مقاله ترجمه شده درباره تنظیم کنترلر PID با استفاده از الگوریتم آشوبی بهبود یافته کریل هرد – سال 2016
مشخصات مقاله:
عنوان فارسی مقاله:
تنظیم کنترلر PID با استفاده از الگوریتم آشوبی بهبود یافته کریل هرد (دسته میگوها)
عنوان انگلیسی مقاله:
Tuning of a PID controller using improved chaotic Krill Herd algorithm
کلمات کلیدی مقاله:
کنترل کننده PID، بهینه سازی تکاملی، بهینه سازی کریل هرد بی نظم
مناسب برای رشته های دانشگاهی زیر:
مهندسی برق
مناسب برای گرایش های دانشگاهی زیر:
مهندسی کنترل و مکاترونیک
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. الگوریتم دسته میگو (کریل هرد)
3. بهینه سازی بهبود یافته آشوبی دسته میگو (ICKH)
3.1 استفاده از محدودیت ها برای سرعت و جایگاه
3.2 دسته میگوی آشوبی
4. کنترلر PID
5. مثال
6. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Mankind has always been looking for best possible solution of problems in environment around himself. According to the situation, these solutions could be whether smallest or biggest possible solutions. Nowadays in engineering problems, achieving the solution with the lowest possible cost, is one ofthe designers’ problems. Former methods to solve optimization problems require enormous computational efforts, which tend to fail as the problem size increases. This is the motivation for employing bio-inspired stochastic optimization algorithms as computationally efficient alternatives to deterministic approach [1]. Observation in nature for inspiration had been the old interests of scientists to achieve optimization methods. Therefore, many optimization algorithms such as ACO [2], PSO [3], GA [4] etc. have been designed with nature-inspired and animals’ behavior
1. مقدمه
نسل بشر همواره به دنبال بهترین راه حل ممکن مسائل در محیط دور و اطراف خودش بوده است. براساس شرایط، این راه حل ها می توانند کوچکترین یا بزرگترین راه حل های ممکن باشند. امروزه در مسائل مهندسی، رسیدن به راه حل با کمترین هزینه ممکن، یکی از مسائل طراحان است. روش های قبلی برای حل مسائل بهینه سازی نیازمند تلاش های محاسباتی گسترده هستند که با افزایش سایز مسائل، با شکست مواجه می شوند. این انگیزه استفاده از الگوریتم های بهینه سازی تصادفی الهام گرفته از زیست به عنوان جایگزین های کارآمد محاسباتی برای رویکردهای جبری است [1]. مشاهده در طبیعت برای الهام بخشی نیز علاقه قدیمی دانشمندان برای رسیدن به روش های بهینه سازی بوده است. از این رو، بسیاری از الگوریتم های بهینه سازی مانند ACO [2]، PSO [3]، GA [4] و غیره با الهام از طبیعت و رفتار حیوانات طراحی شده اند.
