, مقالات شبیه سازی یادگیری توزیعی, مقاله در مورد کنترل ربات با کنترل مشتق گیر در متلب, مقاله های اماده مهاجرت در BBO متمرکز, مقایسه BBO و DBBO با دیگرالگوریتمهای بهینه سازی تکاملی, مقایسه بین BBO و DBBO در ۵ معیار تک نمایی, مقایسه بین BBO و DBBO در ۶معیارچندنمایی, مهاجرت در BBO متمرکز, مهاجرت در BBO متمرکز در متلب, موتور را با استفاده از یک پل پهن SN754410NE روشن, نامناسب ترین فرد در جمعیت: μ_i=0, نتایج شبیه سازی وتائید الگوی مارکوف, نتایج شبیه سازیهای BBO و DBBO, نشان گذاری الگوی مارکوف, نشان گذاری الگوی مارکوف در متلب, نظریه مارکوف برای مدل سازی DBBO, نوع توزیعی BBO را معرفی می کنیم که ان را BBO توزیعی (DBBO), هدف اصلی این مقاله معرفی BBO و ایجاد انگیزه برای, واریانس جمعیت الگوریتم تکاملی را با الگوهای دستگاههای اماری, وظیفه کنترل PD به عنوان یک مثال ساده و واقع گرا درمورد توانایی DBBO در بهینه سازی یک سیستم تجربی, یادگیری توزیعی, یادگیری توزیعی در متلب, یک الگوی دستگاه اماری BBO در [۱۸] بدست می اید که می توان ان را در تحقیقات اینده DBBO, یک محل سکونت با HSI بالا