طراحی سامانه انتخاب حسگرها در زیردریایی هوشمند بدون سرنشین با استفاده از شبکه های عصبی و الگوریتم اجتماع عنکبوت ها

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 368

فایل این مقاله در 11 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:

JR_IJMT-4-3_002

تاریخ نمایه سازی: 12 تیر 1398

چکیده مقاله:

هدف از این مقاله انتخاب مجموعه ای از حسگرها در زیردریایی هوشمند بدون سرنشین به گونه ای است که علاوه بر کمینه کردن میزان انرژی مصرفی، بوسیله ی کم کردن پیچیدگی زمان پردازش اطلاعات نیز کاهش یابد. همواره یک تناظر یک به یک بین قابلیت کاری و منبع انرژی وجود دارد. از جمله چالش هایی که زیردریایی های هوشمند بدون سرنشین با آن روبرو هستند منابع انرژی محدود آن ها می باشد. تنها منبع انرژی در زیردریایی های هوشمند بدون سرنشین باتری ها هستند. با توجه به اینکه شارژ کردن باتری ها در اعماق دریا غیرممکن است، ناگزیر به صرفه جویی در مصرف انرژی می باشیم. موثرترین راه برای صرفه جویی در مصرف انرژی انتخاب هوشمندانه ی مجموعه ای از حسگرها به گونه ای می باشد که با کمترین تعداد حسگر، بیشترین کارآیی را بدست آوریم. از این رو از شبکه ی عصبی به عنوان تابع بهینه ساز و همچنین از الگوریتم اجتماع عنکبوت ها که در پیدا کردن بهینه عمومی و رسیدن به همگرایی بسیار قدرتمند است، استفاده می کنیم. خواهیم دید که این الگوریتم با پیدا کردن بهینه عمومی و رسیدن سریع به همگرایی قادر است کمترین تعداد حسگر را در مجموعه ی حسگر انتخاب کند. در پایان نتایج شبیه سازی با الگوریتم مبتنی بر جغرافیای زیستی، الگوریتم مبتنی بر جغرافیای زیستی بهینه شده با نقشه های آشفته، الگوریتم ازدحام ذرات، الگوریتم ژنتیک، الگوریتم، الگوریتم کرم شب تاب، الگوریتم فاخته ذرات مقایسه می شود. نتایج حاصله حاکی از آن است که عملکرد الگوریتم اجتماع عنکبوت ها در مقایسه با الگوریتم های دیگر و در حالت زیرسطحی کارآیی بهتری دارد و قادر است زمان پردازش را به 8/1 ثانیه برساند. همچنین مصرف انرژی را به میزان 1/7 کیلووات ساعت کاهش می دهد. این امر سبب می شود 5/106 دقیقه به زمان دریانوردی اضافه گردد.

کلیدواژه ها:

انتخاب حسگر ، شبکه عصبی ، الگوریتم اجتماع عنکبوت ها ، تابع بهینه ساز

نویسندگان

عباس صفاری

کارشناس ارشد مهندسی برق، دانشگاه علوم دریایی امام خمینی(ره)

مجید آقابابایی

استادیار دانشکده برق، دانشگاه علوم دریایی امام خمینی(ره)

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 :
  • Ono, M. and Huntsberger, T. Safe Maritime Autonomous Path Planning ...
  • Kuwata, Y., Wolf, M. T., Zarzhitsky, D. and Huntsberger, T. ...
  • Eiben, A. E. and Smith, J. E. Introduction to Evolutionary ...
  • Yuan, B. and Gallagher, M. Playing in Continuous Spaces: Some ...
  • Sharawi, M. Optimal Weights Sensors Measurement Fusion using Genetic Algorithms ...
  • Ergiin, C. and Hacioglu, K. Multiuser Detection Using a Genetic ...
  • Al Khatib, E. I.,  Jaradat, M. A. and  Abdel-Hafez, M. ...
  • Raol, J. R. and Girija, G. Sensor data fusion algorithms ...
  • Lee, M. F. R.,  Stanley, K. and Wu, Q. M. ...
  • Badamchizadeh, M., Nikdel, N. and Kouzehgar, M. Optimization of Data ...
  • Cuevas, E., Zaldvar, D. and Cisneros, M.   A Swarm ...
  • Wang, Y., Zhu, L., Wang, J. and Qiu, J. An ...
  • Mirjalili, S. A., Mirjalili, S. M. and Lewis, A. Let ...
  • Abedifar, V., Eshghi, M., Mirjalili, S. A. and Mirjalili, S. ...
  • Nguyen, L. S., Frauendorfer, D., Mast, M. and Gatica-Perez, D. ...
  • Auer, P., Burgsteiner, H. and Maass, W. A Learning Rule ...
  • Barakat, M., Khalil, M., Druaux, F. and Mustapha, O. Parameter ...
  • Kiranyaz, S., Ince, T., Yildirim, A. and Gabbouj, M. Evolutionary ...
  • Mirjalili, S. M. and Sardroudi, H. M. Training Feedforward Neural ...
  • Mirjalili, S. and Safa Sadiq, A. Magnetic Optimization Algorithm for ...
  • نمایش کامل مراجع