12623

بررسي و مقايسه روش‌هاي الگوريتم بهينه سازي فراابتكاري ملخ و گرگ خاكستري جهت به كار گيري در صنعت ريلي

1400

دكتر محمد علي صنديد زاده

در اين سمينار، دو الگوريتم بهينه‌سازي فراابتكاري، يعني الگوريتم بهينه‌سازي ملخ (GOA) و الگوريتم بهينه‌سازي گرگ خاكستري (GWO) مورد بررسي و مقايسه براي كاربردهاي راه‌آهن قرار گرفته‌اند. GOA از رفتار انبوه ملخ ها الهام گرفته شده، در حالي كه GWO از رفتار شكار گرگ هاي خاكستري الهام گرفته شده است. هر دو الگوريتم مبتني بر جمعيت و تصادفي هستند و از طريق يك سري مراحل براي يافتن راه‌حل بهينه براي يك مسئله بهينه‌سازي معين تكرار مي‌شوند. عملكرد الگوريتم‌هاي GOA و GWO بر روي مسئله بهينه‌سازي يافتن پروفيل سرعت بهينه در صنعت راه‌آهن ارزيابي مي‌شود. نتايج نشان مي‌دهد كه هر دو الگوريتم در حل اين مسائل عملكرد خوبي دارند. مزاياي اصلي الگوريتم‌هاي GOA و GWO اين است كه پياده‌سازي ساده، درك آسان و كارآمد در حل مسائل پيچيده بهينه‌سازي هستند. با اين حال، هر دو الگوريتم محدوديت هايي دارند. به عنوان مثال، الگوريتم GOA مي تواند به اندازه جمعيت اوليه حساس باشد و الگوريتم GWO مي تواند براي برخي مسائل كند باشد. به طور كلي، الگوريتم‌هاي GOA و GWO الگوريتم‌هاي بهينه‌سازي فراابتكاري اميدواركننده براي صنعت راه‌آهن هستند. تحقيقات بيشتري براي بهبود عملكرد آنها براي مسائل پيچيده‌تر و توسعه الگوريتم هاي تركيبي كه نقاط قوت آنها را تركيب مي‌كند، مورد نياز است. با اين حال در اين سمينار چند مورد از تحقيقات و كارهاي گذشته در مورد بهينه سازي پروفيل سرعت قطار مورد بررسي قرار گرفته است.

11/21/2022 12:00:00 AM

80740

1402/08/15

Reviewing and comparing the meta-heuristic optimization algorithms of grasshopper and gray wolf for use in the railway industry

بهينه سازي فراابتكاري , الگوريتم بهينه سازي ملخ , الگوريتم بهينه سازي گرگ خاكستري , پروفيل سرعت , صنعت راه آهن

meta-heuristic optimization , grasshopper optimization algorithm , gray wolf optimization algorithm , speed profile , railway industry