کنترل فعال سازه ها با استفاده از الگوریتم پرواز پرندگان اصلاح شده

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,620

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCE06_0695

تاریخ نمایه سازی: 28 مرداد 1390

چکیده مقاله:

برای محافظت و سرویس دهی سازهها در برابر بارهای جانبی بحث کنترل سازهها در دو دهه اخیر رشد بسیاری کرده است. یکی از مهمترین مباحث در کنترل سازهها پیدا کردن محل نیروی کنترل با استفاده از پاسخ سازه میباشد. با توجه به بالا بودن هزینه نگهداری لوازم به کار رفته در سیستمهای کنترلی و نیروی کنترلگرها، تعداد و محل بهینه قرار گیری کنترل گرها از اهمیت زیادی برخوردار است. روشهای گوناگونی برای یافتن بهینه یک تابع وجود دارد. مانند روشهای سنتی: مشتق گیری، نیوتن – رافسون و ... یا روشهای نوین که الهام گرفته شده از طبیعت میباشند مانند: الگوریتم ژنتیکGenetic Algorithms و پرواز پرندگان.(Particle Swarm Optimization در این تحقیق روش پروازپرندگان به کار گرفته شده است. با توسعه در رابطه اصلی و پارامترهای آن سعی در بهبود سرعت همگرایی PSO شده است. سپس منحنی تعداد ذرات- تعداد مجهولات ارائه شده که با توجه به آن میتوان تعداد تقریبی مجهولات را پیدا کرده و در کمترین زمان به جواب بهینه رسید

نویسندگان

فریدون امینی

استاد دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران

هادی باقی

کارشناسی ارشد مهندسی عمران، دانشگاه علم و صنعت ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Symans, M. D., and Constantinou, M. C. (1999). :Semi-active control ...
  • Fereidoun Amini, Mohammad Reza Tavassoli, "Optimal structural active control force, ...
  • R.E. Perez a, K. Behdinan. Particle SWarm approach for structural ...
  • Goldberg D. Genetic algorithms in search, optimization, and machine learning. ...
  • Dorigo M, Maniezzo V, Colorni A. The ant System: Optimization ...
  • Eberhart R, Kennedy J. New optimizer using particle swarm theory. ...
  • Hu X, Eberhart R, Shi Y. Engineering optimization with particle ...
  • Maurice Clerc , Particle Swarm Optimization , 2005, p. 38-37. ...
  • Shi Y, Eberhart RC. A modified particle SWarm optimizer. In: ...
  • W. H. Tang, S. He, Q. H. Wu, Z.J. Richardson, ...
  • نمایش کامل مراجع