شناسایی سیستم و مدل سازی سیستم های غیر خطی با استفاده از الگوریتم ژنتیک

به جرأت می توان گفت که یکی از مسائل مهم در تمامی رشته های علمی و مهندسی، مسأله مدل سازی است و در بسیاری از رشته ها، این مسأله مهم ترین مسأله ای است که در آن حوزه تعریف می شود. تبدیل داده های برگرفته از مشاهدات، به مدلی ریاضی که بتواند سیستم مورد مطالعه را توصیف نماید، گاهی اوقات بزرگترین هدفی است که یک محقق دارد. اگر هدف از مدل سازی، ایجاد یک مدل دینامیکی، به صورت مجموعه ای از معادلات دیفرانسیلی باشد، مسأله مدل سازی غالبا با نام شناسایی سیستم یا System Identification شناخته می شود. شناسایی سیستم مختص هیچ رشته خاصی نیست، اما اغلب مهندسین کنترل و ریاضی دان ها به کار توسعه الگوریتم ها و روش های شناسایی مبادرت می ورزند.

روش های مختلفی برای حل مسأله شناسایی سیستم و مدل سازی سیستم های دینامیکی به وجود آمده اند که در حوزه های مختلفی نظیر، مهندسی برق، مهندسی پزشکی، مهندسی مکانیک، مهندسی شیمی و فرآیند، اقتصاد، هواشناسی و کشاورزی کاربرد دارند.

الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است، که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت “الگوریتم تکاملی” به ذهن می رسد، الگوریتم ژنتیک است. در این پست قصد داریم فیلم جدیدی را معرفی نماییم، که در آن مسأله شناسایی سیستم غیرخطی به یک مسأله بهینه سازی تبدیل گردیده است و توسط الگوریتم ژنتیک پیوسته (عدد حقیقی) حل شده است.

سیستم دینامیکی غیر خطی که در این فیلم آموزشی مورد بررسی قرار گرفته است، مدل شکار و شکارچی یا Predator-Prey Model است. این مدل کاربردهای فراوانی در حوزه مهندسی زیست-پزشکی (Biomedical Engineering) و اقتصاد (Economics) دارد. مدل های دینامیکی توصیف کننده رفتار دینامیکی بیماری هایی نظیر ایدز، هپاتیت و سرطان از توسعه مدل شکار و شکارچی به دست آمده اند. برای توصیف بازار رقابتی و مدل سازی چرخه عرضه و تقاضا نیز از مدل شکار و شکارچی استفاده های فراوانی شده است.
برخی سرفصل های مورد بحث:
مروری بر مفاهیم مدل سازی و شناسایی سیستم
تعریف تابع خطا و تبدیل مسأله شناسایی سیستم به مسأله بهینه سازی
معرفی سیستم غیر خطی شکار و شکارچی (Predator-Prey)
بررسی خواص دینامیکی مدل شکار و شکارچی
مقدمه ای بر شبیه سازی سیستم های دینامیکی
تقریب اویلر برای حل عددی معادلات دیفرانسیل و شبیه سازی سیستم های دینامیکی
پیاده سازی تقریب اویلر در محیط متلب
ایجاد یک مدل فرضی و شبیه سازی آن برای تعریف یک مسأله مدل سازی
پیاده سازی تابع خطای مدل سازی
اتصال تابع خطای تعریف شده به الگوریتم ژنتیک
حل مسأله شناسایی سیستم غیر خطی با استفاده از الگوریتم ژنتیک
ایجاد مکانیزمی برای نمایش لحظه به لحظه نتایج مدل سازی به صورت نمودارهای گرافیکی
جمع بندی و نتیجه گیری های نهایی
برای کسب اطلاعات بیشتر ، این لینک را ببینید:http://www.matlabsite.com/409/mvrga9011g-system-identification-using-ga-video-tutorial.html
کلمات کلیدی:
Binary Genetic Algorithm, Genetic Algorithm, System Identification, آموزش GA, آموزش الگوریتم ژنتیک, الگوریتم تکاملی, الگوریتم ژنتیک, الگوریتم ژنتیک باینری, الگوریتم ژنتیک عملی, الگوریتم ژنتیک پیوسته, برنامه نویسی متلب, بهینه سازی, سیستم های دینامیکی, سیستم های غیر خطی, شناسایی سیستم, شناسایی سیستم با الگوریتم ژنتیک, شناسایی سیستم های غیر خطی, فیلم آموزشی الگوریتم ژنتیک, محاسبات تکاملی, مدل سازی, مدل سازی سیستم های دینامیکی, پیاده سازی الگوریتم ژنتیک در متلب
ارائه دهنده تبلیغات: متلب سایت - فرادرس
شماره تماس: 88312277 و 88312276 و 09109067124
نشانی: تهران خ کریم خان زن نرسیده به میدان هفتم تیر بین خردمند جنوبی و عارف ادیب پلاک 62 برج B طبقه 5 واحد B52
نشانی سایت: http://matlabsite.com