برق 33. ترکیب الگوریتم ژنتیک و الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن اندازه و مکان بهینۀ تولید پراکنده در سیستم‌های توزیع

ترکیب الگوریتم ژنتیک و الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن اندازه و مکان بهینۀ تولید پراکنده در سیستم‌های توزیع
چکیدهمنابع تولید پراکنده (DG) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم‌های توزیع می‌گردند. مکان‌ها و توانمندی‌های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته‌اند. در این مقاله، یک ترکیب نوینی از  الگوریتم ژنتیک  (GA)/ بهینه‌سازی ازدحام ذرات  (PSO) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم‌های توزیع معرفی می‌شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم‌های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم‌های 33 و 39 باس انجام شده است تا کارائی روش ارائه شده نشان داده شود. 

فشرده سازی فراکتالی تصویر با الگوریتم بهینه سازی CFO با کد متلب

مقاله و کدهای متلب :
افزایش سرعت فشرده سازی فراکتالی تصویر با استفاده از الگوریتم بهینه
سازی نیروی مرکزی (CFO)

مشکل بزرگ الگوریتم فشرده سازی فراکتالی تصویر، صرف زمان بسیار زیاد برای رمزنگاری تصویر است. در این مقاله از الگوریتم جدید بهینه سازی نیروی مرکزی (CFO) برای کاهش زمان فشرده سازی تصویر، استفاده شده است. حجم بالای داده های تصویر فشرده نشده، ذخیره و انتقال آن را با مشکل مواجه می کند. با افزایش روزافزون داده های تصویری و ویدئویی، ارائه ی روش های سریع تر و کارآمدتر برای فشرده سازی تصویر، بسیار ضروری بنظر می رسد. فشرده سازی فراکتالی تصویر، یک تکنیک فشرده سازی با اتلاف است که از خاصیت شباهت موجود در نواحی مختلف تصویر استفاده می کند و دارای ویژگی های مطلوبی مانند: نرخ فشرده سازی بالا، کیفیت مناسب تصویر و خاصیت چند رزولوشنه می باشد.در این مقاله، الگوریتم بهینه سازی نیروی مرکزی (CFO)، برای یافتن سریع تبدیل های نگاشت مناسب در تصویر، به کار رفته است. به طوری که همین تبدیل ها، با الگوی فراکتالی می توانند کل تصویر را توصیف کنند و دیگر نیازی به ذخیزه تک تک پیکسل ها نخواهد بود. ارائه ی الگوریتم CFO در فشرده سازی فراکتالی تصویر، زمان فشرده سازی را بسیار کاهش داده است. الگوریتم CFO در مقایسه با سایر الگوریتم های بهینه سازی از خاصیت قطعی بودن جواب نهایی برخوردار است و در هر بار اجرای آن، تصویر بازیابی شده کیفیت ثابتی خواهد داشت.

شبکه عصبی

شبکه های عصبی مصنوعی جزء سیستم های دینامیکی هوشمندی هستند که با پردازش روی داده های تجربی ، دانش یا قانون نهفته  در ورای داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر « هوشمند » هستند چون بر اساس محاسبات  روی داده های عددی یا مثال ها ، قوانین کلی را استخراج کرده و یاد گرفته اند .

الگوریتم کراسکال و پریم

الگوریتم کراسکال با اضافه کردن یال ها به صورت مرحله به مرحله بهT،درخت پوشا با کمترین هزینه ی T را تولید می کند.
یال ها به ترتیب غیر نزولی انتخاب می شوند.
یک یال بهTاضافه می شود مشروط بر اینکه با یال های اضافه شده قبلی دور تشکیل ندهد.
گرافGهمبند است وn>0راس دارد پس دقیقا n-1 یال برای اضافه شدن در Tانتخاب میشود.
الگوریتم پریم مانند الگوریتم کراسکالMSTرا تشکیل میدهد.
در تمام مراحل الگوریتم پریم،مجموعه یال های انتخاب شده درخت تشکیل میدهد
...و لی در کراسکال در هر مرحله جنگل تولید می شود.

الگوریتم کراسکال و پریم

الگوریتم کراسکال با اضافه کردن یال ها به صورت مرحله به مرحله بهT،درخت پوشا با کمترین هزینه ی T را تولید می کند.
یال ها به ترتیب غیر نزولی انتخاب می شوند.
یک یال بهTاضافه می شود مشروط بر اینکه با یال های اضافه شده قبلی دور تشکیل ندهد.
گرافGهمبند است وn>0راس دارد پس دقیقا n-1 یال برای اضافه شدن در Tانتخاب میشود.
الگوریتم پریم مانند الگوریتم کراسکالMSTرا تشکیل میدهد.
در تمام مراحل الگوریتم پریم،مجموعه یال های انتخاب شده درخت تشکیل میدهد
...و لی در کراسکال در هر مرحله جنگل تولید می شود.